Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Digitaalinen analytiikka (31.3.2016)

528 views

Published on

DIGITAALINEN ANALYTIIKKA

Luento Turun kauppakorkeakoulussa
31.3.2016

KTT Joni Salminen
joolsa@utu.fi

Published in: Business
  • Be the first to comment

Digitaalinen analytiikka (31.3.2016)

  1. 1. DIGITAALINEN ANALYTIIKKA Joni Salminen KTT, markkinointi joolsa@utu.fi 2016
  2. 2. Markkinoijan intuitio – siunaus vai kirous? 2 Mitä enemmän markkinoijalla on kokemusta, sitä paremmin luulee tietävänsä miten tehdä asiat.  Kuitenkin todellisuudessa kokenutkin ammattilainen voi olla väärässä. Kokemuksen myötä nopeus erilaisten vaihtoehtojen arviointiin kasvaa. Samalla kyky ajatella niiden ulkopuolella heikkenee.  Markkinoijan intuition harhaa ei pidä koskaan unohtaa…
  3. 3. Analytiikka kumoaa ”markkinoijan intuition” “After analyzing the online buying behavior of over 600,000 consumers across numerous e-commerce sites, I learned that surprisingly 75 percent of shopping cart abandoners would actually return to the site they abandoned within a 28-day period. This defies conventional wisdom: we polled online marketers and 81 percent believed that the majority of abandoners never return.” (SeeWhy, 2013) 3 I’m a marketer. I’m always right!
  4. 4. Wanamakerin dilemma (ca. 1901) “Half the money I spend on advertising is wasted; the trouble is I don’t know which half.” • Markkinoija käyttää monta kanavaa. • Tiedetään, että mainonta lisää myyntiä. • Ei aina tiedetä miksi, eli mikä kanava tuottaa kuinka paljon. • Jos markkinointitoimenpiteitä ei voi mitata, niitä ei voi parantaa. 4
  5. 5. Analytiikka ratkaisee Wanamakerin dilemman 5 Ongelma ratkaistu? Kanava Myynti
  6. 6. Myynnin arvon allokointi: esimerkki • Olet ElämysLahjojen markkinointipäällikkö • Sinulla on yksi 1000 € myyntikonversio • Analytiikasta näet, että siihen on johtanut neljä klikkiä. • Viimeinen klikki on tullut Google-mainoksesta hakusanalla ‘elämyslahjat’. Miten allokoit konversion arvon? 6
  7. 7. Konversiopolku (Google, 2013) 7 Ensimmäinen kosketus Konversio Avustava vaikutus Kolmas kosketus Toinen kosketus Viimeinen kosketus
  8. 8. Attribuutiomallit (Google, 2013) Viimeisin kosketuksen malli  100 % konversion arvosta viimeiselle kosketukselle (kampanja, kanava) Ensimmäisen kosketuksen malli  100 % konversion arvosta ensimmäiselle kosketukselle Lineaarinen attribuutiomalli  jokainen kosketus saa tasaisesti osan konversion arvosta (esim. 3 kosketusta = 33 % kullekin) Aikapohjainen attribuutiomalli  viimeisempänä konversiota olleet kosketukset saavat suuremman osan konversion arvosta kuin kaukaisemmat (aikakerroin) Etu- ja keskipainotettu attribuutiomalli  40 % konversion arvosta ensimmäiselle kosketukselle, 40 % viimeiselle kosketukselle, ja 20 % jaetaan kaikkien väliin jäävien kosketusten välillä. 8
  9. 9. Attribuutiomallit: esimerkki Ensimmäinen kosketus Viimeinen kosketus Lineaarinen malli 1 Facebook 2 Google organic 3 sähköposti 4 Google CPC 9 • yksi konversio = 1000 € • neljä kosketusta ao. järjestyksessä • miten konversion arvo allokoidaan?
  10. 10. Attribuutiomallit: esimerkki Ensimmäinen kosketus Viimeinen kosketus Lineaarinen malli 1 Facebook 1000 € 250 € 2 Google organic 250 € 3 sähköposti 250 € 4 Google CPC 1000 € 250 € 10 • yksi konversio = 1000 € • neljä kosketusta ao. järjestyksessä • miten konversion arvo allokoidaan?
  11. 11. ”Viimeisen klikin harha” (last touch bias) • käytössä olevalla analytiikkatyökalulla pystytään erottamaan vain viimeinen, konversion tuonut interaktio (ollaan siis sokeita aiemmille kosketuksille) • tämän perusteella päätellään että tietty kampanja sai aikaan konversion, vaikka ainakin osa konversion arvosta pitäisi sijoittaa aikaisemmille kampanjoille • miksi tärkeää? – tuloksena on attribuutiovirhe, jonka seurauksena voidaan tehdä huonoja allokointipäätöksiä (vrt. Facebook & suora ROI). 11
  12. 12. Attribuutiomallin riski: tarkastelun lyhyt aikajänne (Goldberg, 2013) “While our natural tendency is to generally use short lookback periods (say, 7 days or a month, for example), on an attributed basis, it’s important to lengthen this out. The reason is simple… If customers lag a bit before squeezing the trigger, it’s going to take time for [conversion] to appear. I like to use 60-90 days as a lookback period on keywords/ad groups that I know have a tendency to introduce or influence a conversion as opposed to closing, so that I can capture as much information as possible into my bid rule.” 12
  13. 13. Viivästynyt konversio (deferred conversion) 13 n. 60 % konversioista tulee ensimmäisen päivän sisällä, mutta huomattava osa yli viikon päästä (ElämysLahjat.fi)
  14. 14. Markkinointitulosten pitkäaikainen tarkastelu “This is the search graph for Kodak – Successful campaigns, yet no gained growth. You can see that regardless of their marketing efforts. Their growth is negative.” (Åström, 2013) 14 • markkinointi ei kompensoi tuotteen kilpailukyvyn menetystä • disruptiivinen innovaatio disruptoi myös markkinointiefektit
  15. 15. Haineväefekti (= shark fin effect) “This is the search graph for ‘Mitt Romney’ and as you can see… no one cares about Mitt Romney if he doesn’t buy a shit load of media to get elected.” (Åström, 2013) 15 • kampanjoinnin tulokset voivat jäädä lyhytkestoisiksi • tämän vuoksi monet digimarkkinoinnin toimenpiteet ovat jatkuvia (prosessi, ei kampanja) • prosessi voi vaihdella suuresti, esim. hakukonemarkkinointi on usein sesonkisidonnaista
  16. 16. Vuonna 2016… 16
  17. 17. Jatkuva markkinointiprosessi (ElämysLahjat.fi) • Markkinoija haluaa, että kiinnostuksen kehitys on tasaisesti kasvavaa, eikä liian tempoilevaa • Bisneksen luonteesta riippuu sesonkivaihteluiden merkitys 17
  18. 18. ”Mites tää offline?” “Can you share some insights on how does one go about building cross-channel attribution models? I understand for digital attribution there is a so called paper trail - all interactions whether through search engines, organic, referrals, social media can be tagged. However, how can one integrate offline as well for e.g. TV, radio spots, billboards, call center IVRs?” You can’t. 18
  19. 19. Offline-myyntien mittaaminen “An eye doctor spends $5,000 in one year to bring 10,000 visitors to her website. In the same year, the doctor spends $5,000 on an ad in a local weekly newspaper. Discuss the limitations and advantages of each type of advertising. Describe how you might track each type of advertising.” (Google, 2007) Taktiikoita: – Promokoodi (ostoskori -> CMS) • OPTIIKKA, niin saat -10 % – Erillinen puhelinnumero (puhelustatistiikka) • 0800-SILMÄT – Erillinen URL (Analytics) • Eyedoctor.com/alekampanja 19
  20. 20. Universaali analytiikka (Brown, 2013) ”[It’s] going to be a major factor in driving organisations to migrate to Universal Analytics, and a major benefit they’ll see as a result of doing so. It’s all thanks to the Measurement Protocol which is one of the core components of Universal Analytics. It allows us to send data from pretty much any device, and collect it in Universal Analytics. This means we can finally link in-store transactions with campaigns and, via a loyalty card tagged to a User ID, with an entire history of user interactions with our brand.” 20
  21. 21. Lopuksi, älä unohda… Työmarkkinoilla on tarvetta analytiikan osaajille. Web analyst, data scientist, customer insight manager… 21
  22. 22. Analyysiprosessi 1. Hanki data 2. Siivoa data 3. Analysoi eri mallein / tavoin (GA-raportit, tilastolliset mallit, visualisointi) 4. Tee päätelmiä 5. Esitä tulokset (raportti, visualisointi) 22
  23. 23. Tilastotiede 23
  24. 24. Tilastotiede + skriptaus (R, python) 24
  25. 25. Tilastotiede + skriptaus (R, python) + visualisointi (Tableau) 25
  26. 26. Paras työkalu visualisointiin: Tableau 26
  27. 27. Mitä analytiikalla voi saada aikaan: Analyysiesimerkkejä (Google Analytics) • ROI:n laskeminen kanavakohtaisesti, esim. AdWords, FB, display-verkostot • avustavien konversioiden näyttäminen • arvokkaimmat sivut • sivut joissa korkea konversio JA matala liikenne • keskiostoksen kehitys • voitollisuus (edellyttää katetietoa) • toimialavertailu • poistuma (suurimmat poistumasivut) • ostokäyttäytymissegmenttien tarkastelu • affinity eli kiinnostuneisuusanalyysi (sekä demograafinen analyysi) • konversiopolut (mistä kanavista asiakkaat tulevat) 27
  28. 28. Mobiilianalytiikka (Vuokko, 2015) On kriittistä analysoida mitä ominaisuuksia EI käytetä ja siltä pohjalta karsia niitä. Pitää myös analysoida mitä ominaisuuksia käytetään, miten ja miksi. Klassinen esimerkki on Instagram, joka oli aluksi jotain ihan muuta mutta pivotoi filttereihin koska ne olivat sovelluksen käytetyin ominaisuus. Ja on-boardingista Twitter, jonka alkukokemuksen analysointi johti retention merkittävään kasvuun. (Salminen, 2015) 28
  29. 29. Neljän tyyppistä analytiikkaa (Gartner, 2015) 29 kuvaileva analysoiva ennustava suositteleva
  30. 30. Miten analytiikka toimii? (Mullins, 2011) 30 • käyttäjät • sessiot • vuorovaikutukset Nettisivu JavaScript- koodi Googlen palvelin Raportoitava data Tietoja voidaan kerätä myös evästeillä. • dimensiot (laadullinen) • mittarit (määrällinen)
  31. 31. I. Alustakohtaiset mittarit: – PageRank, Quality Score (Google) – EdgeRank (engagement), Relevance Score (FB) II. Verkkosivu (ennen klikkiä): – CPM (cost per mille) – CPC (cost per click) – CTR (click-through rate) III. Verkkosivu (klikin jälkeen): – BR (bounce rate) – CVR (conversion rate) – CPA (cost per action) – CAC (customer acquisition cost) – ROI (return on investment) – CLV (customer lifetime value) Digitaalisen markkinoinnin perusmittarit 31
  32. 32. Alustalle optimointi voi olla ristiriidassa bisnestuloksille optimoinnin kanssa 32 Kumpi mainos on onnistuneempi? Mainos A Mainos B Laatupisteet 10 3 CTR 10 % 3 % Näyttökerrat 1000 1000 Klikit 100 30 Konversiot 15 15 Tuotto 1500 € 1500 € Kustannukset 500 € 150 €
  33. 33. Alustalle optimointi voi olla ristiriidassa bisnestuloksille optimoinnin kanssa 33 Kumpi mainos on onnistuneempi? Mainos A Mainos B Laatupisteet 10 3 CTR 10 % 3 % Näyttökerrat 1000 1000 Klikit 100 30 Konversiot 15 15 Tuotto 1500 € 1500 € Kustannukset 500 € 150 €
  34. 34. Alustalle optimointi voi olla ristiriidassa bisnestuloksille optimoinnin kanssa 34 Mainos A Mainos B Laatupisteet 10 3 CTR 10 % 3 % Näyttökerrat 1000 1000 Klikit 100 30 Konversiot 15 15 Tuotto 1500 € 1500 € Kustannukset 500 € 150 € ROI ? ?
  35. 35. Alustalle optimointi voi olla ristiriidassa bisnestuloksille optimoinnin kanssa 35 Alustan sisäiselle dynamiikalla optimoitu ratkaisu ei välttämättä optimoi mainostajan saamaa tuottoa (Libby, 2009). Mainos A Mainos B Laatupisteet 10 3 CTR 10 % 3 % Näyttökerrat 1000 1000 Klikit 100 30 Konversiot 15 15 Tuotto 1500 € 1500 € Kustannukset 500 € 150 € ROI 200% 900%
  36. 36. CPM (cost-per-mille) Tuhannen näyttökerran hinta. 36 Hyvät puolet Huonot puolet Kuvaa ”reachia” eli peittoa, eli ”tunnettuuden” kasvua, eli brändin rakentamisen edellytystä Bännerisokeus (Benway & Lane, 1998) Ei kuvaa lainkaan tuloksia, ts. prosessoidaanko viesti, klikkaako joku ja mitä käy klikin jälkeen
  37. 37. CPC (cost-per-click) Klikin hinta (€) 37 Hyvät puolet Huonot puolet Ohittaa bännerisokeuden (jotta klikkaa, pitää ensin prosessoida) Klikkipetos (joidenkin arvioiden mukaan jopa 30 % klikeistä petollisia, esim. botit) Maksetaan vain kävijöistä Klikki ei kerro mitään lopullisista tuloksista Taitava liikenteenajaja voi ajaa epärelevanttia liikennettä, jolloin yritys maksaa turhasta
  38. 38. CTR (click-through-rate) • Klikkaussuhde (%) • CTR = klikanneet / kaikki mainoksen nähneet 38 Hyvät puolet Huonot puolet Kertoo miten hyvin mainos on toiminut Ei kerro miten laadukasta liikenne on, tai miten hyvä yhteensopivuus kohdesivustolla ja mainostetulla asialla on Ei korreloi myynnin, mainoksen muistettavuuden (ad recall), tunnettuuden tai ostointention kanssa (Nielsen, 2011) CTR:ää voi nostaa epäaidoilla lupauksilla
  39. 39. CPA (cost-per-action) Toiminnon (yl. myyntitapahtuman) kustannus (€) 39 Hyvät puolet Huonot puolet Ohittaa klikkipetoksen (näyttää vain klikin jälkeiset tapahtumat) Maksuperusteena harvinainen (lähes ainoastaan affiliatet) Maksetaan vain myynneistä Mittarina ei kerro mitä tapahtuu 1. oston jälkeen (elinkaariarvo) Ei kerro kuinka moni konvertoitui tai kuinka hyvin suhteellisesti Missaa myös ulkoisvaikutuksia, kuten WOM:in vaikutuksen
  40. 40. CVR (conversion rate) • Konversiosuhde (%) • CVR = ostaneet / kaikki klikanneet 40 Hyvät puolet Huonot puolet Kertoo mitä klikin jälkeen on tapahtunut Ei mittaa voittoa Ei mittaa kuinka paljon rahaa on käytetty (pieni vs. merkittävä hakutermi) (Geddes, 2011)
  41. 41. ROI (return on investment) • Tuotto markkinointipanostuksille • ROI = (P – C) / C * 100% , • jossa – P = panostuksen (esim. kampanjan) tuotto – C = kustannukset 41 Hyvät puolet Huonot puolet Kertoo mitä klikin jälkeen on tapahtunut Ei ota huomioon katetta (hyvä ROI voi silti tarkoittaa tappiollista markkinointia); tuotekohtaiset erot Ottaa huomioon myynnin Ei ota huomioon elinkaariarvoa
  42. 42. CLV (customer lifetime value) • Asiakkuuden elinkaariarvo = kaikki tuotot (€), jotka asiakkaalta saadaan koko asiakkuuden aikana • Yleensä tavoitellaan, että CAC < CLV • CAC = asiakashankinnan kustannus 42 Hyvät puolet Huonot puolet Ottaa huomioon mitä tapahtuu oston jälkeen (asiakasuskollisuus, -kato) Vaikeampi mitata Tiedetään tarkalleen vasta jälkikäteen
  43. 43. 43 stalkkaustiedot
  44. 44. Custobar (suomalainen startup) 44
  45. 45. On anonyymia ja ihmispohjaista analytiikkaa • Yleensä tiedot kerätään anonyymisesti ja esitetään yleensä aggregaatteina (yksittäisiä käyttäjiä ei tunnisteta). (Näin on esim. GA:ssa.) • Poikkeuksena on ns. ihmispohjainen seuranta, jossa nimenomaan pyritään seuraamaan yksilöitä. Tätä sovelletaan yleensä yritysten välisessä kaupassa (markkinoinnin automaatio). 45
  46. 46. Absoluuttiset ja suhteelliset mittarit • Tarvitset molempia • Absoluuttinen kertoo kuinka iso merkitys jollain asialla on (kampanjan klikit, konversiot, kustannukset), suhteellinen kuinka hyvin se toimii (kampanjan klikkiprosentti, konversioprosentti) 46
  47. 47. Case 1: Negative Correlation between Conversion Rate and Average Order Value 47 (Sharma, 2012)
  48. 48. Case 1: Negative Correlation between Conversion Rate and Average Order Value 48 (Sharma, 2012)
  49. 49. Case 2: Negative Correlation between Conversion Rate and Transactions 49 (Sharma, 2012)
  50. 50. Case 2: Negative Correlation between Conversion Rate and Transactions 50 (Sharma, 2012)
  51. 51. Case 3: Positive Correlation between Conversion Rate and Acquisition Cost 51 (Sharma, 2012)
  52. 52. Kaksi riskiä datan suhteen a. Analyysiparalyysi (analysis paralysis) = ei tehdä mitään, koska liikaa dataa b. Turhamaisuusmittarit (vanity metrics) = seurataan typeriä mittareita ja leikitään että tehdään hyvää työtä Ratkaisu: valitaan oikeat mittarit ja keskitytään niihin. 52
  53. 53. ”Mitataanko sitä mitä on helppoa mitata vai sitä mitä on järkevää mitata?” 53 (Järvinen, 2015)

×