Nghiên cứu của khách hàng trên Amazon góp phần vào đường dẫn mua hàng ngoại tuyến

Tác giả: German Zenetti, Nhà khoa học dữ liệu

Nhiều nhà quảng cáo tò mò về cách Amazon điều chỉnh theo quyết định mua hàng của khách hàng và tìm cách tận dụng những thông tin chi tiết liên quan đến các chủ đề này để điều chỉnh các chiến lược tiếp thị của riêng họ.

Điểm nhấn của câu chuyện:

Trong một cuộc khảo sát trên cơ sở chọn tham gia gần đây với 8.000 khách hàng được chọn ngẫu nhiên trong thị trường máy tính xách tay hoặc điện thoại thông minh, chúng tôi nhận thấy rằng nghiên cứu của khách hàng trên gian hàng Amazon báo hiệu và dự đoán chính xác ý định mua hàng, bất kể quyết định mua cuối cùng được thực hiện trên Amazon hay ở nơi khác.

Ngoài nút “Thêm vào giỏ hàng”, Amazon còn cung cấp một tập hợp lớn bao gồm thông tin sản phẩm, đánh giá, giá cả và các thông tin tương tự khác. Khách hàng thường sử dụng các tài nguyên này để tổng hợp thông tin cho các quyết định mua hàng của mình, bất kể họ sẽ mua hàng ở đâu. Các nhà quảng cáo và người bán hàng muốn hiểu rõ vai trò của Amazon như một nguồn thông tin sản phẩm trong hành trình mua hàng của khách hàng, ngoài việc chỉ thúc đẩy doanh số trong gian hàng Amazon. Để giúp trả lời câu hỏi này, chúng tôi đã đề ra một tỷ lệ so sánh các giao dịch mua hàng trên Amazon và ngoài Amazon trong một danh mục nhất định.

Các nhà quảng cáo có hiệu suất hàng đầu với mức tăng trưởng doanh số cao hơn trung bình 40% so với cùng kỳ năm trước, lượng khách hàng xem trang sản phẩm trên Amazon tăng hơn 50% so với cùng kỳ năm trước và lợi tức trên chi tiêu quảng cáo (ROAS) cũng cao hơn 30%. Các nhà quảng cáo này chiếm 6% trong số 7.000 nhà quảng cáo trong nghiên cứu.

1. Các nhà quảng cáo có thể ước tính tác động của nghiên cứu trên Amazon đến các giao dịch mua hàng không thuộc Amazon.

Amazon thường là một điểm dừng trong đường dẫn mua hàng ngoại tuyến của khách hàng. Để đo lường hiện tượng này, chúng tôi đã sử dụng các giao dịch mua hàng được ghi nhận của khách hàng cả trong và ngoài gian hàng Amazon để tính tỷ lệ khuếch đại: với mỗi khách hàng được ghi nhận đã nghiên cứu và mua một sản phẩm trên Amazon, có bao nhiêu khách hàng đã nghiên cứu trên Amazon và mua hàng ngoài Amazon?

Chúng tôi nhận thấy tỷ lệ khuếch đại là 1,6 với máy tính xách tay và 2,1 với điện thoại thông minh. Tức là, với mỗi khách hàng đã nghiên cứu và mua máy tính xách tay hoặc điện thoại thông minh trên Amazon, lần lượt có 1,6 và 2,1 khách hàng cho biết họ đã nghiên cứu trên Amazon và mua hàng ngoài Amazon. Khi dự đoán tỷ lệ khuếch đại bằng mô hình học máy, chúng tôi đã có thể dự đoán chính xác tỷ lệ khuếch đại của điện thoại thông minh bằng dữ liệu máy tính xách tay và ngược lại.

Tỷ lệ khuếch đại của máy tính xách tay và điện thoại thông minh

Điều gì sẽ xảy ra nếu các sản phẩm máy tính xách tay không được mua trên Amazon?

Cứ 10 người mua máy tính xách tay lại có 16 người dùng khác đã nghiên cứu trên Amazon.com và mua ở nơi khác.

Điều gì sẽ xảy ra nếu các sản phẩm điện thoại thông minh không được mua trên Amazon.com?

Cứ 10 người mua điện thoại thông minh lại có 21 người dùng khác tra cứu trên Amazon.com và mua ở nơi khác.

Nghiên cứu của chúng tôi làm nổi bật cơ hội để các nhà quảng cáo giúp cung cấp thông tin đến những khách hàng hoạt động tích cực này trong quá trình họ nghiên cứu trên Amazon trước khi mua sản phẩm trên Amazon hoặc ở nơi khác. Các nhà quảng cáo không nên giới hạn lợi tức đầu tư (ROI) trực tuyến của mình chỉ ở lượt chuyển đổi trực tuyến. Nếu một nhà quảng cáo chỉ dựa vào lợi tức trên chi tiêu quảng cáo (ROAS) trên Amazon làm chỉ số đo lường hiệu quả công việc (KPI) để xác định cách phân bổ ngân sách, tác động của khoản tiền tiếp thị lên đường dẫn mua hàng ngoại tuyến của khách hàng có thể bị hiểu sai. Các nhà quảng cáo nên xem việc tiếp thị sản phẩm của mình trên Amazon là một cơ hội tác động không chỉ đến các giao dịch mua hàng trên Amazon mà còn đến các giao dịch mua hàng ngoài Amazon.

2. Khách hàng nghiên cứu thông tin trên các trang sản phẩm nhiều hơn mức trung bình có khả năng chốt đơn cao hơn, dù tại gian hàng Amazon hay ở nơi khác.

Lượt xem trang chi tiết, lượt nhấp chuột vào các trang sản phẩm và thời gian xem các trang sản phẩm đều có mối liên hệ với giao dịch mua hàng của khách hàng, bất kể giao dịch đó diễn ra ở đâu. Phân tích phản hồi khảo sát của chúng tôi cho thấy 31% khách hàng đã dành 10 phút trở lên tại các trang sản phẩm cuối cùng cũng mua một sản phẩm trong danh mục đó, trong đó 14% khách hàng mua hàng trên Amazon và 17% mua hàng ngoài Amazon. Khả năng mua hàng trên Amazon tăng nhanh hơn mua hàng ngoài Amazon cùng với sự gia tăng các hoạt động nghiên cứu của khách hàng. Do đó, chúng ta có thể kỳ vọng doanh số mua hàng không thuộc Amazon lớn hơn tương đối trong các nhóm có mức độ hoạt động thấp và doanh số mua hàng trên Amazon lớn hơn trong các nhóm có mức độ hoạt động cao.

Mua hàng ngoài Amazon

Không/chưa mua

Mua hàng trên Amazon

Các nhóm hoạt động lượt xem trang chi tiết

Lượt nhấp chuột vào trang sản phẩm với mỗi nhóm hoạt động DPV

Số phút các nhóm hoạt động trên trang sản phẩm

Phương pháp luận

Lựa chọn và xác nhận tính hợp lệ của người trả lời khảo sát: Để phân tích, chúng tôi đã chọn ngẫu nhiên 8.000 người mua hàng máy tính xách tay hoặc điện thoại thông minh và khảo sát những người chưa mua trong danh mục tại gian hàng Amazon (từ 60 ngày trước khảo sát cho đến 90 ngày sau đó). Để xác nhận tính chính xác của các câu trả lời khảo sát, khi có thể, chúng tôi đã so sánh các câu trả lời khảo sát với các hành động mua sắm trên Amazon. Nhìn chung, các thử nghiệm này giúp chúng tôi tăng sự tự tin vào công cụ khảo sát và các câu trả lời khảo sát.

Mô hình hóa cách tiếp cận và hiệu chuẩn: Mô hình của chúng tôi cố gắng dự đoán liệu khách hàng có mua một sản phẩm trong danh mục tiêu điểm ở nơi khác hay không (=1) so với việc họ không mua sản phẩm trong danh mục (=0) trong khoảng thời gian 60 ngày. Trong mô hình dự đoán, chúng tôi loại trừ những khách hàng đã mua hàng trên Amazon không yêu cầu mô hình dự đoán. Để dự đoán giao dịch mua hàng ở nơi khác, chúng tôi đào tạo một thuật toán cây phân loại tăng cường cho bộ dữ liệu đào tạo theo mẫu. Theo trực giác chung thì khi phân loại tăng cường, mô hình tổng thể sẽ có thể giải thích các khía cạnh khác nhau của các biến thể của biến trả lời. Do đó, tổng thể mô hình có thể dự đoán tốt hơn các biến trả lời, chẳng hạn như khi so với mô hình không có các lớp mô hình đệ quy bổ sung hoặc so với cách tiếp cận đóng bao (bagging) như thuật toán Rừng ngẫu nhiên (Random Forest). Nhấp vào đây để tìm hiểu thêm về các mô hình cây quyết định và nhấp vào đây để tìm hiểu thêm về quá trình tăng cường các mô hình học máy.