Analiza ROPO: Jak przydatna jest w omnichannel marketing analytics

Aż 40% klientów korzysta z Internetu, aby dowiedzieć się więcej o produktach i ich dostępności, zanim odwiedzą sklep stacjonarny i coś kupią. Odsetek takich klientów na pewno zależy od firmy. Jednak wielu użytkowników najpierw widzi reklamy online lub oferty specjalne, czyta recenzje i referencje ze strony, a dopiero potem decyduje się na zakup offline. Oznacza to, że Twoje inicjatywy reklamowe online mogą mieć poważny wpływ na liczbę sprzedaży offline.​

W tym przypadku opisujemy rozwiązanie dostarczone przez zespół OWOX BI dla sieci sklepów wchodzących w skład firmy Sephora (należącej do grupy LVMH) i zajmującej wiodącą pozycję na światowym rynku perfum i produktów kosmetycznych. Wyzwaniem było zastosowanie analizy ROPO.

Klienci mogą na ogół kupować towary oferowane przez sprzedawcę zarówno w trybie online, jak i offline. Kupując nowe perfumy, klient może najpierw chcieć poznać aromaty, a dopiero potem dokonać zakupu online lub w sklepie fizycznym.

Zespół marketingowy chciał dogłębnie zrozumieć zachowania swoich użytkowników pod kątem interakcji między sklepami online i offline. Chcieli pokazać w liczbach, że działania marketingowe online nie ograniczają się do generowania przychodów z zamówień online, ale wpływają również na sprzedaż offline (tzw. efekt badania online, zakup offline lub ROPO).

Zaproponowaliśmy zbudowanie systemu analityki i raportów marketingowych omnichannel.

Priorytetem dla firmy, podobnie jak dla wielu dużych detalistów omnichannel, było zbudowanie efektywnego systemu analityki marketingowej we wszystkich kanałach sprzedaży.

Pierwszym problemem, z jakim zmierzył się zespół marketingowy w rozwiązaniu tego problemu, była fragmentacja danych. Przez cały czas istnienia firmy zgromadzono wiele danych, które były przechowywane w różnych źródłach i formatach, z których każdy posiada własną, specyficzną metodę przetwarzania. Do określenia efektu ROPO potrzebne było jedno repozytorium, w którym można łączyć wszystkie dane potrzebne do analizy.

Z tego problemu wyszedł kolejny: Jakiej pamięci użyć? Były dwie opcje:

1. ​Przechowuj wszystkie dane na własnych serwerach firmy.
2. Prześlij wszystkie dane do pamięci w chmurze.

Każda opcja przechowywania danych ma swoje zalety i wady. W przypadku korzystania z własnych serwerów firmy należy wziąć pod uwagę czas poświęcony na zorganizowanie takiego przechowywania, pieniądze potrzebne na zakup niezbędnego sprzętu, koszty utrzymania, problemy ze skalowaniem oraz konieczność zbudowania zautomatyzowanego systemu gromadzenia i przetwarzanie danych.

Kolejnym wyzwaniem był wybór narzędzia do automatyzacji dostarczania danych z różnych źródeł do jednego repozytorium w celu dalszej analizy. Jest do tego sporo narzędzi, ale trzeba było wybrać najlepsze pod względem ceny, jakości, funkcjonalności, elastyczności i skalowalności.

Aby rozwiązać problemy z analizą ROPO, marketingowcy i analitycy musieli podjąć następujące kroki:

• Wybierz jedno repozytorium do scalenia danych
• Zautomatyzuj przepływ danych
• Na podstawie uzyskanych danych buduj raporty i wskaźniki dynamiczne niezbędne do zarządzania firmą

Aby zrealizować ten plan, zespół marketingowy zwrócił się do OWOX BI, ponieważ jesteśmy ekspertami w dziedzinie analityki internetowej i fuzji danych oraz jesteśmy partnerem firmy od 2016 roku.

Eksperci wybrali Google Cloud Storage jako ujednoliconą pamięć masową z połączeniem z Google BigQuery. Główne powody wyboru Google Cloud Storage to:

• Prędkość. Google Cloud Storage może przetwarzać terabajty informacji w kilka sekund, a petabajty w kilka minut.
• Wydajność i przejrzystość kosztów. W porównaniu z innymi narzędziami usługa Google jest niedroga i wygodna w użyciu.
• Prosta skalowalność. Przy znacznym wzroście wolumenu danych nie musisz rezerwować dodatkowej pojemności, serwerów wirtualnych itp.
• Wygodna integracja z usługami zewnętrznymi. Dostępna jest duża liczba integracji do pracy z danymi z popularnych usług.
• Niezawodność i bezpieczeństwo danych. Standardy bezpieczeństwa, prawne i certyfikacyjne BigQuery umożliwiają przechowywanie poufnych danych w projekcie.
• Eksport do Google Analytics 360. Możliwe jest przesyłanie nieprzetworzonych danych z Google Analytics bezpośrednio do BigQuery (w tym danych historycznych z ostatnich 13 miesięcy).
• Compute Engine, Data Prep itp. Google Cloud posiada wiele zintegrowanych usług, które upraszczają wdrażanie rozwiązań.

Zespół analityków, kierując się zaleceniami OWOX BI, wykonał następujące działania w celu zautomatyzowania przepływu danych:

• Skonfiguruj automatyczny eksport danych z Google Analytics do Google BigQuery. Firma korzysta z Google Analytics 360, co pozwala w pełni dostosować integrację z BigQuery za pomocą kilku kliknięć.
• Skonfiguruj automatyczną integrację Google Ads i Google Analytics. Warto zauważyć, że część danych o kosztach jest automatycznie importowana do Google Analytics za pomocą potoku OWOX BI. Całkowite wydatki są analizowane w innym, bardziej odpowiednim dla potrzeb firmy, systemie (oprócz kosztów reklamy pobiera również koszty stałe na produkcję materiałów promocyjnych, prowizje agencyjne i inne wydatki, bez których nie da się obliczyć netto zwrot z inwestycji).
• Skonfiguruj automatyczne przesyłanie wydatków do Google Analytics dla Criteo, Facebooka i innych źródeł reklamowych za pośrednictwem OWOX BI Pipeline. Metody ładowania kosztów reklamy w Google Analytics oraz zalety automatycznego importu do Google Analytics i BigQuery znajdziesz w naszym artykule.
• Pobrano dane z CRM do Google BigQuery. Badając zalety BigQuery i innych produktów Google Cloud Platform, zespół marketingowy postanowił spróbować zbudować raporty ROPO na podstawie jednorazowych przesłanych plików. W tym celu raz w miesiącu przesyłali dane do Google Cloud Storage, z którego były wysyłane do BigQuery.
• Gdy zespół marketingowy zapoznał się ze wszystkimi zaletami pracy z danymi w BigQuery, postanowili dalej używać BigQuery jako magazynu danych CRM. Korzystając z integracji BigQuery z OWOX BI, skonfigurowali automatyczne przesyłanie danych z ich CRM do BigQuery. Integracja ta pozwoliła na samodzielne zarządzanie (dodawanie, usuwanie i aktualizowanie) danych w chmurze, co było jedną z zalet stosowania tego podejścia na bieżąco.

Za pomocą zapytań SQL zespół marketingowy połączył wszystkie dane zebrane w BigQuery w jedną tabelę. Teraz mogą wykorzystać te dane do tworzenia raportów w formacie przyjaznym dla firmy za pomocą narzędzia do wizualizacji danych Data Studio.

Warto wziąć pod uwagę, że dane do budowania raportów można łączyć nie tylko w usługach wizualizacyjnych, takich jak Data Studio, Tableau czy Google Charts. Korzystając z instrukcji opracowanych przez zespół OWOX, za pomocą kilku kliknięć możesz połączyć tabelę utworzoną w BigQuery bezpośrednio z narzędziami OWOX BI Attribution i OWOX BI Smart Data, aby automatycznie generować raporty ROPO w biurze OWOX BI.

W wyniku budowy systemu do analityki marketingowej omnichannel, zespół marketingu odpowiedział na szereg pytań ważnych dla rozwoju biznesu.

Po zbudowaniu całego łańcucha punktów styku z użytkownikami, od interakcji z reklamą online po zakupy w sklepie stacjonarnym w wybranym okresie, udało się zidentyfikować 3 procent wszystkich użytkowników, którzy weszli na witrynę według User ID — czyli tylko tych odwiedzających, którzy są zarejestrowane w serwisie. Identyfikowano nie tylko sesje użytkowników autoryzowanych w określonym czasie, ale także sesje użytkowników nieautoryzowanych, posiadających znaną kartę lojalnościową. ​Wśród zidentyfikowanych użytkowników:

• 31% dokonało zakupów w sklepie internetowym.
• 17% odwiedziło sklep internetowy przed zakupem offline (użytkownicy ROPO).
• 53% dokonało zakupów zarówno w sklepach internetowych, jak i stacjonarnych.

Po przeanalizowaniu wszystkich niezbędnych danych zespół ds. digital mógł pokazać w liczbach wpływ reklamy w mediach cyfrowych na sprzedaż w sklepach stacjonarnych.​Poniższy wykres przedstawia wpływ na sprzedaż offline newslettera wysyłanego w dniach 23–25 sierpnia.

Raport pozwala również zespołowi ocenić zmiany w udziale użytkowników ROPO, aby zrozumieć, na ile oczekiwania dotyczące tego wskaźnika odpowiadają rzeczywistym danym.​

Ten wykres pokazuje, jaki procent przychodów ROPO został wygenerowany przez konkretną kampanię reklamową.​

Budując poniższe wykresy, można było wizualnie pokazać udział użytkowników ROPO, którzy dokonali zakupów zarówno online, jak i offline oraz śledzić dynamikę zmian w tej kategorii użytkowników.​

Poza główną analizą marketerzy chcieli dowiedzieć się, jak zachowania użytkowników ROPO różnią się w zależności od kategorii produktów pod względem tego, na co klienci patrzą na stronie, a co kupują offline.

Na przykład pojawiła się hipoteza, że ​​perfumy przynoszą największe przychody ROPO. Raport wykazał jednak, że w rzeczywistości kategoria produktów do pielęgnacji twarzy w serii produktów przeciwstarzeniowych ma duży udział w ROPO. Produkty te można rozważyć przy opracowywaniu kolejnej kampanii reklamowej online.

Wszystkie te dane oraz prawidłowa analiza efektu ROPO pomogły w jasnym zdefiniowaniu i zaprezentowaniu skuteczności reklamy internetowej z uwzględnieniem wszystkich działań użytkowników zarówno online, jak i offline. Ponadto, dzięki analizie ROPO i możliwości pobierania transakcji offline do osobnego widoku Google Analytics, marketerzy mogą lepiej zrozumieć zachowanie różnych segmentów ich docelowych odbiorców, co pozwala im bardziej szczegółowo planować działania marketingowe.

Kolejnym krokiem jest zwiększenie odsetka zidentyfikowanych użytkowników w celu dokładniejszego określenia zachowania każdego segmentu. Część tego zadania rozwiązano poprzez identyfikację użytkowników nie tylko autoryzowanych w danym momencie w danej sesji, ale także nieuprawnionych, ale posiadających kartę lojalnościową, którą można dopasowywać z mocą wsteczną.