วิธีระบุ ROPO: อิทธิพลออนไลน์ต่อการซื้อออฟไลน์

การโฆษณาออนไลน์มักถูกประเมินต่ำเกินไป เนื่องจากผู้คนจำนวนมากเริ่มมองหาสินค้าบนอินเทอร์เน็ตแล้วไปซื้อในหน้าร้านจริง โดยเฉพาะอย่างยิ่ง สิ่งเหล่านี้กลายเป็นสิ่งสำคัญสำหรับผลิตภัณฑ์บางอย่าง เช่น รองเท้าแบรนด์ดีไซเนอร์และเครื่องประดับ การขายออนไลน์ไม่สามารถแข่งขันกับการขายในร้านค้าจริง ซึ่งลูกค้าจะได้รับบริการที่เป็นส่วนตัวอย่างเต็มที่ นั่นเป็นเหตุผลที่นักการตลาดต้องการเรียนรู้ว่าการตลาดออนไลน์ส่งผลต่อการขายในร้านค้าจริงอย่างไร และค้นหาว่าแคมเปญและหมวดหมู่ของสินค้าใดทำให้เกิดการซื้อแบบออฟไลน์มากขึ้น และรายการใดนำทางออนไลน์มากขึ้น

ในกรณีนี้ เราอธิบายโซลูชันที่จัดทำโดยทีม OWOX BI สำหรับเครือข่ายร้านค้าที่จำหน่ายรองเท้า กระเป๋า และเครื่องประดับในราคาต่ำ ระดับกลาง และราคาสูง บริษัทมีร้านค้าที่มีหน้าร้านจริง 90 แห่งและร้านค้าออนไลน์ที่สะดวกสบาย ความท้าทายหลักคือการระบุอิทธิพลออนไลน์ที่มีต่อการซื้อออฟไลน์

ฝ่ายขายสังเกตเห็นว่าลูกค้าจำนวนมากต้องการรวบรวมข้อมูลออนไลน์ก่อนตัดสินใจซื้อในหน้าร้านจริง บนเว็บไซต์ ลูกค้ากรองสินค้าตามราคาและตรวจสอบความพร้อมจำหน่ายสินค้าในร้านค้าปลีกในเครือ ในกรณีส่วนใหญ่ เมื่อลูกค้ามาที่หน้าร้านจริง พวกเขารู้ดีถึงสิ่งที่พวกเขากำลังมองหาและมีความคาดหวังบางอย่างเกี่ยวกับบริการ

นั่นเป็นเหตุผลที่นักการตลาดตัดสินใจที่จะ:

• กำหนดอิทธิพลของความพยายามทางการตลาดออนไลน์ต่อการขายออฟไลน์
• จัดสรรงบประมาณการตลาดออนไลน์ใหม่
• ประเมินประสิทธิภาพของช่องโฆษณาใหม่และปรับปรุงกลยุทธ์ทางการตลาด

เพื่อให้บรรลุเป้าหมายเหล่านี้ จึงตัดสินใจใช้การวิเคราะห์ ROPO โดยอิงจากข้อมูลเกี่ยวกับการซื้อทางออนไลน์และออฟไลน์ ด้วยสิ่งนี้ คุณสามารถกำหนดส่วนของรายได้ออฟไลน์ที่เกิดจากโฆษณาออนไลน์ (เอฟเฟกต์ ROPO) ดูสาเหตุและวิธีการผสานรวมจุดติดต่อลูกค้าออนไลน์และออฟไลน์ในบทความของเรา

ในการวิเคราะห์ ROPO คุณควรรวมข้อมูลสำหรับโฆษณาออนไลน์กับข้อมูลการขายออฟไลน์ ผู้ค้าปลีกมีข้อมูลมากมายเกี่ยวกับลูกค้าที่ซื้อสินค้าในรูปแบบต่างๆ:

• การเลือกและชำระเงินในร้านค้า
• ดูในเว็บแล้วซื้อในห้าง
• การดูเว็บไซต์ ชำระเงินบนเว็บไซต์ และสั่งบริการจัดส่งถึงบ้านหรือจัดส่งให้ร้านค้า

ดังนั้น ข้อมูลนี้จึงถูกรวบรวม บันทึก และประมวลผลในระบบต่างๆ:

• ข้อมูลเกี่ยวกับพฤติกรรมของลูกค้าบนเว็บไซต์ถูกเก็บไว้ใน Google Analytics
• ข้อมูลเกี่ยวกับการประมวลผลคำสั่งและกิจกรรมของผู้เยี่ยมชมออฟไลน์ถูกเก็บไว้ในระบบ CRM ภายใน

เป็นการยากที่จะรวมข้อมูลทั้งหมดจากระบบเหล่านี้ด้วยตนเอง นักการตลาดกำลังมองหาซอฟต์แวร์ที่จะช่วยรวมข้อมูลนี้เข้ากับ Google BigQuery (GBQ) ซึ่งพวกเขาใช้สำหรับจัดเก็บข้อมูลแคมเปญโฆษณาอยู่แล้ว Google BigQuery เป็นหนึ่งในบริการ RESTful ที่ปลอดภัยที่สุด โดยมีศักยภาพในการจัดเก็บข้อมูลและการประมวลผลแบบไม่จำกัด

นักการตลาดของผู้ค้าปลีกเลือก OWOX BI Pipeline เพื่อแก้ปัญหาของตน

มีการใช้ OWOX BI Attribution ในการประเมินแคมเปญโฆษณาแล้ว และมีการใช้ OWOX BI Pipeline เพื่อรวบรวมข้อมูลจาก Google Analytics ไปยัง Google BigQuery เพื่อสร้างรายงานเกี่ยวกับแคมเปญโฆษณา สำหรับงานทั้งสองนี้ ผู้ค้าปลีกพอใจกับ OWOX BI ดังนั้นจึงได้รับเลือกอีกครั้งสำหรับการวิเคราะห์ ROPO

นักวิเคราะห์ OWOX BI ออกแบบแผนต่อไปนี้:

• รวบรวมข้อมูลเกี่ยวกับแคมเปญโฆษณา พฤติกรรมของลูกค้าบนเว็บไซต์ การขายออฟไลน์ และการประมวลผลคำสั่งซื้อในระบบเดียว
• เชื่อมต่อคำสั่งซื้อออฟไลน์กับเซสชันออนไลน์
• สร้างรายงานและแดชบอร์ดตามข้อมูลที่ได้รับเพื่อประเมินผลงานใหม่จากแหล่งข้อมูลออนไลน์

การไหลของข้อมูลมีลักษณะดังนี้:

มาดูกระบวนการทีละขั้นตอนกัน

ผู้เยี่ยมชมที่ลงทะเบียนบนเว็บไซต์ทุกคนจะได้รับ user_ID ที่ไม่ซ้ำกัน ขณะดำเนินการตามเป้าหมายการแปลง — ทำธุรกรรม — ผู้เข้าชมจะได้รับ transaction_ID เพิ่มเติม ข้อมูลพฤติกรรมของผู้เยี่ยมชมบนเว็บไซต์จะถูกโอนไปยัง Google BigQuery ด้วย ID เหล่านี้โดยใช้ OWOX BI

ในแต่ละวัน ข้อมูลการสั่งซื้อออนไลน์และออฟไลน์จาก CRM จะถูกโอนไปยัง Google BigQuery และรวมเข้ากับข้อมูลจากเว็บไซต์ด้วยความช่วยเหลือของ คีย์ user_ID และ transaction_ID

เมื่อรวมข้อมูลนี้ คุณจะได้รับสิ่งที่จำเป็นสำหรับการวิเคราะห์ ROPO

เมื่อรวมข้อมูลทั้งหมดแล้ว นักวิเคราะห์ OWOX BI เริ่มทำงานกับฐานข้อมูลที่รวบรวมไว้ใน Google BigQuery

ข้อมูลเกี่ยวกับธุรกรรมออนไลน์ใน Google BigQuery ถูกเพิ่มลงในข้อมูลของคำสั่งซื้อแต่ละรายการที่กำลังดำเนินการ (ชำระเงินและยังไม่ได้ชำระเงิน) โดยใช้ Transaction_ID เพื่อระบุธุรกรรม

จากนั้น นักวิเคราะห์จะรวมข้อมูลเกี่ยวกับเซสชันของผู้เยี่ยมชมเข้ากับข้อมูลเกี่ยวกับการซื้อออฟไลน์โดยใช้ user_ID เป็นคีย์เชื่อมต่อ คีย์นี้เปิดเผยประวัติเซสชันบนเว็บไซต์สำหรับลูกค้าจำนวนมากที่ซื้อแบบออฟไลน์

โครงร่างสำหรับการรวมข้อมูลมีลักษณะดังนี้:

ด้วยเหตุนี้ ทีมผู้ค้าปลีกจึงได้รับคำตอบสำหรับคำถามต่อไปนี้สำหรับคำสั่งซื้อแต่ละรายการ:

• เป็นธุรกรรมประเภทใด ออนไลน์ ออฟไลน์ หรือ ROPO?
• แหล่งที่มาของเซสชันล่าสุดก่อนการซื้อคืออะไร อะไรทำให้ลูกค้าตัดสินใจซื้อ?
• กี่วันผ่านไประหว่างเซสชันล่าสุดบนเว็บไซต์และการซื้อ (สำหรับผู้ที่ซื้อออนไลน์ ค่านี้เป็นศูนย์เสมอ เนื่องจากการเข้าชมครั้งล่าสุดคือเซสชันเมื่อมีธุรกรรม สำหรับธุรกรรมออฟไลน์เท่านั้น หมายเลขนี้จะเป็นศูนย์เสมอด้วยเนื่องจากไม่มีเซสชันออนไลน์สำหรับลูกค้ารายนี้ ลูกค้ารายอื่นสามารถกำหนดให้ ส่วน ROPO)
• ตำแหน่งทางภูมิศาสตร์ของเซสชันล่าสุด

ตัวอย่างของตารางที่มีข้อมูลนี้:

เพื่อแสดงภาพข้อมูลที่ได้รับ เลือก Google Data Studio นักวิเคราะห์ OWOX BI ได้สร้างแดชบอร์ดข้อมูลพร้อมแผนภูมิแบบไดนามิกใน Google Data Studio เพื่อรองรับการวิเคราะห์โดยละเอียดและการวางแผนงบประมาณโฆษณา

ตัวอย่างเช่น แผนภูมิวงกลมทางด้านขวาแสดงว่าคำสั่งซื้อ ROPO คิดเป็น 20 เปอร์เซ็นต์ของรายได้ และแผนภูมิวงกลมทางด้านซ้ายแสดงว่าลูกค้าเกือบทั้งหมดที่สั่งซื้อ ROPO เข้าชมเว็บไซต์ก่อนซื้อในร้านค้าน้อยกว่าหนึ่งสัปดาห์

ข้อมูลทั้งหมดบนแดชบอร์ดสามารถกรองตามภูมิภาค กรอบเวลา Conversion แหล่งที่มา ช่องทาง และแคมเปญ เพื่อการแบ่งส่วนที่มีรายละเอียดมากขึ้น นอกจากนี้ สามารถดูจำนวนวันระหว่างการเยี่ยมชมเว็บไซต์ครั้งล่าสุดและการซื้อได้สำหรับแต่ละคำสั่งซื้อ

แผนภูมิที่ด้านล่างของแดชบอร์ดช่วยให้นักการตลาดเข้าใจว่าควรนับรายได้เพิ่มเติมจากคำสั่งซื้อ ROPO ใดในขณะที่วางแผนกลยุทธ์ทางการตลาดและแสดงส่วนแบ่งของรายได้ทั้งหมดตามแหล่งที่มา ช่องทาง และแคมเปญ

การวิเคราะห์ ROPO ยืนยันความสัมพันธ์ระหว่างพฤติกรรมออนไลน์และการซื้อออฟไลน์ และแดชบอร์ดข้อมูลที่อัปเดตข้อมูลที่ให้ข้อเท็จจริงเหล่านี้โดยอัตโนมัติ:

• 20% ของรายได้ออฟไลน์มาจากการโฆษณาออนไลน์ หมายความว่าทุกๆ ผู้เข้าชมร้านค้าออฟไลน์ทุกๆ คนที่ห้าได้โต้ตอบกับเว็บไซต์แล้ว
• หลังจากระบุแหล่งที่มาของรายได้ ROPO มีหลักฐานชัดเจนว่าแคมเปญออนไลน์ถูกประเมินต่ำเกินไป
• ในอนาคตอันใกล้นี้ ผู้ค้าปลีกจะทบทวนแคมเปญการตลาด โดยใช้มุมมองใหม่เกี่ยวกับประสิทธิภาพของแคมเปญโฆษณา และเพิ่มการลงทุนในทิศทางดิจิทัล