adat címkével jelölt bejegyzések

Big Data webinár II. rész — STARTUP + ADAT — stratégiák nem csak startup-oknak

(Ha nem voltál az I. részen, ne ijedj meg, anélkül is érteni fogod) A II. rész több stratégiával, több módszertannal és több esettanulmánnyal.
Itt tudsz regisztrálni:     adatlabor3.eventbrite.co.uk

Adatlabor logoIdőpont: Március 18. szerda 18.00-19.30

A tartalma pedig:
Az adatelemzés az (online) üzleti stratégia szerves része. Ezzel értheted meg a felhasználóidat: mik a problémáik és hogyan tudsz nekik ebben segíteni. Ez pedig hosszú (és rövid) távon számodra is profitábilis. De hol is érdemes kezdeni? Ez a webinárium rendet rak a káoszban és olyan módszertanokat és példákat mutat be, amelyek a gyakorlatban hasznosíthatóak.
(Note: a webinárium akkor is hasznos, ha éppen nem startup-on dolgozol, de szeretnéd az online üzletedbe bevezetni az adatvezérelt szemléletet.)

Tárgyalt módszertanok:
– AARRR (Dave McClure): Tesztelési stratégiák és fejlődési pontok adatvezérelt meghatározása.
– 4DX (The 4 Disciplines of Execution): Mérhető célok beállítása, a köztük levő összefüggések megkeresése és a célirányos üzletfejlesztés.
– E-commerce startup mérések
– A/B tesztelés: best practice-ek (és worst practice-ek).
– Mi az a Big Data igazából? Mikor van rá szükség? Hogyan lehet implementálni?
– Esettanulmányok

A gyakorlatban az Adatlaborral mi magunk is ezeket az adatelemzési stratégiákat és módszertanokat használjuk, a saját ügyfeleinknél, úgyhogy 100%-osan valós üzleti példákból merítkezünk.
75 perc + Q&A

Mester Tomi adatlabor
fotó: Hámori Zsófia

Előadó:
Mester Tomi üzleti intelligencia elemző és tanácsadó, az adatlabor.hu alapítója és szakmai vezetője. Növekedésben levő cégeknek segít az adatelemzési és big data stratégiájuk kidolgozásában – továbbá abban, hogy ezeket az eszközöket a vevőszerzés, a magasabb vevőelégedettség és végeredményben persze a több profit elérésére tudja felhasználni minden partnere. Korábban a Prezi.com-nak dolgozott. Jelenlegi ügyfelei az e-kereskedelem, az online média és az online szolgáltatások területéről érkeznek.
Másik szenvedélye a nyilvános beszéd. Alapítótagja és CC-szintű beszélője az első magyar nyelvű Toastmasters klubnak. Előadó továbbá adatelemzés témában olyan fórumokon, mint a TEDx, BI Forum, Internet Hungary, PechaKucha Nights, Global E-commerce Summit 2015 @Barcelona, stb. Több info itt.

Ára: 4000 ft + ÁFA

Tehát a jelentkezés mégegyszer:
LINK: adatlabor3.eventbrite.co.uk
ÉS A GYORS REG:

Tomi

E-commerce adatelemzés interjú – TESCO

Tesco adatelemzés interjúBarabás Lenkével, a Tesco Customer Loyalty and Personalisation Manager-ével beszélgettem a napjaink trendejeiről és arról, hogy hogyan reagál erre a Tesco. Lenkével egy Big Data workshopon találkoztam, ahol mindketten előadtunk. Az ottani prezentációja a Klubkártya programról szólt és ez keltette fel az érdeklődésemet. Ennek működéséről, előnyeiről és big data vonatkozásáról is mesélt nekem részletesen…

Barabás Lenke, TESCO
Barabás Lenke, TESCO

– Te pontosan mivel foglalkozol a Tesco csapatában?
– A Tesco-n belül ez egy teljesen új pozíció, így folyamatosan vannak új és új feladatok. Két fő vonalát emelném ki. Az egyik, hogy minél személyesebb ajánlatokat tudjunk adni a vásárlóinknak. Első lépésként a heti hírlevelek számát szeretnénk csökkenteni. Arra törekszünk, hogy egy hírlevelet kapjanak a vásárlók, de az valóban személyre szóló legyen. A másik a lojalitásépítés. Lojalitásépítés alatt pedig azt értem, hogy a már lojális vásárlókat próbáljuk megtartani, jutalmazni. Főleg jutalmazó rendszerekben gondolkodom – pl. klubokat alapítani, olyan dolgokat csinálni, amivel a lojális vásárlóink egy kis pluszt kaphatnak, különlegesebb bánásmódban részesülhetnek.

– És ha jól tudom, ezekhez használtok adatokat, méghozzá nem is keveset. Mik a főbb irányvonalak?
Az egyik főfókusz most a személyre szóló hírlevél elindítása. A Clubcard adatbázisra tudunk támaszkodni, hiszen ott látjuk, hogy milyen vásárlási szokásai vannak az egyes vásárlóinknak. Ez az egyik nagy adatbázisunk, ami egy párszázezres adatbázist jelent, és azon dolgozunk, hogy ez egyre nagyobb legyen. Fontosnak tartom megemlíteni, hogy a Clubcard-dal mindig tranzakció szintű adatokat nézünk.

– És azt, hogy férfi-e vagy nő? Hogy hány éves?
– Vannak demográfiai adatok a Clubcard-hoz, de ezeket nem használjuk, amikor ajánlatokat, aktivitásokat tervezünk, küldünk. Tranzakciókat nézünk, és ez alapján küldjük az ajánlatokat, a megszemélyesítésre már csak a kiküldésnél kerül sor. Azért sem támaszkodunk demográfiai adatokra, mert egy családban akár többen is használhatják ugyanazt a Clubcard-ot, így szinte lehetetlen, hogy kiderítsük, ki áll a kártya mögött. Viszont családon belül biztosan mindenki megkapja a számára értékes ajánlatot a tranzakciók alapján. Így azt gondolom, ez sokkal relevánsabb információ, mint az, hogy nő vagy férfi a kártya tulajdonos vagy az, hogy hány éves az illető. Természetesen ez sem elhanyagolható információ, de azt már egyéb célokra használjuk.

– Tehát “mutasd a kosarad és megmondom ki vagy”?
– Nagyjából igen, lehet következtetni demográfiai adatokra, de nem szoktunk, mert ebben az esetben a lényeg, hogy mit vásárol, hogy személyre szóló ajánlatokat tudjunk küldeni. Volt egy 5 hetes teszt periódusunk személyre szóló hírlevél küldésre, és kiderült, hogy nagyon szépen teljesít. Kb. háromszoros volt maga a hírlevél-megnyitási arány. Ez alapján valószínűsíthető, hogy ez egy nagyon hatékony dolog, de még több számra és pontosabb tesztekre van szükségünk, hogy többet tudjak róla mondani.

– Mi a projekt jövője? Mik az “álmok”?
– Az álom az, hogy mindenki egy személyre szóló hírlevelet kapjon heti szinten. Ne nyolcat, hanem egyet, de abban valóban csak az legyen, ami őt érdekli.

– Ha ezek a perszonalizált hírlevelek elindulnak, akkor az azt jelenti, hogy ha én pl. sok kenyeret, virslit és mustárt vettem, akkor nekem ezt a kenyeret-virslit-mustárt fogjátok ajánlani olcsóbban? Vagy inkább termékcsatolással melléteszitek, hogy érdekelhet a majonéz, az uborka, stb?
– Ha akciós az uborka vagy a mustár, és rendszeres vásárlója vagy a terméknek, akkor arról biztos, hogy kapsz ajánlatot hírlevélben. A későbbiekben jöhetnek egyéb extra ajánlatok is, rengeteg lehetőség rejlik még ebben, de pontosan nem tudom még megmondani, hova juthatunk rövid távon.

– Olyasmit terveztek, hogy ha valaki egy terméknek a rajongója, pl. sok fekete pólót vesz, akkor ő személy szerint kap akciót a fekete pólóra?
– Igen, ilyen jellegű aktivitásokat már tudunk csinálni, ún. kasszakuponokon keresztül. A Clubcard-os vásárlókat már elkezdtük ezzel jutalmazni. A példádnál maradva, ha látjuk, hogy vásároltál fekete pólót, akkor egy aktivitás keretében be tudjuk azt állítani, hogy a legközelebbi vásárlásod során kapj egy olyan kupont, amivel kedvezményesen veheted meg a kedvenc pólód egy legközelebbi vásárlásod esetén. Ebben is sok lehetőség rejlik, még a tesztfázisban vagyunk, és sokat tanulunk.

– Tehát mondhatjuk, hogy nálatok az adatelemzés és a big data arra megy rá, hogy személyesítsétek a tömegkommunikációt…
– Egyrészről igen, de nem csak a kommunikációt, hanem az ajánlatainkat is. A személyes véleményem az, hogy akkora a piaci verseny már az élelmiszer piacon (is), hogy mindig meg lehet venni az alapvető élelmiszereket, nem élelmiszereket akcióban. A mi célunk ennél több, szeretnénk, ha a vásárlóink olyan kedvezményeket kapnának, ami számukra fontos és releváns, akár állandó jelleggel megvehessék kedvenc terméküket kedvezményesen.

– Köszönöm szépen az interjút!

 

Az Evolution előadás margójára: Az A/B tesztelés 4 szabálya

Note: ezt a bejegyzést az Evolution konferenciás előadásomhoz kapcsolódóan írtam. De azért bárkinek hasznos lehet… :-)

A legfrissebb statisztikák szerint az online szolgáltatók 91%-a tudja, hogy mi az az A/B tesztelés, de csak 11% az, aki ténylegesen (legalább egyszer) futtatott A/B tesztet az oldalán. Pedig az A/B tesztelésnek forintban mérhető, azonnali haszna van. Egy külföldi esettanulmány:

A fab.com e-commerce startup egyetlen dolgot tesztelt az oldalán. A lenti két képen látszik is: az “Add to cart” gomb színét.

fab AB teszt piros

fab AB teszt piros
Az oldalra érkező látogatók fele-fele arányban véletlenszerűen kapták meg vagy a piros vagy a kék verziót. Ekkora látogatószámnál viszonylag kevés tesztből kiderült a válasz a kérdésre: melyik gombszín hoz több kattintást, ezáltal magasabb konverziót és több profitot. Az eredmény pedig megdöbbentő: 49%, ami éves szinten dollár-milliókat(!) jelent a fab.com-nak. A kísérlet beállítása és elindítása nettó 2 óra munkát jelentett nekik. Azt hiszem, ezek után nehéz lenne azt mondani, hogy az A/B tesztelés nem hasznos.

De hogyan is kell A/B tesztelni? Íme 4 szabály, amit én a legtöbbször látok elrontani olyan ügyfeleknél, akik maguknak kezdték el csinálni az A/B tesztjeiket. (Ezt nem amolyan “cikizés”, csak azért írom le, hogy más ne essen ezekbe a gyakori hibákba! :-))

1. Egy időben fusson a két verzió!
Tehát az nem A/B teszt, hogy februárban kiteszem az egyik verziót, márciusban pedig a másikat és mérem, hogy melyik hoz több kattintást… Miért nem? Azért, mert ebben az esetben közbeszólhat a szezonalitás. Azaz lehet, hogy márciusban nagyobb igény van az adott termékre (pl. tavaszi cipő), mint februárban volt és ez is befolyásolja a konverziót. Egy korrekt A/B tesztben a különböző verziók egymással párhuzamosan, egy időben futnak.

2. A teszt csoport és a kontroll csoport azonos összetételű legyen!
Pl. ha a fizetős felhasználóim perszonalizált hírlevelet kapnak, az ingyenes felhasználóim pedig nem, akkor a hírlevélből jövő átkattintási arányok nem csak azért lesznek eltérőek, mert más a levél tartalma, hanem azért is, mert más a felhasználói csoportok elkötelezettségi szintje. Ha a fizetős felhasználók teljesen ugyanazt a levelet kapnák, mint az ingyenesek, könnyen lehet, hogy mivel ők elkötelezettebbek a termék iránt, amúgy is többen kattintanának. Éppen ezért, ha tényleg a levél tartalmát akarod tesztelni, akkor vagy a fizetős felhasználókat kell véletlenszerűen két csoportba osztanod, vagy az ingyeneseket. A lényeg, hogy a kontroll csoport és a teszt csoport azonos típusú embereket tartalmazzon.

3. Legyen célja a tesztnek!
És ez nem csak arról szól, hogy ne dolgozzunk feleslegesen, hanem arról is, hogy ténylegesen: egy A/B tesztet csak akkor lehet kiértékelni, ha az ember már a tervezés fázisban eldönti, hogy mi lesz az az 1, maximum 2 mérőszám, aminek a változását figyeli és ami alapján azt mondja, hogy az egyik verzió sikeresebb, mint a másik (mint pl. a fab.com esetében a gombra kattintás).

4. Csak egy dolgot változtass!
Ezt nehéz betartani és általában nem is szokták. De vedd figyelembe, hogy minél több elemet változtatsz a két verzió között, annál nehezebb lesz eldönteni, hogy pontosan melyik volt a kulcselem, ami az egyik verziót sikeresebbé tette, mint a másikat (pl. a fab.com csak a kék és a piros gomb közötti különbséget mérte.

És hogy hogyan is kell beállítani egy A/B tesztet? Természetesen ebben mi is tudunk segíteni, de ha egyedül szeretnél belevágni, ezen 3 platform valamelyikét tudom ajánlani:
Visual Website Optimizer
Optimize.ly
Google Analytics Experiments

FOLYTATÁS: Szignifikáns vagy sem? Így mérd az AB-teszted eredményességét! 

Mester Tomi

3 weboldal használhatósági sztenderd

Note: általában nem szeretek sztenderdekről írni, hiszen az adatelemzés pontosan arról szól, hogy minden egyes szolgáltatáshoz más célcsoport tartozik, más igényekkel és ilyen módon minden egyes weboldalnak más és más megoldást kell adnia, folyamatosan figyelve és monitorozva a felhasználóit. DE valahogy az alábbi 3 vissza-visszatérő tanulságot minden egyes kutatásunk és mérésünk a visszaigazolta, mind a startup, mind az e-commerce vonalon. (Ráadásul még a külföldi benchmark-okkal is egybevág.)

1. A gomb színe a piros.
Megdöbbentő (és a dizájnerek számára biztos szomorú is), hogy nem volt olyan A/B tesztünk, ami ne azt az eredményt mutatta volna, hogy a vásárlás (vagy a regisztráció gomb) pirosra cserélése ne hozott volna legalább 20%-kal magasabb konverziót. A külföldi esettanulmányokat végigelemezve is megállapíthatjuk, hogy a piros átlagban 10-ből 9-szer nyer (amikor pedig nem, akkor az élénk zöld). Ez van. A gomb színe a piros.

2. Az emberek nem görgőznek.
Legalábbis nem annyit, mint gondolnád. A nyitóképernyőről átlagban csak az emberek 80%-a görget lejjebb egy “nyitóképernyőnyit”, 60%-a két “nyitóképernyőnyit” és így tovább. Ergo a legfontosabb üzeneted, amivel tényleg mindenkit el akarsz érni (pl. egy hírlevél-feliratkozás?) érdemes görgetés nélkül is elérhetővé tenni. Ugyanemiatt az esetek legkisebb részébe jó taktika egy nagy egész oldalt elfoglaló “high-quality” képet betenni a nyitóoldalra, ehelyett érdemesebb rögtön valamilyen értékes információt láttatni – webshop-ok esetében egy-egy kiemelt terméket, startup-oknál a szolgáltatást.

3. Nyitó pop-up = instant látogatóvesztés
Valamiért egyre jobban terjed az a megindokolhatatlan nézet, miszerint a belépés előtt kell egy hírlevél-feliratkozás (vagy egy akciókat felkínáló (vagy egy általános tájékoztató)) pop-up. Az igazság az, hogy ezek a nyitó pop-up-ok elég magas mértékű lemorzsolódást eredményeznek, amit végül a hírlevél feliratkozások száma nem ellensúlyoz. Ha az ember mindenáron pop-up-ot szeretne, akkor a best-practice az, hogy hagyni kell a látogatónak egy kis időt míg barangol az oldalon és legalább egy minimális mértékben el kezd érdeklődni a szolgáltatás iránt. Ezek után sokkal kisebb a lemorzsolódás esélye (és persze a feliratkozásé pedig nő.) Egyébként egy elég jó megoldás lehet az Optimonk-féle módszer is, ami csak akkor dob pop-up-ot, ha a látogató már nagyon olyan jeleket mutat, hogy be fogja zárni az oldalt.

Remélem ez a 3 kis apróság neked is segíteni fog! És ne feledd, ahhoz, hogy valóban megértsd a látogatóidat és a legmagasabb minőséget tudd nekik adni, nem elég a best practice-ket használni, hanem bele kell nézni a saját adataidba is!

Mester Tomi

ps.: Ha több ilyen cikket szeretnél olvasni, ne felejts el követni minket Facebook-on!

DataViz – néhány jó cucc adatvizualizációra

Nemrég egy adatokkal foglalkozó startup-nak segítettünk adatvizualizációban/adatkommunikációban. Az ő kutatómunkájuknak hála egy csomó open-source adatvizualizációs eszközt megismertem, amit most meg is osztok Veled. Korábban írtunk a GoodData-ról, illetve a Chart.io-ról, mindkettő profi adatfeldolgozó eszköz, de ami azt illeti az áruk bizony elég borsos. Márpedig egy induló cégnél ez probléma lehet. Ha Te is így vagy vele, akkor ezt a listát szeretni fogod.

1. HighCharts.com:
HighCharts

JavaScript alapú felület, manipulálható CSS és HTML kódokkal. Mindent, amit csak szeretnél beállíthatsz rajta. Szeretnél sraffozott oszlop-diagramokat? Nem probléma. Kisimított vonal-diagram? A kérdés csak az, hogy milyen sima legyen.
Ezekkel az előre leprogramozott chart-okkal minimális programozói tudás mellett is tudsz gyorsan adatvizualizálni.

2. NPashaP gyűjteménye:

NPashaP
A koncepció hasonló, de itt sokkal speciálisabb, ritkábban fellelhető diagramokat találsz. Nem egy közülük interaktivitást is engedélyez.

3. Mbostock gyűjteménye:
Mbostock

Szintén egy magángyűjtemény – nekem a fenti a kedvenc diagramom, de ezenkívül még másik 500-at találsz a linkre kattintva. Nagyon sok világtérkép és egyéb egyedi chart-típusok.
Megjegyzés: ezeket a chart-típusokat használják pl. a NYTimes újságírói is.

Mbostock NYTimes

Ha találsz Te is hasonló open-source chart-gyűjteményt, küldd el e-mail-ben és beágyazom ebbe a posztba!
Szép hetet!
Mester Tomi

6 szám, amit minden e-kereskedőnek mérnie kéne

A forintosított bevételével minden e-kereskedő tisztában van. Ez az alfája és az omegája minden analitikának, ez a végső siker mértéke. De van még másik 6 szám, amit minden tudatos online kereskedőnek ismernie kellene. Már csak azért is, mert ezek azok a számok, amelyek közvetlenül befolyásolják a bevételt – így ha tudatosan méred őket, látni fogod, hogy hol tudsz a leggyorsabban javítani az üzletmeneteden.

1. Az átlagos kosárméret (HUF/hó)
számítás: (havi összbevétel)/(havi vásárlások száma)
“Ha meggondolod, hogy egy látogató megszerzésének van egy fix költsége, akkor az hogy ettől a látogatótól minél nagyobb rendelést tudj elkönyvelni, a legegyszerűbb módja a bevételed növelésének.” (Bill D’Alessandro, befektető amerikai e-commerce szektorban)

2. Vásárlószerzés költsége csatornánként (HUF/vásárló/csatorna)
számítás: (reklámra költött pénz adott csatornán)/(vásárlók száma az adott csatornából)
Mindegy, hogy honnan szerzed a látogatóidat – Facebook, Google, Twitter, fórumok, blogok, konferenciák – mindegyiknek lesz valamekkora költségvonzata. Innentől pedig egyszerű matek az egész: legyen nagyobb a profitod az eladásból, mint amennyibe a reklám (és a kézbesítés) kerül.
Ha tudod, hogy melyik a legköltséghatékonyabb csatornád, tudni fogod mire érdemes fókuszálni. Enélkül könnyen lehet, hogy csak az ablakon szórod ki a pénzt.

3. Éves szintű visszatérés (%)
számítás: (azon felhasználók száma, akik tavaly is és idén is vásároltak tőled) / (összes tavalyi vásárló)
Itt nincs jó vagy rossz érték, de Kevin Hillstrom amerikai big data guru több 100 webshop elemzésén keresztül kialakított gyakorlata azt mutatja, hogy ez a szám alapvetően határozza meg az e-kereskedelmi stratégiát.
Ha ez az érték 40% alatt van, akkor a főfókuszod az új látogatók megszerzése legyen! Fektess a reklámjaidba és a továbbajánlások megszerzésébe energiát! (Ilyen cégek pl. túrafelszereléssel foglalkozó cégek, szemüveg boltok, és egyéb ritkán fogyasztott termékek).
Ha ez az érték 60% felett van, akkor építs lojalitást és kiemelt figyelmet szentelj a felhasználói élménynek. (pl. Amazon, Ebay, Tesco online, stb…)
Ha az érték 40% és 60% között van, akkor abban a ritka helyzetben vagy, hogy mindkét területre – új vásárlók és lojális vásárlók – koncentrálnod kell. Ilyen cégeknél (pl. Zappos) kiemelten fontosak a személyre szabott, informatív hírlevelek – illetve a perszonalizált élmény.

4. A konverziós arány (%)
számítás: (vásárló látogatók száma) / (összes látogató száma)
Ezt a kifejezést mindenki ismeri. Azt fejezi ki, hogy a látogatóidnak mekkora százaléka lesz valódi vásárló. Korai szakaszban ez a szám fontosabb, mint maga a bevétel, hiszen a befektetések megtérülését is ebből lehet számítani. Később is folyamatosan érdemes azon dolgozni, hogy ez az arány minél magasabb legyen.

5. Lemorzsolódás aránya (%)
számítás: (NEM vásárló látogatók száma) / (összes látogató száma)
Tulajdonképpen a konverziós arány ellentétéről beszélünk. De a lemorzsolódást lépésenként kell mérni – melyik aloldalon, melyik kosárfolyamatnál, pontosan hány %-a esett ki az embereknek. Ezáltal nagyon gyorsan megtalálhatók a gyenge pontok, optimalizálhatóak a vásárlási folyamatok.

6. Egy vásárlóra jutó profit
(Ft/vásárló)

számítás: (havi összbevétel)/(havi vásárlók száma)
Akár a lojalitás, akár az új vásárlók megszerzése a fókuszod, mindenképpen fontos, hogy maximalizáld az egy vásárlóból kitermelt profitot. A fenti 5 mérés mind-mind segít ebben – csökkentheted a lemorzsolódás arányát, növelheted a kosárméretet vagy optimalizálhatod a látogatószerzési folyamataidat – a végeredmény mindig az lesz, hogy nő az egy vásárlóra jutó profit. Ha emellett szinten tudod tartani a vásárlók számát, nem nehéz kiszámolni, hogy a bevételed is nőni fog!

Összegzés: Ezek az adatok a Te céged vásárlási adataidból is kinyerhetőek. Semmilyen speciális eszközre vagy szoftverre nincs hozzájuk szükség. Érdemes őket folyamatosan monitorozni, hiszen általuk sokkal tisztábban fogsz látni a cégedben és sokkal tudatosabban tudod majd felépíteni és változtatni a stratégiádat.

Ha segítségre van szükséged, szólj! :-)

Mester Tomi

inspiráció: Croll&Yoskovits – Lean Analytics

A legnagyobb A/B teszt hiba

Egyre többen használják az A/B tesztelés remek eszközét. Nemrég a Facebook oldalunkon is közzétettük, hogy még maga Obama elnök és csapata is használt A/B tesztet egy hírlevélkampány során (a legjobb és legrosszabb e-mail tárgy pedig megdöbbentő 2.000.000 $-os különbséget produkált bevételben).

Ha esetleg nem tudod, mi az az A/B teszt: itt egy cikk, amiben írunk róla.

A mai bejegyzésben pedig a legnagyobb olyan hiba, amit sokszor látok ügyfeleknél elkövetni és ami totálisan megöli az egész teszt eredményességét! A hiba forrásának szakmai neve a korreláció vs. kauzalizás problémája:
Vagy magyarul, a tyúk és a tojás esete. Mondok egy példát: Létrehozunk egy prémium hírlevél csatornát azoknak a felhasználóknak, akik szeretnének személyre szabott ajánlatot kapni tőlünk. Tőlük több adatot kérünk be, cserébe azt ígérjük nekik, hogy jobban az igényeikhez illeszkedő levelet fognak kapni. Nevezzük ezt perszonalizált hírlevélnek csoportnak. Majd létrehozunk egy egyszerű hírlevél csatornát azoknak a felhasználóknak, akik csak gyorsan regisztrálni szeretnének. Ők az átlagos, tömegesen kiküldött hírlevelet fogják kapni. Legyenek ők az átlagos hírlevél csoport. Jönnek a feliratkozók, mindkét csoportban van 1000-1000 ember. Kiküldjük az első hírleveleket, a perszonalizált hírlevél csoportnak (személyre szabott tartalommal) és az átlagos hírlevél csoportnak (átlagos tartalommal) is – és azt tapasztaljuk, hogy a perszonalizált hírlevelet 29% nyitotta meg, az átlagosat pedig csak 10%. Tehát a perszonalizált hírlevél az A/B teszt alapján egy óriási siker. Kivéve, hogy… hibás volt a mérésünk.
De miért is?

A hiba egyszerű: a perszonalizált hírlevélre feliratkozni sokkal “nehezebb”, hiszen sokkal több adatot kell megadnunk. Egyszerű belátni, hogy aki ebbe a csoportba iratkozik fel, az egész egyszerűen elkötelezettebb felhasználó, mint aki az átlagos hírlevélre kér regisztrációt. Márpedig, aki elkötelezettebb, az nagyobb eséllyel nyitja meg a hírlevelet. Innentől fogva pedig nem tudjuk, hogy a 29%-ból mennyi az elköteleződés és mennyi a perszonalizált tartalom ereje.

De mi a megoldás?

Az A/B teszt lényege, hogy két közel azonos célcsoporton kísérletezzünk egy lehetőség szerint csak egy elemben eltérő tartalommal. Azaz a korrekt A/B teszt itt úgy nézne ki, hogy:

1. Csak a perszonalizált hírlevél feliratkozókat felbontjuk  két egyenlő létszámú csoportra (500-500 fő).
2. Az egyik csoport megkapja a perszonalizált hírlevelet, a másik csoport pedig az átlagos hírlevelet
.
3. Megnézzük az így létrejövő különbséget a két csoport között.

Mivel mindkét csoport hasonló elkötelezettségű feliratkozókat tartalmazott, biztosak lehetünk benne, hogy az eredménybeli különbség a tartalom minőségéből származik. Ha itt azt látjuk, hogy a perszonalizált tartalom 29%-ra teljesít, az átlagos tartalom pedig szintén 29%-ra – akkor bizony semmit nem ér a perszonalizált tartalom. De ha az átlagos csoport csak 17%-ot ér el, akkor joggal mondhatjuk, hogy sikeres a perszonalizált hírlevélkampány.
Ennyike.

Ha esetleg feliratkoznál az Adatlabor-hírlevélre, akkor KATT! :-))

Mester Tomi

 

Vendégblog: A Fehér Karácsony legendája (elemzés)

Az alábbi karácsonyi bejegyzést Tóth Gábor írta. (Gábor TedX előadását megtekinthetitek: itt.) Fogadjátok szeretettel:

Karácsony közeledtével egyre sűrűbben tesszük fel a kérdést, fehér lesz-e az idei karácsony. Mikor azonban szembesülünk a ténnyel, idén is elmarad a karácsonyi havazás, nosztalgiába merülve idézzük fel gyerekkorunk hóban gazdag karácsonyait. Ilyenkor általában elhangzik a jól ismert mondat, „Régen sokkal több fehér karácsony volt”.

A globális felmelegedés lenne a jelenség hátterében, esetleg csak az idő szépítette meg az emlékeket? Egyáltalán mennyire gyakori jelenség a fehér karácsony, és melyik magyarországi városban számíthatunk rá leginkább? Az Országos Meteorológiai Szolgálat közel 100 évet átfogó, szabad felhasználású klímaadataival választ kaphatunk ezekre a kérdésekre.

Hagyatkozzunk egyelőre csupán egy jól ismert népi megfigyelés mely szerint, ha Katalin locsog, karácsony kopog, vagyis a Katalin-napi fagy, saras karácsonyt hoz, míg az esős hideg, hóban gazdag karácsonyt.
Téved-e Katalin? 1901 és 2000 között öt különböző városra vizsgálva a Katalin-napi (november 25) átlaghőmérsékletet, és a karácsonykor tapasztalt csapadékformát az alábbiakat kapjuk:

feher karacsony adatok 1

A népi megfigyelés Budapesten a vizsgált időintervallum 45%-ában helyesnek bizonyult, míg Katalin Szombathelyen teljesített a leggyengébben, a maga 35%-ával.

A fehér karácsony definíciója eltérő az egyes országokat illetően. Magyarországon akkor beszélünk fehér karácsonyról, ha december 24.-én több magyar nagyvárosban mérhetünk hótakarót. A hótakaróra vonatkozó adatok 100 éves viszonylatban sajnos nem elérhetőek, így esetünkben vizsgáljunk olyan karácsonyi napokat, amikor a csapadék formája hó, esetleg havas eső volt, hiszen ezen esetekben jó eséllyel alakulhat ki hótakaró is.

Az alábbiakban városokra bontva látjuk, az elmúlt 100 év alatt hány darab olyan karácsonyi nap volt, amikor havazott, illetve havas eső hullott.

feher karacsony adatok 2

Érdekes megfigyelni, hogy míg karácsony napjai alatt Budapest, Szeged, és Debrecen esetén növekvő tendenciát mutat a havas napok száma, Szombathely és Pécs esetén december 25.-én éri el a maximumot.

Ha szigorítunk a feltételeken, és azokat az eseteket vizsgáljuk, amikor szentestén és karácsony mindkét napján hullott hó, vagy havas eső, az eredmény egészen megdöbbentő lesz. Az abszolút fehér karácsonyok száma egészen alacsony, Szombathelyen 100 év alatt mindössze három alkalommal fordult elő, hogy a vizsgált napok mindegyikén havazzon, míg Budapest, és Szeged holtversenyben első helyen végeztek.

feher karacsony adatok 3

Most, hogy tudjuk a fehér karácsony ritka jelenség, joggal vetődik fel a kérdés, melyik városban volt a legcsapadékosabb karácsony az elmúlt közel 100 év alatt.

Pécsett 1918 karácsonya az abszolút rekorder, szenteste és karácsony két napja alatt 35,7 mm csapadék hullott, ami a város átlagos decemberi csapadékmennyiségének 76%-át jelenti!

feher karacsony adatok 4

Bár idén nagy valószínűséggel szintén hó nélkül maradunk a karácsonyi ünnepek alatt, semmiképp se csüggedjünk, januárban már biztos megérkezik a csapadékos tél.

Tóth Gábor

Gyorskaja vs. párkapcsolat

A Facebook-on nagyon sok adat elérhető és elemezhető. Azt is meg lehet nézni pl., hogy az egyes gyorséttermek iránt érdeklődő emberek, milyen arányban vannak párkapcsolatban. Meg is néztem. Mindenféle mély elemzés nélkül két adatot emelnék ki. Az egyik, hogy a 20-30 közötti korosztályt vizsgálva az átlag magyar Facebook-oshoz képest, ahol az egyedülállók aránya 34%, mind a három nagy étteremlánc (szóljatok, ha van még több, nem vagyok egy nagy gyorskajáldás :-)) magasabb számot hoz. A McDonald’s iránt érdeklődőknek például a 39%-a egyedülálló saját bevallása szerint. Ugyanez a szám Burger King-nél 42%, KFC-nél 44%.

gyorskaja

20-30 közötti egyedülállók aránya – érdeklődés szerint lebontva

De nem csak a 20-30 év közöttieken figyelhető meg összefüggés a gyorskaja-kedvelés és a párkapcsolatban élés között. Ha a magyarországi adatokat vizsgáljuk továbbra is, 30 év fölött például a házasságok aránya az, ami a gyorsétterem iránti érdeklődéssel köthető össze (legalábbis a FB szerint). Míg 30 év fölött az átlag magyar Facebook-osok 54%-ban házasok, a McDonald’s iránt érdeklődő alcsoportnál ez az arány már csak 48%, a Burger-nél 41%, a KFC-nél 37%.

gyorséttermek adatok
A 30 év felettiek hány százaléka él házasságban – érdeklődés szerint lebontva

Persze messzemenő következtetéseket, vagy esetleg ok-okozati összefüggéseket nem volna túl tudományos levonni, azért érdekes adatok ezek.
Még annyit hadd tegyek hozzá, hogy ezzel egyik éttermet vagy rajongói körét sem akartam megsérteni vagy támadni, amit leírtam, azt csupán a Facebook adatai mondják. Akár Te is megnézheted az Audience Insights oldalon, ha beállítod a megfelelő paramétereket! ;-)

Mester Tomi
ps. a vizualizáció ismét infogr.am-mal készült!

Nem érti a főnök az adatokat?

Előfordul. A tegnapi Budapest BI Forum-on feltett kérdésemre kapott válaszok alapján minden egyes BI-ban dolgozó emberrel. Röviden itt is leírom az előadásom tanulságait. A lényeget egy mondatban így fogalmaznám meg: nem elég az, hogy feldolgozod az adatokat, de át is kell tolnod a cégen az eredményeket, hogy a munkádnak valóban legyen értelme.
Ehhez pedig kommunikálnod kell. Profi módon.

Itt az egész prezim angolul, lent pedig néhány diához írok külön magyarázatot is. Alapvetően saját tapasztalatokra építettem. Nem a tutit akarom megmondani, csak megosztani néhány olyan hibát, amit észrevettem eddigi ügyfeleimnél, tréning résztvevőknél vagy éppen saját magamon. És persze néhány megoldást rájuk.

Először is, két helyen bukhat el az adataid kommunikálása. A vizualizációnál és a helyes kommunikációs csatorna megválasztásánál.

két hely ahol elbukhatszAz adatvizualizációhoz már egyszer leírtam Nancy Duarte 5 szabályát. Az előadásban ezekhez hoztam 1-1 konkrét példát konkrét cégek életéből. Mivel ezek “érzékenyebb információk”, inkább mutatok egy ellenpéldát, ahol a “Mondj igazat!” szabály nem valósul meg igazán. Avagy hogyan hazudjunk valós adatokkal… (Tavalyi román-magyar focimeccs eredménye…)

adatvizualizáció level 99
És az adatvizualizáció 5 szabálya még egyszer:
1. Mondj igazat!
2. Térj a lényegre!
3. A megfelelő eszközt válaszd ki!
4. Emeld ki a lényeget!
5. Maradj egyszerű!

És egy kicsit akkor a kommunikációs csatornák megválasztásáról! 2 fajta kommunikációs csatornát szoktunk használni az adatelemzések eredményeinek a kommunikálásához. Írásos (e-mail, nyomtatott riport) vagy szóbeli (1on1 beszélgetés, meeting-ek, prezentációk). Én mindig a szóbeli formát preferálom. Az írásban mindig lesznek félreértések, eltévesztett definíciók, stb… Szóban van egyfajta oda-vissza kommunikáció, ahol ezt ki lehet szűrni.

adatkommunikációs csatornák

Ha mégis az e-mail-t választanád, küldd el először a csapatvezetődnek, beszéljétek meg a lényeget és csak aztán küldd tovább a döntéshozóknak. Így biztos lehetsz benne, hogy már legalább egy ember ért téged és egyetért veled, mielőtt döntenek a kutatásod eredménye felett. Azért mielőtt e-mail-t küldesz szóbeli megoldások helyett, jusson eszedbe, hogy mennyire nagyon sok e-mail-en megy át mindenkin nap mint nap és az, hogy mennyire nagy az esélye, hogy véletlen ignorálnak.
Egyébként az évtized life-hack-je volt, amikor valaki beírta a céges levlistára az egyik cégnél a tárgy elé, hogy IMPORTANT. Mindenki megnyitotta…

fontos e-mail

Csakhogy 2 hónappal később már így nézett ki az e-mail fiók. (SUPER-SUPER IMPORTANT-re érdemes odafigyelni :-))).
nagyon fontos levél

Úgyhogy én mindig a prezentációt/meeting-et javaslom az eredményeid első bemutatásának formátumaként. Saját tapasztalat alapján a megfelelő sorrend az adatok kommunikálásában ez lehet:
1. Rövid 1-on-1 a csapatod vezetőjével (szóban)
2. Meeting a csapattal vagy akik még a projektben benne voltak (szóban)
3. Prezentáció a döntéshozóknak, a többiek támogatásával (szóban)
4. Tájékoztató e-mail az egész cégnek (írásban)

Ezzel a sorrenddel sokkal nagyobb eséllyel megy át az üzenet és sokkal nagyobb eséllyel valósul meg a kutatásod eredménye a cégen belül.

Úgyhogy változtasd meg a világot adatvezérelt ötletekkel! De sose feledd, hogy ehhez szükséged van szép adatvizualizációra, tiszta üzenetekre és a megfelelő kommunikációs csatorna megválasztására.

Mester Tomi