В период карантина и пост-карантинный период перед многими предпринимателями появилась нетривиальная задача - в сжатые сроки переместить свой бизнес в онлайн среду. А поскольку большая часть маркетинговых ресурсов вкладывается в платное привлечение клиентов, это влечет за собой построение новой модели атрибуции, которая поможет наилучшим способом определить, какой из каналов и источников имел самое сильное влияние на совершение целевого действия.
И если в случае интернет-маркетинга для этого можно построить сквозную аналитику, то в случае мультиканального бизнеса эта задача усложняется. Поскольку пути клиентов часто нелинейны и включают в себя множество факторов, которые в разной степени влияют на конверсию.
Поэтому, когда большая часть конверсий происходит в автономном режиме, есть необходимость отслеживать, как именно ваши маркетинговые онлайн-кампании приносят оффлайн доход. Поэтому сегодня мы решили выяснить, как можно измерить “неизмеримое” в мультканальном бизнесе, можно ли связать оффлайн и онлайн покупки и какое влияние имеет онлайн-реклама на офлайн-продажи.
Начнем с того, что современное покупательское поведение может включать несколько типов. Таких как:
Таким образом, измеряя эффективность онлайн-маркетинга при учете транзакций только внутри Google Analytics, есть риск упустить оффлайн заказы при оценке результативности ваших компаний. Тогда как же построить правильную, ценную многоканальную модель атрибуции?
Насколько влиятелен эффект ROPO?
В сети есть множество исследований с оценкой ROPO эффекта, когда покупатель выбирает товар онлайн, а покупку совершает в оффлайне. По данным DigitasLBi, 88% потребителей во всем мире предварительно изучают продукты онлайн перед покупкой и около 65% ищут цены на мобильные телефоны в физическом магазине. При помощи сервиса Consumer Barometer от Google вы можете узнать статистику данного эффекта с учетом ниши, региона, группы товаров.
Концептуально оценка влияния онлайн-рекламы на офлайн-продажи имеет два решения. Первое основано на объединении действий конкретных пользователей, когда мы можем связать их действия на сайте с покупками в оффлайне. Здесь очевидно, что они должны быть обязательно авторизованы. Вторым решением будет так называемое безличностное объединение данных для оценки влияния например, ТВ рекламы на решение о оффлайн-покупке. В таком случае отследить корреляцию между просмотром рекламы или баннеров с конкретными заказами будет не так просто.
Поэтому попробуем сконцентрироваться на первом решении, когда система более прозрачна и является первым приоритетом для бизнеса. То есть оценка онлайн-рекламных кампаний на основе персонализированных действий пользователя, когда это можно напрямую связать с покупками в физическом магазине.
Что движет поведением ROPO в магазине?
А на сайте?
Изучение эффекта ROPO поможет ответить на вопросы из серии: покупатели ROPO чаще совершают покупки онлайн или оффлайн? Как можно сэкономить ресурсы на ретаргетинг ROPO клиентов? Какова реальная рентабельность маркетинговых активностей в интернете с учетом оффлайн-кампаний?
Ответы на эти вопросы сможет дать анализ ROPO эффекта. Основным принципом данного эффекта является иллюстрация того, как онлайн-покупки соотносятся с покупками в оффлайн магазине.
А что немаловажно, его тщательный анализ поможет улучшить сам продукт и даст полезные инсайты по ассортименту товара, вопросам ценообразования (разница между онлайном и оффлайном), поможет найти сложности, связанные с юзабилити сайта, а также выявить ограничения в акциях.
Как объединить оффлайн и онлайн?
Хорошим ходом будет найти общие ключи между каналами бизнеса. Но чаще всего потенциальные покупатели посещают сайт анонимно и идентифицировать их в таком случае невозможно. Тогда их стоит мотивировать оставить контакт при посещении сайта, для поддержания дальнейшей связи с ними. Например, совершившим покупку оффлайн стоит предложить карту лояльности или сделать авторизацию обязательным условием для участия в конкурсе. Или, в случае SaaS бизнеса, актуально будет предложить Trial период с предварительной регистрацией, предложить подписаться на полезные рассылки с исследованиями в вашей отрасли и презентациями.
Так, при посещении вашего онлайн-магазина и выборе товара клиентом, вам будет известен только Google Analytics ClientID. Далее, если учесть эффект ROPO и быть готовым к тому, что, скорее всего, незавершенная покупка приведет его в оффлайн магазин, можно попросить оставить email-адрес в анкете взамен на получение писем о спецпредложениях от вашего магазина, акций или скидок. Этих оффлайн-покупателей можно отдельно сегментировать и отслеживать их переход по ссылкам в электронном письме. После перехода по ссылке с уникальным идентификатором, пользователь не будет автоматически авторизован, но это вам поможет связать его действия с его учетной записью при помощи связки его Google Analytics Client ID и email. Таким образом, это даст вам понять какая именно рекламная кампания привлекла клиента посетить ваш веб сайт, после чего он пришел в физический магазин.
Аналогично можно поступить с оформлением карты лояльности. После посещения сайта интернет магазина и выбора товара клиентом, он подписывается на рассылку со спецпредложениями при помощи pop-up окна со скидкой на первый заказ. В таком случае вам уже будут известны GA Client ID и email. В письме рассылке мы рассказываем о акциях при покупке товара в оффлайн магазине, что мотивирует его прийти лично, совершить покупку и заполнить анкету на получение карты лояльности, где он снова оставляет свою электронную почту. После этого вы сможете идентифицировать людей, которые совершили покупку как онлайн так и оффлайн при помощи информации о их электронных почтах, а также объединить данные о транзакциях в оффлайн и онлайн магазинах.
После того как вы добавите призывы к авторизации, объедините действия в оффлайне и онлайне, вы сможете определить что лучше всего мотивирует пользователя оставить свои контактные данные на сайте.
Давайте чуть подробнее рассмотрим конкретный кейс, как ROPO анализ показал, что 40% покупателей заходят на сайт перед покупкой в магазине.
Darjeeling, крупнейший ритейлер на рынке женского нижнего белья, основанный в 1995 году. Во всей Франции насчитывается около 155 магазинов в Darjeeling, и каждый год их посещают более 8,7 миллионов человек. Компания продает более 5 миллионов единиц товара в год, а годовой оборот составляет 100 миллионов евро.
Основными целями, которые ставила перед собой компания, были оценка вклада онлайн-кампаний в продажи оффлайн. Ранее компания учитывала только прямые продажи с сайта, поэтому складывалось впечатление что онлайн-продажи составляли только 6% против 94% продаж в магазине. Но такой разрез показателей не давал Darjeeling полную картину, потому что в сфере женского белья многие клиенты выбирают товар на сайте и после чего покупают его уже в офлайн магазине.
Поэтому, чтобы оценить вклад рекламных кампаний в интернете на продажи в физическом магазине, перед маркетологами появилась задача связать онлайн-посетителей с офлайн-покупателями и определить долю покупок, которую пользователи совершали благодаря рекламе.
Основной сложностью, которая стояла перед компанией было то, что Darjeeling собирала, хранила и обрабатывала данные при помощи различных систем. Данные о поведении пользователей хранились в Google Analytics, а данные о затратах и выполнении заказов собирались в CRM компании. Вероятно, с аналогичными проблемами сталкивались многие владельцы бизнесов.
К тому же, логика сбора, структура и даже язык отличались. Данные в CRM были представлены на французском языке, а данные, собранные в Google Analytics, на английском языке. Но, несмотря на то, что ранее эти данные не пытались объединить в единую систему, это необходимо было сделать для того, чтобы оценить общую эффективность онлайн-рекламы в офлайн-продажах.
Для достижения своих целей маркетологи Darjeeling решили:
Сбор данных. Компания импортировала данные о поведении пользователей на сайте в Google BigQuery, используя OWOX BI Pipeline. Они также отправили данные о транзакциях из своей CRM в Google BigQuery. Это помогло маркетологам Darjeeling рассчитать уровень выполнения заказов и избежать возможных потерь данных.
Darjeeling ежедневно импортировал данные о выполненных заказах в Google Cloud Storage, а аналитики создали сценарий, который поможет им собирать эти данные из Google Cloud Platform и импортировать их в Google BigQuery. Эти данные автоматически импортировались с помощью сервиса Cloud Dataprep.
Объединение данных. Маркетологи Darjeeling связали данные об офлайн-продажах и поведении клиентов на веб-сайте, учитывая при этом order completion rate. Чтобы объединить данные об онлайн-сессиях и показателях выполнения заказов в одном представлении, компания использовала user_id клиента, который назначался каждому пользователю, посетившему веб-сайт компании.
User_id связывался с номером карты лояльности клиента и хранился в CRM. Когда пользователь посещает веб-сайт, его user_id отправляется в Google Analytics и Google BigQuery в качестве пользовательской переменной. В BigQuery он комбинировал с двумя другими ключами: transaction_id и временем. Данные обо всех выполненных заказах хранились в Google BigQuery в такой структуре:
Согласно исследованию Darjeeling о customer journey, посетители принимали решение о покупке после посещения веб-сайта в срок до 90 дней. Используя эти данные, было рассчитано количество дней между первоначальным посещением веб-сайта и оформлением заказа. Результаты были сегментированы по периодам 7, 10, 14, 30 и 60+ дней до совершения покупки. Этот анализ показал, что 85% всех покупок ROPO продуктов Darjeeling были сделаны в течение 14 дней.
Маркетологи создали дашборд на основе собранных данных, чтобы оценить влияние онлайн-рекламы на продажи в оффлайн-магазине. По итогу, проект помог маркетологам компании идентифицировать большее количество пользователей и установить, что 30-40% клиентов посещают веб-сайт компании перед личным посещением офлайн-магазина и покупкой товара. Эти данные, в свою очередь, помогли им оптимизировать рекламный бюджет, переосмыслить свою стратегию атрибуции и учесть ROPO при оценке рентабельности рекламы.
Многоканальная атрибуция, включающая онлайн- и офлайн-покупки, действительно сложная, и включает множество факторов, влияющие на покупку. А с одной стороны это может показаться даже «неизмеримым». Очевидно, что ни одна модель атрибуции не даст идеальных данных, но хорошо продуманная и спроектированная модель с учетом ROPO поможет предоставить одни и те же данные в совсем в другом ключе. Что, в свою очередь, сильно повлияет на решения об источниках дохода, инвестициях в рекламу, и сделает вашу команду по-настоящему data-driven.
На нашем сайте используются файлы cookie для сбора информации в маркетинговых целях. Подробно о сборе информации вы можете ознакомиться в «Политике конфиденциальности».
