Como medir o efeito ROPO para um varejista omnichannel

Todas as empresas querem descobrir o valor real de seus canais de publicidade e isso é praticamente impossível sem rastrear a relação entre o comportamento do cliente online e offline. Por exemplo, ao desativar a publicidade que, à primeira vista, não compensa, a empresa corre o risco de reduzir suas vendas.

Neste caso, descrevemos a solução fornecida pela equipe OWOX BI para uma grande rede de varejo de eletroeletrônicos e eletrodomésticos que tinha desafios para medir o efeito ROPO.

Os clientes de varejistas omnichannel normalmente compram produtos de três maneiras únicas:

• Encomendar exclusivamente online em sites. A receita do site representa cerca de 20% do faturamento total da empresa.
• Compras offline nas lojas da rede da empresa.
• Encontrar produtos no site e comprá-los em lojas offline. Esse comportamento é conhecido como ROPO Effect — pesquise online e compre offline.

Os profissionais de marketing estavam procurando avaliar o impacto dos canais online nas vendas offline. Isso permitiria que eles calculassem com mais precisão o retorno dos investimentos em publicidade e construíssem uma melhor estratégia de marketing com base nos dados completos. Outra tarefa foi melhorar a experiência online dos clientes, descobrindo os motivos pelos quais eles optam por comprar em lojas offline após visitarem o site. Para atingir esses dois objetivos, decidiu-se integrar os dados sobre os pontos de contato online e offline dos usuários conectados (cerca de 12% do número total de visitantes do site).

A empresa coleta, armazena e processa todos os dados em diferentes sistemas:

• Os dados sobre as interações do usuário com o site são coletados no Google Analytics 360.
• Os dados sobre compras offline e devoluções de pedidos são coletados no sistema CRM da empresa (SAP). A estrutura e o algoritmo de coleta desses dados são completamente diferentes do Google Analytics.

Para analisar o impacto dos canais online na receita total da empresa, os profissionais de marketing precisavam ter todos os dados mesclados em um único sistema. O Google Analytics não se adequa à tarefa, pois não suporta o reprocessamento de dados: uma vez processados, os dados não podem ser modificados se um pedido for cancelado ou devolvido por qualquer motivo. Além disso, importar todos os dados sobre transações offline de usuários que nunca visitaram o site distorceria significativamente a precisão das estatísticas do Google Analytics. O Google Analytics também pode falhar ao rastrear alguns dados de compra nas páginas do site porque o JavaScript não foi carregado no navegador.

Para atingir seus objetivos, os profissionais de marketing decidiram seguir os seguintes passos:

1. Reúna os dados sobre interações do usuário com o site, compras offline e taxas de conclusão de pedidos.
2. Mescle os dados sobre compras offline com os dados sobre sessões online.
3. Visualize os dados para uma análise aprofundada.

O fluxograma de todo este processo é dado abaixo:

Os dados sobre todas as ações e pedidos do usuário feitos no site são enviados para o data warehouse em nuvem do Google BigQuery, usando a integração nativa disponível para contas do Google Analytics 360. Portanto, os especialistas da empresa decidiram usar o Google BigQuery para coletar todos os outros dados.

Para transferir os dados sobre compras off-line e conclusão de pedidos do CRM para o Google BigQuery, os especialistas configuram uploads diários automáticos de dados via FTP.

Os analistas de BI da OWOX mesclaram e processaram os dados coletados. Primeiramente, os dados sobre pedidos online foram complementados com os status de cada pedido, usando uma consulta SQL. A consulta mescla os dados com base nos valores correspondentes de duas tabelas, com o ID da transação (ID do pedido) usado como chave.

Em seguida, os analistas mesclaram os dados sobre compras offline e comportamento do site dos mesmos clientes. Para isso, eles usaram o ID do usuário no Google Analytics. Um ID de usuário é um identificador exclusivo atribuído a cada usuário que fez login no site da empresa. Em seguida, os User IDs são associados aos cartões de fidelidade do cliente no sistema CRM e enviados como valores de dimensão personalizada ao Google Analytics. O período de tempo para integração de dados foi definido em 180 dias considerando o período de tempo desde a visita ao site até a compra. Dessa forma, foi possível uma segmentação de público mais granular.

Como resultado, foram recebidos os seguintes dados sobre cada um dos pedidos (tanto online quanto offline):

A equipe OWOX BI visualizou os dados no Google Data Studio criando um painel informativo. A empresa pode exportar os dados do dashboard para uma análise mais detalhada e planejamento orçamentário.

Por exemplo, o gráfico de barras interativo, cuja captura de tela é fornecida abaixo, mostra o número de compras online, offline e ROPO junto com a receita obtida com elas. Esses dados podem ser filtrados por cidade, período e tipo de produto. As compras de ROPO constituem cerca de 10% da receita total, dependendo da cidade. O gráfico também demonstra que o percentual de pedidos de cada canal não coincide com o percentual de receita obtido do canal — depende do valor médio do pedido. Nesse caso, as compras online têm um valor médio de pedido maior do que as compras offline.

A tabela abaixo demonstra a receita adicional das compras de ROPO em diferentes regiões, canais e categorias de produtos. Os dados podem ser exportados em formato tabular e são utilizados pela empresa na distribuição do orçamento publicitário.

• Obteve-se o dashboard informativo e automatizado, permitindo ter em conta o efeito ROPO no planeamento operacional das campanhas publicitárias.
• A empresa descobriu que os canais online contribuíram com cerca de 10% da receita offline.
• Ao analisar o comportamento dos usuários que pesquisam produtos no site antes de comprá-los nas redes de lojas da empresa, agora é possível descobrir os motivos pelos quais esses clientes optam por comprar offline. A empresa agora pode renovar o site para uma melhor experiência do usuário e taxas de conversão mais altas. Como exemplo, a empresa descobriu que a maioria dos clientes offline que visitaram o site usava cupons de desconto ao comprar offline. De posse dessas informações, os marqueteiros já melhoraram a experiência do cliente com cupons de desconto no site. Além disso, a empresa simplificou o formulário de solicitação de crédito online para que os clientes não precisem ir a uma loja física para comprar a crédito.