bi címkével jelölt bejegyzések

Funnel analízis

Mi az a Funnel analízis?
Egy mondatban: Egyetlen erőteljes elemzési módszer, amely megmutatja az egész felhasználói életút legsarkalatosabb pontjait.

Vagy inkább egy képben:

Funnel alanlízis egy képben
Funnel alanlízis egy képben

Hogyan is működik a Funnel metrika a gyakorlatban? Mik a legnagyobb kérdések és elakadások? Hogyan lehet belőle “actionable” tudást kiszedni?  Hogyan tudod elkészíteni magadnak? Vegyük sorra! Funnel analízis bővebben…

Big Data/BI webinár ismétlés!

Közkívánságra mégegyszer megtartjuk a Business Intelligence/Big Data webinar sorozatunk I. részét!
Az I. rész a “Smart Tool-ok (minden, ami nem Google Analytics)” címet kapta.
Itt tudtok regisztrálni:     adatlabor2.eventbrite.co.uk

Adatlabor logoIdőpont: Febr 18. szerda 18.00-19.30

A tartalma pedig:
Eszközök, szoftverek, smart tool-ok és praktikák, amelyeket rendszeresen használunk a big data, az adatelemzés és az üzleti intelligencia gyakorlása közben.
Konkrét, valós üzleti esettanulmányokkal.

Tárgyalt szoftverek és módszerek:
– Mouseflow (és konkurensei)
– Optimize.ly (és konkurensei)
– Marketing A/B teszt
– Linkkövetés (utm, bit.ly, stb…)
– Mini-piackutatások
– Najó és egy kis Google Analytics (de csak az expertebb dolgok ;-))

Csak olyan dolgokról lesz szó, amit rögtön a webinar után akár Te is meg tudsz csinálni! Kódolást és bonyolultabb fogalmakat nem érintünk (az majd jön legközelebb :-)).
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: adatlabor2.eventbrite.co.uk
ÉS A GYORS REG:

Megjegyzés:
Az utána levő héten (febr 25., szerda) jön a második rész, ami kifejezetten adatelemzési stratégiákról és modellekről fog szólni! Ha érdekel:
adatlabor3.eventbrite.co.uk
Tomi

Honnan tanuljunk a Big Data-ról?

BRÉKING2: már lehet előjelentkezni az adatlaboros Big Data Képzés-re: itt!

BRÉKING: március elején ingyenes képzés indul az egyik legjobb statisztika tanfolyam keretein belül a Coursera-n! (részletek lentebb…)

Túl vagyunk az első Adatlabor-os Webináriumon! :-)
Ennek kapcsán frissítettem egy kicsit a Szakmai Anyagok fület is, mivel nagyon fontosnak tartom, hogy legyenek fent elérhető ingyenes vagy nem túl drága anyagok, ami alapján mindenki elmerülhet a Big Data és az üzleti intelligencia rejtelmeiben.

A kódolás alapjait például nagyon jól meg lehet tanulni a különböző online kurzusokon. Tudod melyik a 3 legnagyobb adatelemző nyelv? A KD Nuggets kutatása alapján: R, Python és SQL.
adatelemzési nyelvek - python, r, sql

A jó hír pedig az, hogy mind a háromra van már ingyenes online képzés:
R alapjai – Datacamp: Introduction to R
Python alapjai – Codecademy: Python
SQL alapjai – SQLCourse

Az elmélet (korreláció vs kauzalitás, reprezentatív minta, szignifikancia vizsgálat, stb…) elsajátítására az egyik legjobb internetes képzés a Coursera: Data Analysis & Statistical Interference című kurzusa, ami most márciusban indul és ingyenes. A Duke University tartja és ami szuper benne, hogy nagyon élvezetes az előadás stílusa, folyamatos példák, esettanulmányok, szemléltetések vannak benne. Az egyik kedvenc hasonlatom, amikor az előadó a nem-reprezentatív mintavételt a meg nem kavart levessel hozza párhuzamba. (“Megsózod a levest, de nem kavarod meg… hiába kóstolod meg a leves tetejét, ha ez alapján következtetsz a leves ízére, azt mondod sótlan. Ha tovább sózod, akkor viszont a mindent egybevetve elsózod a levest. Nem volt reprezentatív a mintád, és így becsaptad magad, mikor megkóstoltad a levest”.)

Ami pedig az üzleti stratégiát és az alkalmazást illeti, egy remek könyv Croll-tól és Yoskovitz-tól a Lean Analytics: Build a Better Startup Faster. 100+ esettanulmányon keresztül mutat be olyan stratégiákat, amelyek az üzleti életben működtek és amelyeket például mi is használunk az Adatlabor-ügyfeleknél is. Ez a könyv persze nem ingyenes (és magyar nyelven nem elérhető), de nagyon megéri az árát.

Ez a néhány tudásforrás egy jó induló és alapozó csomag akárkinek, aki még csak érdeklődik a szakma iránt, anno  én is végigcsináltam (elolvastam) majdnem mindegyiket, úgyhogy bátran tudom őket ajánlani! Hajrá!

Mester Tomi

Business Intelligence/Big Data webinar I. rész

Közkívánságra elindítjuk a Business Intelligence/Big Data webinar sorozatunkat!
Az I. rész a “Smart Tool-ok (minden, ami nem Google Analytics)” címet kapta.
Itt tudtok regisztrálni:     adatlabor.eventbrite.co.uk

Adatlabor logoIdőpont: Jan 21. szerda 18.00-19.30

A tartalma pedig:
Eszközök, szoftverek, smart tool-ok és praktikák, amelyeket rendszeresen használunk a big data, az adatelemzés és az üzleti intelligencia gyakorlása közben.
Konkrét, valós üzleti esettanulmányokkal.

Tárgyalt szoftverek és módszerek:
– Mouseflow (és konkurensei)
– Optimize.ly (és konkurensei)
– Marketing A/B teszt
– Linkkövetés (utm, bit.ly, stb…)
– Mini-piackutatások
– Najó és egy kis Google Analytics (de csak az expertebb dolgok ;-))

Csak olyan dolgokról lesz szó, amit rögtön a webinar után akár Te is meg tudsz csinálni! Kódolást és bonyolultabb fogalmakat nem érintünk (az majd jön legközelebb :-)).
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: adatlabor.eventbrite.co.uk
ÉS A GYORS REG:

Tomi

Startup adatelemzés interjú IV. – USTREAM

brickflow logo startup interjúA Ustream BI csapatának a vezetőjével, Szakács “Szaki” Balázzsal beszélgettem, arról, hogy pontosan hogyan működik náluk az adatelemzés, az üzleti intelligencia és a big data. A lenti interjúból a nekem legérdekesebb 3 dolog volt, hogy:
1. A Ustream-nél még viszonylag friss, kb 2 éves a BI, de máris óriási hatással vannak a termékre és a cégre.
2. Hogy milyen erős az összefüggés a jól megválasztott social media csatorna és az aktuális tartalom a nézettséggel.
3. Hogy több ezrek közvetítik az esküvőjüket online. :-)
(+1: Van saját Ustream sörük!!!)

Íme a teljes interjú:
Tomi: Te mit csinálsz pontosan a Ustream-nél?

Szakács Balázs, Ustream, BI csapatvezető
Szakács Balázs, Ustream, BI vezető

Szaki: Lassan 2 éve vagyok itt és én vagyok az üzleti intelligencia rész vezetője. Engem azért hoztak ide, hogy segítsem a Ustream-et arra az útra lépni, hogy egy igazán adatvezérelt szervezet legyen. Ehhez gyakorlatilag 0-ról kellett felépíteni a dolgokat: csapatot toborozni, megfelelő embereket  kiválasztani, egyáltalán azt eldönteni, hogy milyen típusú team-re van szükség. A gyakorlatban pedig a vezetői feladatok mellett én tartom a kapcsolatot a cég különböző területi vezetőivel,  kulcsfelhasználóival. Összegyűjtjük az igényeket, hogy milyen irányba lehetne fejleszeni és továbbvinni a terméket, hol tudunk a legnagyobb értéket teremteni. A csapatom pedig az, aki segít ezt megvalósítani, én pedig ebben támogatom őket.

Ezek szerint 2 éve kezdtétek el igazán használni a BI-t a Ustream-nél?
Igen, én 2 éve érkeztem, a csapat maga pedig másfél éves. Tehát mondhatjuk azt, hogy ez egy elég friss dolog a Ustream-nél.

Általánosságban mire használjátok a Ustream-nél az adatelemzést?
Több felhasználási terület van. Az egyik az abszolút vezetői döntés támogatás: hogy áll a cég, jó irányba haladunk-e? KPI-ok, bevételi számok, lemorzsolódási arányok. Ezeket az adatokat heti vagy napi szinten szolgáltatjuk. Van termékfejlesztési támogatás: ha  a termékmenedzserek kitalálnak egy ötletet, mi meg tudjuk mondani, hogy hogyan kéne beárazni, mekkora ügyfélbázisnak lehet érdekes, amit ők kitaláltak…

Ezt AB-tesztekkel nézitek vagy historikusan?
AB-teszteket folyamatosan csinálunk a cégnél, de nem a mi csapatunk. Ezt általában azok csinálják, akik magát a honlapot, a front-end felületet készítik – vagy akár a termékmenedzserek. Pl. az egyik termék ilyen áron van, a másiknak féláron van…

Árakat is szoktatok tesztelni?
Igen, árteszteink is vannak… De nagyon sok User Experience (UX, felhasználói élmény) jellegű tesztünk is van. Pl. ikon legyen vagy felirat. Vagy mekkora legyen a felirat, vagy hova tegyük azt a feliratot, hogy sokkal inkább kézre álljon a felhasználóinknak a termék. Sok ilyet csinálunk, de ezt minden részleg magának, önjáróan készíti. Persze, ha van kérdésük, szívesen segítünk, de alapvetően megvan náluk a kompetencia meg a tapasztalat, hogy összehozzák ezt. Ezek az AB tesztek.
A terméktervezési-döntéseknél pedig általában azt nézzük meg, hogy az ügyfélbázisunk hogy működik. Tehát, ha a termékmenedzserek valamit kitalálnak – valamilyen hipotézist -, mi megnézzük, hogy ez mennyi embernek lehet jó. Megnézzük, hogy ténylegesen az elmúlt években, hónapokban, hogyan használták a termékünket. Milyen tartalmakat fogyasztottak? Miket néztek? Milyen jellegű közvetítéseket csináltak? Ezek historikus adatok és ebből elég jól meg lehet mondani, hogy az ügyfélbázisunkra milyen hatással lesz, ha valami újat bevezetnek.

Hány user-etek van most és ehhez képest hányan dolgoztok a Ustream-nél?
Most már több, mint 30 millió regisztrált felhasználónk és havi 80 millió nézőnk van. Ehhez képest mi 250-en vagyunk a cégnél, Magyarországon 115-en. Itthonról megy minden fejlesztés és üzemeltetés. Mi, az üzleti intelligencia csapatban 6-an vagyunk, mi is Budapesten.

Egy laikus számára mi lehet a legérdekesebb, amit adatokkal elértetek?
Ami nagyon érdekes, az az, hogy milyen típusú tartalmakat közvetítenek nálunk és mit néznek. Például megnéztük, hogy hány esküvő van a Ustream-en. És kiderült, hogy havonta több ezer esküvőt közvetítenek, ami egészen meglepő volt nekünk. De nagyon sok egyház is minket választ arra, hogy mindenféle szertartást, ami náluk van, azt nálunk közvetítsenek és pl. a tartalmunknak egy része emiatt vallási tartalmú egyébként.

Ezt hogyan látjátok az adatokból?
Amikor egy közvetítést kezdesz, akkor meg kell adni, hogy milyen típusú tartalmat közvetítesz. Ebből tudunk információt begyűjteni… Az is nagyon érdekes, hogy a social media milyen hatással van a közönségre. Például volt egy One Direction koncert, amit mobiltelefonnal közvetített végig egy néző a hátsó sorból. Nem sok minden látszott, mert hátul volt, sötét volt és mégis a különböző rajongói Facebook csoportokon elterjedt és pár percen belül már 110.000-en nézték. Egy viszonylag rossz minőségű tartalom, de mégis annyira aktuális volt és annyira jól terjedt el a social media csatornákon, hogy ennyire felfutott a nézettsége.

Milyen eszközöket használtok az adatelemzéshez?
Nálunk is minden megtalálható, ami a klasszikus “kemény vonalas business intelligence” eszköze. Az open-source eszközök vannak túlsúlyban Pentaho ETL, MySQL, stb… Van big data megoldásunk is, ehhez az Amazon szervereit használjuk, ahol fut egy Hadoop Cluster-ünk. Fizetős eszközöket használunk adatvizualizálásra – ez a Tableau.

Van valami, amit még szívesen elmondanál?
Talán nem is az adatokról, hanem arról, hogy igazán büszke vagyok arra, hogy milyen csapatom van. Merthogy sikerül elérni másfél év alatt, hogy fontosak lettünk és a középpontba kerültünk a cégen belül. Reflektorfényben vagyunk, mert nagyon erős igény van az adatokra és az adatelemzésre. Nincs nagy csapatunk, de mégis mindent így 6-an csinálunk. És működik. Nagyon jó az összetétel mind tudásban, mind személyiségben. Én pedig sehol nem lennék, ha nem ilyen csapat lenne mögöttem.

Köszönöm szépen a beszélgetést!

A Startup adatelemzés interjú sorozat többi része:
Prezi, Evernote, Eventbrite, GoodData, Brickflow és Ustream interjúk

Mester Tomi

Üzleti Intelligencia = Ember és Adat

A napokban futottam bele az egyik legeslegjobb példára abban, hogy mennyire szükséges az emberi józan ész és a valódi kritikus gondolkodás az adatelemzés mögé. Az üzleti intelligenciának egy fontos eleme, hogy kiszedjük a big data-ból a lényeget, de hogy az mit is jelent ténylegesen, hogyan befolyásolja a döntéseinket és a stratégiánkat, az már az emberi intelligencián és kreativitáson múlik.
A Tylervigen egy nagyon egyszerű projekt, amiben számítógépek kapnak egy csomó szociológiai adatot, majd korrelációt – azaz összefüggést – keresnek gyakorlatilag minden között. Ember legyen a talpán, aki meg tudja mondani, hogy mi a logikai kapcsolat a Maine-ben levő válások száma és Amerika margarin fogyasztása között, pedig a korreláció 99,2%-os.

Korreláció - 99,2%

De van tovább. Tudtad például, hogy mióta a Méztermelő méhkasok száma lecsökkent Amerikában, azóta jól kimutathatóan nőtt a Marihuána árusításért letartóztatott fiatalok száma ugyanitt? Korreláció: 93,3%

Méz vs. marihuána statisztika
Méz vs. marihuána statisztika

Két szomorúbb hír is van. Jól látható az összefüggés a fulladásos halálok és a technológiára, tudományra és űrkutatásra költött pénzek növekedése között.

tudomány vs. fojtogatás statisztika
tudomány vs. fojtogatás statisztika

Az pedig, hogy a mindenkori Miss America kora és a forró gőzökkel és tárgyakkal történő gyilkosságok között is 87%-os erősségű kapcsolat van, már végképp megdöbbentő.

Miss America vs. gyilkosságok statisztika
Miss America vs. gyilkosságok statisztika

Persze ezekben az esetekben egyértelmű, hogy nem beszélünk valódi összefüggésekről. De üzleti döntésekben már sokszor homályosabb a helyzet. Ha látunk is korrelációt, érdemes többször is végiggondolni, hogy mi következik miből: az “A” állítás “B”-ből vagy “B” állítás A-ból, vagy eseteg “A” és “B” egy külső “C”-ből. A fentiekből is látszik – az üzleti intelligencia mögé éppen annyira kell a kritikusan gondolkodó ember, mint maga az adat és az adatelemzés!

Mester Tomi

Neticle – megmutatják, mit gondol a web

Nemrég akadtam rá egy fantasztikus netes megoldásra, ami elsősorban PR-osoknak lehet hasznos BI-eszköz. A Neticle egyébként egy magyar startup és alapvetően 3 dolgot tud:
1. Automatikusan összegyűjti és megmutatja, hogy a magyar web-en hol jelentek meg rólad (a brand-edről) cikkek, megjegyzések, Facebook kommentek – egyszóval minden publikus megjelenésedet.
2. Egy beépített automatika elemzi, hogy ezek pozitív vagy negatív megjegyzések voltak-e.
3. Trendeket készít, ahol láthatod, hogy az elmúlt napokban sokat vagy keveset, jókat vagy rosszakat mondtak rólad – egyszóval megkapod a “véleményárfolyamodat”.

Ennél persze sokkal több funkció is el van benne rejtve. Az Apple példáján keresztül fogom megmutatni, hogy mit tud a Neticle. Pl. az Apple magyarországi PR-osaként szeretném tudni, hogy hogy állunk a versenytársakhoz képest megítélésben.

Neticle - véleményárfolyam, PR, marketing, adatelemzés
Neticle – véleményárfolyam

Máris látom, hogy bizony szeptember 24. óta drasztikusan csökkent az iPhone megítélése, sok negatív vélemény jelent meg – ami nem is csoda, hiszen 24-én jött le az első magyar cikk az iPhone 6 “hajlékonyságáról”. :-)

A forrásokból hamar kiderül, hogy kik a legaktívabb említőink és hogy milyen fórumokon találjuk meg őket:

Neticle, aktív fórumok, adatelemzés, PR
Neticle, aktív fórumok

Ha sok negatív vélményt látunk a prohardver.hu-n, lehet, hogy érdemes ellátogatni az oldalra és a kommentben panaszkodóknak személyes support-ot ajánlani vagy valami más módon megnyugtatni és újra apple-hívővé formálni őket.

Ha pedig arra vagyok kíváncsi, hogy mik a konkrét pozitív és negatív kifejezések, akkor azokat is elő lehet venni – a negatív oldalon látszik, hogy a véleményformálok, sokat használták a “botrány”, a “szar” és az “illegális” kifejezéseket.

Neticle pozitív, negatív kifejezések - PR adatelemzés
Neticle pozitív, negatív kifejezések

Hát… úgy tűnik az Apple híres PR-gépezete is berozsdásodik néha. És mielőtt még azt mondaná a vezetőség, hogy nem baj, legalább beszélnek rólunk – még az orruk alá tolhatok egy chart-ot, hogy azért olyan kiemelkedően sokat mégsem:

Neticle, említések száma - PR, adatelemzés
Neticle, említések száma

Akárhogyis: a Neticle egy újító eszköz, PR-osként, marketing-esként érdemes kipróbálni – mint láthatod elég meglepő és mindenképp hasznos dolgok kiderülhetnek a Te márkád megítéléséről is!

Mester Tomi

Startup adat-eszköztár: szegmentálás, kohort analízis és A/B teszt

Egy jól működő, hosszútávon is életképes startup egyik alappillére a tesztelés. A tesztelés általában két dolog összehasonlításáról szól – szegmentálással, kohort-analízissel vagy A/B teszttel. Ezekkel az módszerekkel meg tudjuk mondani, hogy a két elképzelés, koncepció közül melyik teljesít jobban és melyiket érdemes továbbfejleszteni. A lenti cikkben ezt a 3 módszert fogom bemutatni (a cikk struktúráját és példáit a Lean Analytics című könyvből vettem kölcsön).

SZEGMENTÁLÁS
Egy szegmens nem más, mint egy csoport, aminek a tagjai közös tulajdonságokkal rendelkeznek.
Ezek lehetnek a 20 és 25 év közötti felhasználók, Kalocsa város lakosai, a Windows8 használók vagy éppen azok, akik piros tollat vettek az ápiszban. A szegmentáció lényege, hogy összehasonlítsunk két valamilyen módon jól megkülönböztethető csoportot (a férfiakat a nőkkel vagy a budapestieket a szegediekkel, a piros toll vásárlókat a kék toll vásárlókkal, stb.) és megnézzük, hogy mi különbözik a felhasználói szokásaikban. Például ha látod, hogy a budapestiek a többiekhez képest nagyobb arányban nyitották meg a “Regisztrálj 10%-kal olcsóbban” e-mail kampányodat, a szegediek pedig a “Regisztrálj és kapsz egy kék pólót” leveledet, akkor sejtheted, hogy Budapestre és Szegedre más-más marketing stratégiával kell rámenned.
A szegmentálás amúgy nem az internet gyermeke, a marketingben és minden más iparágban is már nagyon régóta használják nagy sikerrel.

KOHORT ANALÍZIS
A kohort elemzés az időbeli összehasonlításról szól. Egy startup-ban folyamatosan változik a termék, a modell és a piacelérés stratégiája. Ehhez mérten azok a user-ek, akik az első héten regisztrálnak, teljesen más élményben részesülnek, mint azok, akik az ötödik hónapban. A probléma az, hogy a legtöbb startup (de nagyobb cégek is) elégedettek a havi átlagokkal, ami a példa kedvéért így nézhet ki:
startup cohort analízis

Ezen a táblázaton azt látjuk, hogy nagyjából minden rendben van, májusig volt egy kis esés, de az érték elindult visszafelé. Ha mindezt kohort analízissel nézzük, rögtön kiderül, hogy a kölünböző hónapokban regisztrált csoportok (a lenti táblázatban az új sorok), hogyan teljesítettek külön-külön. Zölddel kiemeltem minden csoport első hónapját, sárgával a másodikat.

kohort analízis adatelemzés

Tehát a Januárban regisztrálók első hóban termelt bevétele 5$, míg a májusiaknál ugyanez az érték 9$. Ez bizony növekedés, ami igazolja az esetleges változásokat a hónapok során a termékben.
Egy másik fontos dolog, ami jól látszik ezen a táblán, hogy egy adott csoport mindig a regisztráció hónapjában termeli a legtöbb pénzt, később ez az összeg elindul lefelé. Mindez kohort analízis nélkül nem látszódott volna!

A/B TESZTELÉS
Míg a kohort analízis lényege az időbeli eltérés, az A/B tesztelés kulcsa éppen az egyidejűség. Az A/B teszt során két hasonló felépítésű felhasználói csoportnak adunk oda két különböző verziót a tesztelendő anyagunkból (weblap dizájn, email szövegezés, stb…) egy időben.
Ideális esetben a felhasználók nem is fogják tudni, hogy egy tesztben vesznek részt, ezért természetesen viselkednek és nem torzul a teszt eredménye.

Egy egyszerű példa:
Kiküldesz egy e-mail kampányt A/B teszttel (a legtöbb profi hírlevélküldőben van ilyen lehetőség) – a feliratkozóid egyik felének “Akciónk nemsokára lejár…”, a másik felének “Akciónk szerdán lejár” tárggyal. Rögtön tesztelheted, hogy a te feliratkozóidnak a bizonytalan vagy a fix határidő a motiválóbb. Nézd meg a hírlevél megnyitási arányát az egyik és a másik esetben! Legközelebb már tudni fogod, milyen tárgy mezővel leszel sikeresebb.

Nem hiszed, hogy ez tényleg számít? A Picatic nevű startup-nál a regisztrációs gombot tesztelték A/B teszttel. A látogatók egyik felének “Try it out free”, a másiknak “Get started free” volt a gombra írva. 10 napig tartott a mérés és a tapasztalat megdöbbentő volt. A “Try it out free” 376%-kal több átkattintást hozott, mint a “Get started free” gomb. Azaz több, mint 4-szer annyi embert érdekelt a regisztráció, pedig az egyetlen különbség pár szó volt. Érdemes A/B tesztelni? Vagy máshogy kérdezem: szeretnél 4-szer annyi user-t? Szerintem igen.

Az A/B tesztelésnél 3 dologra kell még odafigyelni:
1) Ne úgy csináld, mint a MÁV. Ez nem A/B teszt, hanem egy szavazás. Semmi értelme, nagyon torz eredményeket fog adni.

MÁV "A/B teszt"
MÁV “A/B teszt” – képért köszönet Kovács Zsuzsannának

2) Ha kevés a látogatód, hogy apróságokat tesztelgess (mint egy-egy szó), próbálj a főbb dolgokra fókuszálni, ahol amúgy is majdnem minden felhasználód átmegy (nyitóoldal főbb elemei, stb.)!
3) Véletlenül se futtasd egymás után az A és a B verziót. Ha időben nem egyszerre fut a két verzió, simán lehet, hogy valami egyéb változó hatott ki az eredményeidre (szombaton az egyik verzió alatt mindenki a Szombat esti lázat nézte és emiatt senki nem kattintott).

Tehát ne feledd: szegmentálás, kohort analízis, A/B teszt és sokkal okosabb és sikeresebb leszel a startup-oddal.

Cikkek startup adatelemzés témában:
1. Az AirBNB sztori – 60-szoros növekedés teszteléssel
2. Startup adatelemzés interjú I. – Prezi
3. Startup adatelemzés interjú II. – Evernote, Eventbrite, GoodData
4. Startup adatelemzés interjú III. – Brickflow

Ha még több ilyen témájú cikket olvasnál, iratkozz fel a hírlevélre itt:

Mester Tomi

6 jel, ami arra utal, hogy a céged nem adat-vezérelt.

1.) A megbeszéléseken mindenki dobálózik ötletekkel, de senki nem tudja megmondani, hogy pontosan miért ezt találta ki.
Azért nem, mert nem tudja, hogy miért ezt mondta. Nincs mögötte ok, inkább csak egy megérzés, vagy vélemény. Valódi ötletek, csak megalapozottan, információk segítségével születhetnek.

2.) Ha mégis van érvelés, akkor vagy úgy kezdődik, hogy “Gondolj bele, a józan ész azt diktálja…” vagy úgy, hogy “Ha én lennék az ügyfél, én ezt csinálnám…”
A legnagyobb hiba, amit el lehet követni! Te nem vagy az ügyfeled! Máshogy viselkedsz. Mások a problémáid, de tisztában kell lenned a vásárlóidéval is. Sőt, tudnod kell, hogy mi a megoldás rájuk. Honnan fogod ezt megtudni? 2 helyről: a) vagy megkérdezed a vevőkörödet vagy b) kielemzed, hogy eddig hogyan viselkedtek. (Szép szakmai neve: primer piackutatási eszközök.)

3.) Az egyik évben plusszos a pénzügyi-mérleg, a másik évben mínuszos. Nincs egyenletes növekedés. Egyszer szerencsétek van és jól megy, egyszer pedig hirtelen minden leáll, nem tudni, hogy miért…
Azért mert nem követitek a trendeket. Tartsd szemmel a vevőid/honlaplátogatóid viselkedését! A változásokat általában 1-2 héttel, de néha hónapokkal előre is lehet látni, mielőtt bekövetkezik a katasztrófa. Ilyenkor egy ügyes irányváltás újra jó mederbe tudja terelni a dolgok folyását.

4.) Félév kőkemény munka után végre frissítitek a régi honlap-dizájnt… Majd 2 hét múlva egy konferencián hallod vissza, hogy milyen rikitóak a színek, olvashatatlanok a szövegek és amúgy semmit sem lehet megtalálni az új menüben.
Hoppá! Megtörtént eset! Nem is egyszer… Utólag megnéztük a chart-okat és tényleg: az új dizájn nem csak jobb eredményeket nem produkált, de az oldalon eltöltött idő, később pedig a felhasználók száma is elkezdett csökkenni. Ennek kivédésére is van egy nagyon egyszerű adat-vezérelt eszköz: A/B tesztelésnek hívják (és idekattintva olvashatsz róla bővebben).

5.) Folyik el a pénzed a Facebook reklámra, a Google Adwords-re, szórólapozásra és mindenféle kampányra, de közben fogalmad sincs, hogy pontosan hogyan találtak rád az ügyfelek.
Nálad is ez a helyzet? Valószínűleg nem csinálsz marketing-elemzést. Az egyik leghatékonyabb eszköz, hogy észrevedd, hogy melyik a megfelelő csatorna, ha ún. “tracking”-kódot, azaz követőkódot használsz. Erről részletesen írok a hírlevél feliratkozóknak járó ingyenes “Adatelemzés Marketingeseknek 101” csomagban.

6.) Kapsz +1 millió forint támogatást (egy távoli rokontól), amit viszont csak a termékeid/szolgáltatásaid fejlesztésére költhetsz. 2 hónapot dolgozol vele – és az eredmény: bevétel-növekedés = NULLA. (Persze azért büszke vagy, hogy mostantól egy magasabb színvonalat képviselsz.)
Az igazság az, hogy a minőség egyetlen hiteles fokmérője az ügyfeleid elégedettsége. A vevők elégedettségének a legjobb fokmérője pedig, hogy kifizetik-e a termék/szolgáltatás árát. Úgyhogy, ha nincs bevétel-növekedésed, akkor valamit rosszul csináltál. Azt is megmondom, hogy mit. Nem figyeltél oda arra, hogy mire van szükség. Honnan lehetett volna ezt megtudni? Vissza a 2. ponthoz “2 helyről: a) vagy megkérdezed a vevőkörödet vagy b) kielemzed, hogy eddig, hogyan viselkedtek. (Szép szakmai neve: primer piackutatási eszközök.)”

Tanulság: Mint látható, nagyon fájdalmas tud lenni napiszinten és hosszútávon is, ha nem elemzed a piacodat és nem figyelsz oda a meglevő adatokra, információkra. Még nem kezted el? Akkor itt az idő!

Tomi