Mester Tomi 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…

Honnan tanuljunk az adatelemzésről? – 2. rész

Ebben a bejegyzésben megosztok néhány könyvet és online kurzust, amelyeket az utóbbi időben elolvastam/megnéztem és színvonalasnak, hasznosnak találtam. Sok a (big) data-s tananyag a neten, hát még könyvek formájában – sok köztük a selejt is. De szerencsére van köztük jó néhány nagyon jó anyag is.

(Az első részben már mutattam 3 könyvet: http://adatlabor.hu/big-data-konyv-1-resz/)

Íme újabb 4 tananyag, amit érdemes magadévá tenni, ha érdekel a téma!

Honnan tanuljunk az adatelemzésről? – 2. rész bővebben…

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…

Codecademy – új kurzus!

A Codecademy-t kifejezetten ajánlom mindenkinek, aki szeretne megtanulni programozni, de fogalma sincs arról, hogy hol kezdje. Ha elvégzed pl. a JavaScript kurzusukat, nem válsz majd profi JavaScript szakemberré. De legalább lesz némi fogalmad arról, hogy hogy épül fel egy ilyen nyelven íródott kód. Tudod majd olvasni ezt a kódot, sőt akár el tudsz indulni egy saját kis gyakorló projekttel is.

Codecademy: Command Line kurzus

https://www.codecademy.com/en/courses/learn-the-command-line

Nemrég jelent meg egy teljesen új kurzusuk, ami a “Learn the command line” nevet kapta. (Amúgy magával a nyelvvel találkozhatsz, “Bash”, “Unix”, “Shell” említések között is az online fórumokon). Egyrészről szerintem ez az első tanfolyam, amit az összes közül érdemes elvégezni. Másrészről pedig adatos vonatkozása is van. Mert hogy kis, szabad szöveges (tehát nem SQL) formátumú adathalmazokat command line-ban elég rugalmasan és gyorsan lehet feldolgozni.

Pl. ha van egy 1.000.000 soros és 15 oszlopos Excel-ed, akkor azzal a személyi számítógéped/laptopod már eléggé izzadni fog. Arról nem is beszélve, hogy iszonyatosan nehéz kezelni és pl. egy olyan parancsot, hogy szűrje ki azokat a sorokat, amiben szerepel az “alma” – esetleg még tegye ki ezeket egy új fájlba – kifejezetten bonyolult már megcsinálni benne. (Pedig összetettebb adatelemző projektekben ez egy elég fontos funkció lenne.)
Big Data technológiákat ráereszteni egy ilyen adathalmazra viszont tipikus “ágyúval verébre” szituáció lenne, hiszen azok 1 milliárd sor felett jönnek számításba.

Bash-ben (command line-ban) ugyanez 1 másodperc alatt végigvihető egy egysoros paranccsal.

Ennél persze jóval többet is tud – de ez kiderül a tanfolyamból, ami 3 órás és nem mellesleg még ingyenes is! :-)

Úgyhogy tényleg csak ajánlani tudom.

Hajrá!
Tomi

Egy Játék mérése: gamification vs. retention

Múlt héten tettem ki az egyszamjatek.eu című kísérletünket a Facebook oldalunkra.

A játék nagyon egyszerű volt: mondj egy pozitív egész számot és ha ez a legkisebb olyan szám, amit más ember nem mondott Rajtad kívül, akkor nyertél. (Egyébként magát a játékot Mérő László találta ki.)
Összesen 7 forduló volt. Minden fordulóban 24 órán keresztül lehetett játszani. Így összesen 7 nyertest hirdethettünk.

A cél kettős volt:
1. Vizsgáljuk, hogy mi a nyertes stratégia. (Ezt ígéretemhez híven csak azoknak publikáljuk, akik játszottak. Sorry…)
2. Modellezzünk egy gamification alapú startup-ot és vizsgáljuk, hogy a játékélmény milyen hatással van a visszatérésre, illetve, hogy ezt hogyan lehet mérni.

Ezt a cikket azért írom, hogy ha esetleg online játék fejlesztésében vagy, láss néhány ötletet (konkrét példán keresztül is), hogy miket, miért érdemes mérni és elemezni.

Összehasonlítani nem akarom akármilyen más app vagy SaaS szoftver eredményeivel ezt a játékot, hiszen ez csak egy kísérlet, meg amúgy is tök más, mint akármi más, ami értelmes. :-) De azért nem árt ha tudod, hogy egyetlen mérőszám volt, amit boost-olni akartam az egész folyamat során: ez pedig a daily retention – azaz minél többször, minél sűrűbben visszahozni a játékosokat.

Ehhez egyetlen “marketing stratégiát” használtam – mindenki, aki adott napon játszott, kapott egy direkt email-t az eredményekről és egy linket a következő napi játékhoz. Ez a tool működött is – a leveleknek átlagosan 80%-os megnyitási aránya volt, amit kifejezetten erősnek mondanék.

mailchimp megnyitas és CTR - játék
mailchimp megnyitas és CTR

Nézzük mi a helyzet az aktív játékosok számával! Az első nap csináltam a játéknak egy nyitópromo-t (néhány csoportba és FB-oldara kitettem a játékot.) Így 296 emberrel indult a verseny az első nap. Ehhez csatlakozott az utolsó napig innen-onnan még 38 ember (valószínűleg meghívásos alapon, hiszen ezután már nem hirdettem). Tehát összesen 334-en játszottak.

A lenti ábra azt mutatja, hogy mekkora volt a napi visszatérés, azaz az előző nap játékosai közül hány % játszott az adott napon.

daily retention - egyszamjatek.eu - játék
daily retention – egyszamjatek.eu

Ha megfigyeled, két mélypont van. A 2. nap, amikor 30% körüli a retention és az 5. nap, ahol 50% körül van. A többi napon 60% felett megyünk, sőt az utolsó napokon felszökik 100% felé, ami azt jelenti, hogy olyanok is visszajöttek, akik régebben játszottak!
Ki találod mi történt a 2. és 5. napon? Elárulom, ezeken a napokon véletlen délután 4-kor küldtem ki a hírlevelet, amit reggel 9-kor kellett volna. Tanulság ebből a chart-ból: reggel kell kiküldeni a leveleket…

Nézzünk egy klasszikus kohorsz elemzést! Minden sorban az adott nap regisztrált user-eket látod és minden oszlopban azt, hogy hány maradt meg belőlük X nappal később.

kohorsz elemzés játék
kohorsz elemzés

Mi látszik itt? Az, ami már a retention riportból is elkezdett kiderülni. Az első napon regisztráltak, ha ki is hagytak egy-két napot, vissza-visszajönnek 2-3 nap után. Lehet, hogy az ideális játékciklus nem 1 nap lenne, hanem 2?

Kedvenc riportom: aktív user-ek vs. retaining user-ek.

aktiv user-ek vs. retaining user-ek
aktiv user-ek vs. retaining user-ek

Ahogy azt írtam, az első nap után már semmit sem tettem bele a marketing-be. Ez az ábra mutatja a legjobban: ha lecsökken a user bázis, akkor ott szűrve szépen csak a “legjobb” felhasználók maradnak bent. Nekik magas lesz a visszatérésük és valószínűleg ez a néhány (35-40) user volt az is, akik behozták az utolsó pár napon a +10 új user-t – mindenféle költségek nélkül.

2 érdekesség a Gamification hatásáról:
1. Volt egy feltűnő trend a nyertes játékosok körében. Ez a 7 játékos, miután nyertek, már sokkal kisebb eséllyel jött vissza játszani. Lehet, hogy őket valahogy máshogy kellett volna visszacsábítani egy második körre?

játszott - nyert - nem játszott
játszott – nyert – nem játszott

2. A Power User-eknek (azaz, azok a játékosoknak, akik mindennap játszottak), több mint 50%-a mindennap ugyanazt a számot játszotta meg. (Az egyik nyertes egyébként pont közülük került ki.)

———————————————————————————

Akárhogy is, számomra ez egy izgalmas kísérlet volt – sok olyan dolog kiderült belőle, amiket már máshol is mértünk, de a titoktartás miatt nem publikálhattam! :-)

Remélem hasznosnak találtad és ha szeretnél feliratkozni az Adatlabor hírlevélre, ne habozz!

Tomi

Miért szeretem az adatelemzést?

Mostanában – így félévzárás után – sokat gondolkoztam azon, hogy vajon miért is szeretem az adatelemzést?

3 dolgot találtam.

1. Tényeket közlünk.

Több weblap-dizájner ismerősöm is van. Legtöbbjük iszonyatosan tehetséges, szuper weblapokat dizájnolnak, működő, korszerű kódokat tesznek mögéjük – de valahogy mindig van legalább egy ember az ügyfél oldalán, akinek valami apróság nem tetszik. “Szerintem ez nagyon zsúfolt”. Ez “nem a mi stílusunk”. “Valahogy olyan kicsik a képek.”

Az adatelemzésben azt szeretem, hogy bár mi is ugyanazokkal a felületekkel foglalkozunk, mint a webdizájnerek – amit mi mondunk, az objektív és emiatt elég nehezen támadható. :-) Egész egyszerűen számokkal tudjuk megmondani, hogy mi az, ami működik, mi az ami kevésbé… és százalékra (vagy forintra) pontosan azt is ki tudjuk mutani, hogy mennyivel jobb ez a valami, mint a másik valami.

Még nem volt olyan ügyfelünk, akinek ha megmutattuk, hogy ha ez a gomb zöld és nem szürke, akkor az +30% bevételt jelent (persze ez csak egy sarkított példa), akkor arra azt mondta, hogy “Hmm… de ez a zöld nem a mi stílusunk.” Ez persze nem csak azért jó érzés, mert nem kell felesleges dolgokon veszekedni, hanem azért is, mert mindenki dolgát megkönnyíti az, ha tiszta tényszerű adatok alapján tud véleményt formálni.

2. Emberekkel foglalkozunk.

Annak ellenére, hogy a fenti bekezdés alapján az adatelemzés egy elég objektív szakmának tűnik, a valóságban szubjektumokkal fogalalkozunk. Emberi viselkedéssel. Emberi döntésekkel. Emberi dilemákkal.

Miért ide kattint valaki és nem oda? Miért veszi a drágább csomagot? Miért kattan rá egy termékre? Miért utál valamit, amit nem is ismer? Mennyire tudatos? Érdekli egyáltalán, amit modani akarunk neki? Megtalálja, amit keres? Miért viselkedik úgy, ahogy viselkedik?

Ezek a kérdések borzasztóan izgalmasak, mert az embernek a tudatos és tudatalatti gondolatait kutatják… Nem lehet mindig mindegyikre választ kapni, de ha csak egy nap egy rejtélyt sikerül feltárni, akkor már rögtön úgy érzi az (adatelemző) ember, hogy egy kicsit jobban érti, hogy embertársai, mit, miért, hogyan, mikor és meddig csinálnak… És ez jó érzés!

3. Minden nap tanulunk.

Hogy csak egy példát ragadjak ki: az elmúlt egy évben viszonylag sok webshop-pal dolgoztunk. Végigelemeztük és optimalizáltuk a felületeiket: landing oldalaikat, üzeneteiket, termék- és listaoldalaikat, kosárfolyamataikat. Tanultunk nap mint nap, az adatokra és a felhasználók reakcióira, viselkedésére támaszkodva.

Nem állítom, hogy mindent tudok az e-commerce bizniszekről, de az biztos, hogy – ha belenézek az adataikba – bármelyik webshop-nak tudnék legalább egy olyan dolgot mondani, amit a többiek jobban csinálnak, elleshetnek, átvehetnek tőle.

Ezeket a dolgokat pedig nem lehet tankönyvől vagy egyetemeken megtanulni. Ezeket a dolgokat folyamatosan kutatni és mérni kell. Idézőjelesen “a vásárlóktól kell megtanulni”. Azért szeretem az adatelemzést, mert erre a tanulásra is lehetőséget ad.

Úgyhogy egyelőre maradunk a szakmában.
Ha szeretnél szakmai cikkeket olvasni a témában, iratkozz fel a hírlevélre és értesítünk az új bejegyzésekről!

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

Hogyan mérd az MVP-det?

Mostanában több viszonylag korai fázisú – MVP startoltatás előtti pillanatokban levő – startuppal is dolgoztunk 1-2-3 konzultáció erejéig – és mindig ugyanaz volt a kérdés: ha megvan az MVP, akkor hogyan – és főleg mit mérjünk?

Itt 3 főelv van:
1. Az OMTM-elv
One Metric That Matters – azaz egy darab célt jelölj ki! Egyet és ne többet! És ezt az egy célt helyezd a méréseid fókuszába. Hogy ez mi legyen azt iszonyatosan fontos már a startolás előtt, a legelején eldönteni.
Sok olyan cég van, aki megérzésből nyomja a dolgokat és adatok nélkül dönt. Aztán vagy bejön nekik vagy nem. De a másik véglet sem jobb – ha az ember 40 dolgot figyel egyszerre, akkor előbb-utóbb azon kapja magát, hogy egész nap csak a chart-okat nézegeti, de értelmes és értékes döntést még nem sikerült hoznia. Ha túl sok mindent mérsz, az összezavarhat. Legyen meg a fókusz: Mérj egy dolgot és határozza meg az, hogy merre mész tovább!

2. Engagement központúság
És hogy mi legyen az a bizonyos “Egy Mérés, Ami Számít”?
Természetesen ez a termékedtől függ, de MVP fázisban az biztos, hogy ez a metrika valahol az engagement, azaz a felhasználói elégedettség környékén keresendő.
NEM jó OMTM a regisztrált felhasználók száma. A regisztrált felhasználók száma semmilyen érdembeli visszajelzést nem ad a termékedről, maximum a value proposition-ödről (de azt jó esetben validáltad már eddigre landing page tesztekkel és kvalitatív vizsgálatokkal) vagy a marketing erődről. Egy csomó embert hallok büszkélkedni, hogy elérte a 1.000 (2.000, 5.000, stb…) regisztrált felhasználót. De ha ebből 10-15 aktív felhasználója van, akkor bizony az a 2.000 nem sokat ér.
NEM jó OMTM a bevétel nagysága/fizetések száma sem. Ehhez még túl korai szakaszban van a termék – úgyse fog elég pénz bejönni, akkor meg kár ezen stresszelni magadat.

A jó OMTM a termék használatára vonatkozik. Használják-e az emberek a főfunkcióidat? Minden funkciót használnak vagy csak néhányat? Úgy használják, ahogyan tervezted? És a legfontosabb: az első látogatás/regisztráció után visszajönnek mégegyszer használni a termékedet?

Jó mérőszámok lehetnek:
– az aktivált felhasználók száma  (pl. a Spotify-nál aktivált felhasználó az, aki beregisztrál és meg is hallgat legalább egy számot – a Prezinél aktivált felhasználó, aki beregisztrál, elkészíti és bemutatja az első prezijét, stb…)
– az aktivált felhasználók aránya (ugyanaz, mint a fenti, csak %-ban, hogy lásd, hogy a regisztráltak mekkora része aktiválódik)
– a visszatérő felhasználók aránya. Hányan döntenek úgy, hogy újra használják a termékedet?
– a visszatérés ideje. Mennyi idő után jönnek vissza az emberek? 1 nap, 1 hét, 1 hónap?

És emellett persze folyamatosan monitorozd azt, hogy melyik feature-öket használják az emberek és melyikeket nem.

3. Csináld meg egyszerűen!
Ebben a szakaszban az a lényeg, hogy gyorsan tudj mérni – ne tölts vele túl sok időt. Mivel lehet ezt megoldani? Ha csak nincs a kisujjadban a log-gyártás, akkor smart tool-okkal. Tök őszintén: valószínűleg egy jól beállított (konverziók, demográfia, stb.) Google Analytics is elég lesz. Ha pro akarsz lenni, akkor vagy egy Kissmetrics-et vagy egy Mixpanel-t felteszel az Analytics helyett, de ennél többre valószínűleg tényleg nem lesz szükséged ebben a szakaszban.

Mégegyszer összefoglalva:
1. Egy dolgot mérj!
2. Ez az egy dolog a termék használatára és a felhasználói elégedettségre fókuszáljon!
3. A lehető legegyszerűbben valósítsd meg (Analytics, Kissmetrics vagy Mixpanel)

Ha pedig egy szinttel feljebb lépnél, gyere el az Adatvezérelt Marketing Képzésünkre, ahol beszélünk linkkövetésről, AB-tesztelésről, UX kutatásról, a lepattanó user-ek visszanyeréséről és megannyi finomságról, ami ebbe a cikkbe már nem fért bele (még 6 szabad hely van)! :-)
http://adatlabor.hu/adatvezerelt-marketing-trening/

Mester Tomi

(Inspiráció: leananalyticsbook.com)

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

Adatsztori 1. rész: Minden biznisz mérhető

Minden üzlet mérhető. És legalább egy-két számmal minden üzletet mérni is kell. Ha ezt nem teszed meg, úgymond vakon fogsz repülni, fogalmad sem lesz arról, hogy mi miért történik – ha szerencséd van fent maradsz, ha nincs hipp-hopp eltűnsz. És hát ki akar hipp-hopp eltűnni?
A másik oldalról: ha igenis méred a teljesítményedet, akkor tudni fogod, hogy minek mi az oka, min, miért és mikor kell változtatni – hovatovább: akár meg tudod jósolni a jövőt is! És ez nem kuruzslás – ez tudomány, aminek a neve: adatelemzés.

Hogy tényleg minden üzlet mérhető, arra itt egy sztori/esettanulmány egyenesen San Diego-ból:

A Solare Ristorante egy olasz étterem San Diego-ban, amit Randy Smerik vezet. Randy technológiai területről érkezett, a Teradata-nál is dolgozott és egyébként 5 technológiai céggel hozott már össze sikeres exit-et. Úgyhogy érthető, ha az adatvezérelt gondolkodás közel áll hozzá. :-)

Solare Ristorante - San Diego
Solare Ristorante – San Diego

Egyik este az étteremben Tommy, Randy fia egyszer csak elkiáltotta magát: 24!
És hogy mit is jelent az, hogy “24”? Tommy elmagyarázta:

“Minden este a személyzet mond nekem egy százalékos arányt a személyzeti költségek és a profit hányadosáról. Ez hasznos, hiszen egy értékkel kontrollálhatok két nagyon fontos dolgot: az egy vacsorára jutó bevételt és kiadást.”

Randy elmagyarázta, hogy ha a személyzet költségei elérik a 30%-át az egész este bevételének, az rossz, mivel vagy azt jelenti, hogy túl sokat költ a személyzetre, vagy azt, hogy túl kevés bevételt termel az étkeztetéssel. Ez egy általános mérőszám minden étteremnél. Egy Michelin-csillagos étteremnél magasabbak a fizetések, de cserébe magasabbak a bevételek is (drága borok, drága ételek, etc.). Ugyanígy egy low-budget étterem nem termel annyi profitot, de emiatt a fizetések is lentebb vannak.

Ez az arány azért működik, mert:

  1. Egyszerű: hiszen egy darab számról beszélünk.
  2. Azonnali: minden este kiszámítható.
  3. Cselekvésre késztet: ha valami nem stimmel, próbálkozhatsz, a személyzeti költségek változtatásával, vagy upsell taktikákkal, áremeléssel/csökentéssel, stb, stb…
  4. Összahasonlítható: minden étterem mérheti és így tudsz viszonyítani.
  5. Alapvető: hiszen a legalapvetőbb mérőszámokból áll össze.

A megfigyelések szerint a 24% kb. a jó arány. 20% alatt sem tökéletes az élet: itt már elképzelhető, hogy minőségen aluli a kiszolgálás, ami hosszútávon nem vezet jóhoz.

Randy elárulta azt is, hogy nem ez az egyetlen mérőszámuk. Pl. megfigyelték, hogy az este 5-ig beérkező foglalások számának kb. 5-szörösére számíthatnak tényleges vendégekből. Így könnyedén meg tudja jósolni, hogy ha 50 foglalás érkezett be, akkor a staff-ot 250 vendégre készítse fel.

Nyilvánvalóan ezek olyan mérések, amelyeket nem mindenhol lehet univerzálisan felhasználni, de az üzenet így is ugyanaz:
Mindenki megcsinálhatja a saját méréseit és tudja építeni tudatosan, adatvezérelten az üzletét! Akár off-line, akár online dolgokról beszélgetünk!

És Te? Már elkezdted? :)

Tomi
A cikk forrása: Croll & Yoskovitz Lean Analytics (Use Data to Build a Better Startup Faster) c. könyve