Компания Darjeeling провела ROPO анализ и выяснила, что 40% покупателей заходят на сайт перед покупкой в магазине

31
3603
Материалы для скачивания
978.32 Kb

О компании

Darjeeling — один из лидеров на рынке женского нижнего белья. Бренд был создан Groupe Chantelle в 1995 году. На территории Франции 155 магазинов Darjeeling, в которые приходит 8,7 миллионов посетителей в год. Компания продает свыше 5 миллионов единиц товара в год, благодаря чему оборот составляет более 100 миллионов евро.

Цель

Ранее, при анализе распределения оборота по каналам, компания Darjeeling учитывала только прямые продажи с сайта, поэтому складывалось впечатление, что количество онлайн-продаж составляло 6% против 94% офлайн-продаж. Но такой разрез не давал Darjeeling полную картину, потому что в сфере женского нижнего белья многие клиенты выбирают товар на сайте, после чего покупают в офлайн-магазине. Для более эффективного анализа команда OWOX BI ориентировалась на следующие сценарии покупок:

  1. Shop Only — прийти в магазин, выбрать товар и оплатить.
  2. E-Reservation — выбрать товар на сайте, а потом забрать и оплатить в магазине.
  3. Click & Collect — оплатить товар на сайте, а забрать в магазине.
  4. Web — выбрать и оплатить товар на сайте, заказать доставку.

Чтобы правильно оценить глобальное влияние онлайн-рекламы и сайта на продажи в офлайн-магазинах, маркетологам компании нужно связать онлайн-посетителей с офлайн покупателями и определить долю дохода от офлайн-покупок, которые пользователи совершали благодаря онлайн-рекламе.

Проблема

Darjeeling использует разные системы для сбора, хранения и обработки данных. Информация о действиях пользователя на сайте передается в Google Analytics, а данные о расходах и всех выполненных заказах собираются в CRM-системе. Чтобы оценить вклад онлайн-источников в офлайн-продажи, эти данные нужно было собрать в одной системе и как-то связать между собой при том, что у них разная структура, логика сбора и даже язык (данные в CRM на французском). Подобную проблему команда OWOX BI помогла решить компании М.Видео, крупнейшей торговой сети по продаже бытовой техники и электроники в России.

Решение

Маркетологи Darjeeling разработали такой план действий:

  1. Собрать данные о действиях пользователей на сайте, офлайн-покупках и данные об исполняемости заказов в одной системе.
  2. Связать офлайн-заказы и действия пользователей на сайте, учитывая исполняемость заказов.
  3. Сформировать отчеты и дашборды на основе полученных данных, чтобы оценить вклад онлайн-источников.

Схема движения данных компании:

схема объединения данных с помощью Google BigQuery

Шаг 1. Собрать все данные в в Google BigQuery

Darjeeling передают информацию о действиях пользователей на сайте в Google BigQuery с помощью OWOX BI Pipeline.

Данные о транзакциях маркетологи компании решили отправлять в Google BigQuery отдельно. Во-первых, такой способ позволяет учитывать исполняемость заказов. Во-вторых, информацию не искажают возможные ошибки на сайте: например, часть заказов может теряться из-за проблем с отработкой JS кода.

Сотрудники Darjeeling ежемесячно загружают данные о выполненных заказах в Google Cloud Storage. Скрипт, написанный специалистами OWOX BI, раз в месяц забирает эти данные и передает в Google BigQuery. В скором будущем команда Darjeeling собирается использовать сервис Data Prep, чтобы импортировать данные из Google Cloud Platform в Google BigQuery без скриптов.

Шаг 2. Обработать полученные данные

Команда OWOX BI помогла Darjeeling объединить данные об онлайн-сессиях и выполненных заказах в одной таблице с помощью user_id. Это идентификатор, который компания присваивает каждому авторизованному на сайте пользователю, связывает с его картой лояльности и хранит в CRM-системе. Когда человек заходит на сайт, его user_id передается в Google Analytics и Google BigQuery в качестве пользовательского параметра. Также для объединения данных использовались ключи time и transaction_id. А теперь обо всем по порядку.

Сначала аналитики OWOX BI создали таблицу в Google BigQuery, чтобы загружать туда данные о всех выполненных заказах из CRM-системы:

структура таблицы в BQ

Затем связали все выполненные заказы с действиями пользователей на сайте и определили источники трафика. При этом брали за условие, что дата и время офлайн покупки должны быть позже, чем дата и время последней сессии клиента на сайте. То есть человек сначала посетил сайт, а потом совершил покупку в магазине.

Данные связывались по такому сценарию:

  1. Брали из таблицы о выполненных заказах transaction_id, user_id и time, например, 1 ноября.
  2. В таблице с данными об онлайн-действиях пользователей отбирали все сессии до 1 ноября. Искали среди них такой же user_id.
  3. Находили сессию, которая ближе остальных к дате транзакции, и брали данные об источнике трафика из этой сессии.

В результате компания получила таблицу со следующими данными:

таблица с ROPO транзакциями

По наблюдениям маркетологов, посетителям сайта Darjeeling нужно максимум 90 дней, чтобы решиться на покупку. Исходя из этого, команда OWOX BI посчитала для каждого заказа количество дней от визита на сайт до покупки. После результаты объединили в сегменты по 7, 10, 14, 30 и 60+ дней, чтобы понять, на какой из сегментов приходится большая часть ROPO-продаж. Оказалось, что порядка 85% всех ROPO-продаж Darjeeling совершаются в течение 14 дней после визита пользователя на сайт.

‘‘

Было очень интересно работать над данной задачей, так как основная часть работы проходила в Google BigQuery и подразумевала объединение данных из разных систем. Мы получили очень хороший результат и его можно использовать уже сейчас.

Анастасия Чаусова,
Веб-аналитик в OWOX BI
Анастасия Чаусова

Шаг 3. Построить дашборды и отчеты

Чтобы наглядно представить полученные данные, Darjeeling выбрали Google Sheets и Google Data Studio. Аналитики OWOX BI создали дашборды, из которых можно экспортировать данные для более детального анализа и планирования рекламного бюджета. На графике ниже мы видим, как меняется количество покупок в зависимости от типа транзакции и месяца. Из этого видно, что в некоторые месяцы люди совершают больше онлайн-покупок, а в другие покупают больше офлайн. Зная информацию по расходам, можем легко посчитать окупаемость каждой из групп каналов. Данные по расходам можно отфильтровать по времени конверсионного окна (периоду, за который взяты транзакции), городам и типу товаров.

динамика изменения долей по типу транзакций

На этом графике видно, что доля заказов ROPO в разные месяцы колеблется от 5 до 15% от общего количества продаж. Получается, что вклад онлайн-источников составляет 7 —19% от всех продаж в зависимости от месяца, а не 3 — 6%, как предполагалось ранее. Это значит, что онлайн-реклама генерирует офлайн-продажи, и что эффективность онлайн-рекламы выше, чем предполагалось.

Следующие два графика позволяют понять, как изменялись средний чек с одного заказа (Average Revenue Per Order) и средний чек с одного клиента (Average Revenue Per User) от месяца к месяцу, учитывая тип покупки.

Как изменялся средний доход с одного заказа по типу продажи
Как изменялся средний доход с одного заказа по типу продажи

На графиках видно, что наибольший средний чек у покупок Web и ROPO. Это говорит о том, что пользователи, которые уже были на сайте раньше, покупают больше.

Таблица ниже показывает, какой доход приносят все онлайн-источники с учетом ROPO.

доля дохода от разных типов продаж в разрезе каналов привлечения трафика

Ранее компания оценивала эффективность рекламы и получала прибыль в 8,400 евро за анализируемый период, опираясь только на данные Web и Click & Collect по группе клиентов SEO. С учетом ROPO получаем по данному источнику 100,700 евро, что на 90% больше. А значит основные показатели, которые используются для распределения маркетингового бюджета (ROI, ROAS) намного выше для источника SEO.

Результаты

  • Руководитель отдела онлайн-маркетинга и работы с клиентами смог продемонстрировать совету директоров влияние сайта и онлайн-рекламы на продажи в офлайн-магазинах, что позволило пересмотреть стратегию развития компании.
  • Компания построила наглядные дашборды, с помощью которых определила процент ROPO-продаж и выяснила, что реальная доля дохода от всех онлайн-источников составляет от 7 до 21%, а не 3-6%, как предполагалось ранее.
  • Благодаря ретроспективному обновлению данных в OWOX BI Pipeline маркетологи Darjeeling идентифицировали больше пользователей и пришли к выводу, что от 30 до 40% покупателей заходят на сайт перед покупкой в магазине.
  • Полученные данные помогают более эффективно распределять маркетинговый бюджет и улучшить онлайн-рекламу.
‘‘

Наша совместная работа по ROPO-анализу с командой OWOX BI началась полгода назад. Объединив данные из наших CRM-систем и данные о поведении посетителей сайта в Google BigQuery, нам удалось точно проследить продвижение клиентов по воронке продаж. Это дало нам возможность эффективнее распределять маркетинговый бюджет с учетом офлайн-продаж, а также представить совету директоров более полную картину о влиянии сайта и онлайн-рекламы на продажи офлайн. Спасибо за отличную работу, команда OWOX!

Кристоф Лемэр,
Руководитель отдела онлайн-маркетинга и продаж Chantelle Group
Кристоф Лемэр

Если у вас остались вопросы на тему ROPO или любые другие вопросы, добро пожаловать к нам в комментарии ;)

Использованные инструменты

Вас также могут заинтересовать