“Ao compartilhar perfeitamente os dados entre as plataformas, você consegue muitos recursos”, diz Gopinath. “Você não está apenas enviando emails ou notificações por push: você está orquestrando uma experiência verdadeiramente omnicanal. É impressionante.”
Uma base estratégica
Trabalhando com a parceira de implementação Bounteous, uma consultoria de serviços de transformação digital, Gopinath e sua equipe criaram uma estratégia de personalização para a CCETH composta por quatro etapas principais:
- Definir a estrutura da equipe para possibilitar a colaboração
- Centralizar os dados para ter uma imagem clara dos clientes
- Definir os casos de uso que serão usados como base estratégica
- Executar a estratégia por meio dos casos de uso
Gopinath, que tem um conhecimento sólido em marketing digital, sabia que a equipe de tecnologia precisava estar envolvida desde o início. Em vez de uma abordagem tradicional de encaminhamento, na qual a equipe de negócios envia ideias para a equipe de tecnologia executar, ele decidiu que todo mundo participaria do planejamento, da execução e da iteração. Isso também incluiu a criação de um sistema para colaboração intercontinental com membros da equipe do outro lado do planeta.
A próxima etapa foi eliminar os isolamentos centralizando os dados de diversas fontes. A equipe precisava de uma maneira de combinar os dados de comércio eletrônico da Adobe Commerce, incluindo ações comportamentais como adicionar itens ao carrinho, dados de back-office como histórico de pedidos e dados do perfil, com as informações de outras fontes, como o ERP e o CRM da empresa. A extensão de compartilhamento de dados da Adobe Commerce foi utilizada para transferir os dados para a Experience Platform e a Real-Time CDP, onde foram padronizados em perfis de clientes unificados.
“Com a integração à Adobe Commerce, conseguimos estar presentes em todos os pontos de contato dos consumidores”, afirma Gopinath. “Isso nos ajuda a criar um perfil eficaz dos consumidores desde o momento em que acessam o site.”
Agora que podiam criar perfis de clientes detalhados, Gopinath e sua equipe estavam prontos para focar na personalização das jornadas dos clientes. Eles priorizaram os possíveis casos de uso de acordo com as interações dos consumidores, as iniciativas de marketing e as táticas de personalização, criando uma estrutura de três pilares:
- Casos de uso que aumentariam a receita
- Casos de uso que aumentariam o engajamento e a retenção
- Casos de uso que ofereceriam a oportunidade de analisar o que funcionou e repetir o processo
Uma experiência verdadeiramente omnicanal
A equipe começou por um caso de uso clássico de engajamento: abandono de carrinho. Antes da integração de dados, era necessário esperar até 48 horas para que os dados indicassem se um cliente da CCETH havia concluído a compra. Agora, com os dados fluindo em tempo real, é possível começar a enviar lembretes por email imediatos e personalizados aos usuários que não finalizaram a compra em até uma hora, o que resultou em aumentos de 36% na taxa de abertura de email, de 21% na taxa de cliques e de 8,5% na taxa de conversão.
A equipe também conseguiu ir além do email, enviando lembretes por meio de mensagens pop-up no site e de notificações por push, incluindo uma nova integração ao WhatsApp. O Journey Optimizer ajudou a determinar a frequência e os canais corretos para a comunicação com base no comportamento de clientes, nas pontuações de propensão fornecidas por IA e em outras informações.
“O Journey Optimizer nos permitiu usar muitos canais”, diz Gopinath. “Graças a esse recurso, podemos orquestrar uma experiência verdadeiramente omnicanal.”
Além disso, o acesso a informações em tempo real permitiu que a CCETH usasse o Adobe Customer Journey Analytics para entender melhor os comportamentos relacionados a pedidos de seus engarrafadores e depósitos. Além de ver imediatamente quais produtos estavam acabando, a equipe de Gopinath conseguia acionar comunicações personalizadas por meio do Journey Optimizer para os engarrafadores com base nos CEPs onde era esperado um aumento da demanda devido a fatores sazonais.
A equipe também usou análises para entender as tendências de compra e relacioná-las a recomendações de produtos que geraram mais receita. “Os produtos que recomendamos precisam ser respaldados por números da receita, caso contrário, é difícil justificar o que estamos fazendo”, declara Gopinath. “Com o Adobe Customer Journey Analytics, as partes interessadas da empresa conseguiam visualizar facilmente o que estávamos fazendo por meio dos painéis que criamos.”
O Customer Journey Analytics também ajudou a equipe a encontrar novas maneiras de voltar a engajar e encantar clientes menos frequentes, por exemplo, enviando cupons personalizados durante o mês de aniversário de um cliente ou em resposta a uma experiência possivelmente negativa, como uma tentativa de usar um código promocional expirado. Ao mesmo tempo, a equipe também conseguiu entender quais clientes tinham menos chances de fazer uma compra para gerenciar melhor os gastos com mídia.
O poder da personalização
Gopinath e sua equipe global eficiente criaram um manual de personalização que está reformulando a estratégia da Coca-Cola em mercados do mundo inteiro. A implementação já começou na Coca-Cola Store nos Estados Unidos, onde a descoberta personalizada de produtos viabilizada pelo Adobe Sensei , a tecnologia de aprendizado de máquina e IA da Adobe, agregou valor desde o início.
Os primeiros resultados mostraram que as recomendações personalizadas de produtos com base em ações comportamentais e afinidades dos consumidores geraram um aumento de 117% nos cliques e de 36% na receita. A loja também conseguiu uma taxa de cliques de 17% para suas recomendações de vendas cruzadas do tipo “Os clientes costumam comprar junto”. A taxa de conversão de pesquisas no site atingiu 19%, com os três principais resultados geralmente contendo o que os clientes estavam procurando.
