Cách tối ưu hóa chiến lược tiếp thị đa kênh của bạn – LamKinhdoanh

Tiếp thị đa kênh dường như là một khái niệm đủ đơn giản. Người tiêu dùng thích mua sắm trực tuyến, ngoại tuyến và qua các kênh khác nhau, vì vậy các công ty cần đáp ứng họ mọi lúc mọi nơi. Nhưng việc đưa ra chiến lược tiếp thị đa kênh phức tạp hơn rất nhiều so với việc chỉ thu thập cookie và theo dõi mua hàng. Một nghiên cứu mới xuất hiện trong một số đặc biệt của Tạp chí Tiếp thị phối hợp với Viện Khoa học Tiếp thị giải thích tại sao omnichannel không phải là thuốc chữa bách bệnh.

Có ba thách thức lớn để làm cho nó hoạt động. Những thách thức đó được nêu ra trong nghiên cứu, cùng với một số giải pháp bao gồm sử dụng máy học và công nghệ blockchain để khai thác toàn bộ lợi ích của tiếp thị đa kênh. Giáo sư marketing của Wharton, Raghuram Iyengar là đồng tác giả của bài báo, có tiêu đề ” Những thách thức về thông tin trong tiếp thị đa kênh: Biện pháp khắc phục và nghiên cứu trong tương lai. ” Các đồng tác giả khác là: Tony Haitao Cui, giáo sư marketing tại Trường Quản lý Carlson của Đại học Minnesota; Anindya Ghose, giáo sư marketing tại Trường Kinh doanh Stern của Đại học New York; Hanna Halaburda, giáo sư công nghệ, hoạt động và thống kê cũng tại NYU Stern; Koen Pauwels, giáo sư marketing tại Trường Kinh doanh D’Amore-McKim của Đại học Northeastern; S. Sriram, giáo sư marketing tại Trường Kinh doanh Stephen M. Ross của Đại học Michigan; Catherine Tucker, giáo sư quản lý và tiếp thị tại Trường Quản lý MIT Sloan; và Sriram Venkataraman, giáo sư marketing tại Trường Kinh doanh Kenan-Flagler của Đại học Bắc Carolina.

Iyengar đã tham gia LamKinhDoanh để nói về những phát hiện này. Nghe podcast đầy đủ ở đầu trang này hoặc tiếp tục đọc bản ghi đã chỉnh sửa của cuộc trò chuyện.

Kiến thức @ Wharton: Không chỉ các công ty đang cố gắng thực hiện tiếp thị đa kênh tốt hơn, mà các nhà nghiên cứu như bạn đang cố gắng hiểu nó tốt hơn, ngay cả trong khi sự phát triển nhanh chóng của công nghệ khiến điều đó trở thành mục tiêu di động. Nghiên cứu này bổ sung thêm gì cho tài liệu?

Raghuram Iyengar: Omnichannel chắc chắn là một chủ đề rất nóng. Khi các công ty đang nghĩ về đa kênh, đôi khi họ muốn nghĩ đến việc phân biệt với đa kênh. Khía cạnh khác biệt lớn của nó là đa kênh có những cách khác nhau để bạn tiếp cận khách hàng. Omnichannel cũng vậy, nhưng nó phải có sức mạnh tổng hợp.

Ví dụ: nếu bạn là khách hàng của REI, bạn có thể có ứng dụng dành cho thiết bị di động, bạn có thể có email đến. Và nếu họ đang theo đuổi chiến lược đa kênh, họ hy vọng rằng khách hàng đang xem các phần thông tin khác nhau cùng với nhau và theo một nghĩa nào đó, là bổ sung cho nhau.

Thực hiện điều đó không phải là dễ dàng vì bạn cần phải hiểu rõ dữ liệu là như thế nào – tất cả các điểm tiếp xúc khác nhau mà khách hàng đã có với REI hoặc bất kỳ công ty nào khác – và sau đó có thể thực thi nó ở mặt sau. Tổng hợp tất cả lại với nhau không đơn giản như nó có vẻ.

” Đặc biệt trong khoảng một năm trở lại đây, hành vi của người tiêu dùng đã thay đổi. Những gì đã hoạt động vào năm trước có lẽ sẽ không hoạt động vào ngày hôm nay ” .

Kiến thức @ Wharton: Bài báo được sắp xếp thành ba thách thức riêng biệt và các biện pháp khắc phục dễ thực hiện. Thách thức đầu tiên là về dữ liệu. Vấn đề là gì?

Iyengar: Giả sử bạn truy cập Nordstrom trên trang web của họ và mua sắm một thứ gì đó. Và sau đó bạn quyết định đi đến cửa hàng và mua sắm một thứ khác. Hy vọng rằng Nordstrom sẽ có tất cả dữ liệu của bạn ở một nơi: trực tuyến, đến cửa hàng, có thể là sử dụng ứng dụng di động. Nhưng thực tế đối với nhiều công ty là phần lớn dữ liệu về khách hàng của họ rất mờ nhạt. Tại sao? Bởi vì các bộ phận khác nhau phụ trách các phần khác nhau của cuộc hành trình. Có thể có một bộ phận trực tuyến. Có thể có một bộ phận trong cửa hàng, vân vân và vân vân.

Những người này đang xem xét các đoạn dữ liệu khác nhau, vì vậy, đôi khi ở các công ty lớn, dữ liệu trở nên bị chặn. Điều này có thể vì nhiều lý do. Một số trong số đó có thể là chính trị, bởi vì một số người muốn phụ trách dữ liệu có lẽ quan trọng hơn đối với doanh thu. Và một số có thể là do các nhà phân tích không biết dữ liệu ở đâu.

Kiến thức @ Wharton: Làm thế nào để chúng tôi áp dụng các giải pháp công nghệ cho điều đó?

Iyengar: Tất nhiên, một số người trong số đó đang buộc các hầm chứa phải được chuyển đi trong công ty. Một lần nữa, điều này nói thì dễ hơn làm, nhưng nó phải được thực hiện từ trên xuống. Các công ty phải nhận ra đâu là giá trị được gia tăng khi một số silo bị lấy đi.

Một loạt giải pháp khác đến từ nhiều ví dụ kiểu máy học hơn. Nó có thể không dành cho mọi nhà bán lẻ, nhưng bạn có thể tưởng tượng trong một số ngành công nghiệp được quản lý, ngay cả khi họ muốn các silo biến mất, điều đó có thể không dễ dàng. Ví dụ, trong các ngành tài chính, một bộ phận của công ty có thể quan tâm đến các ứng dụng nhất định và bộ phận khác có thể quan tâm đến một bộ phận khác. Nhưng vì quy định, họ không thể nói chuyện với nhau.

Có một thứ gọi là học dự đoán, là một loại học máy mà bạn có thể tưởng tượng dữ liệu nằm ở những nơi khác nhau và một loại trung tâm – bạn có thể gọi nó là quy trình thuật toán – [where] mỗi dữ liệu của chính chúng đều được ẩn danh. Theo nghĩa đó, bạn có thể trộn nước sốt bí mật, có thể nói, mà không cần bất kỳ thành phần nào kết hợp với nhau. Đó có thể là một sự tương tự tốt. Đó là một cách để làm điều đó khi các silo [exist] vì quy định. Có những loại giải pháp mà ngày càng nhiều công ty đang nghĩ đến.

Kiến thức @ Wharton: Hãy chuyển sang thử thách thứ hai mà bạn trình bày trong bài báo, đó là về phân bổ tiếp thị. Đó là gì, và tại sao nó là một vấn đề?

Iyengar: Hãy để tôi cho bạn một ví dụ và lại tiếp tục với Nordstrom với tư cách là công ty đại diện. Hãy tưởng tượng bạn nhận được một email. Bạn [think,] ” Chà, thật thú vị. Nordstrom đang gửi cho tôi một email. Hãy để tôi xem lời đề nghị là gì ” . Tôi cho rằng Nordstrom cũng gửi một số danh mục, có lẽ. Bạn có thể đi vào cửa hàng. Hãy tưởng tượng rằng dữ liệu của Nordstrom không bị mờ đi và tại một thời điểm nào đó, họ thấy rằng bạn đã mua một thứ gì đó. Phân bổ tiếp thị là về phần nào của điểm tiếp xúc này chịu trách nhiệm. Đó có phải là email không? Nó có phải là danh mục? Đó có phải là điều mà nhân viên bán hàng đã làm trong cửa hàng không? Có lẽ tất cả bọn họ đều phải chịu trách nhiệm về việc chuyển đổi đã xảy ra. Nhưng họ cũng đang suy nghĩ về số tiền chuyển đổi đó có thể được ghi có cho mỗi người trong số các điểm tiếp xúc khác nhau. Đó là tất cả những gì về phân bổ. Làm thế nào để bạn quy kết chuyển đổi ở cuối, hoặc thiếu chuyển đổi, cho những gì đã xảy ra trên đường đi?

” Vấn đề với quyền riêng tư là khách hàng có thể không muốn cung cấp cho bạn dữ liệu đó” .

Kiến thức @ Wharton: Một số giải pháp trong việc tăng cường phân bổ tiếp thị là gì?

Iyengar: Có nhiều. Hãy bắt đầu với những cái đơn giản hơn. Trên thực tế, những gì tôi đã thấy một số công ty làm khá tích cực là ý tưởng thử nghiệm và học hỏi này. Quay trở lại ví dụ email mà tôi đang sử dụng, đôi khi một công ty có thể nói, “Chà, chúng ta hãy thử xem điều gì sẽ xảy ra nếu chúng tôi không gửi email đó.” Sau đó, theo cách có hệ thống – như kiểm tra so với kiểm soát – mọi người được chỉ định ngẫu nhiên. Một số người nhận được một email; một số người không. Và sau đó, họ theo dõi trong toàn bộ hành trình của khách hàng để xem điều gì đã xảy ra với những người nhận được email so với những người không nhận được email. Họ đang cố gắng làm gì? Giữ mọi thứ khác không đổi, họ đang cố gắng thay đổi một phần của hành trình đó để sau đó có thể thấy tác động của việc thay đổi một phần đó là gì.

Chúng tôi có thể đòi hỏi nhiều hơn một chút về việc đưa ra một thử nghiệm. Chúng tôi thay đổi nhiều phần của hành trình đó một cách có hệ thống. Về cơ bản đó là ý tưởng thử nghiệm và học hỏi. Ví dụ, gần đây tôi đã nói chuyện với CMO của Hershey, và cô ấy đã đề cập rằng đặc biệt là trong năm ngoái, họ đã thử nghiệm với các loại hỗn hợp phương tiện khác nhau để xem cái nào hiệu quả và cái gì không.

Đó là tất cả về thử và sai. Nếu bạn biết câu trả lời ngay từ đầu, bạn sẽ tiếp tục và bắt đầu với câu trả lời. Nhưng nhiều khi, bối cảnh đang thay đổi. Đặc biệt trong khoảng một năm trở lại đây, hành vi của người tiêu dùng đã thay đổi. Những gì đã làm việc của năm trước có lẽ sẽ không hoạt động vào ngày hôm nay.

Kiến thức @ Wharton: Thách thức thứ ba và cuối cùng trong bài báo là về quyền riêng tư của dữ liệu. Chúng tôi nghe về những vấn đề này mỗi ngày, đặc biệt là với Quy định chung về bảo vệ dữ liệu (GDPR) ở Liên minh Châu Âu và các biện pháp khác đang được đề xuất ở quốc gia này. Bạn và các đồng tác giả của bạn nói gì về vấn đề bảo mật dữ liệu này?

Iyengar: Khi bạn nghĩ về tất cả những điều tuyệt vời mà tiếp thị đa kênh có thể mang lại cho bạn, đó là chế độ xem tổng hợp của khách hàng, chế độ xem 360 độ nơi bạn có thể nhìn thấy khách hàng ở tất cả các điểm tiếp xúc khác nhau, vấn đề với quyền riêng tư là khách hàng có thể không muốn cung cấp cho bạn dữ liệu đó. Đặc biệt là với GDPR sắp ra mắt và Đạo luật về quyền riêng tư của California tại Hoa Kỳ, nhiều quyền kiểm soát hơn đang được trao lại cho người tiêu dùng. Ví dụ: bản cập nhật mới nhất từ ​​Apple về cơ bản yêu cầu người tiêu dùng chấp thuận cho các ứng dụng nhất định để theo dõi thông tin của họ. Tất cả những điều này đang cung cấp nhiều thông tin hơn và quyền kiểm soát trở lại cho khách hàng và giờ đây, việc khách hàng có muốn thấy một số lợi ích từ dữ liệu mà họ đang chia sẻ hay không là tùy thuộc vào khách hàng.

Những gì bạn đã thấy là quyền riêng tư không phải là một chiều. Đó không phải là câu trả lời có và không. Đó là điều mà khách hàng phải suy nghĩ. Họ cảm thấy thoải mái như thế nào khi chia sẻ? Tôi sẽ cho bạn một ví dụ. Tôi thích uống cà phê. Nếu tôi truy cập vào một trang web và có nội dung: “Chà, dựa trên sở thích của bạn, đây là cách pha cà phê mà tôi muốn giới thiệu.” Tuyệt vời. Cảm ơn bạn. Mặt khác, tôi không muốn chia sẻ hồ sơ chăm sóc sức khỏe của mình. Tôi nghĩ đó là câu hỏi về bối cảnh của bạn. Đó là câu hỏi về lợi ích chính xác mà chúng tôi đang nhận được với tư cách là khách hàng, để bạn có thể có xu hướng chia sẻ dữ liệu đó hơn.

” Chúng tôi có thực sự cần dữ liệu chi tiết nhất để đưa ra các quyết định nhắm mục tiêu tốt một cách thích hợp không?”

Kiến thức @ Wharton: Bài báo của bạn cũng nói rằng khách hàng cảm thấy thoải mái hơn khi có sự minh bạch về dữ liệu, khi các công ty cho họ biết những gì họ đang chia sẻ và cho phép họ chọn tham gia hoặc chọn không tham gia. Bạn cũng nói về việc sử dụng công nghệ blockchain để giúp giải quyết các vấn đề về quyền riêng tư. Bạn có thể giải thích làm thế nào mà có thể giúp đỡ?

Iyengar: Đối với những người trong chúng ta, những người có thể không thoải mái hoặc không quen với blockchain, hãy nghĩ về nó như một sổ cái phân tán. Bạn có thể có theo dõi cá nhân của riêng mình về số tiền mà bạn đang chi tiêu cho những việc khác nhau. Hãy nghĩ về blockchain như một cuốn sách kiểm toán khổng lồ, nơi mọi thứ đang được theo dõi và nó được công bố rộng rãi. Nhưng một khi kỷ lục đã ở trong đó, nó sẽ bất biến. Nó không thay đổi nhanh chóng. Ý tưởng là bạn có thể tưởng tượng khách hàng từ bỏ thông tin nhất định trong blockchain và các công ty có thể truy cập thông tin đó để nhắm mục tiêu khách hàng một cách thích hợp. Đây là một cách tuyệt vời để theo dõi những thông tin mà công ty đang sử dụng và sau đó người tiêu dùng hoặc khách hàng có thể yêu cầu bồi thường thích đáng cho việc sử dụng thông tin đó.

Kiến thức @ Wharton: Omnichannel là một lĩnh vực nghiên cứu mới nổi dành cho các nhà tiếp thị. Bạn hy vọng sẽ học gì tiếp theo?

Iyengar: Tôi nghĩ rằng ý tưởng về quyền riêng tư và sử dụng máy học và công nghệ mới này rất thú vị để hiểu. Đây là một số công việc mà tôi đang làm với đồng nghiệp của mình, giáo sư marketing Wharton Eric Bradlow, và sinh viên tốt nghiệp Mingyung Kim. Ví dụ, chúng tôi đang xem xét câu hỏi sau, một điều mà Apple và các công ty khác rất quan tâm: Chúng ta có luôn cần dữ liệu chi tiết nhất để đưa ra quyết định đúng đắn không?

Hãy tưởng tượng chúng ta có dữ liệu cá nhân từ khách hàng. Sau đó, hãy tưởng tượng chúng ta có dữ liệu tổng hợp hơn một chút, có thể là các nhóm người, v.v. Chúng ta có thực sự cần dữ liệu chi tiết nhất để đưa ra các quyết định nhắm mục tiêu tốt một cách thích hợp không? Ở điểm nào thì một số dữ liệu chi tiết hơn có nhiều nhiễu, trong khi dữ liệu tổng hợp hơn một chút sẽ làm dịu nhiễu đó? Chúng tôi đang cố gắng xem những loại mô hình nào có thể được xây dựng trên dữ liệu tổng hợp hơn một chút có thể hoạt động khá tốt. Điều này có ý nghĩa gì đối với quyền riêng tư? Bạn có thể tưởng tượng các cá nhân có thể không muốn chia sẻ dữ liệu cụ thể của họ, nhưng họ có thể cảm thấy thoải mái nếu họ là một phần của tập dữ liệu: ” Chúng tôi được tổng hợp với các khách hàng khác” .

Tôi nghĩ đó là một lĩnh vực nghiên cứu thú vị, nơi nó giao thoa giữa quyền riêng tư và học máy và các loại mô hình khác. Đó là điều tôi khá hào hứng, để xem cách chúng ta có thể sử dụng các loại dữ liệu khác nhau để vẫn đưa ra quyết định đúng đắn và đồng thời tôn trọng quyền riêng tư của mọi người.