如何衡量全渠道零售商的 ROPO 效應

所有的企業都想找出他們的廣告渠道的真正價值，如果不跟踪線上和線下客戶行為之間的關係，這是不可能實現的。 例如，通過禁用乍看之下沒有回報的廣告，公司可能會降低其銷售額。

在這種情況下，我們描述了 OWOX BI 團隊為在測量 ROPO 效應方面遇到挑戰的大型消費電子和家電零售連鎖店提供的解決方案。

全渠道零售商的客戶通常以三種獨特的方式購買產品：

• 僅在網站上在線訂購。 來自網站的收入約占公司總營業額的20%。
• 在公司的連鎖店進行線下採購。
• 在網站上查找產品並在線下商店購買。 這種行為被稱為 ROPO 效應——在線研究和離線購買。

營銷人員希望評估在線渠道對線下銷售的影響。 這將使他們能夠更準確地計算廣告投資的回報，並根據完整的數據制定更好的營銷策略。 另一個任務是通過發現他們在訪問網站後選擇線下商店購買的原因來改善客戶的在線體驗。 為了實現這兩個目標，我們決定整合登錄用戶（約佔網站訪問者總數的 12%）的線上和線下接觸點數據。

公司在不同系統中收集、存儲和處理所有數據：

• Google Analytics 360 收集有關用戶與網站交互的數據。
• 有關離線購買和訂單退貨的數據收集在公司的 CRM 系統 (SAP) 中。 這些數據的結構和收集算法與穀歌分析完全不同。

為了分析在線渠道對公司總收入的影響，營銷人員需要將所有數據合併到一個系統中。 谷歌分析不適合這項任務，因為它不支持數據重新處理：一旦處理，如果訂單因任何原因被取消或退回，則無法修改數據。 此外，導入有關從未訪問過該網站的用戶的離線交易的所有數據，會嚴重扭曲 Google Analytics 統計數據的準確性。 由於瀏覽器中未加載 JavaScript，Google Analytics 也可能無法跟踪網站頁面上的某些購買數據。

為了實現他們的目標，營銷人員決定採取以下步驟：

1. 匯集有關用戶與網站的交互、離線購買和訂單完成率的數據。
2. 將有關離線購買的數據與有關在線會話的數據合併。
3. 可視化數據以進行深入分析。

整個過程的流程圖如下：

使用 Google Analytics 360 帳戶可用的本機集成，將有關網站上所有用戶操作和訂單的數據發送到 Google BigQuery 雲數據倉庫。 因此，該公司的專家決定使用 Google BigQuery 來收集所有其他數據。

為了將有關離線購買和訂單完成的數據從 CRM 傳輸到 Google BigQuery，專家們設置了通過 FTP 自動上傳的每日數據。

OWOX BI 分析師合併並處理收集的數據。 首先，使用 SQL 查詢對在線訂單數據補充每個訂單的狀態。 該查詢根據來自兩個表的匹配值合併數據，其中事務的 ID（訂單 ID）用作鍵。

接下來，分析師合併了同一客戶的線下購買和網站行為數據。 為此，他們在 Google Analytics 中使用了用戶 ID。 用戶 ID 是分配給在公司網站上登錄的每個用戶的唯一標識符。 然後，用戶 ID 與 CRM 系統中的客戶忠誠度卡相關聯，並作為自定義維度值發送到 Google Analytics。 考慮到從網站訪問到購買的時間段，數據整合的時間段設置為 180 天。 通過這種方式，更精細的受眾細分成為可能。

結果，收到了有關每個訂單（在線和離線）的以下數據：

OWOX BI 團隊通過創建信息儀表板將 Google Data Studio 中的數據可視化。 公司可以從儀表板導出數據，以進行更詳細的分析和預算計劃。

例如，交互式條形圖（截圖如下）顯示了線上、線下和 ROPO 購買的數量以及從中獲得的收入。 此數據可以按城市、時間段和產品類型進行過濾。 ROPO 購買約佔總收入的 10%，具體取決於城市。 該圖表還表明，來自每個渠道的訂單百分比與從渠道獲得的收入百分比不一致——它取決於平均訂單價值。 在這種情況下，在線購買的平均訂單價值高於線下購買。

下表顯示了不同地區、渠道和產品類別的 ROPO 購買的額外收入。 數據可以以表格格式導出，並由公司用於分配廣告預算。

• 獲得了信息豐富的自動化儀表板，允許在廣告活動的運營規劃中考慮 ROPO 效應。
• 該公司發現，線上渠道貢獻了約 10% 的線下收入。
• 通過分析在公司連鎖店購買產品之前在網站上研究產品的用戶的行為，現在可以發現這些客戶選擇線下購物的原因。 該公司現在可以改造網站以獲得更好的用戶體驗和更高的轉化率。 例如，該公司發現，大多數訪問過該網站的線下客戶在線下購買時都會使用折扣券。 有了這些信息，營銷人員已經通過網站上的折扣券改善了客戶體驗。 此外，該公司簡化了在線信用申請表，使客戶不必去實體店賒購。