Qualität und Quantität • Paycor & Monks verdoppeln den durchschnittlichen Lead-Wert mit Demand Gen von Google

Paycor ist eine Plattform, die Führungskräften hilft, leistungsstarke Teams zu rekrutieren, zu verwalten und zu entwickeln, und zwar mithilfe von Technologien, die alles von der Gehaltsabrechnung bis zum Leistungsmanagement unterstützen. Die SaaS-Marke musste ihre primären Indikatoren für das Pipeline-Wachstum, marketingqualifizierte Leads (MQLs) und Ersttermine mit Vertriebsmitarbeitern (FTAs) skalieren, verfügte aber bereits über ein ausgereiftes digitales Programm. Da die bestehende digitale Strategie ein Plateau erreichte, forderte Paycor Monks heraus, neue Wege für skalierbares Wachstum zu erschließen.

Standard-Display-Taktiken im Google Display-Netzwerk waren für die Marke relativ effektiv. Das Engagement war hoch und die Kampagnen halfen, die Sichtbarkeit bei Remarketing-Zielgruppen aufrechtzuerhalten, aber die Kosten pro Klick (CPC) waren relativ hoch. Um wirklich zu skalieren, wandten wir uns an KI. Im Gegensatz zu herkömmlichen Display-Taktiken kann das Demand Generation-Produkt von Google lernen, sich anpassen und Ergebnisse schneller skalieren, wenn es die richtigen Inputs erhält.

Unser Team entwickelte eine zweiteilige Demand-Gen-Strategie, die auf die Ziele von Paycor zugeschnitten war. Wir begannen mit Prospecting-Kampagnen, die sich auf Zielgruppen von Wettbewerbern konzentrierten, um neue, potenzielle Nutzer zu gewinnen. Dann schalteten wir Remarketing ein, um Nutzer, die bereits Interesse gezeigt, aber noch nicht konvertiert hatten, erneut anzusprechen. In beiden Kampagnen wurde eine Mischung aus statischen Bildern und Botschaften verwendet, die aus den erfolgreichsten Suchanzeigen stammten, wobei sich Videos schnell als besonders leistungsstark erwiesen.

Wir testeten eine Reihe von Videoformaten, von 30-sekündigen Feature-Clips bis hin zu fünfminütigen Produkttouren. Die langen Videos führten zu den höchsten Engagement- und View-Through-Raten und trugen dazu bei, das Interesse und die Vertrautheit mit dem Angebot von Paycor zu steigern. Die kürzeren Videos waren besser geeignet, um direkte Konversionen zu erzielen. Diese Kombination bildete ein integriertes kreatives System, das die Nutzer innerhalb der gleichen Kampagnenumgebung von der Wahrnehmung bis zur Handlung führte.

Um eine frühe Traktion aufzubauen, starteten wir mit einer Gebotsstrategie für maximale Klicks, um Google Raum für die Datenerfassung und die Optimierung der Bereitstellung zu geben. Sobald die Kampagnen ein ausreichendes Engagement-Volumen erreicht hatten, um die algorithmische Lernphase zu verlassen, wechselten wir zu Maximum Conversion Value, um die Ausgaben an den Ergebnissen des tieferen Trichters auszurichten. Außerdem implementierten wir eine maßgeschneiderte wertbasierte Gebotsstruktur, die die Geschäftsziele von Paycor widerspiegelte. Um diese Ziele zu erreichen, gewichteten wir MQLs dynamisch auf der Grundlage der Unternehmensgröße und historischer Abschlussraten-Trends. FTAs und Opportunity Created Conversions erhielten höhere, feste Werte, um die Qualität dieser Nutzer zu stärken, während Leads im Frühstadium ausgeschlossen wurden, um den Fokus des Algorithmus auf umsatzbereite Interessenten zu schärfen.

Als wir die Leistung Seite an Seite betrachteten, wurde der Unterschied zwischen den Demand Gen- und den traditionellen GDN-Kampagnen sofort deutlich: Wir sahen eine zweifache Steigerung des durchschnittlichen Lead-Wertes, eine 90-prozentige Steigerung der Termine und eine 20-prozentige Verbesserung der Kosten pro Opportunity. Diese Verbesserungen spiegeln die stärkere Absicht und Relevanz der Zielgruppen wider, die wir durch KI-gestütztes Targeting und eine dynamische, wertbasierte Gebotsstruktur erreichten, die direkt auf die Geschäftsprioritäten von Paycor abgestimmt war. Indem wir uns auf Signale konzentrierten, die mit dem Umsatzpotenzial übereinstimmten, übertrafen wir schnell herkömmliche Display-Taktiken und validierten Demand-Gen-Kampagnen als skalierbaren Ansatz, um die Pipeline von Paycor zu erweitern.