Аналіз ROPO-продажів для оцінки реальної ефективності онлайн-реклами - кейс Darjeeling і OWOX BI
- Про компанію
- мета
- проблема
- Рішення
- Крок 1. Зібрати всі дані в в Google BigQuery
- Крок 2. Обробити отримані дані
- Крок 3. Побудувати дашборда і звіти
- результати
Матеріали для скачування
Кейси по маркетинг-аналітиці
978.32 Kb
Про компанію
Darjeeling - один з лідерів на ринку жіночої нижньої білизни. Бренд був створений Groupe Chantelle в 1995 році. На території Франції 155 магазинів Darjeeling, в які приходить 8,7 мільйона відвідувачів в рік. Компанія продає понад 5 мільйонів одиниць товару в рік, завдяки чому оборот становить понад 100 мільйонів євро.
мета
Раніше, при аналізі розподілу обороту по каналах, компанія Darjeeling враховувала тільки прямі продажі з сайту, тому складалося враження, що кількість онлайн-продажів становило 6% проти 94% офлайн-продажів. Але такий розріз не давав Darjeeling повну картину, тому що в сфері жіночої нижньої білизни багато клієнтів вибирають товар на сайті, після чого купують в офлайн-магазині. Для більш ефективного аналізу команда OWOX BI орієнтувалася на наступні сценарії покупок:
- Shop Only - прийти в магазин, вибрати товар і оплатити.
- E-Reservation - вибрати товар на сайті, а потім забрати й оплатити в магазині.
- Click & Collect - оплатити товар на сайті, а забрати в магазині.
- Web - вибрати і оплатити товар на сайті, замовити доставку.
Щоб правильно оцінити глобальний вплив онлайн-реклами та сайту на продажу в офлайн-магазинах, маркетологам компанії потрібно зв'язати онлайн-відвідувачів з офлайн покупцями і визначити частку доходу від офлайн-покупок, які користувачі здійснювали завдяки онлайн-рекламі.
проблема
Darjeeling використовує різні системи для збору, зберігання і обробки даних. Інформація про дії користувача на сайті передається в Google Analytics, а дані про витрати і всіх виконаних замовленнях збираються в CRM-системі. Щоб оцінити внесок онлайн-джерел в офлайн-продажу, ці дані потрібно було зібрати в одній системі і якось пов'язати між собою при тому, що у них різна структура, логіка збору і навіть мову (дані в CRM французькою). Подібну проблему команда OWOX BI допомогла вирішити компанії М. Відео, найбільшої торгової мережі з продажу побутової техніки і електроніки в Росії.
Рішення
Маркетологи Darjeeling розробили такий план дій:
- Зібрати дані про дії користувачів на сайті, офлайн-покупках і дані про наповнюваності замовлень в одній системі.
- Зв'язати офлайн-замовлення і дії користувачів на сайті, з огляду на виконуваність замовлень.
- Сформувати звіти і дашборда на основі отриманих даних, щоб оцінити вклад онлайн-джерел.
Схема руху даних компанії:
Крок 1. Зібрати всі дані в в Google BigQuery
Darjeeling передають інформацію про дії користувачів на сайті в Google BigQuery за допомогою OWOX BI Pipeline .
Дані про транзакції маркетологи компанії вирішили відправляти в Google BigQuery окремо. По-перше, такий спосіб дозволяє враховувати виконуваність замовлень. По-друге, інформацію не спотворюють можливі помилки на сайті: наприклад, частина замовлень може втрачатися через проблеми з відпрацюванням JS коду.
Співробітники Darjeeling щомісяця завантажують дані про виконані замовлення в Google Cloud Storage. Скрипт, написаний фахівцями OWOX BI, раз на місяць забирає ці дані і передає в Google BigQuery. В недалекому майбутньому команда Darjeeling збирається використовувати сервіс Data Prep , Щоб імпортувати дані з Google Cloud Platform в Google BigQuery без скриптів.
Крок 2. Обробити отримані дані
Команда OWOX BI допомогла Darjeeling об'єднати дані про онлайн-сесіях і виконані замовлення в одній таблиці за допомогою user_id. Це ідентифікатор, який компанія присвоює кожному авторизованому на сайті користувачеві, пов'язує з його карткою лояльності і зберігає в CRM-системі. Коли людина заходить на сайт, його user_id передається в Google Analytics і Google BigQuery як призначеного для користувача параметра. Також для об'єднання даних використовувалися ключі time і transaction_id. А тепер про все по порядку.
Спочатку аналітики OWOX BI створили таблицю в Google BigQuery, щоб завантажувати туди дані про всіх виконаних замовленнях з CRM-системи:
Потім зв'язали всі виконані замовлення з діями користувачів на сайті і визначили джерела трафіку. При цьому брали за умову, що дата і час офлайн покупки повинні бути пізніше, ніж дата і час останньої сесії клієнта на сайті. Тобто людина спочатку відвідав сайт, а потім зробив покупку в магазині.
Дані зв'язувалися за таким сценарієм:
- Брали з таблиці про виконані замовлення transaction_id, user_id і time, наприклад, 1 листопада.
- У таблиці з даними про онлайн-діях користувачів відбирали все сесії до 1 листопада. Шукали серед них такий же user_id.
- Знаходили сесію, яка ближче інших до дати транзакції, і брали дані про джерело трафіку з цієї сесії.
В результаті компанія отримала таблицю з наступними даними:
За спостереженнями маркетологів, відвідувачам сайту Darjeeling потрібно максимум 90 днів, щоб зважитися на покупку. Виходячи з цього, команда OWOX BI порахувала для кожного замовлення кількість днів від візиту на сайт до покупки. Після результати об'єднали в сегменти по 7, 10, 14, 30 і 60 + днів, щоб зрозуміти, на який із сегментів припадає більша частина ROPO-продажів. Виявилося, що близько 85% всіх ROPO-продажів Darjeeling відбуваються протягом 14 днів після візиту користувача на сайт.
Крок 3. Побудувати дашборда і звіти
Щоб наочно уявити отримані дані, Darjeeling вибрали Google Sheets і Google Data Studio . Аналітики OWOX BI створили дашборда, з яких можна експортувати дані для більш детального аналізу і планування рекламного бюджету. На графіку нижче ми бачимо, як змінюється кількість покупок в залежності від типу транзакції і місяці. З цього видно, що в деякі місяці люди роблять більше онлайн-покупок, а в інші купують більше офлайн. Знаючи інформацію за видатками, можемо легко порахувати окупність кожної з груп каналів. Дані по витратах можна відфільтрувати за часом конверсійного вікна (періоду, за який взято транзакції), містах і типу товарів.
На цьому графіку видно, що частка замовлень ROPO в різні місяці коливається від 5 до 15% від загальної кількості продажів. Виходить, що внесок онлайн-джерел становить 7 -19% від всіх продажів в залежності від місяця, а не 3 - 6%, як передбачалося раніше. Це означає, що онлайн-реклама генерує офлайн-продажу, і що ефективність онлайн-реклами вище, ніж передбачалося.
Наступні два графіка дозволяють зрозуміти, як змінювалися середній чек з одного замовлення (Average Revenue Per Order) і середній чек з одного клієнта (Average Revenue Per User) від місяця до місяця, з огляду на тип покупки.
На графіках видно, що найбільший середній чек у покупок Web і ROPO. Це говорить про те, що користувачі, які вже були на сайті раніше, купують більше.
Таблиця нижче показує, який дохід приносять все онлайн-джерела з урахуванням ROPO.
Раніше компанія оцінювала ефективність реклами і отримувала прибуток в 8,400 євро за аналізований період, спираючись лише на дані Web і Click & Collect по групі клієнтів SEO. З урахуванням ROPO отримуємо по даному джерелу 100,700 євро, що на 90% більше. А значить основні показники, які використовуються для розподілу маркетингового бюджету (ROI, ROAS) набагато вище для джерела SEO.
результати
- Керівник відділу онлайн-маркетингу та роботи з клієнтами зміг продемонструвати раді директорів вплив сайту і онлайн-реклами на продажу в офлайн-магазинах, що дозволило переглянути стратегію розвитку компанії.
- Компанія побудувала наочні дашборда, за допомогою яких визначила відсоток ROPO-продажів і з'ясувала, що реальна частка доходу від усіх онлайн-джерел становить від 7 до 21%, а не 3-6%, як передбачалося раніше.
- Завдяки ретроспективному оновленню даних в OWOX BI Pipeline маркетологи Darjeeling ідентифікували більше користувачів і прийшли до висновку, що від 30 до 40% покупців заходять на сайт перед покупкою в магазині.
- Отримані дані допомагають більш ефективно розподіляти маркетинговий бюджет і поліпшити онлайн-рекламу.
Якщо у вас залишилися питання на тему ROPO або будь-які інші питання, ласкаво просимо до нас в коментарі;)