üzlet címkével jelölt bejegyzések

Top-Adatelemző/BI eszközök (, amelyekről nem gondolnád, hogy ingyenesek)

Micsoda!? Ingyenes A/B tesztelő szoftver? Ingyenes hírlevél motor? Ingyenes funnel-metrika/KPI-metrika építő eszköz?
Nos, igen. Létezik. Minden cégnek és minden projektnek más-más adatelemző/big data/BI eszközcsomag az optimális. Azonban vannak tool-ok, amelyek mindenkinek alapvetés kellene, hogy legyenek. A vicc pedig az, hogy ezek ingyenesek. Legalábbis egy bizonyos cégméretig. Pl. ott az Optimizely – mindenki csak annyit tud róla, hogy kb 30.000$-nál kezdődik az éves előfizetésük, de azt már kevesen tudják, hogy 50.000 egyedi látogató/hó méretig (ami lássuk be, nem kevés) teljesen ingyenes. Nézzük szépen sorban a legmenőbb eszközöket, amelyeknek hasonlóan barátságos az árazási modelljük.

Mixpanel
mixpanel logoVan Google Analytics-ed? Szuper. Mi hiányzik belőle? Pl. az egyedi mérések és definíciók. Vagy az, hogy minden egyes felhasználót/felhasználói szegmenst vagy csoportot e-mail cím szerint láss. Vagy az, hogy ha egy user-ed eljutott valameddig a vásárlásban, de utána abbahagyta folyamatot, autamatikusan kapjon egy visszacsábító e-mail-t (, aminek a tartalmát akár A/B tesztelheted is)?
Ezt mind-mind tudja a Mixpanel. Sőt ennél még sokkal többet. Gyakorlatilag mindent, amit egy saját big data adatbázissal meg tudsz csinálni.
Az ára pedig 25.000 egyedi felhasználóig ingyenes.
Implementálás – megfelelő szakértelemmel – pár óra.mixpanel
Optimize.ly
Optimizely logoA/B tesztelő motor. A legjobb. Komolyan, az Adatlaborral sok ügyfélnél, sok fajta A/B tesztelő eszközt használtunk és végül az Optimizely mellett tettük le a voksunkat. (A VWO a második a sorban, de ott gyakran váratlan bug-okba, kis hibákba futottunk, ami bizony elég idegesítő tud lenni.) Ami csábító benne, hogy WYSIWYG, azaz “What you see is what you get” (azt kapod, amit látsz), tehát ha egy egyszerűbb tesztet össze akarunk dobni, akkor nem kell programoznunk, hanem elég egy grafikus felületen dobozokat tologatnunk.
Emellett kb. minden integrálható bele, pl. a fent említett Mixpanel, de a Google Analytics, a CrazyEgg, a Mouseflow és minden egyéb tool is.
Persze egy-két trükkel és best practice-szel még jobban ki tudjuk aknázni a tudását (pl. honlapátirányításos A/B teszt), de ha az árazáshoz jutunk megint meglepő fordulatot látunk (ahogy fent is írtam):
50.000 egyedi user/hó méretig ingyenes. (Ha pedig ezt túlléped, egyszerűen csak leáll a teszt.) Ebben az a szép, hogy 50.000 user-ből 100-ból 99 projektben már simán jönnek ki szignifikáns eredmények, úgyhogy ennél nagyobb motorra – legalábbis magyar viszonylatban – nincs is szükség.

Mouseflow
A Mouseflow-val 3 dolgot tehetsz meg:
1. Felveszed a látogatóid egérmozgását és visszanézed.
2. Ezekből kattintási/egérmozgatási hőtérképet készítesz.
3. Görgőzési hőtérképet készítesz.
Mind a három iszonyatosan fontos ahhoz, hogy megértsd, hogy mi miért és hogyan történik a honlapodon. Meglepődnél, hogy mennyire máshogy rajzolódik ki egy-egy kattintáshőtérkép egy-egy CTA gomb körül, ahhoz képest ahogy az a dizájnered vagy a Te fejedben megjelenik. Itt egy rövid videó a Mouseflow-ról:

A Mouseflow-nak is van ingyenes verziója, amiért 100 képernyőfelvételt nézhetsz végig havonta. Ez amúgy önmagában érdekes és hasznos is, azért egy hőtérképre inkább jobb a small csomagjuk (1000 felvétel/hó 15$-ért) vagy esetleg a medium (10000 felvétel/hó 60$-ért).
Implementálás – kb. 10 perc. :-)

Összefoglalás
Ez a 3 eszköz általában minden igényesebb adatelemzési/online termékkutatási projektnél jelen van. Azt hozzá kell tenni, hogy alternatíváik vannak. Egyrészről, amit tudni kell, hogy egy bizonyos méret után a házon belül fejleszett big data eszközök már jobban megérik anyagilag. Másrészt pedig más ár-érték arányban az alábbi tool-ok szolgálhatnak még jó példaként:
1. Mixpanel helyett: KISSmetrics
2. Optimizely helyett: VWO
3. Mouseflow helyett: ClickTale vagy CrazyEgg

Ha arra vagy kíváncsi, hogy hogyan lehet ezeket az eszközöket stratégiailag is alkalmazni, ne hagyd ki a ma esti (hétfő 04.13. 19:00) Big Data Adatstratégia webináriumunkat!

Mester Tomi

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

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

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

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

fab AB teszt piros

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

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

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

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

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

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

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

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

Mester Tomi

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

A limonádés stand – avagy mit is kéne mérni?

“Ahhoz, hogy eldöntsd, mit is kéne mérned, olyan egyszerűen le kell tudnod írni az üzleti modelledet, mint egy limonádé árusító stand. Lépj egyet hátra, felejts el minden részletet és csak az igazán fontos összetevőkkel foglalkozz.” (Croll & Yoskovitz – Lean Analytics)

Croll és Yoskovitz szerint egy induló vállalkozásnak az egyik legjobb szimbóluma egy limonádé árusító stand lehetne. Könnyű megérteni belőle, hogy hogyan is működnek az üzleti modellek.

Mert hát hogy is működik egy sikeres limonádé árusító? Természetesen több pénzt keres a limonádé eladásából, mint amennyi költséggel az egész jár. Mik lehetnek a költségek?
– összetevők ára (citrom, cukor, poharak, víz)
– az egyszeri marketing kiadások (maga a pult, kóstolók, szórólapok)
– órabérek (ami persze gyerekkorban még nem is olyan fontos :-))

A számítás könnyű:
((Eladott italok száma) * (Ital ára)) – ((összetevők * elkészített italok száma) + (marketing kiadások) + (órabérek))

Ha ez az összeg pozitív, akkor nyereséges az üzlet, ha negatív, akkor nem az.

De ez mégsem ilyen egyszerű, hiszen a képletet befolyásolja a citrom árváltozása, az időjárás (vevőszám változás), az átmenő forgalom a környéken. Egyszóval rengeteg dolog, amire nehéz előre gondolni.
És mitől lesz mégis sikeres a limonádé árus?
Egyrészt, ha az előzetes számításokat elvégezte, másrészt, ha a felmerülő körülményekből származó hatásokat folyamatosan monitorozza (azaz méri), nézi, hogy mi milyen hatással volt az üzletmenetre és ezek fényében változtat.
Pl. ha a citromot a sarki árustól vette, aki a növekvő forgalom miatt felemeli a citromárakat, akkor a limonádé szakemberünk értelemszerűen rögtön reagálni fog rá és más beszállítót keres. Ha látja, hogy a környéken nagy lezárások vannak, akkor áthelyezi a székhelyét.

A különbség az online bizniszek és a limonádé stand között csupán annyi, hogy online sokszor ezeket a körülményeket nem tudjuk automatikusan észlelni és szétválasztani egymástól. Csak azt látjuk, hogy kezdenek fogyni a user-eink, de azt nem értjük, hogy miért – hiszen az egész egy láthatlan térben történik, tőlünk távol. Viszont ha mindent követünk, mérünk és adatokkal támasztunk alá, akkor ez a probléma megszűnik. Ha A/B teszteljük a marketing kampányainkat, ha UTM-kóddal látjuk el minden Facebook linkünket, ha szegmentáljuk a felhasználóinkat kor és nem szerint, stb…, egy pillanat alatt észlelni fogjuk, hogy mi az ok és mi az okozat és legfőbbképpen azt, hogy hogyan kell változtatnunk, hogy továbbra is sikeresek maradjunk.

Úgyhogy gondold végig még ma az üzletedet egy lépés távolságból! Mik a főbb összetevők és hogyan lehet ezeket mérni. Majd menj bele a részletekbe is, hogyan tudod követni az apró változásokat, hogyan tudsz mindent szem előtt tartani! A hasznod pedig az azonnali és folyamatosan fejlődő stabil üzletmeneted lesz! :-)

Mester Tomi

Lead, Lag, WIG – célok 2015-re

Egyébként ez az utolsó bejegyzésünk idén. Még lezárunk egy-két projektet, aztán mi is megyünk karácsonyozni. De egy rövid gondolat még – mivel sokaknál amúgy is most vannak az év végi értékelések. És ami még fontosabb, nem sokára jönnek az évindító stratégiai szuper-meetingek, a 2015-ös nagy célok felállításaival.

Egy nagyon jó modell, amit a Prezinél láttam (,de pl. az Adatlabornál is ezt használjuk):
4DX (The Four Disciplines of Execution)
(Az egész könyv első fejezetét itt is eléritek, illetve feltettem a szakmai anyagok közé is, de röviden a könyv célokkal kapcsolatos lényege.)
A 4DX szerint  a céljainkat 3 csoportba oszthatjuk: WIG, LAG, LEAD.

Lead Lag WIG
Lead – Lag – WIG — összefüggés

WIG: wildly important goal – azaz a legvégső célod. Legtöbbször ez a cél a profit. Ez nem csak az anyagiak miatt van. A profit nem csak azt mutatja meg, hogy mennyivel leszel gazdagabb, de egy jó mérőszám arra, is hogy a terméked vagy szolgáltatásod valóban értéket képvisel-e. Hogy a lehetséges ügyfelek tényleg fizetnek-e érte, hogy tényleg szüksége van-e a piacnak arra, amit csinálsz. Ha nem, akkor valami nem jó és ezt a legeslegjobban mindig a pénzügyi mutatók mutatják. Én hiszek abban, hogy emiatt – ha csak nem non-profit szektorban vagy – a profit/bevétel egy jó végső mutató és célérték.

LAG: A LAG-ek azok a minicélok, amelyek támogatnak téged a WIG elérésében. Pl. hány vásárlód van, mennyire értékes terméket tudsz eladni. De lehet LAG a hírlevél feliratkozók száma, a Facebook Like-ok száma, stb… A LAG definíciója: egy olyan cél, aminek az elérését nem tudod közvetlenül befolyásolni (pl. egy Facebook like megszületése az oldaladon nem a te döntésed, hiszen, az már a látogatód választása, hogy megnyomja-e a gombot vagy sem), de jó visszajelzés arról, hogy közelebb vagy-e a WIG-hez, a végső célodhoz vagy sem. A LAG-eket ezért mindig csak utólag tudod ellenőrizni.
A LAG-eknél a legnagyobb csapda, hogy bizonyos üzletágakban vannak totálisan irreleváns LAG-célok. Pl. van ahol semmit nem ér a 10.000 cikk megtekintés, mert végül nem lesz belőle egy vásárlás sem. Ezeket az összefüggéseket minden cégnek magának kell kikísérleteznie és kimérnie.

LEAD: (Kicsit megtévesztő a neve, mivel LEAD-nek nevezzük pl. a Sales folyamatokban, a potenciális ügyfelektől érkező visszajelzést is. Ez most egy másik LEAD. :-)) LEAD az a cél, amit mi magunk közvetlenül tudunk befolyásolni. Pl. Hány cikket írok meg a blogomon. Vagy hány konferenciára megyek el beszélni. Vagy hogy mennyi időt és pénzt költök reklámokra. Stb. Ezek még nem a végső célok, hanem az eszközök a végső célhoz. Viszont a LEAD-eket mindig előre tudom vetíteni, tudok vele tervezni. És ami fontos, egy jó LEAD hatással van a LAG-re.

Egy konkrét példa a Lean Analytics című könyvből.
Egy ügyfélszolgálat esetében ezek a számok:
LEAD: 1. a megoldott panaszok száma (%-ban a panaszokhoz képest) 2. a problémamegoldás gyorsasága (átlagos megoldási idő, percben vagy órában)
LAG: 1. az ügyfelek elégedettsége (elégedettség-mérés alapján, pl 1-10) 2. az ügyfél további panaszai (%-ban hány ügyfél panaszkodik tovább)
WIG: Hogy az ügyfél visszatérjen a termékhez és ne mondja le az előfizetését. (% lemondások aránya)Jól látszik, hogy a LEAD befolyásolja a LAG-et, a LAG pedig befolyásolja a WIG-et. De az egyetlen dolog, amiért mi közvetlenül teszünk az a LEAD – a többi már az ügyfeleken és a folyamataink minőségén múlik.
Ha felállítod a saját Lead-jeidet, Lag-jeidet és WIG-jeidet és találsz köztük valódi, statisztikailag is kimutatható összefüggéseket, akkor meg tudod mondani, hogy mi történik, ha az egyik LEAD-edet változtatod. Máshogy mondva meg tudod jósolni a jövőt. Ilyen egyszerű az egész. :-)Kellemes tervezgetést 2015-re és kellemes pihenést 2014 hátralevő részére!

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

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

Mit csinálj, ha semmit sem tudsz? (A hírlevél trükk)…

Nem olyan rég egy ügyféllel tárgyaltam és sajnos kiderült, hogy eddig nemhogy Google Analytics-je nincs, de még személyes adatokat (kor, nem, foglalkozás) sem gyűjti a hírlevél feliratkozóitól. Nos, legalább hírlevél feliratkozói vannak, ez jó jel. :-)

Mit lehet kihozni egy ilyen jellegű tulajdonképpen teljesen egy-dimenziós, demográfiai adatoktól mentes adatbázisból?

e-mail cím —— vezetéknév —— keresztnév
andorka_3461611@gmail.com —- Kovács —- Andor
gizimama2123131@freemail.hu —- Szabó —- Gizella
vidrahalmaz4141@gmail.com —- Vidra —- Vidra
miklos.szabo@nagyuzletlanc.hu —- Szabó —- Miklós
nagy.andras@fortune500.com —- Nagy —- András

Látszólag semmink sincs, így nehéz közönségelemzést végezni, még nehezebb egy jól targetált marketing anyagot kiküldeni… Habár… azért mégiscsak tudunk e-mail cím és név alapján szegmentálgatni az adatbázisunkban, ha bedobunk 2 kis trükköt. Először is, keresztnév alapján szét tudjuk szedni a listát férfiakra és nőkre és máris tudunk targetálni rájuk férfi vagy női kampányokat. (Pl. itt egy lista az összes férfinévről, amivel érdemes összevetni a feliratkozóink neveit.) Persze “Vidra Vidra” nevű potenciális ügyfelünk (a fenti példából) egyik listán sem lesz rajta, de a megfigyelések szerint, aki nem adja meg a teljes nevét a levlistánkon, abból 99% eséllyel sosem lesz valódi vásárló amúgy sem.

A másik és ennél sokkal fontosabb dolog, hogy magukat az e-mail címeket is fel lehet bontani 3 kategóriába:
1. Nem üzleti e-mail címek (gmail, freemail, hotmail, stb… végződésűek)
2. Üzleti e-mail címek (ebben a példában nagyuzletlanc.hu, de általánosságban, akármi, ami NEM gmail, freemail, hotmail, vagy ilyesmi)
3. Álomügyfél e-mail címek. Biztos neked is vannak álomügyfeleid. Pl. ha a nagy multikra lősz, akkor figyelj a tesco.hu, mediamarkt.hu, stb… végződésekre. Ha esetleg a Fortune 500-ból vágysz partnerekre, akkor arról is írhatsz listát.

A megfigyelés, hogy az üzleti e-mail címek (tehát nem gmail, freemail, stb…) 60%-kal nagyobb eséllyel válnak fizetős ügyféllé átlagosan (persze ez bizniszenként eltérő).
A lényeg, hogy az e-mail cím végződések szerint szét tudod szedni a hírlevél feliratkozóidat és tudsz fókuszált üzenetű levelet küldeni az üzleti e-mail címmel rendelkező leendő ügyfeleidnek. Vagy esetleg személyes levelet írni az álomügyfél-feliratkozóknak. (“Üdv, köszöntelek a weboldalamon, szeretném Tőled személyesen is megkérdezni, hogy…)

Az e-mail cím figyelés csak egy apró trükk és most is tényleg csak azért volt rá szükségünk, mert semmilyen más adatunk nem volt az adott ügyfélnél. De ha ilyen cipőben jársz, akkor egyrészt szólj és segítünk – másrészt, amíg bejön a többi adat, nagyon hasznos kis eszköz tud lenni és egészen nagy sikereket lehet vele elérni.

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!