Bagaimana mengukur efek ROPO untuk pengecer omnichannel

Semua bisnis ingin mengetahui nilai sebenarnya dari saluran iklan mereka dan itu sangat tidak mungkin dicapai tanpa melacak hubungan antara perilaku pelanggan online dan offline. Misalnya, dengan menonaktifkan iklan yang sekilas tidak membuahkan hasil, perusahaan berisiko mengurangi penjualannya.

Dalam hal ini, kami menjelaskan solusi yang diberikan oleh tim OWOX BI untuk rantai ritel elektronik konsumen dan peralatan rumah tangga besar yang memiliki tantangan dalam mengukur efek ROPO.

Pelanggan pengecer omnichannel biasanya membeli produk dengan tiga cara unik:

• Memesan hanya secara online di situs web. Pendapatan dari situs web menyumbang sekitar 20% dari total omset perusahaan.
• Pembelian offline di toko rantai perusahaan.
• Menemukan produk di situs web dan membelinya di toko offline. Perilaku ini dikenal sebagai Efek ROPO — meneliti secara online dan membeli secara offline.

Pemasar ingin mengevaluasi dampak saluran online terhadap penjualan offline. Ini akan memungkinkan mereka untuk menghitung laba atas investasi periklanan dengan lebih akurat dan membangun strategi pemasaran yang lebih baik berdasarkan data yang lengkap. Tugas lainnya adalah meningkatkan pengalaman online pelanggan, dengan menemukan alasan mengapa mereka memilih untuk membeli di toko offline setelah mengunjungi situs web. Untuk mencapai dua tujuan ini, diputuskan untuk mengintegrasikan data tentang titik kontak online dan offline dari pengguna yang masuk (sekitar 12% dari total jumlah pengunjung situs web).

Perusahaan mengumpulkan, menyimpan, dan memproses semua data dalam sistem yang berbeda:

• Data tentang interaksi pengguna dengan situs web dikumpulkan di Google Analytics 360.
• Data tentang pembelian offline dan pengembalian pesanan dikumpulkan dalam sistem CRM perusahaan (SAP). Struktur dan algoritme pengumpulan data ini sangat berbeda dari Google Analytics.

Untuk menganalisis dampak saluran online terhadap total pendapatan perusahaan, pemasar perlu menggabungkan semua data ke dalam satu sistem. Google Analytics tidak sesuai dengan tugas, karena tidak mendukung pemrosesan ulang data: setelah diproses, data tidak dapat diubah jika pesanan dibatalkan atau dikembalikan karena alasan apa pun. Selain itu, mengimpor semua data tentang transaksi offline pengguna yang belum pernah mengunjungi situs web, akan secara signifikan mengubah keakuratan statistik Google Analytics. Google Analytics juga mungkin gagal melacak beberapa data pembelian di halaman situs web karena JavaScript tidak dimuat di browser.

Untuk mencapai tujuan mereka, pemasar memutuskan untuk mengambil langkah-langkah berikut:

1. Satukan data tentang interaksi pengguna dengan situs web, pembelian offline, dan tingkat penyelesaian pesanan.
2. Gabungkan data tentang pembelian offline dengan data tentang sesi online.
3. Visualisasikan data untuk analisis mendalam.

Diagram alur dari seluruh proses ini diberikan di bawah ini:

Data tentang semua tindakan dan pesanan pengguna yang dilakukan di situs dikirim ke gudang data cloud Google BigQuery, menggunakan integrasi asli yang tersedia untuk akun Google Analytics 360. Oleh karena itu, pakar perusahaan memutuskan untuk menggunakan Google BigQuery untuk mengumpulkan semua data lainnya.

Untuk mentransfer data tentang pembelian offline dan penyelesaian pesanan dari CRM ke Google BigQuery, pakar menyiapkan unggahan data harian otomatis melalui FTP.

Analis OWOX BI menggabungkan dan memproses data yang dikumpulkan. Pertama, data tentang pesanan online dilengkapi dengan status setiap pesanan, menggunakan kueri SQL. Kueri menggabungkan data berdasarkan nilai yang cocok dari dua tabel, dengan ID transaksi (ID Pesanan) yang digunakan sebagai kunci.

Selanjutnya, para analis menggabungkan data tentang pembelian offline dan perilaku situs web dari pelanggan yang sama. Untuk tujuan ini, mereka menggunakan User ID di Google Analytics. ID Pengguna adalah pengidentifikasi unik yang ditetapkan untuk setiap pengguna yang telah masuk ke situs web perusahaan. Kemudian, ID Pengguna dikaitkan dengan kartu loyalitas pelanggan di sistem CRM dan dikirim sebagai nilai dimensi khusus ke Google Analytics. Jangka waktu untuk integrasi data ditetapkan menjadi 180 hari dengan mempertimbangkan jangka waktu dari kunjungan situs web hingga pembelian. Dengan cara ini, segmentasi audiens yang lebih terperinci dimungkinkan.

Hasilnya, data berikut tentang setiap pesanan (baik online maupun offline) diterima:

Tim OWOX BI memvisualisasikan data di Google Data Studio dengan membuat dasbor yang informatif. Perusahaan dapat mengekspor data dari dasbor untuk analisis dan perencanaan anggaran yang lebih rinci.

Misalnya, diagram batang interaktif, tangkapan layar yang diberikan di bawah ini, menunjukkan jumlah pembelian online, offline, dan ROPO beserta pendapatan yang diperoleh darinya. Data ini dapat disaring berdasarkan kota, periode waktu, dan jenis produk. Pembelian ROPO merupakan sekitar 10% dari total pendapatan, tergantung pada kotanya. Bagan juga menunjukkan bahwa persentase pesanan dari setiap saluran tidak sesuai dengan persentase pendapatan yang diperoleh dari saluran — itu tergantung pada nilai pesanan rata-rata. Dalam hal ini, pembelian online memiliki rata-rata nilai pesanan yang lebih tinggi daripada pembelian offline.

Tabel di bawah menunjukkan pendapatan tambahan dari pembelian ROPO di berbagai wilayah, saluran, dan kategori produk. Data dapat diekspor dalam format tabel dan digunakan oleh perusahaan dalam mendistribusikan anggaran iklan.

• Dasbor informatif dan otomatis diperoleh, memungkinkan memperhitungkan efek ROPO dalam perencanaan operasional kampanye iklan.
• Perusahaan menemukan bahwa saluran online berkontribusi sekitar 10% dari pendapatan offline.
• Dengan menganalisis perilaku pengguna yang meneliti produk di situs web sebelum membelinya di jaringan toko perusahaan, sekarang mungkin untuk menemukan alasan mengapa pelanggan ini memilih untuk berbelanja offline. Perusahaan sekarang dapat mengubah situs web untuk pengalaman pengguna yang lebih baik dan tingkat konversi yang lebih tinggi. Sebagai contoh, perusahaan menemukan bahwa sebagian besar pelanggan offline yang telah mengunjungi situs web menggunakan kupon diskon saat membeli secara offline. Berbekal informasi ini, pemasar telah meningkatkan pengalaman pelanggan dengan kupon diskon di situs web. Selain itu, perusahaan menyederhanakan formulir aplikasi kredit online sehingga pelanggan tidak perlu pergi ke toko fisik untuk membeli secara kredit.