--- name: omnichannel-growth-loop description: Closed-loop growth methodology for the company (DTC fashion, €5-10M, 2 own stores + the department-store corners corners + online + wholesale). Diagnoses ICP from real Shopify/GA4/Klaviyo data, maps cross-channel halo effects (digital ↔ physical), and outputs 3 concrete actions with owner + KPI. Built to replace generic B2B SaaS growth frameworks that ignore retail spillover. metadata: source: the company-native inspired_by: omarismail.com/projects/growth-engine (B2B SaaS, intentionally inverted for DTC) category: marketing primary_user: marketing-agent tools_needed: shopify_query, ga4_query, meta_ads_query, klaviyo_query, tc_analytics_query, brain_search --- > _Public, anonymized version of a skill running in the Compai reference deployment (an 8-figure consumer SME). Names, stores, channels and endpoints replaced with placeholders; the logic is unchanged. Adapt to your own context._ # the company Omnichannel Growth Loop ## What it does Replaces "Meta-only" or "online-only" growth thinking with a **closed loop that treats retail (Store A, Store B, the department-store corners corners) as a force multiplier of digital paid acquisition**, not as a separate silo. Run this skill when the question is "where is our next €1M of growth?" and the answer needs to be data-grounded, not a slide deck. ## When to activate - ROAS de Meta cae pero revenue Shopify aguanta → hay halo effect no medido - Apertura de tienda nueva en negociación (Bilbao, Valencia, Amsterdam) → modelar spillover - the marketing agent pide channel mix anual / quarterly - the strategy hub prepara weekly P&L y necesita atribución real cross-channel - the founder dice "vamos a probar TikTok ads / cold outreach / nuevo mercado" → primero pasar por este loop - Equipo discute si invertir en Pinterest vs Meta vs branded SEO ## Why NOT a B2B SaaS growth framework Frameworks tipo Omar Ismail Growth Engine, Reforge B2B Loops, etc. asumen: - Sales-led funnel (Lead → Meeting → Trial → Opportunity → Customer) - Enrichment B2B (Apollo, Clay, RB2B) - Cold outreach (HeyReach, Instantly) - Single channel attribution **the company es B2C DTC fashion**. Funnel real: - View → ATC → Checkout → Customer → Repeat (digital) - Walk-in → Try-on → Purchase → Loyalty (retail) - **Cross**: Digital ad → branded search → retail walk-in (halo, casi nunca medido) Si copias el growth engine B2B tal cual, asignas mal el budget durante 6 meses. ## Stage 1 — ICP REAL desde data (no buyer personas inventadas) **Objetivo**: identificar 3-5 archetipos de cliente con peso real en revenue, no aspiracionales. ### Inputs (que el agente debe pull al activar) ```python # Cohorts últimos 12 meses shopify_query("orders.json?status=any&created_at_min=<12mo_ago>&limit=250&fields=id,total_price,customer,line_items,source_name,created_at") # Customer aggregation shopify_query("customers.json?limit=250&fields=id,total_spent,orders_count,first_name,addresses,tags") # Online sessions por device/source ga4_query("propertyId=..., metrics=sessions,conversions,revenue, dimensions=deviceCategory,source,medium,city, dateRanges=last_365d") # Foot traffic por tienda tc_analytics_query("store=store_a,store_b, date_range=last_365d") ``` ### Análisis a producir Segmentar por **estos 4 axes simultáneamente** (no por uno solo): 1. **Spend tier**: <€200, €200-€800, €800-€2K, >€2K LTV 2. **Frequency**: 1 order, 2-3, 4-6, 7+ 3. **Channel mix**: 100% online | mixed | 100% retail (POS) | 100% wholesale 4. **Geography**: Madrid metro, Barcelona metro, resto España, EU, USA, RoW ### Output esperado Tabla con **5 archetipos** ordenados por contribución a revenue total: ``` | Archetype | % revenue | LTV avg | Channel mix | Geo | Insight accionable | |---|---|---|---|---|---| | "Madrid loyalist" | 28% | €1.4K | 70% retail 30% online | Madrid metro | Retail walk-in es el trigger; Meta debe ser branded | | "Barcelona discovery" | 14% | €380 | 90% online | Barcelona metro | Aún no convertimos a retail; abrir Store B v2? | | ... | ... | ... | ... | ... | ... | ``` **Anti-patrón**: NO segmentar solo por "edad/género/intereses" como hace Meta. Eso es Meta tier-1 segmentation, no ICP real. ## Stage 2 — Channel attribution + halo loop mapping **Objetivo**: detectar dónde dejas dinero porque el modelo de atribución last-click subestima el efecto cruzado. ### Diagnósticos a correr (en este orden) #### 2.1 — Discrepancia attribution ```python # Revenue verdadero (source of truth) shopify_revenue = shopify_query("orders.json...total_price sum") # Revenue atribuido por Meta meta_attributed = meta_ads_query("act_/insights?fields=action_values,purchase_roas") # Revenue atribuido por GA4 ga4_attributed = ga4_query("metrics=purchaseRevenue,transactions,sessionDefaultChannelGroup") # Gap = shopify_revenue - sum(canales_atribuidos) # Si gap > 15%, hay halo no capturado ``` Si Meta dice ROAS 6.05x pero Shopify total revenue / total Meta spend = 12x → tienes halo masivo. Si es al revés, tienes attribution overlap o fraude. #### 2.2 — Branded search lift ```python gsc_search_analytics(query="the company OR brand_terms", dimensions=date) # Correlación con: Meta spend daily, retail openings, PR mentions ``` Si Meta spend ↑ 30% y branded search ↑ 20% (con 7-14d lag), tu Meta está haciendo trabajo de awareness aunque ROAS direct no lo refleje. #### 2.3 — Retail spillover de digital ```python # Para Store A + Store B: tc_analytics_query("foot_traffic daily, last_180d") # Cruzar con: # - Meta spend en geo Madrid / Barcelona # - GA4 sessions en city=Madrid # - Branded search Madrid # Si correlación foot_traffic ~ meta_spend_geo > 0.4, tiendas son halo de Meta. ``` #### 2.4 — Digital re-engagement de walk-ins ```python # Customers POS en últimos 90d: shopify_query("customers donde source_name=pos") # ¿Están en Klaviyo? ¿Han abierto algún email? ¿Hicieron repeat online? klaviyo_query("metrics: opened_email, clicked_email, placed_order, segment=pos_customers_90d") ``` Si <40% de walk-ins re-compran online en 90d, el loop está roto en la dirección retail→digital. ### Output esperado ``` | Loop direction | Status | Gap | Fix prioritario | |---|---|---|---| | Digital → Retail | ✅ Funciona (corr 0.6) | €180K/año halo no atribuido a Meta | Mover 20% budget Meta de "scaling" a "branded" | | Retail → Digital | 🔴 Roto | 60% walk-ins no reactivan | Klaviyo POS welcome flow + 90-day winback | | Branded → Direct | 🟡 OK pero subutilizado | Google Ads SQR captura poco | Aumentar Google branded budget +€2K/mes | ``` ## Stage 3 — Loop execution (3 acciones concretas, no roadmap) **Objetivo**: producir 3 acciones que se pueden ejecutar esta semana, no un plan de 90 días. ### Reglas duras del output 1. **Cada acción tiene owner real** (persona del equipo, no "marketing team") 2. **Cada acción tiene KPI específico** medible en ≤4 semanas 3. **Cada acción tiene tool/playbook** ya existente en el swarm (no inventar) 4. **Total ≤ 3 acciones**. Si quieres proponer 7, has fallado el ejercicio. ### Plantilla ```markdown ## Growth Loop — Acciones [semana X] ### Acción 1 — [verbo + objeto, ≤8 palabras] - **Owner**: [nombre persona] - **KPI**: [métrica específica + threshold + plazo] - **Tool/playbook**: [skill del swarm o sistema concreto] - **Por qué ahora**: [data del stage 1/2 que la justifica] - **Riesgo si no hacemos**: [escenario malo medible] ### Acción 2 — ... ### Acción 3 — ... ``` ### Ejemplo (output real esperable) ```markdown ### Acción 1 — Activar Klaviyo POS winback 90-day - Owner: Marta (Klaviyo lead) - KPI: repeat rate POS customers 60d > 25% (baseline 12%) - Tool/playbook: skill `email-sequence` + segment `pos_customers_90d_no_repeat` - Por qué ahora: Stage 2 detecta 60% walk-ins no reactivan en 90d. €120K LTV perdido/año estimado. - Riesgo si no hacemos: cada apertura nueva amplifica el problema (más walk-ins, mismo gap). ### Acción 2 — Reducir Meta scaling -20% / Aumentar Google branded +€2K/mes - Owner: the marketing agent - KPI: branded search impressions +30% en 4 sem; Meta ROAS direct se mantiene ±10% - Tool/playbook: skills `ads-channel-mix-optimizer` + `ads-ad-spend-allocator` - Por qué ahora: ROAS Meta 6x pero halo no capturado. Branded subutilizado. - Riesgo si no hacemos: dejamos €15K/mes en mesa. ### Acción 3 — Modelar Bilbao pre-apertura con Stage 1+2 - Owner: the strategy hub (coord con the retail agent) - KPI: forecast revenue Bilbao tienda mes 1-12 con confianza ±25% - Tool/playbook: skills `ads-budget-scenario-planner` + `ads-roas-forecasting` + brain `/knowledge/retail/` - Por qué ahora: decisión local-pick antes de firmar lease. - Riesgo si no hacemos: abrir tienda sin modelar = €200-500K riesgo. ``` ## Anti-patrones (qué NO hacer) - ❌ Tratar tiendas como "drag" o "necesidad operativa". Son **force multiplier** del digital. - ❌ Medir paid ROAS solo en last-click web. Mata el halo. - ❌ Importar funnel B2B (Lead/MQL/SQL/Trial). the company no tiene SDRs ni sales reps. - ❌ Cold outreach LinkedIn / Instantly. **No es un canal en fashion B2C** salvo wholesale. - ❌ ICP basado en "intereses Meta" sin cruzar con Shopify LTV. - ❌ Activar Pinterest / TikTok / nuevo canal sin pasar Stage 1+2 antes. - ❌ Output de 15 bullets sin owner. Significa "ningún acción ejecutable". ## Cadencia recomendada - **Stage 1 (ICP)**: refresh trimestral - **Stage 2 (Attribution)**: monthly review (correr al final de mes con the strategy hub + the marketing agent) - **Stage 3 (Actions)**: cada lunes, hasta 3 acciones rotativas ## Referencias en el brain - `/knowledge/strategy/the company-bp-interno-2026.md` — revenue targets por canal - `/knowledge/marketing/meta-ads-q1-2026-analysis.md` — baseline Meta performance - `/knowledge/retail/metrics-insights.md` — KPIs físicos Store A + Store B - `/knowledge/marketing/brand-guidelines-2026.md` — posicionamiento ya definido (no re-inventar)