ویرگول
ورودثبت نام
علی کاشفی باهر
علی کاشفی باهر
خواندن ۸ دقیقه·۳ سال پیش

چگونه بعنوان یک دیجیتال مارکتر تفسیر درستی از داده‌ها داشته باشیم؟


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.

چه اتفاقی افتاد؟

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.

تفکر انتقادی داشته باشید و همیشه شکاک باشید

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:

  • ایده شما توسط کسی که در موقعیت بالاتری از شما قرار دارد به چالش کشیده شود بخصوص وقتی ایده خود را مکتوب و نهایی کرده‌اید.
  • ایده خود را اجرا کنید و مشاهده کنید که درآمد درحال کاهش است.

موقع آن است که باید تفکر انتقادی خود را تقویت کنید و داده‌ها را بهتر تفسیر کنید.

بعنوان مثال به سناریوی زیر توجه کنید:

تبلیغ الف از تبلیغ ب عملکرد بهتری دارد

تفکر سهل‌انگارانه

من طراح نیستم و نمیدونم چرا این اتفاق افتاده اما طبق مشاهداتم CTRتبلیغ الف از CTRتبلیغ ب بهتر است.

تفکر انتقادی

  • چه تفاوت‌هایی بین دو تبلیغ وجود دارد؟ آیا هردو تبلیغ به یک لندینگ پیج با یک آفر میروند؟ آیا فرضیه‌ام را پشتیبانی می‌شود؟
  • تبلیغ الف در میان تمام مخاطبین و جایگاه‌ها بهتر عمل کرده یا فقط در یک سگمنت خاص؟
  • آیا CTR و کانورژن را با هم در نظر گرفته‌ایم؟ چه چیزی یاد گرفته‌ایم که بتوان آن را در تست‌های بعدی لحاظ کنیم؟

سناریوی بعدی:

درصد کانورژن 20 درصد از ماه قبل کمتر است

تفکر سهل‌انگارانه

درصد کانورژن پایین است چون این ماه افراد کمتری به محصولمان تمایل دارند، باید یک آفر بهتر ارائه بدیم.

تفکر انتقادی

  • درسته که درصد کانورژن نسبت به ماه قبل کمتر شده اما اگر بازه زمانی را بیشتر کنیم متوجه می‌شویم که نسبت به سال قبل رشد زیادی داشته‌ایم
  • چه چیزی باعث این افزایش شده است؟
  • بودجه و هزینه نرخ جذب امسال با سال گذشته چه تفاوتی کرده است؟

تفکر انتقادی در مقابل تفکر سهل‌انگارانه

در تفکر سهل‌انگارانه ما بدون اینکه داده‌ها را بیشتر بررسی کنیم نتیجه‌گیری می‌کنیم.

در زمان نتیجه‌گیری بهتر است این سوالات را از خودتون بپرسید:

  • چه مواردی را ممکن هست که از قلم انداخته باشیم؟
  • چه موارد دیگری ممکن است در نتیجه تاثیر گذاشته باشند؟
  • چرا این نتیجه‌گیری می‌تواند بهترین نتیجه‌گیری نباشد؟

همیشه قبل از اینکه از نتایج بدست آمده را قبول کنید سعی کنید که ثابت کنید نتایجتان اشتباه هستند.

از KPIهای مناسب استفاده کنید و از درستی محاسبه‌تان اطمینان حاصل کنید

اگر پیشینیه آمار ندارید چهارچوب پایین بهتون کمک میکنه که از اشتباهات پیش‌پا افتاده اجتناب کنید

درآمد و کانورژن

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.

فرمول‌هایی که معمولا اشتباه فهمیده می‌شوند

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.

روابط جعلی را بیابید

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:

  • بیشتر به نرخ‌ها یا نسبت‌ها توجه کنید بخصوص در جاهایی که با جمعیت سروکار دارید.
  • جداول خود را سگمنت بندی کنید تا متغیرهایی که بطور مستقیم تاثیرگذار هستند را پیدا کنید مانند تقسیم‌بندی براساس نوع دستگاه
  • عبارات جستجو شده یا مکان‌های جغرافیایی که ممکن است با انتظارات شما تناقض داشته باشند بررسی کنید.

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:

  • تغییرات فصلی: نوسانات قابل پیش‌بینی مرتبط با زمان
  • پروموشن
  • رقبا: از Action insightاستفاده کنید ولی به نحوه تعیین پیشنهاد آن‌ها هم دقت کنید.
  • تغییرات را رصد کنید: پیج‌های خراب، کانورژن‌هایی که مهم هستند ولی رصد نمی‌شوند و...
  • کلمات کلیدی با لندینگ پیج و تبلیغات شما همخوانی دارد؟
  • با بررسی گوگل ترند الگو بلند مدت و کوتاه مدت را بدست آورید

عدم قطعیت را قبول کن

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.

قانون اعداد بزرگ بصورت برعکس عمل نمی‌کند

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.

مراقب امنیت کاذب "معناداری آمار(statistical significance)" باشید

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.

کلام آخر

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:

  • مهارت‌های تفکر انتقادی خود را افزایش دهید.
  • محاسبات کلیدی را بیاموزید.
  • در داده‌های خود عمیق‌تر شوید.
  • محدودیت‌های اندازه نمونه در دست را درک کنید.



منبع: search engine journal

دیجیتال مارکتینگداده محورآماردیتاdigital marketing
یک نفر علاقه‌مند به مارکتینگ و هرچیزی که به اون مربوط میشه!!!
شاید از این پست‌ها خوشتان بیاید