ROPO-анализ: насколько он полезен для многоканальной маркетинговой аналитики

До 40% покупателей выходят в интернет, чтобы больше узнать о товарах и их наличии, прежде чем посетить офлайн-магазин и что-то купить. Процент таких клиентов, безусловно, зависит от компании. Тем не менее, многие пользователи сначала видят онлайн-рекламу или специальные предложения, читают обзоры и отзывы с веб-сайта и только потом решают совершить покупку в офлайн-режиме. Это означает, что ваши инициативы в области онлайн-рекламы могут оказать серьезное влияние на количество офлайн-продаж.​

В данном случае мы описываем решение, предоставленное командой OWOX BI для сети магазинов, входящей в состав компании Sephora (принадлежит группе LVMH) и занимающей лидирующие позиции на мировом рынке парфюмерно-косметической продукции. У него были проблемы с применением анализа ROPO.

Как правило, покупатели могут покупать товары, предлагаемые ритейлером, как онлайн, так и офлайн. Покупая новые духи, клиент может сначала захотеть изучить ароматы и только потом совершить покупку в Интернете или в обычном магазине.

Маркетинговая команда хотела глубоко понять поведение своих пользователей с точки зрения их взаимодействия между онлайн-магазинами и офлайн-магазинами. Они хотели показать в цифрах, что усилия онлайн-маркетинга не ограничиваются получением дохода от онлайн-заказов, но также влияют на офлайн-продажи (так называемый эффект онлайн-исследования, покупки в оффлайне или ROPO).

Мы предложили построить систему омниканальной маркетинговой аналитики и отчетов.

Приоритетом для компании, как и для многих крупных омниканальных ритейлеров, было построение эффективной системы маркетинговой аналитики по всем каналам продаж.

Первой проблемой, с которой столкнулась команда маркетинга при решении этой задачи, стала фрагментация данных. За время существования компании было накоплено много данных, и они хранились в различных источниках и форматах, каждый со своим специфическим методом обработки. Для определения ROPO-эффекта требовалось единое хранилище, в котором можно было бы объединить все данные, необходимые для анализа.

Из этой проблемы вытекала другая: Какое хранилище использовать? Было два варианта:

1. Храните все данные на собственных серверах компании.
2. Загрузите все данные в облачное хранилище.

Каждый вариант хранения данных имеет свои преимущества и недостатки. В случае использования собственных серверов компании необходимо учитывать затраты времени на организацию такого хранилища, деньги, необходимые для покупки необходимого оборудования, затраты на обслуживание, проблемы с масштабированием, необходимость построения автоматизированной системы сбора и обработка данных.

Следующей задачей стал выбор инструмента для автоматизации доставки данных из разных источников в единый репозиторий для дальнейшего анализа. Инструментов для этого довольно много, но нужно было выбрать лучший по цене, качеству, функционалу, гибкости и масштабируемости.

Чтобы решить проблемы с ROPO-анализом, маркетологам и аналитикам пришлось предпринять следующие шаги:

• Выберите один репозиторий для объединения данных
• Автоматизируйте поток данных
• На основе полученных данных строить отчеты и динамические показатели, необходимые руководству компании

Для реализации этого плана маркетинговая команда обратилась к OWOX BI, так как мы являемся экспертами в области онлайн-аналитики и объединения данных и являемся партнером компании с 2016 года.

Эксперты выбрали Google Cloud Storage в качестве единого хранилища с подключением к Google BigQuery. Основными причинами выбора Google Cloud Storage были:

• Скорость. Google Cloud Storage может обрабатывать терабайты информации за секунды и петабайты за минуты.
• Оперативность и прозрачность затрат. По сравнению с другими инструментами сервис Google недорог и удобен в использовании.
• Простая масштабируемость. При значительном увеличении объема данных вам не нужно резервировать дополнительные мощности, виртуальные серверы и т.д.
• Удобная интеграция с внешними сервисами. Доступно большое количество интеграций для работы с данными популярных сервисов.
• Надежность и безопасность данных. Стандарты безопасности, регулирования и сертификации BigQuery позволяют хранить конфиденциальные данные в вашем проекте.
• Экспорт Google Analytics 360. Можно загружать необработанные данные из Google Analytics напрямую в BigQuery (включая исторические данные за последние 13 месяцев).
• Compute Engine, Data Prep и т. д. Google Cloud имеет множество интегрированных сервисов, которые упрощают внедрение решений.

Команда аналитиков, следуя рекомендациям OWOX BI, проделала следующие действия по автоматизации потока данных:

• Настройте автоматический экспорт данных из Google Analytics в Google BigQuery. Компания является пользователем Google Analytics 360, что позволяет полностью настроить интеграцию с BigQuery в несколько кликов.
• Настройте автоматическую интеграцию Google Ads и Google Analytics. Стоит отметить, что часть данных о расходах автоматически импортируется в Google Analytics с помощью OWOX BI Pipeline. Суммарные расходы анализируются в другой, более подходящей для целей компании системе (помимо затрат на рекламу, в ней также собираются фиксированные затраты на производство рекламных материалов, агентские комиссии и другие расходы, без которых невозможно рассчитать чистую прибыль). рентабельность инвестиций).
• Настройте автоматическую выгрузку расходов в Google Analytics для Criteo, Facebook и других источников рекламы через OWOX BI Pipeline. Способы загрузки рекламных расходов в Google Analytics и преимущества автоматического импорта в Google Analytics и BigQuery вы найдете в нашей статье.
• Загрузил данные из CRM в Google BigQuery. Изучая преимущества BigQuery и других продуктов Google Cloud Platform, маркетинговая команда решила попробовать создавать отчеты ROPO на основе разовых загрузок. Для этого они раз в месяц загружали данные в Google Cloud Storage, откуда они отправлялись в BigQuery.
• После того, как команда маркетинга ознакомилась со всеми преимуществами работы с данными в BigQuery, было принято решение продолжить использование BigQuery в качестве хранилища данных CRM. С помощью интеграции с BigQuery от OWOX BI они настроили автоматическую выгрузку данных из своей CRM в BigQuery. Такая интеграция позволила самостоятельно управлять (добавлять, удалять и обновлять) данными в облаке, что было одним из преимуществ использования такого подхода на постоянной основе.

С помощью SQL-запросов маркетинговая команда объединила все данные, собранные в BigQuery, в единую таблицу. Теперь они могут использовать эти данные для создания отчетов в удобном для компании формате с помощью инструмента визуализации данных Data Studio.

Стоит учитывать, что данные для построения отчетов можно объединять не только в сервисах визуализации, таких как Data Studio, Tableau и Google Charts. Используя инструкции, разработанные командой OWOX, вы в несколько кликов можете подключить таблицу, созданную в BigQuery, напрямую к инструментам OWOX BI Attribution и OWOX BI Smart Data для автоматического формирования ROPO-отчетов в офисе OWOX BI.

В результате построения системы маркетинговой омниканальной аналитики команда маркетинга ответила на ряд важных для развития бизнеса вопросов.

Выстроив всю цепочку точек взаимодействия с пользователем, от взаимодействия с онлайн-рекламой до покупки в офлайн-магазине за выбранный период, удалось выявить 3 процента всех пользователей, зашедших на сайт по User ID, то есть только тех посетителей, которые зарегистрированы на сайте. Удалось идентифицировать не только сеансы пользователей, авторизованных в определенное время, но и сеансы неавторизованных пользователей, у которых есть известная карта лояльности. Среди идентифицированных пользователей:

• 31% совершали покупки в интернет-магазине.
• 17% посетили интернет-магазин перед офлайн-покупкой (пользователи ROPO).
• 53% совершали покупки как в онлайн-, так и в офлайн-магазинах.

Проанализировав все необходимые данные, диджитал-команда смогла показать в цифрах влияние цифровой медийной рекламы на продажи в офлайн-магазинах.​На графике ниже показано влияние на офлайн-продажи рассылки по электронной почте, отправленной 23–25 августа.

Отчет также позволяет команде оценить изменения доли ROPO-пользователей, чтобы понять, насколько ожидания по этому показателю соответствуют фактическим данным.​

На этом графике показано, какой процент дохода ROPO был получен за счет конкретной рекламной кампании.​

При построении приведенных ниже графиков удалось наглядно показать долю ROPO-пользователей, совершивших покупки как онлайн, так и офлайн, и проследить динамику изменения данной категории пользователей.​

Помимо основного анализа, маркетологи хотели выяснить, чем отличается поведение ROPO-пользователей по товарным категориям в плане того, что покупатели смотрят на сайте и что покупают в оффлайне.

Например, существовала гипотеза, что больше всего ROPO-дохода приносят духи. Тем не менее, отчет показал, что на самом деле категория средств по уходу за лицом в серии продуктов против старения имеет большую долю ROPO. Эти продукты можно учитывать при разработке следующей рекламной кампании в Интернете.

Все эти данные и правильный анализ ROPO-эффекта помогли четко определить и представить эффективность интернет-рекламы с учетом всех действий пользователей как онлайн, так и оффлайн. Также благодаря ROPO-анализу и возможности выгружать офлайн-транзакции в отдельное представление Google Analytics маркетологи могут лучше понимать поведение разных сегментов своей целевой аудитории, что позволяет более детально планировать маркетинговые мероприятия.

Следующий шаг — увеличить процент идентифицированных пользователей, чтобы более точно определить поведение каждого сегмента. Часть этой задачи была решена за счет идентификации не только пользователей, авторизованных в данный момент времени в конкретной сессии, но и не авторизованных, но имеющих карту лояльности, которую можно сопоставить задним числом.