ROPO 식별 방법: 오프라인 구매에 대한 온라인 영향

많은 사람들이 인터넷에서 상품을 찾기 시작한 다음 실제 상점에 가서 구매하기 때문에 온라인 광고는 종종 과소평가됩니다. 특히, 그것은 디자이너 신발과 액세서리와 같은 특정 제품의 경우가 되었습니다. 온라인 판매는 고객이 완전히 개인화된 서비스를 제공하는 실제 상점에서의 판매와 경쟁할 수 없습니다. 그렇기 때문에 마케터는 온라인 마케팅이 실제 매장의 판매에 어떤 영향을 미치는지 알아보고 어떤 캠페인과 상품 범주가 오프라인에서 더 많은 구매를 유도하고 어떤 것이 더 많은 온라인 구매를 유도하는지 알고 싶어합니다.

이 경우 신발, 가방 및 액세서리를 저가, 중급, 고가로 판매하는 매장 체인에 대해 OWOX BI 팀이 제공하는 솔루션에 대해 설명합니다. 이 회사에는 90개의 오프라인 상점과 편리한 온라인 상점이 있습니다. 주요 과제는 오프라인 구매에 대한 온라인 영향을 식별하는 것이었습니다.

영업 부서는 많은 고객이 실제 매장에서 구매하기 전에 온라인으로 정보를 수집하는 것을 선호한다는 사실을 알게 되었습니다. 웹사이트에서 고객은 가격별로 품목을 필터링하고 체인 소매점에서 재고를 확인합니다. 대부분의 경우 고객이 오프라인 매장에 방문하면 자신이 무엇을 찾고 있는지 잘 알고 있으며 서비스에 대한 특정 기대치를 가지고 있습니다.

그래서 마케터는 다음과 같이 결정했습니다.

• 오프라인 판매에 대한 온라인 마케팅 노력의 영향을 정의합니다.
• 온라인 마케팅 예산을 재할당합니다.
• 광고 채널의 효율성을 재평가하고 마케팅 전략을 개선합니다.

이러한 목표를 달성하기 위해 온라인 및 오프라인 구매에 대한 데이터를 기반으로 ROPO 분석을 적용하기로 결정했습니다. 이를 통해 온라인 광고에 기인한 오프라인 수익의 일부를 정의할 수 있습니다(ROPO 효과). 당사 기사에서 온라인 및 오프라인 고객 접점을 통합하는 이유와 방법을 확인하십시오.

ROPO 분석을 수행하려면 온라인 광고 데이터와 오프라인 판매 데이터를 병합해야 합니다. 소매업체는 다양한 방식으로 상품을 구매하는 고객에 대한 많은 데이터를 보유하고 있습니다.

• 상점에서 선택하고 지불합니다.
• 웹사이트를 보고 상점에서 구매합니다.
• 웹사이트에서 보고, 웹사이트에서 결제하고, 택배 또는 매장으로 배달 주문.

따라서 이 데이터는 다른 시스템에서 수집, 저장 및 처리됩니다.

• 웹사이트에서 고객 행동에 대한 데이터는 Google Analytics에 저장됩니다.
• 오프라인 방문자의 주문 처리 및 활동에 대한 데이터는 내부 CRM 시스템에 저장됩니다.

이러한 시스템의 모든 데이터를 수동으로 병합하는 것은 어렵습니다. 마케터들은 이 데이터를 이미 광고 캠페인 데이터를 저장하는 데 사용한 Google BigQuery(GBQ)에 병합하는 데 도움이 되는 소프트웨어를 찾고 있었습니다. Google BigQuery는 데이터 저장 및 처리 가능성이 무제한인 가장 안전한 RESTful 서비스 중 하나입니다.

소매업체의 마케팅 담당자는 작업을 해결하기 위해 OWOX BI Pipeline을 선택했습니다.

OWOX BI Attribution은 이미 광고 캠페인을 평가하는 데 사용되었으며 OWOX BI Pipeline은 광고 캠페인에 대한 보고서를 작성하기 위해 Google Analytics에서 Google BigQuery로 데이터를 수집하는 데 사용되었습니다. 이 두 가지 작업에 대해 소매업체는 OWOX BI에 만족하여 ROPO 분석을 위해 다시 선택했습니다.

OWOX BI 분석가는 다음 계획을 설계했습니다.

• 광고 캠페인, 웹사이트에서의 고객 행동, 오프라인 판매, 주문 처리에 대한 데이터를 하나의 시스템에서 수집합니다.
• 오프라인 주문을 온라인 세션과 연결합니다.
• 온라인 소스의 기여를 재평가하기 위해 수신된 데이터를 기반으로 보고서 및 대시보드를 작성합니다.

데이터 흐름은 다음과 같습니다.

절차를 단계별로 살펴보겠습니다.

웹사이트에 등록된 모든 방문자는 고유한 user_ID 를 받습니다. 전환 목표(거래 완료)를 수행하는 동안 방문자는 추가 transaction_ID 를 얻습니다. 웹사이트에서 방문자의 행동 데이터는 OWOX BI를 통해 이러한 ID와 함께 Google BigQuery로 전송됩니다.

매일 CRM의 온라인 및 오프라인 주문 데이터도 Google BigQuery로 전송되고 user_ID 및 transaction_ID 키를 사용하여 웹사이트의 데이터와 병합됩니다.

이 데이터를 병합하면 ROPO 분석을 수행하는 데 필요한 정보를 얻을 수 있습니다.

모든 데이터를 결합한 OWOX BI 분석가는 Google BigQuery에서 수집된 데이터베이스 작업을 시작했습니다.

트랜잭션 식별을 위해 transaction_ID 를 사용하여 처리 중인 각 주문(유료 및 미지급)의 데이터에 Google BigQuery의 온라인 거래 데이터를 추가했습니다.

그런 다음 분석가는 user_ID 를 연결 키로 사용하여 방문자 세션에 대한 데이터와 오프라인 구매에 대한 데이터를 통합했습니다. 이 키는 오프라인 구매를 한 많은 고객의 웹사이트 세션 기록을 보여줍니다.

데이터 병합 계획은 다음과 같습니다.

결과적으로 소매업체 팀은 각 주문에 대해 다음 질문에 대한 답변을 얻었습니다.

• 어떤 종류의 거래입니까? 온라인, 오프라인 또는 ROPO?
• 구매 전 마지막 세션의 출처는 무엇입니까? 고객이 구매를 하게 된 동기는 무엇입니까?
• 웹사이트의 마지막 세션과 구매 사이에 며칠이 지났습니까? (온라인 구매의 경우 마지막 방문이 거래가 발생한 세션이므로 이 값은 항상 0입니다. 오프라인 거래의 경우 이 고객에 대한 온라인 세션이 없기 때문에 이 숫자도 항상 0입니다. 다른 고객에게 할당될 수 있습니다. ROPO 세그먼트.)
• 마지막 세션의 지리적 위치입니다.

이 정보가 있는 테이블의 예:

수신된 데이터를 시각화하기 위해 Google Data Studio를 선택했습니다. OWOX BI 분석가는 자세한 분석 및 광고 예산 계획을 지원하기 위해 Google 데이터 스튜디오에서 동적 차트가 포함된 유익한 대시보드를 만들었습니다.

예를 들어 오른쪽의 파이 차트는 ROPO 주문이 매출의 20%를 차지하는 것을 보여주고 왼쪽의 파이 차트는 ROPO를 주문한 거의 모든 고객이 매장에서 구매하기 1주일 이내에 웹사이트를 방문한 것을 보여줍니다.

대시보드의 모든 데이터는 지역, 전환 기간, 소스, 채널 및 캠페인별로 필터링하여 보다 세부적으로 분류할 수 있습니다. 또한 각 주문에 대해 마지막 웹사이트 방문과 구매 사이의 날짜를 볼 수 있습니다.

대시보드 하단의 차트는 마케터가 마케팅 전략을 계획하는 동안 계산해야 하는 ROPO 주문의 추가 수익을 이해하는 데 도움이 되며 소스, 채널 및 캠페인별로 총 수익의 몫을 보여줍니다.

ROPO 분석을 통해 온라인 행동과 오프라인 구매 간의 상관 관계와 다음 사실을 제공하는 데이터를 자동으로 업데이트하는 유익한 대시보드를 확인했습니다.

• 오프라인 매출의 20%는 온라인 광고에 기인합니다. 즉, 오프라인 매장의 5분의 1 방문자는 이미 웹사이트와 상호 작용했습니다.
• ROPO 수익 귀속 이후 온라인 캠페인이 과소평가되고 있다는 명백한 증거가 나타났습니다.
• 가까운 장래에 소매업체는 마케팅 캠페인을 검토하여 광고 캠페인의 효율성에 대한 새로운 시각을 갖고 디지털 방향에 대한 투자를 늘릴 것입니다.