تصور کنید در دفتر کار خود نشستید که یه ایمیل از طرف کارفرما دریافت میکنید که نوشته : من یجا خوندم که اوردن اسم برند به کلیک خوردن تبلیغ کمک میکنه. نظر شما چیه؟
شما هم میشینید یه حساب و کتاب میکنید و میبینید بله تبلیغاتی که اسم برند دارند 3 برابر بیشتر احتمال دارند که کلیک بخورند.
5 دقیقه میگذره دوباره یه ایمیل دریافت میکنید که میپرسه توی این چیزی که محاسبه کردید کنترل کردید که اینا کلمه هایی هست که اسم برند توشون هست یا نه ؟
شما دوباره شروع میکنید به حساب و کتاب کردن ولی اینبار این رو هم ئرنظر میگیرید که توی کلمه های جستجو شده اسم برند هست یا نه
ولی نتیجهای که بدست می‌آورید یا قبلی تضاد دارند و الان به این نتیجه میرسید که برای کلمه هایی که اسن برند ندارند، تبلیغاتی که اسم برند توشون نیست 50 درصد بیشتر احتمال دارد که کلیک بخورند.
می‌تونیم بگیم که مارکترها نقش‌های زیادی را می‌توانند بازی باشند و اگر عجله کنند ممکن است که اشتباه کنند.
اما مشکل اصلی خیلی عمیق‌تر است.
بیشتر دیجیتال مارکترها آماردان، آنالیست یا دانشمند داده نیستند.
در مجموع ما یک صنعت هستیم که راه خودمان را برای بهتر فهیمدن دیتا باز میکنیم تا بتوانیم کارایی تبلیغاتمان را بهتر کنیم.
در یک دنیای ایده‌آل هر دیجیتال مارکتر یک آماردان هم هست.
اما اگر شما وقت کافی برای آموختن آمار ندارید با خواندن این مقاله می‌توانید از داده‌های زیاد و گیج کننده راحت بشید و به یک بینش ارزشمند از داده‌های خود برسید.
شما احتمالا شغل خود را بعنوان یک مارکتر براساس بردها و فرصتها بدست آورده‌اید نه نقد کردن نتیجه‌گیری هایتان .
قطعا جشن گرفتن رشد و موفقیت‌هایتان خیلی لذت بخش‌تر است، اما این می‌تواند به سهل‌انگاری منجر شود که باعث پایین آمدن کارایی می‌شود.
آماردان‌های واقعی آموزش دیده‌اند که نسبت به نتیجه‌گیریها و مشاهدات سریع و راحت شکاک باشند.
احتمالا در ابتدا باید سخت باشد که در نتیجه‌گیری‌های خودتان ایرادی پیدا کنید
اما خیلی بدتر است که:
موقع آن است که باید تفکر انتقادی خود را تقویت کنید و داده‌ها را بهتر تفسیر کنید.
بعنوان مثال به سناریوی زیر توجه کنید:
تفکر سهل‌انگارانه
من طراح نیستم و نمیدونم چرا این اتفاق افتاده اما طبق مشاهداتم CTRتبلیغ الف از CTRتبلیغ ب بهتر است.
تفکر انتقادی
سناریوی بعدی:
تفکر سهل‌انگارانه
درصد کانورژن پایین است چون این ماه افراد کمتری به محصولمان تمایل دارند، باید یک آفر بهتر ارائه بدیم.
تفکر انتقادی
در تفکر سهل‌انگارانه ما بدون اینکه داده‌ها را بیشتر بررسی کنیم نتیجه‌گیری میکنیم.
در زمان نتیجه‌گیری بهتر است این سوالات را از خودتون بپرسید:
همیشه قبل از اینکه از نتایج بدست آمده را قبول کنید سعی کنید که ثابت کنید نتایجتان اشتباه هستند.
اگر پیشینیه آمار ندارید چهارچوب پایین بهتون کمک میکنه که از اشتباهات پیش‌پا افتاده اجتناب کنید
با KPI شروع میکنیم
باید KPIها را طوری انتخاب کنید که با رشد کسب و کار ارتباط داشته باشند.
باید KPIهای خود را مانند: درآمد یا کانورژن، الویت بندی کنید و به متریک‌هایی که به بهبود آنها مانند کلیک یا نرخ تبدیل کمک می‌کند توجه کنید. حواستان را با هر داده‌ای که قابلیت آنالیز شدن دارد پرت کنید فقط چیزی را آنالیز کنید که مهم است و ارزش دارد.
اگر کانورژن‌هایی دارید که ارزش متفاوتی دارند آنها را با هم جمع نبندید، بازدید صفحات تعداد بیشتری دارند ولی به اندازه مثلا گرفتن شماره تلفن ارزشمند نیستند و نباید وزن یکسانی با این کانورژن‌ها داشته باشند.
معنای ROAS سود نیست
چه دارید یک محصول می‌فروشید، چه یک خدمت، هزینه‌ای ورای هزینه‌های تبلیغات، برای انجام این کارها می‌پردازید.
هزینه 1 میلیون تومان و دریافت 1 میلیون تومان به معنای سر به سر نیست.
از میانگین، میانگین نگیرید
اگر متریک شما بصورت نرخ یا میانگین هست(مانند CTR یا CPC یا نرخ تبدیل) برای بدست آوردن میانگین کل نمی‌توانید از آنها میانگین بگیرید چرا که تعداد هر کدام از آنها را در نظر نمی‌گیرید.
شما برای گرفتن میانگین باید باید تعداد‌های کل را بر هم تقسیم کنید.
گاهی اوقات ما تاثیر را می‌بینیم ولی دلیل آن را نمی‌دانیم.
روابط جعلی وقتی اتفاق می‌افتند که دو یا چند رویداد یا متغیر همبستگی دارند اما بطور علی مرتبط نیستند، حالا یا این موضوع تصادفی است یا یک فاکتور سومی که دیده نشده تاثیر گذاشته است.
همینطور که میدانیم همبستگی به معنای علیت نیست.
حالا ببینیم این موارد چگونه می‌توانند روی تبلیغات ما تاثیر داشته باشند.
متغیرهای پنهان
متغیرهای پنهان می‌توانند روی متغیرهای وابسته یا مستقل تاثیر داشته باشند ولی در مدلسازی ما آورده نشده باشند.
در عوض آنها پشت علت ظاهری نتیجه پنهان شده‌اند.
برای مثال کارفرما از ما می‌پرسد که تبلیغات خود را باید متمرکز به چه مکانی کند؟
یک مارکتر بی‌تجربه یکسری شهرهای بزرگ را مثال می‌زند و حتی پیشنهاد می‌کند که میزان هزینه کرد را برای این شهرها افزایش دهیم.
اما چیزی که مدنظر قرار نمی‌دهد اینست که شهرهای بزرگ جمعیت زیادی هم دارند (متغیر پنهان پشت فروش و کلیک زیاد).
اینجا چند نکته را آورده‌ایم تا در دام متغیرهای پنهان نیفتید:
متغیر مخدوشگر
متغیرهای مخدوشگر یکی دیگر از دلایل تفسیر نادرست داده‌ها هستند.
خیلی راحت است که تاثیرات جهان بیرون را در نتایج خود نادیده بگیریم، عوامل بیرونی زیادی روی رفتار خرید مردم تاثیر دارند.
بعنوان مثال در مارس 2020 جستجوی کلمه "جارو برقی" افزایش پیدا کرد در حالی که جستجوی کلمه "نظافت منزل" کاهش پیدا کرده بود.
این مورد بدلیل همه‌گیری ویروس کرونا بود چیزی کاملا جدا از استراتژی تبلیغات جستجو و نرخ بید.
اینطور فکر نکنید که هر تغییری بعلت تغییراتی است که شما در تبلیغات خود می‌دهید.
این فاکتورها را چک کنید:
چذابیت داده محور بودن اینست که شما بطور قطع می‌دانید چه چیزی جواب می‌دهد و چه چیزی جواب نمی‌دهد.
اما در دیجیتال مارکتینگ این موضوع زیاد واقعیت ندارد.
تفسیر صحیح داده‌ها به این معنی است که "در برابر بی ثباتی ، عدم قطعیت ، پیچیدگی و ابهام" فریب تصادفی بودن یا سوگیری ناخودآگاه را نخورید.
در اینجا چند اصل آورده‌ایم که به شما در تجزیه و تحلیل نتایج کمک می کند.
یک قانون در در آمار و احتمال وجود دارد به نام قانون اعداد بزرگ.
این قانون بیان می‌کند که با تعداد کافی آزمایش نتایج کلی رویدادهای تصادفی قابل پیش‌بینی می‌شوند.
قانون اعداد بزرگ، در تعداد زیاد داده کاربرد دارد و در کمپین‌های کوچک با چندصدتا کلیک کارایی ندارد. چیزی به اسم قانون اعداد کوچک که در آن مشاهدات محدود منجر به نتایج دقیق شود وجود ندارد.
وقتی صحبت از مقیاس بندی ، پیش بینی ، "انتخاب برنده" یا برآورد عملکرد آینده می شود ، محدودیت های یک مجموعه کوچک را درک کنید.
اگر تنها کانورژنتان در ساعت 7 شب اتفاق افتاده، لطفا به کارفرما پیشنهاد ندهید که 7 شب بهترین زمان برای دریافت کانورژن است.
هرگاه احتمال وقوع اتفاقی بصورت تصادفی اندک باشد، به عبارت دیگر به احتمال زیاد دارای دلیلی غیر از شانس بوده است آن را به لحاظ آماری معنادار می‌گوییم.
معناداری آماری معیاری است که به ما کمک می‌کند دریابیم آیا همبستگی دو عامل واقعا قابل اعتماد است یا صرفا تصادفی بوده است.
در بهترین حالت ، معناداری آماری به شما نشان می دهد که اگر فرضیه صفر درست بود (بعنوان مثال شانسی بودن نتیجه) به نتیجه برسید.
و به شما نمی گوید که آیا نتیجه گیری شما در مورد علت ایجاد نتیجه صحیح است یا اهمیت عملی را تضمین نمی کند (این که آیا نتیجه به اندازه کافی بزرگ بود که به آن اهمیت دهید)
پس معناداری آماری چگونه در تفسیر صحیح داده های تأثیر می گذارد؟
این بدان معناست که بار داشتن برنامه و دانستن تحمل ریسک خود از ابتدا بر دوش شما است.
اگر به طور تصادفی چیزی را راه اندازی کرده و سپس سعی کنید کورکورانه اعداد را به فرمول وصل کنید تا بینش به دست آورید ، بعید است چیزی معنادار یا "مهم" بیاموزید.
پارادوکس داده محور بودن آنجاست که داده‌ها تصمیم‌گیری نمی‌کنند، شما باید درباره داده‌ها تصمیم‌گیری کنید.
ممکن است شما پیش زمینه نداشته باشید ، اما می توانید از نظر کمی در بازاریابی دیجیتال کارهایی انجام دهید:
منبع: search engine journal
