“Condividere i dati senza problemi tra diverse piattaforme permette di sbloccare un’ampia gamma di funzionalità”, dichiara Gopinath. “In questo modo, non ci si limita a inviare e-mail o notifiche push, ma si riesce a coordinare un’esperienza omnicanale a tutti gli effetti. È incredibilmente efficace”.
Una base strategica
Lavorando con il partner di implementazione Bounteous, una società di consulenza che offre servizi di trasformazione digitale, Gopinath e il suo team hanno creato una strategia di personalizzazione per CCETH che prevedeva quattro passaggi chiave:
- Impostare la struttura del team in un’ottica di collaborazione
- Centralizzare i dati per ottenere un quadro chiaro della clientela
- Definire i casi d’uso da utilizzare come base strategica
- Attuare la strategia tramite questi casi d’uso
Gopinath, che vanta una profonda esperienza nel marketing digitale, sapeva che era necessario coinvolgere il team tecnologico fin dall’inizio. Anziché adottare un approccio tradizionale basato su passaggi di consegne, in cui il team aziendale invia le idee da realizzare a quello tecnologico, ha riunito tutte le parti per farle lavorare come un’unica squadra alle attività di pianificazione, esecuzione e iterazione in tutte le fasi del processo. A tale scopo, si è reso necessario progettare anche un sistema di collaborazione intercontinentale con i membri del team dislocati in altre parti del mondo.
Il passo successivo è stato quello di abbattere i silos centralizzando i dati provenienti da più fonti. Il team aveva bisogno di una soluzione per combinare i dati sull’e-commerce di Adobe Commerce, tra cui i dati del profilo, azioni comportamentali come l’aggiunta di articoli al carrello e dati di back-office come la cronologia degli ordini, con informazioni provenienti da altre fonti, ad esempio i sistemi ERP e CRM dell’azienda. L’estensione Adobe Commerce Data Sharing ha consentito di trasferire i dati in Experience Platform e Real-Time CDP, dove sono stati standardizzati in profili cliente unificati.
“L’integrazione di Commerce ci permette di registrare ogni punto di contatto dell’utente”, afferma Gopinath. “Ci aiuta a costruire un vero e proprio profilo cliente fin dal momento in cui una persona arriva per la prima volta sul sito”.
Una volta acquisita la capacità di creare profili cliente altamente dettagliati, Gopinath e il suo team hanno potuto concentrarsi sulla personalizzazione del customer journey. Per l’individuazione dei casi d’uso prioritari hanno considerato le interazioni della clientela, le iniziative di marketing e le tattiche di personalizzazione, producendo un framework che poggiava su tre pilastri:
- Casi d’uso che avrebbero generato valore
- Casi d’uso che avrebbero aumentato l’engagement e la fidelizzazione
- Casi d’uso che offrivano l’opportunità di analizzare ciò che funzionava e poi replicarlo
Un’esperienza omnicanale a tutti gli effetti
Il team ha iniziato affrontando un classico caso d’uso nella sfera dell’engagement: l’abbandono del carrello. Prima dell’integrazione dei dati, occorreva attendere fino a 48 ore per sapere se l’utente CCETH aveva concluso il check-out. Con il nuovo flusso di dati in tempo reale, il team ha iniziato a inviare promemoria e-mail immediati e personalizzati a chi non aveva effettuato il pagamento entro un’ora, il che ha fatto aumentare le percentuali di apertura delle e-mail del 36%, i tassi di click-through del 21% e i tassi di conversione dell’8,5%.
Il team è riuscito ad andare oltre la posta elettronica, inviando promemoria tramite messaggi pop-up sul sito web e notifiche push, utilizzando anche una nuova integrazione WhatsApp. Journey Optimizer ha aiutato a determinare la frequenza e i canali di comunicazione corretti in base al comportamento dell’utente, ai punteggi di propensione calcolati dall’IA e ad altre informazioni.
“Journey Optimizer ha sbloccato molti canali”, dichiara Gopinath. “Ci ha permesso di coordinare un’esperienza omnicanale a tutti gli effetti”.
Inoltre, l’accesso alle informazioni in tempo reale ha consentito a CCETH di usare Adobe Customer Journey Analytics per comprendere meglio i comportamenti di ordinazione di imbottigliatori e magazzini. Oltre a vedere immediatamente quali prodotti stavano per esaurirsi, il team di Gopinath è riuscito ad attivare comunicazioni personalizzate per gli imbottigliatori tramite Journey Optimizer in base ai codici postali in cui si prevedeva un aumento della domanda a causa di fattori stagionali.
Il team ha utilizzato l’analisi anche per comprendere le tendenze di acquisto e ricondurle ai consigli sui prodotti che generavano maggior valore. “I prodotti che consigliamo devono essere supportati dai numeri di fatturato, altrimenti è difficile giustificare il nostro operato”, dichiara Gopinath. “Customer Journey Analytics ha consentito agli stakeholder aziendali di visualizzare facilmente i risultati che stavamo raggiungendo tramite apposite dashboard create da noi”.
Infine, Customer Journey Analytics ha aiutato il team a trovare nuovi modi per riattivare e soddisfare la clientela a scarsa frequenza di interazione, ad esempio inviando coupon personalizzati durante il mese del compleanno dell’utente o dopo un evento potenzialmente negativo, come il tentativo di utilizzare un codice promozionale scaduto. Allo stesso tempo, il team è riuscito a capire quali clienti erano meno inclini a effettuare un acquisto, e questo ha permesso di migliorare l’efficienza degli investimenti pubblicitari.
Il potere della personalizzazione
Gopinath e il suo team globale hanno creato un manuale sulle tattiche di personalizzazione che sta ridefinendo la strategia di Coca-Cola nei mercati di tutto il mondo. Hanno già iniziato a implementarlo in un Coca-Cola Store negli Stati Uniti, dove hanno ottenuto un valore immediato grazie all’esplorazione personalizzata dei prodotti tramite Adobe Sensei, la tecnologia di IA e machine learning di Adobe.
I primi risultati hanno dimostrato che i consigli individuali sui prodotti, basati sulle azioni comportamentali e sui gusti dell’acquirente, hanno fatto aumentare i clic del 117% e le entrate del 36%. Inoltre, il negozio ha registrato una tasso di click-through del 17% per i suggerimenti di cross-selling relativi a prodotti “spesso acquistati insieme”. Il tasso di conversione generato dalle ricerche sul sito ha raggiunto il 19%, e i primi tre risultati generalmente contenevano ciò che l’utente stava cercando.