”Det finns en mängd funktioner som man kan möjliggöra när man börjar dela sina data sömlöst på sina olika plattformar”, säger Gopinath. ”Du skickar inte bara e-post eller push-meddelanden – du samordnar en verklig omnikanalsupplevelse. Det är oerhört kraftfullt.”
En strategisk grund
Gopinath och hans team arbetade med implementeringspartnern Bounteous, en konsult för tjänster för digital omvandling, och skapade en personaliseringsstrategi för CCETH som har fyra viktiga steg:
- Skapa en teamstruktur som möjliggör samarbete
- Centralisera data för att få en klar bild av kunderna
- Definiera användningsfall som ska tjäna som en strategisk grund
- Tillämpa strategin i alla användningsfall.
Gopinath, som har en gedigen bakgrund inom digital marknadsföring, visste att det tekniska teamet måste vara involverat från början. Istället för en traditionell strategi för handoff där affärsteamet skickar idéer till teknikteamet för genomförande, samlade han alla till gemensam planering, gemensamt genomförande och itereringar genom hela processen. Det innebar också att utforma ett system för samarbete över olika kontinenter med teammedlemmar på andra sidan världen.
Nästa steg var att bygga bort vattentäta skott genom att centralisera data från olika källor. Teamet behövde ett sätt att kombinera e-handelsdata från Adobe Commerce – inklusive beteendeåtgärder som att lägga till artiklar i en kundvagn, backofficedata som orderhistorik och profildata – med information från andra källor som företagets ERP och CRM. De använde Adobe Commerce Data Sharing-tillägget för att leda datan till Experience Platform och Real-Time CDP, där de standardiserades i en enhetlig kundprofil.
”Med Commerce-integrationen kan vi samla in varje konsumentkontaktyta”, säger Gopinath. ”Det hjälper oss att bygga en regelrätt kundprofil från ögonblicket de först kommer till webbplatsen.”
När de nu hade förmågan att skapa innehållsrika kundprofiler var Gopinath och hans team redo att kasta sig in i personaliseringen av kundresor. De prioriterade de möjliga användningsfallen baserat på kundinteraktioner, marknadsföringsinitiativ och personliseringstaktiker, vilket resulterade i ett ramverk med tre pelare.
- Användningsfall som skulle driva på intäkterna
- Användningsfall som skulle öka engagemang och lojalitet
- Användningsfall som erbjöd möjligheten att analysera vad som fungerade och upprepa det
En regelrätt omnikanalsupplevelse
Teamet började med att tackla ett klassiskt användningsfall för engagemang – den övergivna kundvagnen. Innan dataintegrationen måste de vänta i 48 timmar innan datan visade om en CCETH-kund hade slutfört sitt köp. Med data som nu flödar i realtid kunde de börja skicka omedelbara personaliserade e-postpåminnelser till användare som inte slutfört sitt köp inom en timme vilket resulterade i en ökning på 36 % avseende öppnade mejl och 21 % avseende klickfrekvens.
Teamet kunde också göra mer än att bara skicka e-post, och skickade även påminnelser via popup-fönster på webbplatsen och push-meddelanden, inklusive en ny WhatsApp-integration. Journey Optimizer hjälpte dem att avgöra rätt frekvens och kanaler för kommunikation baserat på kundbeteenden, AI-benägenhetsbedömningar och annan information.
”Journey Optimizer har låst upp många kanaler”, säger Gopinath. ”Det har gjort så att vi kan samordna en regelrätt omnikanalsupplevelse.”
Tillgång till realtidsinformation gjorde också att CCETH kunde använda Adobe Customer Journey Analytics för att bättre förstå beställningsbeteendet hos sina tappningsföretag och lagerlokaler. Förutom att de omedelbart kunde se vilka produkter som höll på att ta slut kunde Gopinaths team trigga anpassad kommunikation via Journey Optimizer till tappningsföretag baserat på postnummer där de förväntade sig att efterfrågan skulle öka baserat på säsongsbundna faktorer.
Teamet använde sig också av analys för att förstå köptrender och koppla dem till intäktsdrivande produktrekommendationer. ”Produkterna vi rekommenderar måste ha stöd i siffrorna – annars vore det svårt att rättfärdiggöra det vi gör”, säger Gopinath. ”Adobe Customer Journey Analytics gjorde det enkelt för affärsintressenterna att visualisera vad vi uträttade genom kontrollpanelerna som vi skapade.”
Customer Journey Analytics hjälpte även teamet att hitta nya sätt att återengagera och glädja lågfrekenta kunder – till exempel genom att skicka personaliserade kuponger under en kunds födelsedagsmånad eller som en reaktion på en möjlig negativ händelse, som ett försök att använda en utgången kampanjkod. Samtidigt kunde teamet också förstå vilka kunder som var minst sannolika att köpa så att de kunde använda sin mediebudget effektivare.
Styrkan med personalisering
Gopinath och hans globala superteam skapade en taktikbok för personalisering som omvandlar Coca-Colas strategi på marknader världen över. De har redan börjat driftsätta den åt Coca-Cola Store i USA där personaliserad produktidentifiering som drivs av Adobe Sensei , Adobes AI- och maskininlärningsteknik, har levererat omedelbart värde.
Tidiga resultat visar att individuella produktrekommendationer baserat på beteendeåtgärder och köpares preferenser drev på en ökning på 117 % i klick och 36 % i ökade intäkter. De fick också en ökning på 17 % avseende klickfrekvens för sina korsförsäljningsrekommendationer för produkter som ofta köps tillsammans. Konverteringsgraden för sökningar på webbplatsen nådde 19 % då de tre toppresultaten generellt innehöll det kunderna letade efter.