ab teszt címkével jelölt bejegyzések

Online kutatásmódszertan – a keretrendszer, amit az Adatlabornál használunk

Az elmúlt 2 évben sok online projekt elemzését készítettük el – főleg webshop és startup vonalon. Így óhatatlanul is kialakult egyfajta keretrendszer, amit mostmár folyamatosan használunk. Ezt az anyagot általában az Adatvezérelt Marketing Képzésünk bevezetéseként szoktam bemutatni, de most szerettem volna nagyobb közönséggel is megosztani.

A keretrendszer – azaz az elemzési folyamat, amit használunk, nagyon egyszerű és 4 lépcsőből áll.

online kutatásmódszertan
Az Adatvezérelt Marketing Képzés vetített anyagából

Online kutatásmódszertan – a keretrendszer, amit az Adatlabornál használunk bővebben…

A “leggonoszabb” és egyben leghatékonyabb tesztelési módszer

This article is available in English here:
http://data36.com/the-most-evil-but-also-most-efficient-testing-method/

Hallottál már az ún. gettó-tesztelésről? A másik neve egy kicsit barátságosabb: fake-door-testing (mostantól a cikkben is inkább ezt használom).

A fake-door-testing egy nagyon egyszerű módszer, amely során úgy mérjük fel az igényt egy új termékre (vagy egy termék új funkciójára), hogy közben csak nagyon minimálisan van szükségünk tényleges fejlesztésre.
A folyamat négy lépésből áll: A “leggonoszabb” és egyben leghatékonyabb tesztelési módszer bővebben…

Adatosított termékfejlesztés

“…láttuk azt az általunk fejlesztett termékek esetében is, hogy mennyire el tudja vinni egy terméknek a fókuszát az, ha az ügyfeleink nem az adatokra támaszkodnak, hanem a saját ötleteiket próbálják megvalósítani; ami tök jó és ha pénz van rá, akkor hajrá, csak nem lesz sikeres a termék – Mi sikeres terméket akarunk létrehozni.”

lukacs.peter
Lukács Péter

Péter 15 év fejlesztési területen eltöltött idő után már 5 éve a Digital Natives egyik tulajdonosa. Szerinte sokszor az embernek önmagával is meg kell küzdenie egy döntés meghozatalánál, ha a termékét sikerre akarja vinni, hiszen az, ami nekünk tetszik és szerintünk jó ötlet, arra lehet, hogy a felhasználóinknak nincs is szüksége.
A B-DATA2 konferencián is arról fog beszélni, hogy hogyan lehet a terméktesztek eredményeire és a különböző analitikák adataira támaszkodva terméket fejleszteni.

Adatosított termékfejlesztés bővebben…

I stream U…

“…egy-egy döntéssel nagyon sok ember életére lehet hatással lenni, hiszen nagyon sokan használják a Ustreamet, és nagyon jó szerintem, hogy egy ilyen cégben lehet dolgozni itthon…”

schmidt_gergo
Schmidt Gergely

Gergely mérnökből, szabadúszóból lett termékmenedzser a Ustreamnél, ahol több csapattal dolgozik közösen új és régebbi termékeken. Jelenleg a Ustream Align terméken, amely cégek belső kommunikációját segíti.

És természetesen vele is találkozhattok a
B-DATA2 konferencián!

Minden terméket és folyamatot szeret lemérni, analizálni és kihozni belőle a lokális maximumot. Viszont az igazán kiugró eredmények eléréséért néha el tud rugaszkodni a mérésektől és analízisektől. Imádja a fake-door és A/B teszteket. Még nem talált igazi megoldást a nagy mennyiségű kvalitatív adat hatékony kiértékelésére. Amikor nem dolgozik, az országúti kerékpárján ül és tekeri azt.
I stream U… bővebben…

Első adatvezérelt projekt

Sok cél, sok adat, sok elemzési lehetőség, sok információ… Egy már működő vállalkozás esetében egyik pillanatról a másikra adatokat bevonni a döntési folyamatokba nem is olyan könnyű. Ennek az oka pedig az, hogy rengeteg fajta adatvezérelt projekt létezik. Így kiválasztani az elsőt, ami igazán hasznos, nehéz.
Most felsorolok 3 projektet, amelyek az elmúlt évek tapasztalatai alapján jó első lépések lehetnek az adatvezéreltség rögös útján.

1. Konverzió optimalizálás AB-teszttel

Ez a projekt iszonyatosan egyszerű és rögtön látványos eredményt hoz, ami nem más mint a konverziónövekedés. Azt pedig mindenki szereti. :-) (Az AB-tesztelésről már többször is írtam, úgyhogy most a részletekbe nem mennék bele.) A folyamat az, hogy:

I. Megkeresel egy UX-problémát a honlapodon.
II. Keresel rá alternatív megoldásokat.
III. Teszteled, hogy melyik a legjobb megoldás.
IV. A legjobb megoldást kiteszed élesbe.
V. Újrakezded egy új problémával.

Amit sosem szabad kihagyni, az az AB-tesztet megelőző kutatás. Sokszor látom, hogy az emberek elkezdenek csakúgy megérzésből AB-tesztelni. Néha összejön, néha pedig nem… Amit mi szeretünk csinálni: teszt előtt hőtérképes elemzés, Google Analytics elemzés és legalább 3 user-teszt egy adott oldalra. Ez alapján sokkal célzottabb és hatékonyabb AB-teszteket tudunk összerakni.

2. Stratégia adatalapon

A hosszútávú döntésekben segít. Éppen emiatt nem olyan látványos és azonnali az eredménye. Amiért mégis szokták szeretni a döntéshozók, mert konkrét számokat látnak a stratégiáik mögött.

Sokfajta metódus létezik. Én a 4DX módszertant találtam eddig  a legjobbnak. Ennek a lényege, hogy van egy főcélod (pl. bevétel?) és keresel ehhez támogató alcélokat (ún. lag-ek) és az alcélokat támogató tevékenységeket (ún. lead-ek). A struktúra akkor működik, ha minden eleme mérhető is.

3. Triggerek és automation-ök

Ebben a pontban általában e-mail marketing-ről beszélünk. De lehet szó push-notification-ökről, sms-kampányról, in-site pop-up-okról, akármiről.

A lényeg, hogy ha követed a felhasználóid viselkedését, akkor bizonyos viselkedésminta aktiválhat bizonyos üzeneteket. Pl. ha látod, hogy egy felhasználó 100-szor megnézte a landing-edet, de még egyszer sem vásárolt onnan, akkor küldhetsz neki egy levelet, hogy személyes support-ot kínálsz neki, hogy könnyebb legyen a vásárlás.
Ha látod, hogy egy másik felhasználó vásárolt nálad 10 terméket, küldhetsz neki egy e-mail-t, hogy köszönöd a hűségét, itt egy 50%-os kupon, etc…

Ezek az ún. triggerek azonnali és látványos hatást fejtenek ki a lemorzsolódó felhasználók visszatérésére, hiszen személyre szabott üzenetet küld a megfelelő embereknek a megfelelő pillanatban.

Merre tovább?

Ez a 3 projekt (1. kutatás + AB-teszt, 2. Stratégia felépítés, 3. Trigger-ek beállítása) az, ami legjobb első adatvezérelt projektek között van. Látva az eredményességüket pedig könnyebb már továbblépni a saját adatbázisok felépítése és a finomabb (és még hasznosabb) adatos projektek felé.

Többet akarsz tudni a témáról? Gyere el az Adatvezérelt Marketing Tréningünkre!

Tomi

Szignifikáns vagy sem? Így mérd az AB-teszted eredményességét

Az egyik leggyakoribb kérdés, amit AB-teszteléssel kapcsolatban kapni szoktam, hogy ugyan hány felhasználóra van szükség a teszteléshez? Természetesen, mint a kérdések 99%-ra, itt is az a válasz: attól függ!

Mitől függ?

Alapvetően 3 dologtól:

  1. Az alapkonverziós arányodtól (%)
  2. A javulás nagyságától, amit elvársz a teszttől (%)
  3. A szignifikancia-mutatótól, amit elvársz a teszttől (~95%)

Ha ezek megvannak, akkor dobd be az Optimizely – Sample Size Calculator-ba és már meg is kapod a bűvös számot:

Optimizely - Sample Size Calculator
Optimizely – Sample Size Calculator

Ahogy látod, az adott példában, a 3%-os alapkonverzió, 20%-os növekedésének 95%-os biztonságához: 10170 ember kell verziónként!

Azaz, ha hetente 10.000 látogatód van, akkor egy 2 verziós AB-teszt 2 hét alatt fog kipörögni.

3 egyéb mód a szignifikáns kontra nem szignifikáns kérdés eldöntésére:

Azt tudni kell, hogy az Optimizely motorja elég szigorúan méri, hogy egy eredmény szignifikáns vagy sem.
Ez így jól is van, de én azért 3 egyéb módon szoktam még ellenőrizni, hogy biztonsággal valós eredményeket kaptunk-e. Egyébként ha ez a 3 mérés mind pozitív eredményt hoz, akkor gyakran nem is várom meg az Optimizely szuper-szigorú méréseit. Íme:

1. T-próba:

A legklasszikusabb AB-teszt ellenőrző művelet. Van online elérhető felhasználó-barát, kitölthetős verziója (pl. ITT). Száraz tudomány – ha itt kapsz egy P-value < 0.05, akkor 95%+ eséllyel valóban az lesz a nyertes, akit jelenleg nyerésre áll. De önmagában ez még nem elég.

AB-teszt szignifikancia kalkulátor, szignifikáns vagy sem?
VWO, AB-teszt szignifikancia kalkulátor

2. Trend chart-ok:

Az Optimizely mutatja azt is, hogy hogyan alakulnak a trendek. Ez nem egy nagy varázslat. Ha 2 héten keresztül végig ugyanazt látod és még a T-próbád is jó eredményt dob, akkor már majdnem biztos lehetsz benne, hogy nyertél.

AB teszt trendek, szignifikáns vagy sem?
AB teszt trendek

3. AAB(B) teszt:

Ez egy expert-trükk! ;-)
Már a kísérlet elejétől érdemes az eredeti verziónak egy változtatás nélküli verzióját is elkészíteni. Így lesz 2 A verziód – vagy akár akár 2 B verziód is. Ha a két hasonló verzió között nincs eltérés eredményben, akkor az már jót jelent! Ezt kombinálva a trend-chart és a T-próba módszerrel, padlóra küldted a szignifikáns kontra nem-szignifikáns kérdést!

AABB teszt - konverziók, szignifikáns vagy sem?
AABB teszt – konverziók

Azt hiszem, ezzel mindent tudsz, amit az AB-teszt eredményének a biztonságosságáról tudnod kell!

Ha szeretnél hasonló bejegyzéseket olvasni, iratkozz fel a Hírlevélre!

Ha részletesen érdekel a téma, gyere el az Adatvezérelt Marketing Tréningünkre!

Tomi

Mobil App mérések – miért, mit és hogyan?

Tudtad, hogy a letöltött mobil app-ok 80%-át az első használat után törlik a felhasználók a telefonjukról? Hogy bent maradj a kellemes 20%-ban, elengedhetetlen, hogy reagálj a user-eid viselkedésére! Ehhez pedig mérned kell. Ugyanúgy, mint desktop-os internetes alkalmazásoknál… habár az elmélet és a gyakorlat is egy kicsit más. Ebben a cikkben leírom azt a néhány best practice-t, amivel már könnyen el tudod kezdeni a mobil app-od mérését!

MIÉRT MÉRJEM A MOBIL APP-OM?

Az egyik legfontosabb kérdés, hogy miért is mérsz? Erről már többször is írtam, de nem győzöm mindig hangsúlyozni, hogy akármit is mérsz: legyen egy jól definiált üzleti célod!
Ezt a célt állapotban két dolog határozza meg (Rajtad kívül). Az egyik, hogy milyen bizniszben vagy, a másik pedig hogy milyen szakaszában a növekedésnek.

Ha pl. egy érett e-commerce bizniszen dolgozol, akkor az egyik legfontosabb célod a Revenue, azaz a bevételed lesz.
Ha egy korai fázisú startup-on, akkor inkább az engagement-re és az activation-re fókuszálj, azaz arra, hogy a felhasználók egyáltalán megértsék a termékedet és elkezdjék használni – no meg persze, hogy elégedettek legyenek vele.
Egy feltörekvő média oldalnak pedig általában a retention-re fekteti a hangsúlyt, tehát a visszatérő látogatók számára és a visszatérések sűrűségére.

Ha megvan a célod, akkor már könnyen választ adhatsz a miért-re. Azért mérsz, hogy ezt a célt minél könnyebben elérd és ha nem sikerül, akkor megértsd, hogy miért nem sikerült. És persze, hogy tudd, hogy hol, mikor, mit és hogyan kell változtatnod.

MIT MÉRJEK A MOBIL APP-OMBAN?

Egy mobil app persze elég speciális biznisz. Van egy-két dolog, amit a legtöbben mérnek és ami gyakorlatilag kikerülhetetlen, ha ezen a területen dolgozol. A 3 leggyakoribb:

1. Onboarding funnel

Mobil App Onboarding Funnel
Mobil App Onboarding Funnel

Ahogy a képen is látszik, az onboarding során lépésről lépésre kiesnek az emberek. pl. 1300-an letöltik az app-ot, 800-an elindítják, 400-an beregisztrálnak, 100-an pedig elkezdik használni tényleg a terméket, stb, stb… A lényeg, hogy lásd, hogy hol esnek ki a legtöbben és, ha ez a szám nagyon nem illik az elképzeléseidbe, akkor tudd, hogy ott valamit változtatnod kell.

A mobil app-oknál a legtöbb onboarding funnel így néz ki.
1. lépés: Letöltések száma (pl. 1000 db)
2. lépés: Launch (pl. 800 db)
3. lépés: Regisztráció (pl. 600 db)
4. lépés: Elkezdik használni a terméket (pl. 400 db)
5. lépés: Végére érnek az első körnek, a tanulási (más néven onboarding) folyamatnak (pl. 200 db)

Az 5. lépés egyébként trükkös, ezért szét szoktuk bontani 3-4 allépésre. Akkor vesszük úgy, hogy egy felhasználó elérte az 5. lépést és “onboarded” lett, ha már tudjuk, hogy minden olyan funkciót használt, ami kell ahhoz, hogy értse a termék előnyeit.
pl. ha egy idegenvezető mobil app-od van, ami a füledre mondja egy városban, hogy merre menj és mit kell tudni a nevezetességekről, akkor valami ilyesmi lehet az onboarding funnel-ed vége:

4. lépés: Kiválaszt a user egy túrát.
5. lépés: Odamegy a túra kezdőpontjára.
6. lépés: Elindítja az audio guide-ot.
7. lépés: Eljut a túra felére.
8. lépés: Végigér a túrán.

Aki végigért a túrán, nagy eséllyel találkozott az app összes főfunkciójával és érti, hogy mi a jó benne. Utána, hogy újra használja-e már, az egy másik kérdés.

2. Retention – visszatérés

Az egyik legütősebb metrika a felhasználó elégedettség vizsgálatára: a visszatérések száma és aránya. Tehát azok közül, akik múlt héten használták az app-odat, hányan használják újra. Itt nem feltétlenül megnyitásról beszélünk, hanem pl. egy core-feature használatáról (mint pl. a spotify-nál a zenelejátszás).

Itt is érdemes Neked definiálnod, hogy mi az ideális visszatérési sűrűség. Pl. ha egy média app-od van (, ahol naponta jelennek meg új cikkek,) vagy egy self-tracker alkalmazásod (, ahova minden reggel beírod, hogy milyen kedved van), akkor érdemes napi retention-t mérned. Egy Uber típusú app-nál a heti retention már logikusabbnak tűnik, egy repülőjárat kereső alkalmazásnál pedig akár a (több-)havi retention is indokoltnak tűnhet, hiszen a legtöbb ember amúgy sem utazgat minden héten vagy hónapban repülővel. (Azért törekedj minél kisebb retention time-ot belőni, mivel ha változtatsz valamit az app-odban és szeretnéd a retention-re gyakorolt hatását látni, mindig annyit kell majd várnod az első adatpontodra, amekkorára a retention definíciód be van állítva.)

Ha ez megvan, akkor nincs más dolgod, minthogy meghatározd a napi, heti vagy havi visszatérő látogatóid számát és arányát. És, hogy próbáld ezt a számot minél magasabbra tolni!

A retention címszó alatt még több dolgot is mérhetsz. Pl. a churn, azaz a lemorzsolódások aránya (pl. hányan uninstall-álták az alkalmazást, vagy hányan nem tértek vissza legalább a retention time-od 10-szereséig.) Vagy idetartozik az active/passive user-ek aránya. Azaz, hogy az összes user-edből hány % aktív.

3. Revenue – bevétel

A bevételt is többféleképpen mérheted. Itt persze attól is függ a dolog, hogy pontosan, hogy monetizálsz (fizetős app? reklámokból? in-app eladásokból? stb…), de a leg fontosabb alapmérések:

  • Első fizetésig eltelt idő
  • Fizetős user-ek aránya (hány ingyenes felhasználóra jut egy fizetős)
  • Havi átlagos bevétel user-enként
  • CLV – Customer Lifetime Value: Ez már egy összetettebb számítás, ami megmutatja, hogy az adott lemorzsolódási arányok és havi átlagos bevételek mellett egy user kb. mennyi pénzt termel az applikáción keresztül Neked onnantól, hogy beregisztrált, egészen addig, hogy letörli az app-ot.
    customer lifetime value mobil app mérés

Ez most csak 3 dolog – onboarding, retention és revenue -, de az alapok lefektetéséhez elég, aztán lehet továbbrészletezni még…

HOGYAN MÉRJEM A MOBIL APP-OM?

A millió dolláros kérdés: milyen eszközzel mérjem a mobil app-omat?
A jó hír hogy rengeteg lehetőség van…
Amit mindenképpen ajánlok az a Google Mobile Analytics. Ingyenes, mindent tud, ami kellhet. A korlátai pedig ugyanazok, mint a Google Analytics-nek. Csak report-olásra jó.
Ha szeretnél eggyel továbblépni, akkor itt is a Mixpanel az egyik legerősebb játékos a piacon. A Mixpanel-lel már viselkedés alapján tudsz szegmentálni, automatizált e-mail marketing-et beállítani, stb…
Ezeken kívül még rengeteg tool létezik, pl. az ingyenes Flurry Analytics vagy a kifejezetten crash-ek mérésére szolgáló Crashlytics – de azt is kevesen tudják, hogy az Optimizely-t is lehet használni mobil app AB-tesztelésre…

Egy szó mint száz

A lehetőségek és az eszközök adottak! Kezdd el mérni az app-odat és meglátod, sokkal tudatosabban, gyorsabban és eredményesebben tudsz majd fejlődni!
Sok sikert!

Ha szeretnél még ilyen cikkeket olvasni, iratkozz fel a hírlevelünkre!

Mester Tomi

Adatsztori 2. rész: tinilányok, müzli, kauzalitás

Nemrég hallottam Dr. Mine Cetinkaya-Rundel professzor asszony webináriumán az egyik legjobb esettanulmányt a korreláció vs. kauzalitás problémájának szemléltetésére:

2005-ben volt egy kutatás, ahol több mint 2000 darab 9 és 19 év közötti lányt kérdeztek reggelizési szokásaikról. A felmérés része volt, hogy az év során egyszer véletlenszerűen megkérdezték a lányokat arról, hogy mit ettek az elmúlt 3 napban. Azt találták, hogy azok a lányok, akiknél a válasz az volt, hogy müzlit ettek reggelire, szignifikánsan alacsonyabb testzsír-index-szel rendelkeztek, mint azok, akik valami mást.

A kutatás következtetése: a müzlitől soványabb leszel.
Csakhogy ez a következtetés: HIBÁS!

Miért?Mert ez a kutatás egyedül azt mutatja meg, hogy van valamilyen összefüggés a müzli és a testzsír-index között, de az ok-okozati kapcsolatot nem lehet belőle megállapítani. Gondolj bele! Valójában 3 jó megoldás is létezik:
1. Lehet, hogy – valóban -, aki müzlit eszik, az soványabb lesz.
2. De az is elképzelhető, hogy az eleve soványabb emberek valamiért jobban szeretik a müzlit. Tehát a soványság következménye a müzlifogyasztás.
3. Vagy esetleg valami külső okból származik mindkét dolog (soványság, müzlifogyasztás) és köztük közvetlen ok-okozati összefüggés nincs is. Pl. aki eleve egészséges életmódot folytat, az szeret müzlit enni és a testzsír-indexe is alacsonyabb, hiszen pl. sportol is. De ez nem azt jelenti, hogy a müzli önmagában soványabbá tesz, jelentheti azt is, hogy a sportos emberek fejében az van, hogy müzlit kell enniük.

Dr. Mine Cetinkaya-Rundel
Dr. Mine Cetinkaya-Rundel ábrája -korreláció vs. kauzalitás


Mi a tanulság ebből?
A fenti probléma egy közismert adatelemzési problémakör része az adatvezérelt üzletek világában is. A neve: korreláció vs. kauzalitás. Az általános megállapítás az, hogy ok-okozati viszonyt (kauzalitást) soha sem lehet megállapítani visszatekintő elemzésekből. Ezekből mindig csak és kizárólag összefüggést (korrelációt) lehet kikövetkeztetni.
A kauzalitás tényleges megállapítására egyedül az ún. kontrollcsoportos vizsgálatok valóak. Tehát a fenti példában a korrekt megoldás az lett volna, hogy a lányokat két csoportra szedik és az egyik csoportnak müzlit adnak enni minden reggelire, a másiknak pedig akármi mást. Majd figyelik, hogy hogyan változik a testzsír-indexük. Ha itt nyer a müzlis szegmens, akkor már valóban mondhatjuk, hogy a müzli soványabbá tesz.

Ez a módszertan az offline világban elég nehézkes, habár vannak rá példák…
Az online világban viszont nagyon egyszerűen kivitelezhető: ez az, amit A/B tesztelésnek neveznek. Jellemzően a korreláció vs. kauzalitás problémáját akkor érdemes A/B teszteléssel megoldanod, ha egy új funkciót (új feature-t) vezetsz be az oldaladon. Ilyenkor ugyanis el tudod dönteni, hogy valóban az új feature volt hatással a közönséged elköteleződésére (jó eset) vagy a közönséged eleve elkötelezettebb része érdeklődött az adott funkció iránt (kevésbé jó eset).

Összefoglalva: semmilyen kérdőív eredményből, felmérésből vagy visszatekintő elemzésből ne vonj le elhamarkodott következtetéseket! Próbálj helyettük minél több AB-tesztet és/vagy kontrollcsoportos vizsgálatot végezni!

Mester Tomi

Tudatos ügyfélkezelés 1. rész – 90 nap, az ügyfeled első lépései

Lindwurm Tamás
Lindwurm Tamás

Mai vendégszakértőnk Lindwurm Tamás. Tamás 2008 óta foglalkozik adatelemzési, döntéstámogatási  és adatvizualizációs feladatokon a pénzügyi és telekommunikációs szektorban. Részt vett többek között CRM-bevezetés, adatpiac-építés, kampányoptimalizálás, ügyfélérték-számítás és szegmentációs projekteken. Dióhéjban: Félúton az IT és az üzlet között. :-)

Számtalanszor előfordult már velem, hogy a vásárlási szándékom meghiúsult egy nem túl pozitív első benyomás után. Szerintem Te is éltél már át hasonló élményeket. De vajon figyelsz arra, hogy ügyfeleid mindig maximális kiszolgálást kapjanak és szívesen visszatérjenek hozzád?

Mit kell tenned, hogy új ügyfeleid elégedett, aktív felhasználókká váljanak, akik visszatérnek hozzád?

Tapasztalataim azt mutatják, hogy az első három hónap kiemelkedően fontos a hosszú távú, kölcsönösen jövedelmező kapcsolat kialakításához. Ebben az időszakban van lehetőséged bemutatkozni, megmutatni, hogy miért érdemes téged választani és a későbbiek folyamán is visszatérni hozzád.

ügyfélérték diagramm

Ne akarj mindent eladni az első alkalommal és ezzel elriasztani az ügyfelet, mint teszik azt a középkorú nénikék ránk tapadva a cipőboltban. :-)

Tomi korábbi írásában már kitért arra, hogy az első látogatáskor hanyagold a nyitó pop-up-okat, ne töltess ki oldalas regisztrációs űrlapokat. Ezt én is nagyon fontosnak tartom. Gyűjts be annyi adatot, aminek segítségével ügyfeled a későbbiek folyamán is elérhető lesz, de ne többet! Hagyd, hogy az első alkalommal rád szánt időt az weboldalad átböngészésével töltse, ne kérdőívek kitöltésével!

Használd fel az első három hónapot arra, hogy megismerd őt, megtudd az igényeit! Építs fel egy olyan kapcsolatot, amely segítségével a következő alkalommal is Te jutsz eszébe, ha releváns terméket/szolgáltatást keres! Ne engedd, hogy az ügyfél megszerzésébe fektetett rengeteg energia egy rosszul kialakított beillesztési (onboarding) folyamat miatt vesszen kárba! Egy jól megszervezett folyamattal komoly versenyelőnyre tehetsz szert. Nem csak az ügyfeleid értékének növekedését gyorsítod fel, de elégedett ügyfeleid céged hírnökévé is válnak.

Amiket fontosnak tartok, hogy megtegyél az első 3 hónapban annak érdekében, hogy sikeres ügyfélkapcsolatokat alakíts ki:

  1. Készíts oktatóanyagokat (email, videó), amik segítséget nyújtanak az első lépésekben:
    • Egyszerűen/érthetően/edukációs fókusszal fogalmazz
    • Mutasd be termékeid előnyeit, termékhasználatot
    • Helyezz el az anyagokban releváns ajánlatokat/akciókat
    • Segítsd ügyfeled, ha elakad egy lépésnél. (Ha sokan akadnak el ugyanannál a lépésnél, fontold meg folyamatod átalakítását!)
  2. Ezt a célállapotot fordítsd le jól mérhető ügyféljellemzőkké (definiálj KPI-okat):
    • Havi X db vásárlás
    • Havi X ezer Ft feletti költés
    • Heti X óra böngészés az oldaladon
    • X db termék birtoklása/rendszeres használata
  3. Határozd meg az elérni kívánt célállapotot, hova jusson el ügyfeled 3 hónap után!
  4. Küldj “welcome e-mail-t” az ügyféllé válás/első vásárlás után – nagy hatással tud lenni, ha az első levél a cég vezetőjétől érkezik!
  5. Vásárlások után küldj ügyfél elégedettségi (rövid, akár csak egy szám visszaküldése is elegendő egy 0-10-es skálán) kérdőívet! Ha negatív visszajelzés érkezik, vedd fel vele a kapcsolatot (Itt is a vezetőtől érkező megkeresést javaslom.)
  6. Tereld ügyfeleid az optimális csatorna felé (személyes vagy telefonos kapcsolattartás helyett online lehetőségek népszerűsítése)! Mutasd meg nekik az online csatorna lehetőségeit!
  7. Említettem, hogy az első alkalommal ne támadd le ügyfeled a legrészletesebb kérdőívvel, a későbbiek folyamán ezt ütemezetten megteheted:
    • Törekedj arra, hogy csak a legrelevánsabb információkat gyűjtsd be, amit a későbbiek folyamán fel is fogsz használni!
    • Az itt kapott információkat építsd be a későbbiek folyamán a személyre szabott ajánlatokba!
  8. Nagyon fontos az ütemezés. Ügyelj arra, hogy egyenletesen elosztva a releváns időpontokban kommunikálj. Ne zaklasd őket túl gyakran.
  9. Tárold le, hogy kinek/mikor/mit/milyen csatornán küldtél! Segít abban, hogy egyfélét kommunikálj és be tudd tartani a megkeresések közötti szüneteket.
  10. A 90 napos időablak végéhez érve csinálj még egy elégedettség mérést
    • Ha ez pozitív – (akár bizonyos kedvezményért cserébe) kérd meg, hogy ajánljon ismeretségi köréből potenciális ügyfeleket
    • Ha ez negatív – keresd meg és használd fel a kapott választ folyamataid/termékeid javításához

Lássuk ezt egy idődiagramon:

az ügyfél első 90 napja egy ábrán
az ügyfél első 90 napja egy ábrán


Néhány ötlet a visszamérésekhez:

  1. Tesztelj! Alkoss kontroll csoportokat, legyenek olyan ügyfelek:
  2. Mérd le, hogy az alkalmazott folyamat előtt/után:
    • átlagosan meddig tartott ügyfeleidnek, amíg elérték a célnak meghatározott állapotot
    • mennyivel nőtt az egy ügyfélre jutó átlagos termékszám
    • mennyivel nőt az átlagos ügyfél élettartam
  3. Kösd össze ügyfeleid viselkedési adatait az elégedettségi felméréseknél adott válaszaikkal, hasonlítsd össze!
  4. Nézd meg, hány új ügyfelet hoztak a folyamatban részt vevők az ajánlási rendszeren keresztül!
  5. Számold ki, hogy mennyivel több pénzt kerestél a korábbi állapothoz képest a tudatos új-ügyfél kezelési folyamatoddal… :-)

Milyen pozitívumokat várhatsz a folyamattól:

  • Ügyfeled megismerése
  • Ügyfélkapcsolat megalapozása
  • Az ügyfél elkötelezetté tétele céged irányába
  • Későbbi keresztértékesítési lehetőségek előkészítése
  • Személyre szabott ajánlatokkal magasabb válaszadási arány
  • Lojalitás növelése
  • Ügyfél élettartam növelése
  • Ajánláson keresztül új potenciális ügyfelek szerzése
  • Visszajelzések felhasználásával lehetőség ügyféligényekkel összhangban történő folyamat/termékfejlesztésre

Szóval, belevágsz? :-)
Lindwurm Tamás

Top-Adatelemző/BI eszközök (, amelyekről nem gondolnád, hogy ingyenesek)

Micsoda!? Ingyenes A/B tesztelő szoftver? Ingyenes hírlevél motor? Ingyenes funnel-metrika/KPI-metrika építő eszköz?
Nos, igen. Létezik. Minden cégnek és minden projektnek más-más adatelemző/big data/BI eszközcsomag az optimális. Azonban vannak tool-ok, amelyek mindenkinek alapvetés kellene, hogy legyenek. A vicc pedig az, hogy ezek ingyenesek. Legalábbis egy bizonyos cégméretig. Pl. ott az Optimizely – mindenki csak annyit tud róla, hogy kb 30.000$-nál kezdődik az éves előfizetésük, de azt már kevesen tudják, hogy 50.000 egyedi látogató/hó méretig (ami lássuk be, nem kevés) teljesen ingyenes. Nézzük szépen sorban a legmenőbb eszközöket, amelyeknek hasonlóan barátságos az árazási modelljük.

Mixpanel
mixpanel logoVan Google Analytics-ed? Szuper. Mi hiányzik belőle? Pl. az egyedi mérések és definíciók. Vagy az, hogy minden egyes felhasználót/felhasználói szegmenst vagy csoportot e-mail cím szerint láss. Vagy az, hogy ha egy user-ed eljutott valameddig a vásárlásban, de utána abbahagyta folyamatot, autamatikusan kapjon egy visszacsábító e-mail-t (, aminek a tartalmát akár A/B tesztelheted is)?
Ezt mind-mind tudja a Mixpanel. Sőt ennél még sokkal többet. Gyakorlatilag mindent, amit egy saját big data adatbázissal meg tudsz csinálni.
Az ára pedig 25.000 egyedi felhasználóig ingyenes.
Implementálás – megfelelő szakértelemmel – pár óra.mixpanel
Optimize.ly
Optimizely logoA/B tesztelő motor. A legjobb. Komolyan, az Adatlaborral sok ügyfélnél, sok fajta A/B tesztelő eszközt használtunk és végül az Optimizely mellett tettük le a voksunkat. (A VWO a második a sorban, de ott gyakran váratlan bug-okba, kis hibákba futottunk, ami bizony elég idegesítő tud lenni.) Ami csábító benne, hogy WYSIWYG, azaz “What you see is what you get” (azt kapod, amit látsz), tehát ha egy egyszerűbb tesztet össze akarunk dobni, akkor nem kell programoznunk, hanem elég egy grafikus felületen dobozokat tologatnunk.
Emellett kb. minden integrálható bele, pl. a fent említett Mixpanel, de a Google Analytics, a CrazyEgg, a Mouseflow és minden egyéb tool is.
Persze egy-két trükkel és best practice-szel még jobban ki tudjuk aknázni a tudását (pl. honlapátirányításos A/B teszt), de ha az árazáshoz jutunk megint meglepő fordulatot látunk (ahogy fent is írtam):
50.000 egyedi user/hó méretig ingyenes. (Ha pedig ezt túlléped, egyszerűen csak leáll a teszt.) Ebben az a szép, hogy 50.000 user-ből 100-ból 99 projektben már simán jönnek ki szignifikáns eredmények, úgyhogy ennél nagyobb motorra – legalábbis magyar viszonylatban – nincs is szükség.

Mouseflow
A Mouseflow-val 3 dolgot tehetsz meg:
1. Felveszed a látogatóid egérmozgását és visszanézed.
2. Ezekből kattintási/egérmozgatási hőtérképet készítesz.
3. Görgőzési hőtérképet készítesz.
Mind a három iszonyatosan fontos ahhoz, hogy megértsd, hogy mi miért és hogyan történik a honlapodon. Meglepődnél, hogy mennyire máshogy rajzolódik ki egy-egy kattintáshőtérkép egy-egy CTA gomb körül, ahhoz képest ahogy az a dizájnered vagy a Te fejedben megjelenik. Itt egy rövid videó a Mouseflow-ról:

A Mouseflow-nak is van ingyenes verziója, amiért 100 képernyőfelvételt nézhetsz végig havonta. Ez amúgy önmagában érdekes és hasznos is, azért egy hőtérképre inkább jobb a small csomagjuk (1000 felvétel/hó 15$-ért) vagy esetleg a medium (10000 felvétel/hó 60$-ért).
Implementálás – kb. 10 perc. :-)

Összefoglalás
Ez a 3 eszköz általában minden igényesebb adatelemzési/online termékkutatási projektnél jelen van. Azt hozzá kell tenni, hogy alternatíváik vannak. Egyrészről, amit tudni kell, hogy egy bizonyos méret után a házon belül fejleszett big data eszközök már jobban megérik anyagilag. Másrészt pedig más ár-érték arányban az alábbi tool-ok szolgálhatnak még jó példaként:
1. Mixpanel helyett: KISSmetrics
2. Optimizely helyett: VWO
3. Mouseflow helyett: ClickTale vagy CrazyEgg

Ha arra vagy kíváncsi, hogy hogyan lehet ezeket az eszközöket stratégiailag is alkalmazni, ne hagyd ki a ma esti (hétfő 04.13. 19:00) Big Data Adatstratégia webináriumunkat!

Mester Tomi