Najpre ćemo objasniti šta je marketinški levak. Poznato je da je u eri pre digitala postojao sledeći tok kojim smo ostvarivali ciljeve - spuštajući zainteresovane ljude i sužavajući ciljnu grupu. To je izgledalo ovako:
- Awareness
- Consideration
- Conversion
Kada se desi treći korak i ostvari se cilj, levak bi se obično tu i završio. Onda bi išlo sve ispočetka, a onda se desio digital. Desio se momenat u kome sve možemo da merimo. I tako usled tog sleda događaja i evolucije marketinga, nastao je Retention deo, pa je levak izgledao isto ovako, samo što je na mestu 4 došao taj čuveni Retention.
Zašto je baš taj Retention bitan deo levka, čak se može reći najbitniji? Zato što se radi o ljudima koje već poznajemo. Najčešće imamo njihov mejl, njihovo ime i prezime, često pol, demografske i geografske podatke. Ako nešto kupuju od vas, znate šta su kupili i kada. Možete anticipirati njihove buduće namere.
Najbolje u ovoj fazi nije samo što znamo toliko stvari o njima, nego što pametnom komunikacijom možemo od njih napraviti advokate našeg brenda. Ovo je pravi sef pun dijamanata za svakog ozbiljnog marketara. Sef dijamanata, zato što vam čuva novac koji bi ulagali u kampanje kako bi privukli nove prodaje i nove potencijalne kupce.
Gde su tu podaci pitate se? Zapravo ne pitate se, ali je ovo dobra forma pripovedanja, tako kažu. Ali da se pitate, rekao bih vam da su podaci centralni mozak optimizacije svakog marketinškog levka. Verovali ili ne, apsolutno svaki deo marketing ili prodajnog levka možemo optimizovati, ako:
- Prikupljamo podatke na pravi način,
- Ako ih vizualizujemo na pravi način,
- Ako ih analiziramo na pravi način i
- Ako iz njih izvlačimo uvide (insights) na pravi način.
Zašto kažem pravi način? Upravljanje podacima je jedna rogobatna reč, ali u priči o podacima veoma bitna. Krenućemo sad tačku po tačku i kako da sve to uradimo ispravno kako bi na kraju dobili najbolji mogući rezultat.
Kako prikupljamo podatke na pravi način?
Prvo i osnovno, moramo imati mesto na koje prikupljamo podatke. Najčešće je to Google Analytics, kada imamo sajt ili aplikaciju kao glavnu destinaciju. Takođe, možemo prikupljati podatke u oglašivačkim platformama, a neke od najčešćih su Google Ads, Meta Ads (Facebook i Instagram), kao i mnoge druge. Pored Google analitike, postoje alternative poput Matomo analitike, Adobe analitike ili Plausible analitika (kao open source alternativa).
Kada znamo gde prikupljamo podatke, sledeći korak je pravilno prikupljanje podataka. U analizi podataka postoji termin - šum podataka. Šum, podacima daje nepravilno prikupljanje koje može biti oličeno u vidu loše imenovanih ili dupliranih događaja (events), nepravilnoj postavci analitike ili nepravilnom grupisanju kanala. Sve ovo može uneti šum u podatke.
Ako želite ovo da izbegnete, prijavite se za program Digitalnog marketinga ili ako želite samo da se edukujete za postavku nove Google analytics 4, prijavite se na jednodnevnu radionicu.
Kako da vizualizujemo podatke na pravi način?
Verovatno biste rekli sledeće; odaberem grafikon i prikažem podatke. Da odaberete grafikon jeste dobar odgovor, ali koji grafikon? U analizi podataka postoje pravila kojim grafikonima se predstavljaju koji podaci. Kao primer, linijski grafikon (Line graph) treba da se koristi kada prikazujemo trend, volatilnost, ubrzanje, usporenost, posebno kada gledamo period po period. Posebno je bitno kada gledamo period po period, da uzimamo iste dane u nedelji, prema istim danima u nedelji proteklog perioda.
Grafik vodopada (Waterfall chart) se koristi kada imamo definisan cilj, pa ovim grafikonom prikazujemo odstupanja u plusu ili minusu. Primer može biti da prodajemo određni proizvod i pravimo izveštaj za prethodni period da nam prikaže tokom kojih perioda smo bili iznad zacrtanog cilja, u kojoj količini i kom prihodu.
Grafik rešetki (Bar chart) je jedan od najčešće korišćenih. Tu imamo horizontalne, vertikalne, grupisane i složene (stacked). Koriste se obično za top liste, za top liste koje uključuju poređenja najviše dve kategorije, kao i stacked, koji svoju primenu ima kada želimo da uporedimo više kategorija.
Za kraj, da ne idemo u sitne detalje, imamo čuveni grafik pite ili Pie chart. Omiljeni grafik većine Power Point prezentacija, svoju primenu može naći na praćenju procenata. Napomena kod procenata, posebno kada imate mali uzorak, mada je preporučeno gotovo uvek. Držite i apsolutne brojke na vidiku, jer procenti često znaju da maskiraju sliku, iskrive je i prikažu netačno stanje.
Od onih naprednijih imamo Gauge chart, Scatter plot, Spider chart, Area chart, Bubble plot, Box plot, Bullet chart, Funnel chart, Tree map chart i tako može da traje nabrajanje, ali ćemo se ovde zaustaviti. Moram napomenuti da vam je znanje upotrebe grafikona jako bitno ako koristite neke Business intelligence alate poput Power Bi, Tableau ili Lookera iz Google kuhinje.
Kako da analiziramo podatke na pravi način?
Sad smo došli skoro do suštine. Ona prava suština ide u poslednjem poglavlju. A sada da se bacimo na analizu podataka. Da bi je sproveli treba prvo da poštujemo sledeći princip koji se zove CARE, što je opozitno od CRAP. CARE znači Collect, Analyze, Recommend and Execute/Experiment, dok CRAP znači Collect, Report, Avoid Analysis and Postpone actions. Za ove definicije zaslužan je kolega analitičar, MIkko Piippo.
Ako slušamo Miku i ako slušamo ostale stručnjake, analiza podataka kreće prvenstveno od kvaliteta izvora podataka. Nakon toga nam pomaže pravilan odabir vizualizacije i kada smo uspešno savladali ta dva koraka, onda sledi analiziranje. Mnogi misle da je to dosadan deo, zapravo je jako zanimljiv. Evo jednog primera.
Imamo osobu koja je kupila od nas Oral B četkicu za zube. Šta analiza može dalje da nam kaže? Ako analiziramo upotrebićemo više vrsta analiza. Recimo da analiziramo tako što dijagnostikujemo. Prvo bi utvrdili koja je serija četkice. Hajde da bude Serija 9 IO tip četkice. Četkica spada u visoko vrednosni segment, koja je skuplja za više od 50% od prosečne i uobičajene vrednosti električkih četkica za zube. To nam pokazuje da kupac spada najverovatnije u viši stalež.
Ako krenemo dalje i analiziramo, eventualno istoriju kupovine ove osobe, moći ćemo sa većom verovatnoćom da utvrdimo da li je zaista u višem staležu. Ako ne utvrdimo da jeste, možemo ići ka tome da jako vodi računa o zubima. Ako je tako, onda znamo da ovoj osobi možemo putem email marketinga ponuditi dodatke za četkicu, pametni uređaj koji prati kvalitet pranja i zatim pratiti reakcije ove osobe.
Sada već ulazimo u preskriptivnu analizu, a u poslednjoj rečenici u prediktivnu analizu. Ovo su sve tipovi analitike koje koristimo lančano kako bi saznali što je više moguće o našim korisnicima ili kupcima, pa ćemo onda spremiti akcije koje dolaze iz analize podataka i na kraju napraviti predikcije o budućim namerama naših korisnika ili kupaca.
Kako izvući uvide na pravi način?
E, ovde leži tajna podataka. Sve možemo lepo skupiti, pravilno sortirati, pravilno izmapirati, odlično vizualizovati, izvesti određeni storytelling nad podacima, ali sve pada u vodu ako ispred onog ko nas sluša ne iznesemo dovoljno jak uvid koji će uticati na biznis.
Postoji neko nepisano pravilo da analitičar nije onaj koji spremi 15 slajdova sa grafikonima i podacima. Pravi analitičar je onaj koji spremi dovoljno jake uvide koji menjaju načine razmišljanja i pristupa poslu u pozitivnom smeru. Dovoljno je nekad da ima dva, ili čak jedan slajd. Kvalitet uvida uvek mora biti na prvom mestu.
Kako ih onda izvlačimo? Plastično objašnjeno izgleda ovako. Zamislite da imate zid. Uvid je negde iza tog zida. Vi ćete prokopati zid kako znate i umete da stignete do uvida. Kada do njega stignete, videćete da li vam je odgovorio na sva pitanja. Ako nije, nastavićete da kopate i radićete to dok ne odgovorite na sva pitanja. Možda zvuči kao izlizana fraza, ali nema zaključka do koga ne može da se stigne. Postoji samo način na koji stižete do njega, Ili ne stižete. To deli dobrog analitičara od onog koji nije toliko dobar.
Zaključak
I na kraju kako optimizujemo taj čuveni marketinški levak. Tako što ćemo analizirati dve stvari uvek. Prvo analiziramo ljude koji prođu iz faze u fazu, dok je druga, dosta bitnija, da analiziramo ljude koji nisu ušli u funnel, posebno razloge zbog kojih nisu ušli u funnel. Akcenat treba da vam bude u donjem delu funnela, posebno kada su u pitanju konverzija i retencija korisnika. Više o tome možete naučiti na smeru Digitalni marketing na Molèn Academy.
Verujte podacima. Verujte uvidima. Podaci treba da vode biznis i trebaju da budu preporuke, kao i saveti. Ako vidite da podaci to ne rade, ili ih ne koristitie na gore navedene načine ili ih nemate u adekvatnom kvalitetu ili broju.
Podaci će, i već spašavaju svet. Budite i vi deo rešenja! Koristite svoje podatke!