Lovesize: Ενίσχυση Απόδοσης στο Plus Size Fashion μέσω του Geeko DCO

Η στρατηγική μας για τη Lovesize σχεδιάστηκε με κεντρικό άξονα το profitability-first performance marketing, συνδυάζοντας σωστό tracking, ξεκάθαρη δομή Meta Ads και αξιοποίηση του Dynamic Creative Optimizer (DCO).

Η βάση κάθε αποδοτικής καμπάνιας είναι τα αξιόπιστα δεδομένα. Αρχικά, δόθηκε έμφαση στη σωστή καταγραφή και αξιοποίηση των events:
● Βελτιστοποίηση Meta Pixel & Conversion API.
● Ιεράρχηση events με έμφαση σε αγορές και αξία παραγγελίας.
● Καθαρή αποτύπωση funnel (View Content → Add to Cart → Purchase).

Ο στόχος δεν ήταν απλώς να “μετράμε” conversions, αλλά να δίνουμε στη Meta ποιοτικά σήματα ώστε να βελτιστοποιεί προς χρήστες με πραγματική αγοραστική πρόθεση.

Η διαφημιστική δομή σχεδιάστηκε με γνώμονα τη βιωσιμότητα και το καθαρό κέρδος, όχι απλώς τον όγκο πωλήσεων.
● Έμφαση σε καμπάνιες καταλόγου (Sales / Purchases).
● Αξιοποίηση historical data για αποδοτικό targeting.
● Σταδιακή κλιμάκωση budget μόνο σε ad sets με θετικό performance.

Η αξιολόγηση γινόταν συνδυαστικά:
● CPA, CTR & CPC (ως δείκτες relevance)
● Συνολική αποδοτικότητα σε σχέση με το περιθώριο κέρδους των προϊόντων.

Με αυτόν τον τρόπο, οι αποφάσεις scaling βασίζονταν σε profit logic και όχι απλώς σε vanity metrics.

Το DCO αποτέλεσε βασικό εργαλείο για τη βελτίωση της συνάφειας και της απόδοσης.
● Σύνδεση του product feed της Lovesize
● Δημιουργία δυναμικών creatives που προσαρμόζονται: στο προϊόν, στη συμπεριφορά του χρήστη, και στο στάδιο του funnel.

Η δυναμική εναλλαγή εικόνων, τίτλων και προϊόντων επέτρεψε:
● Καλύτερο match προϊόντος–χρήστη.
● Υψηλότερο engagement.
● Χαμηλότερο κόστος ανά κλικ και ανά αγορά.

Η στρατηγική δεν έμεινε στατική. Η εκτέλεση βασίστηκε σε συνεχή ανάλυση και optimization:
● Παρακολούθηση performance σε ημερίσια βάση.
● Creative testing μέσα από το DCO αντί για μεμονωμένα ads.
● Απομόνωση winning combinations και σταδιακή ενίσχυσή τους.
● Μείωση spend σε χαμηλής απόδοσης segments.

Το αποτέλεσμα ήταν ένα αυτοβελτιούμενο σύστημα διαφημίσεων, που μαθαίνει από τα δεδομένα και προσαρμόζεται με στόχο τη μέγιστη αποδοτικότητα.