üzlet címkével jelölt bejegyzések

Adatvezérelten – az első pár lépés

Az utóbbi időben több képzésünkön is előjött a kérdés, hogy ha egy már működő online biznisz per-pillanat még semmilyen szinten sem elemzi a saját adatait, akkor mégis hogyan lehet és hogyan érdemes belevágni.
A hosszútávú, profi megoldás persze az, hogy ha felépíted minél előbb a saját adattárházadat, amiből függetlenül és rugalmasan tudod elemezni az adataidat. De hát azért elég gyakori, hogy erre se pénz, se idő, se emberi erőforrás nem áll rendelkezésre.
Ha ez Veled is így van, akkor most leírok három projektet, amivel kis ráfordítással nagy hasznot érhetsz el.
De mindenek előtt: mi lehet ez a haszon?

Adatvezérelten – az első pár lépés bővebben…

A “leggonoszabb” és egyben leghatékonyabb tesztelési módszer

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

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

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

A robotok ébredése

“…Manapság az online világban nem csak mi vagyunk, emberek, hanem rajtunk kívül robotok és botnetek milliói is a miénkhez hasonló aktivitásokat hajtanak végre a különböző weboldalakon, alkalmazásokban, sokszor elég nagy kárt okozva ezzel az online reklámpiac szereplőinek. Mi azzal foglalkozunk, hogy olyan technológiát fejlesszünk ki, ami képes megkülönböztetni az emberi interakciókat a robotokétól…”

Nagy István

István Data Scientist-ként azon dolgozik az Enbrite.ly-ban, hogy megtisztítsák az online hirdetési piacot azoktól a robotoktól, akik lekattintják az online hirdetések nagy részét, ezzel kárt okozva a hirdetőknek, vagy akár a publishereknek is. Mindezt úgy, hogy a rengeteg hozzájuk érkező adatból be tudják azonosítani, hogy az adott online tevékenységet egy ember vagy egy robot végzi.
A B-DATA2 konferencián is erről fog beszélni – hogyan működik ez és milyen adatokból tudunk dolgozni.
A robotok ébredése bővebben…

Az IT és az üzlet keresztútja

“…”szerencsére” jött a válság. Ezt megelőzően a sales terület hasraütés-szerűen mondta meg, hogy mikor és hol mit fog árulni és hogyan. Nem mértek semmit, mert látták, hogy jönnek az új ügyfelek, jön a volumen. Nem volt arra igény, hogy elemezz, jött a pénz és ettől mindenki boldog volt. Aztán minden megváltozott…”

lindwurm.tamas
Lindwurm Tamás

A B-DATA2 Konferencia egyik előadója Lindwurm Tamás lesz, akivel egy rövid interjút is készítettünk, hogy jobban megismerjétek.

Tamás 2008 óta foglalkozik adatelemzési, döntéstámogatási  és adatvizualizációs feladatokon a pénzügyi és telekommunikációs szektorban. Részt vett többek között CRM-bevezetés, adatpiac-építés, kampányoptimalizálás, ügyfélérték-számítás és szegmentációs projekteken.

Az IT és az üzlet keresztútja bővebben…

Szignifikáns vagy sem? Így mérd az AB-teszted eredményességét

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

Mitől függ?

Alapvetően 3 dologtól:

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

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

Optimizely - Sample Size Calculator
Optimizely – Sample Size Calculator

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

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

3 egyéb mód a szignifikáns kontra nem szignifikáns kérdés eldöntésére:

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

1. T-próba:

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

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

2. Trend chart-ok:

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

AB teszt trendek, szignifikáns vagy sem?
AB teszt trendek

3. AAB(B) teszt:

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

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

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

Ha szeretnél hasonló bejegyzéseket olvasni, iratkozz fel a Hírlevélre!

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

Tomi

Big Data könyv 1. rész – Mit érdemes olvasni?

A nyáron volt egy kis időm olvasgatni, így hát beszereztem több Big Data könyvet is!

Big Data Könyv 1 - Schönberger, Cukier1. Viktor Mayer-Schönberger & Kenneth Cukier: Big Data

értékelés: 2/10
Őszintén: nagyon megbántam, hogy rászántam az időmet erre az írásra. 200 oldalon keresztül sztorizgat, hasonlatokat hoz – néha nem is Big Data-ról – és a tényleges tartalmát kb 5 oldalban össze lehetne foglalni. A stílusa élvezhetetlen, nagyon szájbarágós, folyamatosan ismételgeti önmagát – ráadásul olyan dolgokban (korreláció vs. kauzalitás), amiben nem is feltétlenül van igaza. A jó történeteket (Google Flue Trends, Netflix, Amazon, etc.) egyébként már mind-mind olvashattuk online a kiemelt hírek között is az elmúlt 10 évben.
Azoknak ajánlom, akik szeretnének egy új – trendi – társalgási témát bedobni az esti borozgatásokhoz a baráti társaságban… De gyakorlatiasságra vagy arra, hogy megtudd, mi az a Big Data, ne számíts! (Ez csak azért szomorú, mert – megtévesztő módon – ez a könyv címe.)

Big Data könyv 2 - Lean Analytics2. Croll & Yoskovitz: Lean Analytics

értékelés: 9/10
Ellentétben az előző könyvvel, ezt 100%-osan ajánlom mindenkinek, aki adatvezérelten akar akármilyen bizniszt felépíteni. Nem kifejezetten Big Data könyv, sokkal inkább adatstratégiáról szól, de nagyszerű gondolatindító. Ha big data-val fogsz dolgozni üzleti fókusszal, akkor egyértelműen alapmű. Ha pedig ugyanezt teszed, de technológiai fókusszal, akkor ez a minimum, amit látnod kell az üzleti oldalról.
A könyv legnagyobb előnye, hogy nagyon-nagyon gyakorlatias. 31 fejezeten keresztül leírja az összes módszertant, illetve tesztelési, elemzési és egyéb praktikákat, amelyeket a menő “data-driven” cégek már kipróbáltak és sikerrel alkalmaznak. Minden fejezet végén megkapod a saját kis “házi feladatodat”, így rövid távon gyakorlatba ültetheted a tudást.

Big Data Könyv 3 - I heart logs3. Jay Kreps: I heart Logs

értékelés: 8/10
Ha az előző írás a startégiai, akkor ez a technológiai alapmű. Jay Kreps a LinkedIn adatinfrastruktúráját építette fel és közben olyan Big Data technológiát támogató open-source projekteket hozott létre, mint a Kafka, a Samza vagy az Azkaban. Ebből sejtheted, hogy nagyjából a füzet minden szava arany. Sajnos elég rövid (50 oldal), de egyúttal tömör és lényegretörő is. Mire a végére jutsz, biztosan érteni fogod, hogy mi az a log, mi köze van ennek a Big Data-hoz és hogy hogyan kell összedrótozni egy normális adatinfrastruktúrát. Betekintést kaphatsz abba, amit a LinkedIn anno a saját bőrén tanult meg – ami nem csak érdekes, de iszonyatosan hasznos is.

A könyveket itt veheted meg:
I heart Logs: http://shop.oreilly.com/product/0636920034339.do
Lean Analytics: http://leananalyticsbook.com

Ha pedig tréningen vagy képzésen ismerkednél meg az alapokkal:

Big Data Képzés: KLIKK!
Adatvezérelt Marketing Képzés: KLIKK!

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)

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

Lindwurm Tamás
Lindwurm Tamás

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

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

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

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

ügyfélérték diagramm

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

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

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

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

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

Lássuk ezt egy idődiagramon:

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


Néhány ötlet a visszamérésekhez:

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

Milyen pozitívumokat várhatsz a folyamattól:

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

Szóval, belevágsz? :-)
Lindwurm Tamás

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