Cara mengidentifikasi ROPO: pengaruh online pada pembelian offline

Iklan online sering diremehkan karena banyak orang mulai mencari barang di internet dan kemudian pergi dan membelinya di toko fisik. Terutama, itu menjadi hal untuk produk tertentu seperti sepatu dan aksesoris desainer. Penjualan online tidak dapat bersaing dengan penjualan di toko fisik, di mana pelanggan memiliki layanan yang sepenuhnya dipersonalisasi. Itulah sebabnya pemasar ingin mempelajari bagaimana pemasaran online memengaruhi penjualan di toko fisik dan mencari tahu kampanye dan kategori barang mana yang menghasilkan lebih banyak pembelian offline dan mana yang membawa lebih banyak online.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk jaringan toko yang menjual alas kaki, tas, dan aksesori dengan harga rendah, menengah, dan tinggi. Perusahaan ini memiliki 90 toko fisik dan toko online yang nyaman. Tantangan utama adalah untuk mengidentifikasi pengaruh online pada pembelian offline.

Departemen penjualan memperhatikan bahwa banyak pelanggan lebih suka mengumpulkan informasi secara online sebelum melakukan pembelian di toko fisik. Di situs web, pelanggan memfilter item berdasarkan harga dan memeriksa ketersediaannya di toko ritel rantai. Dalam kebanyakan kasus, ketika pelanggan datang ke toko fisik, mereka tahu betul apa yang mereka cari dan memiliki harapan tertentu tentang layanan tersebut.

Itu sebabnya pemasar memutuskan untuk:

• menentukan pengaruh upaya pemasaran online terhadap penjualan offline;
• mengalokasikan kembali anggaran pemasaran online;
• mengevaluasi kembali efisiensi saluran iklan dan meningkatkan strategi pemasaran mereka.

Untuk mencapai tujuan tersebut, diputuskan untuk menerapkan analisis ROPO — berdasarkan data tentang pembelian online dan offline. Dengan itu, Anda dapat menentukan bagian dari pendapatan offline yang dikaitkan dengan iklan online (efek ROPO). Lihat mengapa dan bagaimana mengintegrasikan titik kontak pelanggan online dan offline di artikel kami.

Untuk melakukan analisis ROPO, Anda harus menggabungkan data untuk iklan online dengan data penjualan offline. Pengecer memiliki banyak data tentang pelanggan, yang membeli barang dengan cara yang berbeda:

• Memilih dan membayar di toko.
• Melihat di situs web dan kemudian membeli di toko.
• Melihat di situs web, membayar di situs web, dan memesan pengiriman ke rumah atau pengiriman ke toko.

Dengan demikian, data ini dikumpulkan, disimpan, dan diproses dalam sistem yang berbeda:

• Data tentang perilaku klien di situs web disimpan di Google Analytics.
• Data pemrosesan pesanan dan aktivitas pengunjung offline disimpan dalam sistem CRM internal.

Sulit untuk menggabungkan semua data dari sistem ini secara manual. Pemasar mencari perangkat lunak yang akan membantu mereka menggabungkan data ini ke dalam Google BigQuery (GBQ), yang telah mereka gunakan untuk menyimpan data kampanye iklan. Google BigQuery adalah salah satu layanan RESTful teraman, dengan potensi pemrosesan dan penyimpanan data tak terbatas.

Pemasar pengecer memilih OWOX BI Pipeline untuk menyelesaikan tugas mereka.

Atribusi OWOX BI telah digunakan untuk mengevaluasi kampanye iklan dan OWOX BI Pipeline telah digunakan untuk mengumpulkan data dari Google Analytics ke Google BigQuery untuk membuat laporan tentang kampanye iklan. Untuk kedua tugas ini, pengecer puas dengan OWOX BI, sehingga dipilih lagi untuk analisis ROPO.

Analis OWOX BI merancang rencana berikut:

• Kumpulkan data kampanye iklan, perilaku pelanggan di situs web, penjualan offline, dan pemrosesan pesanan dalam satu sistem.
• Hubungkan pesanan offline dengan sesi online.
• Buat laporan dan dasbor berdasarkan data yang diterima untuk menilai kembali kontribusi dari sumber online.

Aliran data terlihat seperti ini:

Mari kita melalui proses langkah demi langkah.

Setiap pengunjung terdaftar di situs web menerima user_ID unik. Saat melakukan sasaran konversi — menyelesaikan transaksi — pengunjung mendapatkan ID_transaksi tambahan. Data perilaku pengunjung di situs web ditransfer ke Google BigQuery dengan ID ini melalui OWOX BI.

Setiap hari, data pesanan online dan offline dari CRM juga ditransfer ke Google BigQuery dan digabungkan dengan data dari situs web dengan bantuan kunci user_ID dan transaction_ID .

Dengan menggabungkan data ini, Anda mendapatkan apa yang dibutuhkan untuk melakukan analisis ROPO.

Setelah menggabungkan semua data, analis OWOX BI mulai bekerja dengan database yang dikumpulkan di Google BigQuery.

Data transaksi online di Google BigQuery ditambahkan ke data setiap pesanan yang diproses (berbayar dan tidak berbayar) menggunakan transaction_ID untuk mengidentifikasi transaksi.

Kemudian, analis mengintegrasikan data tentang sesi pengunjung dengan data tentang pembelian offline menggunakan user_ID sebagai kunci penghubung. Kunci ini mengungkapkan riwayat sesi di situs web untuk banyak pelanggan yang melakukan pembelian offline.

Skema untuk menggabungkan data terlihat seperti ini:

Hasilnya, tim pengecer mendapat jawaban atas pertanyaan berikut untuk setiap pesanan:

• Apa jenis transaksinya? Online, offline, atau ROPO?
• Apa sumber sesi terakhir sebelum pembelian? Apa yang membuat klien melakukan pembelian?
• Berapa hari berlalu antara sesi terakhir di situs web dan pembelian? (Bagi yang membeli secara online selalu nol, karena kunjungan terakhir adalah sesi saat transaksi terjadi. Hanya untuk transaksi offline, angka ini selalu nol karena tidak ada sesi online untuk pelanggan ini. Pelanggan lain dapat ditugaskan ke segmen ROPO.)
• Geolokasi sesi terakhir.

Contoh tabel dengan informasi ini:

Untuk memvisualisasikan data yang diterima, Google Data Studio dipilih. Analis OWOX BI membuat dasbor informatif dengan bagan dinamis di Google Data Studio untuk mendukung analisis terperinci dan perencanaan anggaran iklan.

Misalnya, diagram lingkaran di sebelah kanan menunjukkan bahwa pesanan ROPO menyumbang 20 persen dari pendapatan, dan diagram lingkaran di sebelah kiri menunjukkan bahwa hampir semua pelanggan yang membuat pesanan ROPO mengunjungi situs web kurang dari satu minggu sebelum membeli di toko.

Semua data di dasbor dapat difilter menurut wilayah, jendela konversi, sumber, saluran, dan kampanye untuk segmentasi yang lebih detail. Selain itu, hari antara kunjungan situs web terakhir dan pembelian dapat dilihat untuk setiap pesanan.

Bagan di bagian bawah dasbor membantu pemasar memahami pendapatan tambahan mana dari pesanan ROPO yang harus dihitung saat merencanakan strategi pemasaran dan menunjukkan bagian pendapatan total menurut sumber, saluran, dan kampanye.

Analisis ROPO mengkonfirmasi korelasi antara perilaku online dan pembelian offline dan dasbor informatif yang secara otomatis memperbarui data dengan memberikan fakta-fakta berikut:

• 20 persen pendapatan offline dikaitkan dengan iklan online, yang berarti bahwa setiap kelima pengunjung toko offline telah berinteraksi dengan situs web.
• Setelah atribusi pendapatan ROPO, muncul bukti yang jelas tentang kampanye online yang diremehkan.
• Dalam waktu dekat, pengecer akan meninjau kampanye pemasarannya, mengambil pandangan baru tentang efisiensi kampanye iklan dan meningkatkan investasinya ke arah digital.