ROPO analizi: Çok kanallı pazarlama analitiği için ne kadar faydalıdır?

Müşterilerin %40'a kadarı, çevrimdışı mağazayı ziyaret etmeden ve bir şey satın almadan önce ürünler ve stok durumu hakkında daha fazla bilgi edinmek için çevrimiçi oluyor. Bu tür müşterilerin yüzdesi kesinlikle şirkete bağlıdır. Ancak, tonlarca kullanıcı önce çevrimiçi reklamları veya özel teklifleri görür, web sitesindeki incelemeleri ve referansları okur ve ancak o zaman çevrimdışı satın almaya karar verir. Bu, çevrimiçi reklam girişimlerinizin çevrimdışı satışların sayısı üzerinde ciddi bir etkisi olabileceği anlamına gelir.​

Bu durumda, OWOX BI ekibinin Sephora şirketinin bir parçası olan (LVMH grubuna ait) bir mağaza zinciri için sunduğu çözümü açıklıyoruz ve parfüm ve kozmetik ürünleri için küresel pazarda lider bir konuma sahip. ROPO analizini uygulamada zorluklar vardı.

Müşteriler genellikle perakendecinin sunduğu ürünleri hem çevrimiçi hem de çevrimdışı olarak satın alabilir. Yeni bir parfüm satın alırken, bir müşteri önce aromaları keşfetmek isteyebilir ve ancak daha sonra çevrimiçi veya fiziksel bir mağazadan satın alabilir.

Pazarlama ekibi, çevrimiçi ve çevrimdışı mağazalar arasındaki etkileşimleri açısından kullanıcılarının davranışlarını derinlemesine anlamak istedi. Çevrimiçi pazarlama çabalarının yalnızca çevrimiçi siparişlerden gelir elde etmekle sınırlı olmadığını, aynı zamanda çevrimdışı satışları da (çevrimiçi araştırma, çevrimdışı satın alma veya ROPO etkisi olarak adlandırılan) etkilediğini rakamlarla göstermek istediler.

Çok kanallı pazarlama analitiği ve raporlarından oluşan bir sistem oluşturmayı önerdik.

Birçok büyük çok kanallı perakendeci gibi şirket için de öncelik, tüm satış kanallarında etkili bir pazarlama analitiği sistemi oluşturmaktı.

Pazarlama ekibinin bu sorunu çözmede karşılaştığı ilk sorun veri parçalanmasıydı. Şirketin varlığı boyunca birçok veri birikmiş ve her biri kendine özgü işleme yöntemine sahip çeşitli kaynak ve formatlarda saklanmıştır. ROPO etkisini belirlemek için, analiz için gerekli tüm verilerin birleştirilebileceği tek bir havuza ihtiyaç vardı.

Bu problemden bir diğeri geldi: Hangi depolamayı kullanmalı? İki seçenek vardı:

1. Tüm verileri şirketin kendi sunucularında saklayın.
2. Tüm verileri bulut depolama alanına yükleyin.

Her veri depolama seçeneğinin avantajları ve dezavantajları vardır. Şirketin kendi sunucularının kullanılması durumunda, bu tür depolamayı organize etmek için harcanan zamanı, gerekli donanımı satın almak için gereken parayı, bakım maliyetlerini, ölçekleme ile ilgili sorunları ve toplama ve depolama için otomatik bir sistem oluşturma ihtiyacını hesaba katmak gerekir. Veri işleniyor.

Sonraki zorluk, daha fazla analiz için çeşitli kaynaklardan tek bir havuza veri teslimini otomatikleştirecek bir araç seçmekti. Bunun için epeyce araç var, ancak fiyat, kalite, işlevsellik, esneklik ve ölçeklenebilirlik açısından en iyisini seçmek gerekiyordu.

ROPO analiziyle ilgili sorunları çözmek için pazarlama uzmanları ve analistlerin aşağıdaki adımları atması gerekiyordu:

• Verileri birleştirmek için tek bir havuz seçin
• Veri akışını otomatikleştirin
• Elde edilen verilere dayanarak, şirket yönetimi için gerekli raporları ve dinamik göstergeleri oluşturun.

Çevrimiçi analitik ve veri birleştirme konusunda uzmanız ve 2016'dan beri şirketin ortağı olduğumuz için pazarlama ekibi bu planı uygulamak için OWOX BI'ye döndü.

Uzmanlar, Google BigQuery ile bağlantılı birleşik depolama olarak Google Cloud Storage'ı seçti. Google Cloud Storage'ı seçmenin ana nedenleri şunlardı:

• Hız. Google Cloud Storage, terabaytlarca bilgiyi saniyeler içinde ve petabaytlarca bilgiyi dakikalar içinde işleyebilir.
• Verimlilik ve maliyet şeffaflığı. Diğer araçlarla karşılaştırıldığında, Google'ın hizmeti ucuzdur ve kullanımı kolaydır.
• Basit ölçeklenebilirlik. Veri hacmindeki önemli artışla ek kapasite, sanal sunucular vb. ayırmanız gerekmez.
• Harici servislerle uygun entegrasyon. Popüler hizmetlerden gelen verilerle çalışmak için çok sayıda entegrasyon mevcuttur.
• Güvenilirlik ve veri güvenliği. BigQuery'nin güvenlik, düzenleme ve sertifika standartları, projenizde hassas verileri depolamanıza olanak tanır.
• Google Analytics 360 Dışa Aktarma. Google Analytics'ten ham verileri doğrudan BigQuery'ye yüklemek mümkündür (son 13 aya ait geçmiş veriler dahil).
• Compute Engine, Data Prep vb. Google Cloud, çözümlerin uygulanmasını basitleştiren birçok entegre hizmete sahiptir.

OWOX BI'ın tavsiyelerini takip eden analist ekibi, veri akışını otomatikleştirmek için aşağıdaki eylemleri gerçekleştirdi:

• Google Analytics'ten Google BigQuery'ye otomatik veri aktarımını ayarlayın. Şirket, birkaç tıklamayla BigQuery ile entegrasyonu tamamen özelleştirmesine olanak tanıyan bir Google Analytics 360 kullanıcısıdır.
• Google Ads ve Google Analytics'in otomatik entegrasyonunu ayarlayın. Maliyet verilerinin bir kısmının OWOX BI Pipeline kullanılarak otomatik olarak Google Analytics'e aktarıldığını belirtmekte fayda var. Toplam giderler, şirketin amaçlarına daha uygun başka bir sistemde analiz edilir (reklam maliyetlerine ek olarak, promosyon malzemelerinin üretimi için sabit maliyetler, acente komisyonları ve diğer giderleri de toplar, bunlar olmadan net hesaplanamaz. YG).
• OWOX BI Pipeline aracılığıyla Criteo, Facebook ve diğer reklam kaynakları için Google Analytics'e giderlerin otomatik olarak yüklenmesini ayarlayın. Google Analytics'te reklam maliyetlerini yükleme yöntemlerini ve Google Analytics ve BigQuery'ye otomatik içe aktarmanın avantajını makalemizde bulabilirsiniz.
• CRM'den Google BigQuery'ye indirilen veriler. Pazarlama ekibi, BigQuery ve diğer Google Cloud Platform ürünlerinin avantajlarını keşfederken, tek seferlik yüklemelere dayalı olarak ROPO raporları oluşturmaya karar verdi. Bunu yapmak için ayda bir kez verileri Google Cloud Storage'a yüklediler ve buradan BigQuery'ye gönderildiler.
• Pazarlama ekibi, BigQuery'de verilerle çalışmanın tüm avantajlarını öğrendikten sonra, BigQuery'yi CRM veri deposu olarak kullanmaya devam etmeye karar verdi. OWOX BI'dan BigQuery entegrasyonunu kullanarak, CRM'lerinden BigQuery'ye otomatik olarak veri yüklemeyi kurdular. Bu entegrasyon, bulutta verilerin bağımsız olarak yönetilmesine (eklenmesine, silinmesine ve güncellenmesine) izin verdi; bu, bu yaklaşımı sürekli olarak kullanmanın avantajlarından biriydi.

Pazarlama ekibi, SQL sorgularını kullanarak BigQuery'de toplanan tüm verileri tek bir tabloda birleştirdi. Artık bu verileri Data Studio veri görselleştirme aracını kullanarak şirket dostu bir biçimde raporlar oluşturmak için kullanabilirler.

Rapor oluşturma verilerinin yalnızca Data Studio, Tableau ve Google Charts gibi görselleştirme hizmetlerinde birleştirilebileceğini dikkate almaya değer. OWOX ekibi tarafından geliştirilen talimatları kullanarak, birkaç tıklamayla, OWOX BI ofisinde otomatik olarak ROPO raporları oluşturmak için BigQuery'de oluşturulan bir tabloyu doğrudan OWOX BI Atıf ve OWOX BI Akıllı Veri araçlarına bağlayabilirsiniz.

Pazarlama ekibi, çok kanallı analitiği pazarlamak için bir sistem oluşturmanın bir sonucu olarak, iş geliştirme için önemli olan bir dizi soruyu yanıtladı.

Çevrimiçi reklamcılıkla etkileşimden belirli bir süre boyunca çevrimdışı bir mağazada satın almaya kadar tüm kullanıcı temas noktaları zincirini oluşturduktan sonra, Web sitesine Kullanıcı Kimliği ile giren tüm kullanıcıların yüzde 3'ünü belirlemek mümkün oldu - yani yalnızca web sitesinde kayıtlıdır. Sadece belirli bir zamanda yetkilendirilmiş kullanıcıların oturumlarını değil, aynı zamanda bilinen bir sadakat kartına sahip yetkisiz kullanıcıların oturumlarını da tespit etmek mümkün oldu. Tanımlanan kullanıcılar arasında:

• %31'i çevrimiçi mağazadan alışveriş yaptı.
• %17'si çevrimdışı bir satın alma işleminden önce çevrimiçi mağazayı ziyaret etti (ROPO kullanıcıları).
• %53'ü hem çevrimiçi hem de çevrimdışı mağazalardan alışveriş yaptı.

Dijital ekip, gerekli tüm verileri analiz ettikten sonra, dijital medya reklamlarının çevrimdışı mağazalardaki satışlar üzerindeki etkisini rakamlarla gösterebildi. Aşağıdaki grafik, 23-25 ​​Ağustos'ta gönderilen bir e-posta bülteninin çevrimdışı satışları üzerindeki etkisini gösteriyor.

Rapor ayrıca, ekibin bu ölçüme ilişkin beklentilerin gerçek verilere ne kadar karşılık geldiğini anlamak için ROPO kullanıcılarının payındaki değişiklikleri değerlendirmesine olanak tanır.​

Bu grafik, belirli bir reklam kampanyasının ROPO gelirinin yüzde kaçının oluşturulduğunu gösterir.​

Aşağıdaki grafikler oluşturulurken hem online hem de offline alışveriş yapan ROPO kullanıcılarının payını görsel olarak göstermek ve bu kullanıcı kategorisindeki değişim dinamiklerini takip etmek mümkün oldu.​

Pazarlamacılar, ana analize ek olarak, müşterilerin web sitesinde neye baktıklarına ve çevrimdışı ne satın aldıklarına göre ROPO kullanıcılarının davranışlarının ürün kategorisine göre nasıl farklılaştığını öğrenmek istedi.

Örneğin, parfümün en fazla ROPO geliri getirdiğine dair bir hipotez vardı. Ancak rapor, aslında yaşlanma karşıtı ürünler serisinde yüz bakımı kategorisinin büyük bir ROPO payına sahip olduğunu gösterdi. Bu ürünler, bir sonraki çevrimiçi reklam kampanyası geliştirilirken dikkate alınabilir.

Tüm bu veriler ve ROPO etkisinin doğru analizi, kullanıcıların hem çevrimiçi hem de çevrimdışı tüm eylemlerini dikkate alarak çevrimiçi reklamcılığın etkinliğini açıkça tanımlamaya ve sunmaya yardımcı oldu. Ayrıca, ROPO analizi ve çevrimdışı işlemleri ayrı bir Google Analytics görünümüne indirme yeteneği sayesinde, pazarlamacılar hedef kitlelerinin farklı segmentlerinin davranışlarını daha iyi anlayarak pazarlama faaliyetlerini daha ayrıntılı planlamalarına olanak tanır.

Sonraki adım, her segmentin davranışını daha doğru bir şekilde belirlemek için tanımlanan kullanıcıların yüzdesini artırmaktır. Bu görevin bir kısmı, yalnızca belirli bir oturumda belirli bir zamanda yetkilendirilen değil, aynı zamanda yetkili olmayan ancak geriye dönük olarak eşleştirilebilen bir bağlılık kartına sahip olan kullanıcılar belirlenerek çözüldü.