如何衡量全渠道零售商的 ROPO 效应

所有的企业都想找出他们的广告渠道的真正价值，如果不跟踪线上和线下客户行为之间的关系，这是不可能实现的。 例如，通过禁用乍看之下没有回报的广告，公司可能会降低其销售额。

在这种情况下，我们描述了 OWOX BI 团队为在测量 ROPO 效应方面遇到挑战的大型消费电子和家电零售连锁店提供的解决方案。

全渠道零售商的客户通常以三种独特的方式购买产品：

• 仅在网站上在线订购。 来自网站的收入约占公司总营业额的20%。
• 在公司的连锁店进行线下采购。
• 在网站上查找产品并在线下商店购买。 这种行为被称为 ROPO 效应——在线研究和离线购买。

营销人员希望评估在线渠道对线下销售的影响。 这将使他们能够更准确地计算广告投资的回报，并根据完整的数据制定更好的营销策略。 另一个任务是通过发现他们在访问网站后选择线下商店购买的原因来改善客户的在线体验。 为了实现这两个目标，我们决定整合登录用户（约占网站访问者总数的 12%）的线上和线下接触点数据。

公司在不同系统中收集、存储和处理所有数据：

• Google Analytics 360 收集有关用户与网站交互的数据。
• 有关离线购买和订单退货的数据收集在公司的 CRM 系统 (SAP) 中。 这些数据的结构和收集算法与谷歌分析完全不同。

为了分析在线渠道对公司总收入的影响，营销人员需要将所有数据合并到一个系统中。 谷歌分析不适合这项任务，因为它不支持数据重新处理：一旦处理，如果订单因任何原因被取消或退回，则无法修改数据。 此外，导入有关从未访问过该网站的用户的离线交易的所有数据，会严重扭曲 Google Analytics 统计数据的准确性。 由于浏览器中未加载 JavaScript，Google Analytics 也可能无法跟踪网站页面上的某些购买数据。

为了实现他们的目标，营销人员决定采取以下步骤：

1. 汇集有关用户与网站的交互、离线购买和订单完成率的数据。
2. 将有关离线购买的数据与有关在线会话的数据合并。
3. 可视化数据以进行深入分析。

整个过程的流程图如下：

使用 Google Analytics 360 帐户可用的本机集成，将有关网站上所有用户操作和订单的数据发送到 Google BigQuery 云数据仓库。 因此，该公司的专家决定使用 Google BigQuery 来收集所有其他数据。

为了将有关离线购买和订单完成的数据从 CRM 传输到 Google BigQuery，专家们设置了通过 FTP 自动上传的每日数据。

OWOX BI 分析师合并并处理收集的数据。 首先，使用 SQL 查询对在线订单数据补充每个订单的状态。 该查询根据来自两个表的匹配值合并数据，其中事务的 ID（订单 ID）用作键。

接下来，分析师合并了同一客户的线下购买和网站行为数据。 为此，他们在 Google Analytics 中使用了用户 ID。 用户 ID 是分配给在公司网站上登录的每个用户的唯一标识符。 然后，用户 ID 与 CRM 系统中的客户忠诚度卡相关联，并作为自定义维度值发送到 Google Analytics。 考虑到从网站访问到购买的时间段，数据整合的时间段设置为 180 天。 通过这种方式，更精细的受众细分成为可能。

结果，收到了有关每个订单（在线和离线）的以下数据：

OWOX BI 团队通过创建信息仪表板将 Google Data Studio 中的数据可视化。 公司可以从仪表板导出数据，以进行更详细的分析和预算计划。

例如，交互式条形图（截图如下）显示了线上、线下和 ROPO 购买的数量以及从中获得的收入。 此数据可以按城市、时间段和产品类型进行过滤。 ROPO 购买约占总收入的 10%，具体取决于城市。 该图表还表明，来自每个渠道的订单百分比与从渠道获得的收入百分比不一致——它取决于平均订单价值。 在这种情况下，在线购买的平均订单价值高于线下购买。

下表显示了不同地区、渠道和产品类别的 ROPO 购买的额外收入。 数据可以以表格格式导出，并由公司用于分配广告预算。

• 获得了信息丰富的自动化仪表板，允许在广告活动的运营规划中考虑 ROPO 效应。
• 该公司发现，线上渠道贡献了约 10% 的线下收入。
• 通过分析在公司连锁店购买产品之前在网站上研究产品的用户的行为，现在可以发现这些客户选择线下购物的原因。 该公司现在可以改造网站以获得更好的用户体验和更高的转化率。 例如，该公司发现，大多数访问过该网站的线下客户在线下购买时都会使用折扣券。 有了这些信息，营销人员已经通过网站上的折扣券改善了客户体验。 此外，该公司简化了在线信用申请表，使客户不必去实体店赊购。