การวิเคราะห์ ROPO: การวิเคราะห์การตลาดแบบ Omnichannel มีประโยชน์อย่างไร

ลูกค้ามากถึง 40% ออนไลน์เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผลิตภัณฑ์และความพร้อมจำหน่ายสินค้าก่อนที่จะไปที่ร้านค้าออฟไลน์และซื้อของบางอย่าง เปอร์เซ็นต์ของลูกค้าดังกล่าวขึ้นอยู่กับบริษัทอย่างแน่นอน อย่างไรก็ตาม อันดับแรก ผู้ใช้จำนวนมากเห็นโฆษณาออนไลน์หรือข้อเสนอพิเศษ อ่านบทวิจารณ์และคำรับรองจากเว็บไซต์ จากนั้นจึงตัดสินใจซื้อแบบออฟไลน์ ซึ่งหมายความว่าความคิดริเริ่มโฆษณาออนไลน์ของคุณสามารถมีอิทธิพลอย่างมากต่อจำนวนการขายออฟไลน์​

ในกรณีนี้ เราอธิบายวิธีแก้ปัญหาโดยทีม OWOX BI สำหรับเครือข่ายร้านค้าเป็นส่วนหนึ่งของบริษัท Sephora (เป็นเจ้าของโดยกลุ่ม LVMH) และครองตำแหน่งผู้นำในตลาดโลกสำหรับน้ำหอมและผลิตภัณฑ์เครื่องสำอาง มีความท้าทายในการใช้การวิเคราะห์ ROPO

โดยทั่วไป ลูกค้าสามารถซื้อสินค้าที่ผู้ค้าปลีกเสนอได้ทั้งทางออนไลน์และออฟไลน์ เมื่อซื้อน้ำหอมใหม่ ลูกค้าอาจต้องการสำรวจกลิ่นก่อนแล้วจึงทำการซื้อทางออนไลน์หรือในหน้าร้านจริงเท่านั้น

ทีมการตลาดต้องการทำความเข้าใจพฤติกรรมของผู้ใช้อย่างลึกซึ้งในแง่ของปฏิสัมพันธ์ระหว่างร้านค้าออนไลน์และออฟไลน์ พวกเขาต้องการแสดงให้เห็นเป็นตัวเลขว่าความพยายามทางการตลาดออนไลน์ไม่ได้จำกัดอยู่แค่การสร้างรายได้จากคำสั่งซื้อออนไลน์ แต่ยังส่งผลต่อการขายออฟไลน์ด้วย (ผลที่เรียกว่าการวิจัยออนไลน์ การซื้อแบบออฟไลน์ หรือ ROPO)

เราแนะนำให้สร้างระบบการวิเคราะห์และรายงานการตลาดแบบ Omnichannel

ลำดับความสำคัญของบริษัท เช่นเดียวกับผู้ค้าปลีกหลายช่องทางรายใหญ่หลายๆ ราย คือการสร้างระบบวิเคราะห์การตลาดที่มีประสิทธิภาพในทุกช่องทางการขาย

ปัญหาแรกที่ทีมการตลาดต้องเผชิญในการแก้ปัญหานี้คือการกระจายตัวของข้อมูล ตลอดระยะเวลาที่บริษัทมีอยู่ ข้อมูลจำนวนมากได้ถูกสะสม และถูกจัดเก็บในแหล่งข้อมูลและรูปแบบต่าง ๆ โดยแต่ละวิธีมีวิธีการประมวลผลเฉพาะของตนเอง เพื่อตรวจสอบผลกระทบของ ROPO จำเป็นต้องมีที่เก็บเดียวซึ่งข้อมูลทั้งหมดที่จำเป็นสำหรับการวิเคราะห์สามารถรวมกันได้

จากปัญหานี้ตามมาอีก: จะใช้ที่เก็บข้อมูลอะไร? มีสองตัวเลือก:

1. ​จัดเก็บข้อมูลทั้งหมดบนเซิร์ฟเวอร์ของบริษัท
2. อัปโหลดข้อมูลทั้งหมดไปยังที่เก็บข้อมูลบนคลาวด์

ตัวเลือกการจัดเก็บข้อมูลแต่ละรายการมีข้อดีและข้อเสีย ในกรณีของการใช้เซิร์ฟเวอร์ของบริษัทเอง จำเป็นต้องคำนึงถึงเวลาที่ใช้ในการจัดระเบียบพื้นที่จัดเก็บข้อมูล เงินที่ต้องใช้ในการซื้อฮาร์ดแวร์ที่จำเป็น ค่าบำรุงรักษา ปัญหาเกี่ยวกับการปรับขนาด และความจำเป็นในการสร้างระบบอัตโนมัติสำหรับการรวบรวมและ การประมวลผลข้อมูล

ความท้าทายต่อไปคือการเลือกเครื่องมือในการส่งข้อมูลอัตโนมัติจากแหล่งต่างๆ ไปยังที่เก็บข้อมูลเดียวสำหรับการวิเคราะห์เพิ่มเติม มีเครื่องมือค่อนข้างน้อยสำหรับสิ่งนี้ แต่จำเป็นต้องเลือกสิ่งที่ดีที่สุดในแง่ของราคา คุณภาพ ฟังก์ชันการทำงาน ความยืดหยุ่น และความสามารถในการปรับขนาด

ในการแก้ปัญหาด้วยการวิเคราะห์ ROPO ผู้เชี่ยวชาญด้านการตลาดและนักวิเคราะห์ต้องทำตามขั้นตอนต่อไปนี้:

• เลือกที่เก็บเดียวสำหรับการผสานข้อมูล
• ทำให้การไหลของข้อมูลเป็นไปโดยอัตโนมัติ
• จากข้อมูลที่ได้รับ ให้สร้างรายงานและตัวชี้วัดแบบไดนามิกที่จำเป็นสำหรับการจัดการของบริษัท

ในการดำเนินการตามแผนนี้ ทีมการตลาดหันไปใช้ OWOX BI เนื่องจากเราเป็นผู้เชี่ยวชาญในการวิเคราะห์ออนไลน์และการผสมผสานข้อมูล และเป็นพันธมิตรของบริษัทมาตั้งแต่ปี 2559

ผู้เชี่ยวชาญเลือก Google Cloud Storage เป็นที่เก็บข้อมูลแบบรวมที่มีการเชื่อมต่อกับ Google BigQuery เหตุผลหลักในการเลือก Google Cloud Storage คือ:

• ความเร็ว. Google Cloud Storage สามารถประมวลผลข้อมูลเทราไบต์ในไม่กี่วินาทีและเพตะไบต์ในไม่กี่นาที
• ประสิทธิภาพและความโปร่งใสด้านต้นทุน เมื่อเทียบกับเครื่องมืออื่นๆ บริการของ Google มีราคาไม่แพงและใช้งานสะดวก
• ความสามารถในการปรับขนาดอย่างง่าย ด้วยปริมาณข้อมูลที่เพิ่มขึ้นอย่างมาก คุณไม่จำเป็นต้องสำรองความจุเพิ่มเติม เซิร์ฟเวอร์เสมือน ฯลฯ
• การผสานรวมกับบริการภายนอกที่สะดวก มีการผสานรวมจำนวนมากสำหรับการทำงานกับข้อมูลจากบริการยอดนิยม
• ความน่าเชื่อถือและความปลอดภัยของข้อมูล มาตรฐานการรักษาความปลอดภัย กฎระเบียบ และการรับรองของ BigQuery ช่วยให้คุณจัดเก็บข้อมูลที่ละเอียดอ่อนในโปรเจ็กต์ของคุณได้
• การส่งออก Google Analytics 360 เป็นไปได้ที่จะอัปโหลดข้อมูลดิบจาก Google Analytics โดยตรงไปยัง BigQuery (รวมถึงข้อมูลย้อนหลังในช่วง 13 เดือนที่ผ่านมา)
• Compute Engine, Data Prep ฯลฯ Google Cloud มีบริการแบบบูรณาการมากมายที่ทำให้การใช้งานโซลูชันง่ายขึ้น

ทีมนักวิเคราะห์ตามคำแนะนำของ OWOX BI ได้ดำเนินการดังต่อไปนี้เพื่อทำให้กระแสข้อมูลเป็นแบบอัตโนมัติ:

• ตั้งค่าการส่งออกข้อมูลอัตโนมัติจาก Google Analytics ไปยัง Google BigQuery บริษัทเป็นผู้ใช้ Google Analytics 360 ซึ่งช่วยให้สามารถปรับแต่งการผสานรวมกับ BigQuery ได้อย่างเต็มที่ในไม่กี่คลิก
• ตั้งค่าการผสานรวม Google Ads และ Google Analytics โดยอัตโนมัติ เป็นที่น่าสังเกตว่าส่วนหนึ่งของข้อมูลค่าใช้จ่ายจะถูกนำเข้าโดยอัตโนมัติใน Google Analytics โดยใช้ OWOX BI Pipeline ค่าใช้จ่ายทั้งหมดจะถูกวิเคราะห์ในอีกระบบหนึ่งที่เหมาะสมกับวัตถุประสงค์ของบริษัทมากกว่า (นอกจากค่าโฆษณาแล้ว ยังรวบรวมต้นทุนคงที่สำหรับการผลิตสื่อส่งเสริมการขาย ค่าคอมมิชชั่นตัวแทน และค่าใช้จ่ายอื่นๆ โดยที่จะไม่สามารถคำนวณสุทธิได้ ผลตอบแทนการลงทุน)
• ตั้งค่าการอัปโหลดค่าใช้จ่ายอัตโนมัติไปยัง Google Analytics สำหรับ Criteo, Facebook และแหล่งโฆษณาอื่นๆ ผ่าน OWOX BI Pipeline คุณสามารถค้นหาวิธีการโหลดค่าโฆษณาใน Google Analytics และประโยชน์ของการนำเข้าอัตโนมัติไปยัง Google Analytics และ BigQuery ได้ในบทความของเรา
• ดาวน์โหลดข้อมูลจาก CRM ไปยัง Google BigQuery ขณะสำรวจข้อดีของ BigQuery และผลิตภัณฑ์ Google Cloud Platform อื่นๆ ทีมการตลาดตัดสินใจลองสร้างรายงาน ROPO โดยอิงจากการอัปโหลดครั้งเดียว ในการดำเนินการดังกล่าว พวกเขาอัปโหลดข้อมูลเดือนละครั้งไปยัง Google Cloud Storage จากนั้นจึงส่งข้อมูลไปที่ BigQuery
• หลังจากที่ทีมการตลาดคุ้นเคยกับข้อดีทั้งหมดของการทำงานกับข้อมูลใน BigQuery แล้ว พวกเขาจึงตัดสินใจใช้ BigQuery เป็นที่เก็บข้อมูล CRM ต่อไป เมื่อใช้การผสานรวม BigQuery จาก OWOX BI พวกเขาตั้งค่าการอัปโหลดข้อมูลจาก CRM ไปยัง BigQuery โดยอัตโนมัติ การผสานรวมนี้ทำให้สามารถจัดการ (เพิ่ม ลบ และอัปเดต) ข้อมูลในคลาวด์ได้อย่างอิสระ ซึ่งเป็นหนึ่งในข้อดีของการใช้แนวทางนี้อย่างต่อเนื่อง

เมื่อใช้การสืบค้น SQL ทีมการตลาดได้รวมข้อมูลทั้งหมดที่รวบรวมใน BigQuery ไว้ในตารางเดียว ตอนนี้พวกเขาสามารถใช้ข้อมูลนี้เพื่อสร้างรายงานในรูปแบบที่เป็นมิตรต่อบริษัทโดยใช้เครื่องมือสร้างภาพข้อมูลของ Data Studio

ควรพิจารณาว่าข้อมูลสำหรับการสร้างรายงานสามารถผสานไม่เฉพาะในบริการการแสดงภาพ เช่น Data Studio, Tableau และ Google Charts ด้วยการใช้คำแนะนำที่พัฒนาโดยทีม OWOX ในไม่กี่คลิก คุณสามารถเชื่อมต่อตารางที่สร้างใน BigQuery โดยตรงกับ OWOX BI Attribution และเครื่องมือ OWOX BI Smart Data เพื่อสร้างรายงาน ROPO ในสำนักงาน OWOX BI โดยอัตโนมัติ

จากการสร้างระบบการตลาดแบบ Omnichannel Analytics ทีมการตลาดได้ตอบคำถามที่สำคัญต่อการพัฒนาธุรกิจเป็นจำนวนมาก

หลังจากสร้างจุดสัมผัสของผู้ใช้ทั้งหมดตั้งแต่การโต้ตอบกับโฆษณาออนไลน์ไปจนถึงการซื้อในร้านค้าออฟไลน์ในช่วงเวลาที่เลือก เป็นไปได้ที่จะระบุ 3 เปอร์เซ็นต์ของผู้ใช้ทั้งหมดที่เข้าสู่เว็บไซต์ด้วย ID ผู้ใช้ นั่นคือเฉพาะผู้เข้าชมที่ มีการลงทะเบียนบนเว็บไซต์ เป็นไปได้ที่จะระบุไม่เฉพาะเซสชันของผู้ใช้ที่ได้รับอนุญาตในเวลาที่กำหนด แต่ยังรวมถึงเซสชันของผู้ใช้ที่ไม่ได้รับอนุญาตซึ่งมีบัตรสะสมคะแนนที่รู้จัก ​ท่ามกลางผู้ใช้ที่ระบุ:

• 31% ซื้อสินค้าในร้านค้าออนไลน์
• 17% เข้าชมร้านค้าออนไลน์ก่อนซื้อแบบออฟไลน์ (ผู้ใช้ ROPO)
• 53% ซื้อสินค้าทั้งในร้านค้าออนไลน์และออฟไลน์

หลังจากวิเคราะห์ข้อมูลที่จำเป็นทั้งหมดแล้ว ทีมดิจิทัลสามารถแสดงตัวเลขถึงอิทธิพลของโฆษณาสื่อดิจิทัลที่มีต่อการขายในร้านค้าออฟไลน์ กราฟด้านล่างแสดงอิทธิพลต่อการขายออฟไลน์ของจดหมายข่าวทางอีเมลที่ส่งไปเมื่อวันที่ 23-25 ​​สิงหาคม

รายงานยังช่วยให้ทีมประเมินการเปลี่ยนแปลงในส่วนแบ่งของผู้ใช้ ROPO เพื่อทำความเข้าใจว่าความคาดหวังสำหรับเมตริกนี้สอดคล้องกับข้อมูลจริงมากน้อยเพียงใด​

กราฟนี้แสดงเปอร์เซ็นต์ของรายได้ ROPO ที่สร้างขึ้นโดยแคมเปญโฆษณาเฉพาะ​

เมื่อสร้างกราฟด้านล่าง เป็นไปได้ที่จะแสดงส่วนแบ่งของผู้ใช้ ROPO ที่ทำการซื้อทั้งทางออนไลน์และออฟไลน์ด้วยสายตา และเพื่อติดตามการเปลี่ยนแปลงในหมวดหมู่ของผู้ใช้นี้​

นอกเหนือจากการวิเคราะห์หลัก นักการตลาดต้องการทราบว่าพฤติกรรมของผู้ใช้ ROPO แตกต่างกันอย่างไรตามหมวดหมู่ผลิตภัณฑ์ในแง่ของสิ่งที่ลูกค้าดูบนเว็บไซต์และสิ่งที่พวกเขาซื้อแบบออฟไลน์

ตัวอย่างเช่น มีสมมติฐานว่าน้ำหอมสร้างรายได้จาก ROPO มากที่สุด อย่างไรก็ตาม รายงานพบว่า ในความเป็นจริง หมวดหมู่การดูแลผิวหน้าในชุดผลิตภัณฑ์ต่อต้านริ้วรอยมีส่วนแบ่ง ROPO ขนาดใหญ่ ผลิตภัณฑ์เหล่านี้สามารถนำมาพิจารณาในการพัฒนาแคมเปญโฆษณาออนไลน์ครั้งต่อไป

ข้อมูลทั้งหมดนี้และการวิเคราะห์ที่ถูกต้องของเอฟเฟกต์ ROPO ช่วยให้กำหนดและนำเสนอประสิทธิภาพของการโฆษณาออนไลน์ได้อย่างชัดเจน โดยคำนึงถึงการกระทำทั้งหมดของผู้ใช้ทั้งทางออนไลน์และออฟไลน์ นอกจากนี้ ด้วยการวิเคราะห์ ROPO และความสามารถในการดาวน์โหลดธุรกรรมออฟไลน์ในมุมมอง Google Analytics ที่แยกจากกัน นักการตลาดสามารถเข้าใจพฤติกรรมของกลุ่มต่างๆ ของผู้ชมเป้าหมายได้ดีขึ้น ทำให้สามารถวางแผนกิจกรรมทางการตลาดได้อย่างละเอียดยิ่งขึ้น

ขั้นตอนต่อไปคือการเพิ่มเปอร์เซ็นต์ของผู้ใช้ที่ระบุเพื่อกำหนดพฤติกรรมของแต่ละกลุ่มได้แม่นยำยิ่งขึ้น ส่วนหนึ่งของงานนี้ได้รับการแก้ไขโดยการระบุผู้ใช้ ไม่เพียงเฉพาะผู้ที่ได้รับอนุญาตในช่วงเวลาที่กำหนดในเซสชันหนึ่งๆ แต่ผู้ที่ไม่ได้รับอนุญาต แต่มีบัตรสะสมคะแนนที่สามารถจับคู่ย้อนหลังได้