omnichannel-growth-loop

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)

# 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

# Revenue verdadero (source of truth)
shopify_revenue = shopify_query("orders.json...total_price sum")

# Revenue atribuido por Meta
meta_attributed = meta_ads_query("act_<id>/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

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

# 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

# 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

## 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)

### 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 `<brain-root>/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

• <brain-root>/knowledge/strategy/the company-bp-interno-2026.md — revenue targets por canal
• <brain-root>/knowledge/marketing/meta-ads-q1-2026-analysis.md — baseline Meta performance
• <brain-root>/knowledge/retail/metrics-insights.md — KPIs físicos Store A + Store B
• <brain-root>/knowledge/marketing/brand-guidelines-2026.md — posicionamiento ya definido (no re-inventar)