startup címkével jelölt bejegyzések

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

Egyetemisták, figyelem!

(Ingyenes) “Business Intelligence és Big Data a marketing-ben” c. kurzust indítunk egyetemistáknak!
Itt megtanulhatod, hogy mi a valódi értelme az analitikának és az elemzéseknek. A képzés egyedülálló, mivel csak és kizárólag gyakorlati és valós üzleti helyzeteken alapuló példákat vizsgálunk és elemzünk. (Az elméletet meg meghagyjuk az egyetemnek. :-))
A résztvevők megtanulhatják, hogy hogyan lehet a különböző elemzéseket és kutatásokat valós stratégiai célokra felhasználni. Hogyan lehet belelátni a potenciális ügyfelek fejébe és hogyan lehet kiszedni az internetes adatokból azokat az információkat, amelyek majd az üzlet növekedéséhez vezetnek.

A képzés kitér arra, hogy hogyan használják a big data-t és az üzleti intelligenciát:
– a magyar és külföldi e-commerce szektorban
– a marketingben és a médiában
– a magyar és külföldi startup-okban

A képzés ingyenes és januártól júliusig havonta 1×3 órát vesz igénybe.
Nem titkolt célunk azonban, hogy a résztvevőket a kurzus elvégzése után bevonjuk különböző munkáinkba és valós projektjeinkbe is. Ezért, hogy a legmotiváltabb és a legtehetségesebb egyetemistákkal dolgozzunk együtt már ezeken az alkalmakon is, csak a legjobb 6 jelentkezőt tudjuk felvenni a kurzusra.

Alkalmas jelentkező vagy, ha:
– egyetemista vagy (!)
– kreatív vagy
– értesz legalább alapszinten a programozáshoz (vagy hajlandó vagy megtanulni januárig)
– egy alapszintű marketinges szemlélettel is rendelkezel

Ha így van, jelentkezz a tomi@adatlabor.hu-ra és írd meg maximum 100 szóban, hogy miért te vagy a legjobb (illetve, ha van, mindenképp dobj egy önéletrajzot vagy egy linked-in adatlapot magadról). Ja és ne felejtsd ki az életed eddigi legérdekesebb projektjét sem! (Meg hogy melyik egyetemre jársz.)

Hajrá! Várjuk a jelentkezéseiteket!

Mester Tomi

Uber + adatok

A lenti képeket az Uber blogjáról szedtem össze. Inkább persze szórakoztató, just-for-fun tartalmak, de azért érdekes, hogy mennyire részletesen figyeli az Uber stáb a felhasználói adatokat és hogy milyen ügyesen elemezgetnek belőle.

Pl. itt egy chart, ami rögtön igazolja a “társadalmi szerepvállalásukat” – az egyik görbén az alkoholból származó balesetek számát, a másikon az Uber rendelések/teljesítések számát látjuk.

uber hasznalat vs alkohol chart

 

Persze itt inkább az az érdekes, hogy pontosan látják, hogy mikor kell kiküldeniük több sofőrt az útra és mikor elég kevesebbet.

A másikon San Francisco-t látjuk és a tipikus utakat – honnan hova mennek az emberek. Ha kicsit több adatunk lesz, lehet, hogy Budapesten is kirajzolódik majd ilyen szépen a belváros.

San Francisco Uber használat

 

A harmadik ábra Vegas-ról szól – itt csak egyszerűen az útvonal célok vannak megjelenítve. Ha még nem volt Las Vegas-ban… Meg tudnád tippelni, hogy hol vannak a kaszinók? :-) Azt hiszem nem nehéz.

vegas_uber

 

Még több érdekes Uber adatot találsz a blogjukon: blog.uber.com #uberdata.

Mester 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

A közönség (vevők) megszerzésének szakaszai

Van egy nagyon egyszerű modell, ami a legtöbb technológiai újítás esetén jól leírja az új (fel)használók megszerzésének a folyamatát. Íme:

felhasználószerzés görbe

Ezt 1957-ben még 3 Iowa-i tudós dolgozta ki és mérte le, akkor még farmereken és a farmokon használt új mezőgazdasági eszközökön. Aztán visszaköszönt a 90-es években dotkom-korszak elején is a domain foglalások ütemében és milyenségében, majd az utóbbi években a startup-ok indulásánál és befutásánál – de még a webshop-ok, internetes boltok forgalmánál és ügyfélszerzésénél is.

Ami az érdekes benne, hogy az 5 csoport – azaz a leendő felhasználóid, vásárlóid, látogatóid – jól mérhetően különböző demográfiával és pszichográfiával rendelkezik.

1. Innovátorok (innovators): Az első felhasználóid, vásárlóid, stb… Körülbelül a piacod 2,5%-a. Azok az emberek, akik imádják az újdonságokat, mindig szeretnek a többiek előtt járni, mindent kipróbálnak és el is mesélik, hogy kipróbálták. A kutatások alapján a csoport jellemzője, hogy több pénzük van, magas a kockázat-vállalási hajlandóságuk és általában képzettebbek, tanultabbak is az átlagnál. Sokat osztanak meg, de a véleményük is élesebb. Ha valami jó, akkor az “az évtized találmánya”, ha nem jó, akkor “egy nagy kalap szar”.
A webshopok esetében különösen fontosak, hiszen ők azok, akik elmerik küldeni az első utalást, és ha jó terméket kapnak és gyorsan, akkor el kezdenek beszélni róla. A startup-oknál is, hiszen imádnak tesztelni, könnyű őket behúzni.
A veszély, hogy ebben a csoportban az emberek termékről termékre, szolgáltatóról szolgáltatóra ugrálnak. Őket sosem fogod sokáig megtartani – rajtuk túl kell lépni, de közben ki kell használni a szociális hálójukat, a megosztásaikban levő erőt. Az Innovátorokat tudod és kell katalizátorként használnod.

2. A befogadók (early adopters)Jellemzően az Innovátorok közeli vagy távoli vonzáskörében mozgó emberek. A céged életútjának második szakasza. Általában fiatalok, nem feltétlenül gazdagok, de ők is tanultak és jellemzően csoportvezetők vagy véleményvezérek. Ők is szeretik az újdonságokat, de számukra fontos, hogy valaki azokat ajánlja nekik. Szívesen kipróbálják és bár ők is kritikusak, ha tetszik, elkötelezetté válnak a márka iránt. Nagyon fontos nekik az egyediség, az hogy valami az átlagtól eltérő legyen.
A Befogadókra érdemes figyelni, hiszen ~13,5%-a a teljes piacodnak és nagy részük evangelista szerepet is betölthet később.

3. A SZAKADÉK és az Első tömeg (early majority): Ahogy azt látod a 3. lépcső előtt van egy szakadék, amire a szakirodalom “chasm” néven hivatkozik. Ennek az oka, hogy az egyébként jelentős méretű (34%) tömeg megszerzése azért nagyon nehéz, mert itt már “Mainstream” piacra lépsz, ami egy szögesen ellentétes stratégiát igényel. A neved márkanév lesz (pl. a webshop-oknál: Vatera – “elvaterázom az ágyam” – vagy a startup-oknál a Prezi – “megprezizem az előadásom”). A mainstream-nek egészen más igényi vannak, mint az eddigi underground-nak. Konzervatívabb közönség – persze nyitott az újdonságokra, de pont azt az “átlagtól eltérőséget”, vagy jópofaságot tolerálja nehezebben, amit a Befogadók még szinte követeltek. A

prezi régi menü
prezi régi menü

legegyszerűbb példa, amikor a Prezi mainstream piacra lépett (elérte a több milliós felhasználószámot), az egész kezelő felületét lecserélte, pontosan emiatt az igényváltozás miatt. Akkor sok kritikát kapott a cég, hogy “eltűnik az egyedisége”, vagy hogy sokkal PowerPoint-osabb lett, de a valóság az, hogy egyszerűen csak használhatóbb lett és

prezi váltás utáni menü
prezi váltás utáni menü

az új felhasználók, az Első tömeg felhasználói jobban is szerették.

Ezért éles ez a váltás és egy cég életében itt kell a legjobban stratégia szempontból odafigyelni. Ha változtatni kell, gyorsan észre kell venni az igényt.

Késői tömeg és a Lemaradottak: Ha a mainstream-re sikeresen belép az ember, akkor ez a két maradék csoport (ami egyébként összességében 50%-a a közönségnek) szinte már magától befolyik. Nekik tudatosan, következetesen és kitartóan kell marketing-elni. A kutatások alapján idősebb és szociálisan kevésbé aktív emberek tartoznak ebbe a csoportba.

És még egy gondolat zárásként! Számodra a legfontosabb valószínűleg az első 2-3 csoport lesz. Ahhoz, hogy megértsd, hogy a Te felhasználóidnak mik a specifikus igényei, azaz ki a valódi célcsoport számodra – főleg a korai szakaszban – ezeken az általános elveken túl mindig érdemes a közönségelemzés és a tesztelés eszközeihez nyúlni! Ezekről még később írok!

Mester Tomi

Startup adatelemzés interjú(k) – összefoglaló

Update – új részek!:
5. Startup adatelemzés interjú I. – Ustream
ustream logo startup interjú

A Startup adatelemzés interjú eddigi részei:

prezi startup logo Gooddata logo Evernote logo brickflow logo startup interjú eventbrite logo

1. Startup adatelemzés interjú I. – Prezi
2. Startup adatelemzés interjú II. – Evernote, Eventbrite, GoodData
3. Startup adatelemzés interjú III. – Brickflow
4. Startup adatelemzés eszköztár – AB-teszt, szegmentálás, kohortok

Ha többet akarsz tudni vagy esetleg Te is leülnél beszélgetni, keress meg. Ha további cikkekre is kíváncsi vagy, iratkozz fel lent a hírlevélre és az elsők között értesítelek, ha fontos újdonságot olvashatsz! :-)

Mester Tomi

Startup adatelemzés interjú III. – Brickflow

brickflow logo startup interjúA Brickflow csapatának két tagjával beszélgettem: Kökény “Tojás” Tamással társalapítóval, aki a fejlesztőcsapatot is vezeti, illetve Ryan C. McCabe-bel, aki adatelemző gyakronokként erősíti a Brickflow-t. A legérdekesebb történetük az volt, hogy hogyan pivot-oltak és kerültek növekedő pályára újra AB-teszteléssel – de esett szó minden másról, ami egy kicsi, de sikeres startup életében az adatelemzéssel kapcsolatban felmerülhet.

Mester Tomi: Mindenek előtt… Mi az, amin dolgoztok, mi a koncepció a Brickflow mögött?

Kökény "Tojás" Tamás - Brickflow, Lead Developer
Kökény “Tojás” Tamás – Brickflow, Lead Developer

Tojás: Jelenleg egy olyan alkalmazást fejlesztünk, ami segít a Tumblr felhasználóknak növelni az olvasószámukat, reposztolni a posztjaikat, megmutatjuk nekik, hogyan tudnak jó tartalmakat adni az olvasóiknak és hogy kiket kéne követniük, illetve vissza-követniük. Összességében ez egy marketing eszköz Tumblr-re, de mi nem a marketing ügynökségekre fókuszálunk, hanem a tinédzserekre. Az érzésre, hogy “egyedül vagyok”, “nem figyelnek” rám, kínálunk megoldást, segítünk több olvasót szerezni és az érdekes tartalmakat eljuttatni a megfelelő közönséghez.

– Akkor sokat változtatok az elmúlt időkben. Mikor utoljára hallottam rólatok, Twitter-rel, Facebook-kal és hashtag-ekkel foglalkoztatok…
Igen, időközben pivot-oltunk és ami azt illeti, ez egy nagyon is adatalapú döntés volt. Az előző termékről kiderült, hogy nem tud olyan ütemben növekedni, ahogy terveztük. De már sok felhasználónk volt, így közben láttuk, hogy az emberek főleg arra használták a Brickflow-t, hogy összegyűjtsenek dolgokat és nem arra, hogy valami újat csináljanak. Ezért futattunk egy AB-tesztet, amiből kiderült, hogy a keresés a termék lelke és nem a tartalomépítés. De a “value propostion”-t, a valódi és egyedi értéket még mindig nem láttuk tisztán. Ezért február környékén elkezdtünk különböző egyszerű nyitóoldalakat tesztelni – összességében 6 vagy 7 különböző “value proposition”-t néztünk meg és kiderült, hogy kb. 4-szer akkora konverziónk van Tumblr-ös verzióval, mint a Facebook-ossal, a Pinterestes-sel vagy akármelyik másikkal.
Ez volt az első alkalom, hogy teszteléssel találtuk meg a megfelelő utat és elkezdtünk növekedni. És még sohasem volt ilyen nagy a növekedésünk, mint most: 10-15%-ot növünk hetente, úgyhogy úgy tűnik végre igazi termékké váltunk.

– Publikus, hogy hány felhasználótok van most?
– Igen, most kicsivel több, mint 60.000 felhasználónk van. Nemsokára jön az IOS app is és a fundraising-et is elkezdtük.

– Még viszonylag a korai szakaszban vagytok, úgyhogy jól rálátsz erre… Mit gondolsz, mikortól érdemes vagy mikortól lehet elkezdeni az adatokkal foglalkozni egy startup életében?
Ami azt illeti, már a legelejétől. Persze óvatosnak kell lenni, mert az elején nagyon kevés adatpontod lesz, pl. egy AB-teszten 5-600 felhasználó. Ilyenkor sokáig kell várni az eredményekre, nem úgy mint mondjuk a Prezinél, ahol a felhasználók 5%-nak odaadsz egy funkciót és másnap már látod az eredményeket. :-) De ha én most kezdenék új projektbe, biztosan nem vágnék bele egy gyors validáció, pl. egy nyitóoldal teszt nélkül. Ha van egy jó ötleted, tesztelni kell, valódi számokat kell látnod.
Aztán az elején lehet mérni a marketing csatornákat is. Ez az egyik legfontosabb, hiszen először itt tudod követni a növekedést.

– Most milyen eszközöket használtok?
– Ez elég nagy kihívás, mivel egy kisebb cégnek még nincsenek túl nagy erőforrásai, nem tud 100 gépes parkokat bérelni, stb… Eleinte a Mixpanel, a Google Analytics és a KissMetrics persze elég, de amint elkezdesz sok tesztet csinálni és egyedi mérésekre van szükséged, ezek már nem tudnak kiszolgálni. A Hadoop és egyéb nagy rendszerek pedig túl nagy lépés lennének rögtön ezek után. Ezen a szinten szerintem mindenki elkezdi a saját adatelemző rendszerét csinálgatni, amit a cégnek magának kell kitalálnia. Mi is ezt csináljuk.

– Hányan vagytok a Brickflow-nál?
– Kb. 10-en vagyunk. 3 marketinges, 4 fejlesztő és 1 ember az üzleti oldalról, plusz néhány részmunkaidős. A csapatban amerikaiak is vannak, ami jó, mert így angolul is beszélhetünk és ők azért közelebb vannak az amerikai kultúrához is. Ami itthon menő, az nem feltétlenül az Amerikában és ezt ők jobban látják.

– És ti mivel foglalkoztok pontosan?
Tojás: Én vagyok a vezető fejlesztő és az alapítók egyike is. Így a többi fejlesztőt koordinálom és persze vannak alapítói tennivalóim, pitch-elés, stb. A fejlesztői oldalról én foglalkozom a legtöbbet a fontos alapmetrikákkal, az elemzésekkel és a tesztekkel.

Ryan C. McCabe - Brickflow, Data Analyst Intern
Ryan C. McCabe – Brickflow, Data Analyst Intern

Ryan: Én is elemzésekkel és méréssel foglalkozom. Olyanokkal, amikre nem biztos, hogy lenne másoknak idejük az irodában, de azért mégiscsak mindenkinek tudnia kéne róluk. Mint pl. hány ember oszt meg tartalmat, vagy hogy mi a nyitóoldal konverziója. Riportokat készítek és prezentálok a kollégáknak. Pl. múlt héten találtam egy problémás eset, ahol a megosztások kb. 20%-a egy hibaüzenettel végződött. Itt muszáj volt kideríteni, hogy melyik oldalról jön a hiba, a mi alkalmazásunk felől vagy a külső alkalmazásokból.

Tojás: Igen és ezek olyan adatok, amik néha egyszerűen csak érdekesek, de sokszor emellett még nagyon hasznosak is. Sajnos egy marketingesnek vagy egy fejlesztőnek egy kis cégnél sokszor nincs ideje arra, hogy megnézze, mi éppen a legeslegnagyobb probléma, mi a legeslegfontosabb dolog, amivel foglalkozni kell, ilyenkor jó, ha az elemzésekből rögtön visszajelzést kap.

– Mi volt a legnagyobb tanulság eddig?
– Igazából ez volt az első alkalom, amikor igazán adat-vezérelten döntöttünk. Sokat tanultunk a lean valódi jelentéséről – de ehhez mindenképpen kellettek bukások is. Még mindig vannak nem lean-es folyamataink és azért azt is látni kell, hogy egy ideig eltart míg az ember tényleg data-driven-né válik. Data-driven-né, jó értelemben. Meg kell találni az egyensúlyt, hogy mikor kell mérni és mikor kell egyszerűen csak dönteni, ha esetleg valami triviális volna vagy éppen nagyon nehéz lenne lemérni. Folyamatosan tanuljuk ezt, de azt hiszem a tavalyi év óta nagyon sokat fejlődtünk.

– Köszönöm szépen a beszélgetést!
Mester Tomi

A Startup adatelemzés interjú többi része:
Startup adatelemzés interjú I. – Prezi
Startup adatelemzés interjú II. – Evernote, Eventbrite, GoodData
Startup adatelemzés eszköztár – AB-teszt, szegmentálás, kohortok
És persze, ne felejts el feliratkozni az ingyenes hírlevélre!

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 adatelemzés interjú II. – Evernote, Eventbrite, GoodData

Mikor legutóbb San Francisco-ban jártam, a Prezinek hála volt szerencsém néhány nagyobb sikeres startup adatrészlegének a képviselőjéve beszélgetnem, úgy mint az Evernote, az Eventbrite vagy a GoodData. Mivel ezek nem klasszikus interjúk, hanem inkább ötletelések voltak, csak röviden egy-egy gondolatot emelnék ki belőlük, ami az itthoni startup-oknak szerintem a leghasznosabb lehet.

GOODDATA

Gooddata logoA GoodData 40000+ olyan cég adatvizualizációjához adnak platformot, mint a Zendesk, a Virgin America, vagy más nagy amerikai vállalatok. Ray Light-tal, az ügyfélkapcsolati igazgatóval ültünk le, aki pozíciójából fakadóan nagyon sok üzletág adat-startégiájára rálát.

Rey a GoodData-ból
Ray a GoodData-ból

A beszélgetés legérdekesebb pontja az volt, amikor Ray a felhasználók “életútjáról” beszélt. Mint mondta, az adatelemzés segítségével fel lehet állítani egy ún. “sikeres-felhasználó életutat” és ha ez megvan, azokra a látogatókra kell kiemelt figyelmet fordítani, akik még épphogy elkezdtek letérni az útról. Ez önmagában még nem lenne nagy találmány, de amit ezután mondott, azt úgy gondolom, minden cégnek meg kéne fogadnia, mégpedig: az olyan user-eket, akik már nagyon messzejárnak ettől az ösvénytől, már nem érdemes piszkálni – ugyanis náluk már nagyobb az energiabefektetés, mint a nyereség. Fölösleges nekik extra-kedvezményt felajánlani vagy most-vagy-soha hírleveleket kiküldeni. A legrosszabb felhasználóinkat egyszerűen el kell engedni, a tapasztalat azt mutatja, hogy ha ők nem akarják használni a termékünket, akkor úgysem lehet őket hosszútávon gazdaságosan meggyőzni erről. Amúgy is: jönnek helyettük sokkal jobbak! :-)

EVERNOTE

Evernote logoAz Evernote-nál Koundinya Pidaparthi-val (Analytics Manager) és Damon Cool-lal (Director of Analytics) egy nagyon izgalmas eszmecsere alakult ki arról, hogy hogyan érdemes szegmentálni a user-eket, illetve hogy mi ennek a haszna. Az ő eredményeik azt mutatják, hogy ha olyan széles és sokrétű közönségre lő a termék, mint az Evernote és emiatt nagyon sokfajta felhasználója van az embernek, a kvantitatív analízis – azaz a bigdata-ba való mély leásás nem mindig segít.

Koundinya az Evernote-tól
Koundinya az Evernote-tól

Ugyanis ha az ember talál egy különösen aktív részcsoportot, akkor nagy eséllyel az a csoport csak egy nagyon-nagyon kicsi része az összes user-nek, éppen ezért iszonyatosan nehéz az ő eredményeiket felskálázni az összes felhasználóra. Szerintük sokszor célravezetőbb a visszamenő elemzések helyett sok-sok user-tesztet csinálni (felhasználói élmény teszt, kvalítatív analízis) és az ott kapott következtetéseket és ötleteket okosan AB-tesztelni.

EVENTBRITE

Az Eventbrite irodája
Az Eventbrite irodája

Az Eventbrite-nak már csak az irodája is megérne egy misét – de adat szempontból is ők hozták az egyik legnagyobb tanulságot a San Francisco-i utam alatt. A módszer, amit kifejlesztettek, nem új – a multik, a telekommunikációs cégek és a bankok, már régóta használják. De én startup-oknál még soha sem láttam. Feltűnt, hogy ha felhívod a bankod vagy a mobilszolgáltatód, akkor az ügyintéződ rögtön tud neked ajánlani 3 kedvezőbb csomagot? Az ügyfél-kártya módszer egy igazi kis csemege az adatok használatában. A bigdata-nak hála ma már könnyen elérhető az, hogy az összesített használati adatod (pl. telefonálási szokások, bankkártya használati szokások) a hívás pillanatában megjelenjen az ügyintéző képernyőjén és valós időben feldobjon neki 3 olyan ajánlatot, ami neked nagy eséllyel tetszeni fog. Félreértés ne essék: ez egy win-win szituáció, itt tényleg olyan csomagot kapsz, amivel jobban jársz, a cég pedig azért jár jól, mert boldogan távoztál és valószínűleg nem mész át egy konkurenshez. És ez a séma működhet a startup-ok support csatornáin is – sőt kis kreativitással és odafigyeléssel az egyes marketing csatornákon is (pl. email kampányok)! Minél személyesebb a tartalom, annál nagyobb az ügyfél-elégedettség.

Remélem neked is tanulságos volt ez a 3 gondolat ettől a 3 nagy sikerű startup-tól! A következő interjúban újra magyar startup-ok jönnek!

Tetszett a cikk?

Nézd meg az adatelemzés és startup-ok sorozat többi részét is: 1. Startup adatelemzés interjú I. – Prezi
2. Startup adatelemzés interjú III. – Brickflow
3. Startup adatelemzés eszköztár – AB-teszt, szegmentálás, kohortok

És ne felejts el feliratkozni se!

Mester Tomi