Phản ứng cảm xúc của bạn khi nghe từ, Data là gì?

Nhấn mạnh? Nỗi sợ? Thất vọng?

May mắn thay, Data và phân tích không phải là điều đáng sợ. Trên thực tế, sẽ rất thú vị (hoặc ít nhất là thú vị) nếu bạn biết cách biến tất cả những con số và báo cáo đó thành thông tin hữu ích mà bạn có thể sử dụng để phát triển doanh nghiệp của mình.

Nội dung:

Tại sao Data lại quan trọng 

Các phương pháp của một chiến lược Dữ liệu & Phân tích được thực thi tốt

Nguyên tắc số 1: Cung cấp cho dữ liệu một Job

Nguyên tắc số 2: Sử dụng các chỉ số để giải quyết vấn đề

Nguyên tắc số 3: Ngữ cảnh hóa dữ liệu để giải thích cho điều không thể đo lường

Các thuật ngữ trong Analytics

Vai trò: Ai cần được biết?

 

Phân tích dữ liệu website giúp tối ưu hóa chiến dịch digital marketing
Phân tích dữ liệu website giúp tối ưu hóa chiến dịch digital marketing

Trong chương này, bạn sẽ học phương pháp để thực hiện dữ liệu và phân tích trong doanh nghiệp của mình, các chỉ số quan trọng nhất, thuật ngữ bạn sẽ sử dụng để nói về nó và các nhóm hoặc vai trò phải chịu trách nhiệm về nó.

Nhưng trước tiên, hãy nói về lý do tại sao dữ liệu và phân tích lại quan trọng đối với một doanh nghiệp thành công.

Tại sao Data lại quan trọng

Data có hai loại: không đủ và quá nhiều.

Thách thức mà hầu hết mọi người phải vật lộn là làm thế nào để biến những con số thành những quyết định có ý nghĩa. Các số tĩnh, tự bản thân nó, là vô nghĩa.

Vậy tại sao bạn muốn thực hiện phân tích?

Để hiểu câu trả lời, chúng ta hãy xem lại một số ví dụ:

Câu lạc bộ điền kinh Oakland A

Billy Beane tiếp quản vị trí Tổng giám đốc của Oakland A vào năm 1997. Tại đây, ông áp dụng phân tích thống kê (được gọi là sabermetrics) cho các cầu thủ, thay đổi hoàn toàn cách họ có được cầu thủ.

Cách tiếp cận của Beane là tập trung vào các số liệu cụ thể, chẳng hạn như đánh bóng và chạy, để tìm những cầu thủ bị đánh giá thấp mà không ai khác để ý. Cách tiếp cận này đã khiến Oakland A trở thành một trong những đội bóng chày tiết kiệm chi phí nhất và đã mang họ qua 20 trận thắng liên tiếp, các trận playoff và thậm chí cả loạt trận thế giới.

Về cơ bản, dữ liệu đã làm cho đội A cạnh tranh với các câu lạc bộ lớn hơn nhiều trong khi làm việc với ngân sách chỉ bằng một phần ba quy mô.

Netflix

Niềm tin cốt lõi của Netflix là khả năng tùy chỉnh giành được lòng trung thành của khách hàng, niềm tin đặt dữ liệu vào trung tâm của chiến lược công ty của họ.

Khi họ vẫn còn là một công ty cho thuê DVD, Netflix đã đầu tư rất nhiều vào công nghệ khai thác dữ liệu để phát triển thuật toán đề xuất phim, dẫn đầu trong việc sử dụng dữ liệu để mang lại trải nghiệm tuyệt vời cho khách hàng. Và nó đa hoạt động. Các đề xuất đã thúc đẩy 50% lưu lượng truy cập của họ.

Sau khi áp dụng mô hình phát trực tuyến, cách tiếp cận dựa trên dữ liệu này vẫn tiếp tục và đưa chúng trở thành một trong những dịch vụ phát trực tuyến video theo yêu cầu hàng đầu hiện có.

Ngày nay, nó cung cấp cho họ thông tin chi tiết về khách hàng mà họ cần để tạo ra nội dung gốc thành công lớn như Daredevil , Stranger Things và Orange is the New Black.

110925 data analystics
Dữ liệu Netflix cung cấp cho họ cái nhìn sâu sắc để phát triển nội dung thành công lớn.

Không ai trong số này có thể thực hiện được nếu không có dữ liệu.

DigitalMarketer

Chúng tôi cũng không lạ gì với dữ liệu. Tôi sẽ đi vào chi tiết hơn ở phần sau của chương này, nhưng ở đây tại DM, chúng tôi dựa vào dữ liệu để giúp chúng tôi đưa ra các quyết định kinh doanh mà vẫn đảm bảo hiệu quả.

Niềm tin của chúng tôi? Bản năng ruột có thể tốt, nhưng dữ liệu không bao giờ nói dối.

Tất nhiên, thách thức nằm ở phương pháp của bạn. Làm cách nào để bạn đi từ bảng tính đến các quyết định chiến lược nhằm phát triển doanh nghiệp của mình? Chúng ta hãy xem xét.

Các phương pháp của một chiến lược Dữ liệu & Phân tích được thực thi tốt

Để nắm vững phân tích và dữ liệu, bạn cần nắm vững 3 nguyên tắc hướng dẫn:

  • Cung cấp cho dữ liệu một Job. Đây là nền tảng của phân tích dữ liệu. Mỗi phần dữ liệu bạn thu thập sẽ giúp bạn trả lời các câu hỏi và đưa ra quyết định thông minh.
  • Sử dụng kiểm tra giả thuyết để chuyển câu hỏi thành chiến lược. Đây là điều làm cho dữ liệu có ý nghĩa. Đó là quá trình chuyển đổi dữ liệu thô thành các quyết định kinh doanh.
  • Áp dụng ngữ cảnh để giải thích cho không thể đo lường. Một số điều rất khó đo lường. Đối với những trường hợp đó, bạn cần phải ngữ cảnh hóa dữ liệu.

Phân tích và dữ liệu không nên quá căng thẳng. Nhưng thật dễ dàng để cảm thấy như vậy khi có quá nhiều nguồn để lấy từ đó, mỗi nguồn định dạng dữ liệu khác nhau, thậm chí đôi khi đưa ra những con số khác nhau cho cùng một chỉ số.

Bạn đặt sự chú ý vào đâu? Làm thế nào để so sánh dữ liệu từ các nguồn khác nhau?

Để bắt đầu, hãy giao cho dữ liệu của bạn một công việc.

Nguyên tắc số 1: Cung cấp cho dữ liệu một Job

Một trong những cách dễ nhất để hiểu dữ liệu là nghĩ về phễu tiếp thị(Marketing Funnel).

110928 data analystics funnel marketing
Phễu tiếp thị

Đây là một khái niệm nền tảng giúp bạn dễ dàng hình dung việc khách hàng mua lại trong tiếp thị. Tiếp thị thương hiệu của bạn tạo ra nhận thức và thu hút khách truy cập mới vào trang web của bạn. Một số khách hàng tiềm năng mới này sẽ đủ quan tâm để đánh giá doanh nghiệp và sản phẩm của bạn, và một phần trăm trong số họ sẽ trở thành khách hàng.

Đối với bán hàng, đó là một mô hình tốt, nhưng chúng tôi cần điều chỉnh kênh để hoạt động tốt cho phân tích và dữ liệu.

Mô hình này là một lưu đồ số liệu kênh không chỉ lập bản đồ các giai đoạn trong hành trình của khách hàng mà còn liệt kê các chỉ số cần được đo lường ở mỗi giai đoạn.

110910 data analystics funnel metrics
Các chỉ số của Funnel

Với cách tiếp cận này, chúng tôi sử dụng 3 giai đoạn giống nhau của phễu nhưng đổi tên chúng như sau:

  1. TOFU: đầu phễu, là giai đoạn nhận biết
  2. MOFU: giữa phễu, là giai đoạn đánh giá
  3. BOFU: cuối phễu, là giai đoạn chuyển đổi

Nhưng chúng tôi không muốn dừng lại ở đó. Chúng ta cũng cần đo lường những gì xảy ra sau khi ai đó trở thành khách hàng.

Vì vậy, chúng tôi thêm một giai đoạn nữa: giai đoạn sau chuyển đổi, tập trung vào cách khách hàng có thể trở thành khách hàng lặp lại, người đăng ký suốt đời và những người ủng hộ cho doanh nghiệp của bạn.

Đây là cách bạn cung cấp cho dữ liệu của mình một công việc. Bạn không xem xét tất cả dữ liệu của mình cùng một lúc. Bạn chỉ định các chỉ số khác nhau cho từng giai đoạn của kênh.

Thay vì chỉ đo lường tình trạng của doanh nghiệp bằng những con số cuối cùng, bạn đo lường tình trạng của doanh nghiệp ở mọi giai đoạn — xác định các lỗ rò rỉ trong kênh của bạn, tìm ra các cách chiến lược để khắc phục và giúp chuyển đổi dễ dàng hơn.

Để bắt đầu, hãy xác định các chỉ số kênh bạn cần cho từng giai đoạn trong hành trình của khách hàng.

Phân loại dữ liệu theo giai đoạn của kênh

TOFU (Đầu phễu)

Mục tiêu của bạn cho giai đoạn này? Khách mới.

110912 data analystics tofu
Các chỉ số đầu kênh

Câu hỏi quan trọng khi chọn số liệu cho giai đoạn này là: Số liệu này có cung cấp cho tôi thông tin chi tiết về khách truy cập hoàn toàn mới không?

Một ví dụ điển hình về số liệu TOFU: Hướng khách truy cập mới.

110909 data analystics tofu traffic
 

Khách truy cập mới trực tiếp là số người đang gõ trực tiếp URL trang web của bạn vào Google? Nó có thể đo lường hiệu quả của quảng cáo trực tuyến và ngoại tuyến:

  • Nếu bạn đang chạy quảng cáo nâng cao nhận thức, bạn sẽ thấy mức tăng đột biến từ những người đang cố gắng tìm hiểu thêm về bạn.
  • Nếu bạn có bảng quảng cáo bao gồm URL của mình, bạn sẽ thấy sự gia tăng đột biến trong các khu vực địa lý xung quanh bảng quảng cáo khi họ truy cập trang web của bạn.

MOFU (Giữa phễu)

Mục tiêu của bạn ở giai đoạn này? Chuyển đổi khách truy cập mới thành khách hàng tiềm năng.

110925 data analystics mofu
Số liệu giữa phễu

Câu hỏi hướng dẫn của bạn khi quyết định liệu một chỉ số có phù hợp với giữa kênh hay không là: Chỉ số này có cung cấp cho tôi thông tin chi tiết về mức độ thu hút khách truy cập cam kết(Commitment) không?

“Commitment” có thể được định nghĩa là:

  • Mọi người đang đăng ký
  • Mọi người điền vào biểu mẫu web
  • Những người đang theo dõi bạn trên mạng xã hội

Đó là về việc những người cho phép bạn tiếp cận với họ và cung cấp nhiều giá trị hơn.

Một ví dụ điển hình về số liệu MOFU: Số lần nhấp CTA.

110953 data analystics mofu cta
 

Nếu bạn có một bài đăng trên blog với biểu ngữ để tìm hiểu thêm về một trong những sản phẩm của bạn. Bạn cần biết biểu ngữ đó đang nhận được bao nhiêu nhấp chuột và bao nhiêu phần trăm khách truy cập blog của bạn đang nhấp để bạn có thể đánh giá nội dung của mình đang chuyển đổi khách truy cập thành khách hàng tiềm năng tốt như thế nào.

BOFU (Đáy phễu)

Mục tiêu của bạn? Chuyển đổi khách hàng tiềm năng thành khách hàng.

110912 data analystics bofu
Các số liệu cuối phễu

Câu hỏi hướng dẫn của bạn khi chọn số liệu cho giai đoạn này: Số liệu này có cung cấp cho tôi thông tin chi tiết về mức độ chuyển đổi của khách hàng tiềm năng thành khách hàng không?

Giai đoạn này đặc biệt quan trọng bởi vì, một khi ai đó mua thứ gì đó của bạn — thậm chí là thứ nhỏ và rẻ — khả năng họ sẽ mua lại tăng gấp 10 lần và mức độ sẵn sàng đầu tư vào mối quan hệ của họ tăng lên đáng kể.

Một ví dụ điển hình về số liệu BOFU: tỷ lệ phần trăm chuyển đổi.

110949 data analystics bofu data sample
 

Có bao nhiêu người nhấp vào hoặc mua hàng từ truyền thông thương hiệu? Điều này cho bạn biết ưu đãi nào đang hoạt động và loại ưu đãi nào bạn nên thực hiện cho khách hàng mới.

Giữ chân & kiếm tiền (Sau khi chuyển đổi)

Mục tiêu của bạn cho giai đoạn này? Sự hài lòng của khách hàng. Bạn muốn tăng tư cách thành viên, ROI lưu lượng truy cập, tỷ lệ giữ chân và giá trị lâu dài của khách hàng.

110911 data analystics metrics sau conversion
Chỉ số sau chuyển đổi

Câu hỏi hướng dẫn khi xem số liệu sau chuyển đổi: Số liệu này có cung cấp cho tôi thông tin chi tiết về mức độ hài lòng của khách hàng không?

Bạn đang tìm kiếm các chỉ số mô tả kết quả thực từ việc sử dụng sản phẩm của mình. Một cái gì đó như thế này:

110953 data analystics metrics sau sales
Các chỉ số sau bán hàng cung cấp cho bạn thông tin chi tiết về mức độ hài lòng của khách hàng.

Dữ liệu này không chờ đợi bạn trên Google, vì vậy khó kiếm hơn, nhưng những khách hàng hài lòng thường sẵn sàng chia sẻ chúng. Tại DM, chúng tôi tìm kiếm những đánh giá tích cực từ những người trong khu vực thành viên của chúng tôi. Điều đó cho chúng tôi biết chúng tôi đang giúp mọi người đạt được mục tiêu của họ tốt như thế nào.

Hãy nhớ rằng đây không phải là những chỉ số vô nghĩa. Họ giúp chúng tôi biết cần phải làm gì để giữ mọi người ở lại DM Lab và khuyến khích họ nói với bạn bè của họ về Lap.

Ví dụ về chuyển đổi sau: báo cáo On/Off Thành viên

110917 data analystics metrics on off members
 

Báo cáo này theo dõi số lượng người mà chúng tôi đang thêm vào một sản phẩm đăng ký, số lượng người mà chúng tôi đang mất và cách chúng tôi mất họ.

Những chỉ số này cho chúng tôi biết mức độ lành mạnh của sản phẩm và khi chúng được kết hợp với các báo cáo khác, chúng tôi có thể thấy những điều chúng tôi làm để thúc đẩy số lượt hủy hoặc tăng số lượng thành viên. Thông tin này rất quan trọng đối với một sản phẩm dành cho hội viên vì việc giữ chân hội viên sẽ thúc đẩy lợi nhuận.

Phân loại dữ liệu theo loại

Chúng ta vừa xem xét các chỉ số TOFU, MOFU và BOFU, đây là một cách phân loại các chỉ số theo các giai đoạn trong kênh của bạn. Nhưng có một cách khác để phân loại các số liệu và đó là theo loại thông tin mà chúng cung cấp.

Có 2 loại chỉ số:

  • Các chỉ số chính quyết định sức khỏe tổng thể. Những chỉ số này giống như một nhiệt kế cho doanh nghiệp của bạn. Đối với một số liệu quan trọng, bạn cần phải có khả năng nhìn vào nó và biết ngay doanh nghiệp của bạn có đang hoạt động tốt hay không.
  • Các chỉ số chi tiết trả lời các câu hỏi lớn. Các chỉ số này chi tiết hơn và giúp bạn hiểu những gì đang diễn ra trong các lĩnh vực cụ thể của doanh nghiệp mình.

Thông thường, bạn sử dụng cả hai loại chỉ số cùng nhau, không phải loại này hay loại khác. Nếu các chỉ số chính cho bạn biết mọi thứ đang diễn ra tốt đẹp, bạn sử dụng các chỉ số chi tiết để giúp bạn hiểu lý do tại sao, vì vậy bạn có thể tái tạo thành công của mình.

Ví dụ:

Cải thiện Nhấp qua Banner On-site

110909 data analystics cai thien click banner
 

% Nhấp chuột Biểu ngữ Trung bình là một số liệu chính. Nó cho bạn biết, trên toàn bộ trang web của bạn, khả năng khách truy cập nhấp vào quảng cáo biểu ngữ trong một trong các bài viết của bạn.

Để giúp chúng tôi hiểu tại sao tỷ lệ nhấp là 3,25% và cách chúng tôi có thể cải thiện con số đó, chúng tôi cần số liệu chi tiết: Khả năng khách truy cập nhấp vào quảng cáo biểu ngữ trong một bài viết cụ thể là bao nhiêu?

Cách đây không lâu, chúng tôi đã làm điều này cho blog DM. Sau khi xem xét tất cả các bài đăng trên blog của chúng tôi và đi sâu vào các số liệu cụ thể, chúng tôi có thể xác định các yếu tố ảnh hưởng đến tỷ lệ nhấp chuột. Sau khi áp dụng những phát hiện của mình, chúng tôi đã cải thiện tỷ lệ nhấp vào quảng cáo biểu ngữ khoảng 2% trên toàn blog.

Cải thiện lưu lượng tìm kiếm(search traffic)

110933 data analystics cai thien traffic
 

Trong ví dụ này, số liệu chính là Khách truy cập mới: Có bao nhiêu khách truy cập lần đầu tiên đến trang web của bạn?

Để tìm hiểu thêm, số liệu chi tiết sẽ là Chia sẻ Tìm kiếm: Phần trăm lưu lượng truy cập tìm kiếm thuộc sở hữu của cá nhân hoặc thương hiệu nào?

Tại đây, bạn sẽ so sánh lượng truy cập tìm kiếm bạn nhận được cho một từ khóa với mức độ mà đối thủ cạnh tranh của bạn đang nhận được từ cùng một từ khóa đó. Điều này sẽ cho phép bạn tìm các khu vực mà bạn có thể cạnh tranh với các doanh nghiệp lớn hơn nhiều vì bạn sở hữu từ khóa. Ngoài ra, nó sẽ cho bạn biết những từ khóa nào bạn cần đưa vào.

Cải thiện thương mại điện tử(commerce)

110915 data analystics cai thien doanh thu
 

Và trong ví dụ này, chỉ số chính là Giá trị đặt hàng trung bình. Để đi sâu hơn, bạn cần phải xem các đơn đặt hàng thực tế.

Bạn muốn biết phần lớn doanh thu từ Giá trị đặt hàng trung bình của mình đến từ đâu. Điều này có thể tiết lộ rằng bạn cần phải di chuyển mọi thứ xung quanh kênh bán hàng của mình hoặc bạn cần đẩy một chương trình khuyến mãi này lên một chương trình khuyến mãi khác vì giá trị đơn hàng trung bình của nó cao hơn nhiều.

Như bạn có thể thấy, có 2 cách bạn có thể cung cấp cho các chỉ số của mình một công việc.

  1. Bạn có thể chỉ định chúng cho một giai đoạn cụ thể của kênh: TOFU, MOFU, HOẶC BOFU.
  2. Bạn có thể sử dụng chúng để đo lường sức khỏe của các khu vực khác nhau trong doanh nghiệp của mình và sau đó trả lời các câu hỏi sâu hơn về cách thức và lý do.

Khi bạn hiểu được tình hình kinh doanh tổng thể của mình và mọi thứ đang hoạt động ở đâu (hoặc không), bạn có thể bắt đầu sử dụng các chỉ số để giải quyết vấn đề.

Nguyên tắc số 2: Sử dụng các chỉ số để giải quyết vấn đề

Dữ liệu được thu thập trên một bảng điều khiển, phải không? Nhưng trên bảng điều khiển, đó là dữ liệu thô. Công việc của bạn, với tư cách là nhà phân tích dữ liệu, là biến dữ liệu thô thành dữ liệu hoạt động.

Để làm được điều đó, bạn sử dụng quy trình ra quyết định phân tích.

110950 data analystics dicision making
 

Quá trình này hoạt động rất giống phương pháp khoa học, ngoại trừ nó dựa trên các số liệu.

Trong phương pháp khoa học, bạn bắt đầu với các câu hỏi và giả thuyết, sau đó bạn đưa ra dự đoán về những gì có thể xảy ra nếu bạn thử nghiệm các giả thuyết khác nhau.

Dữ liệu và phân tích cũng vậy. Bạn xem lại dữ liệu của mình và bắt đầu đặt câu hỏi về nó. Bạn đưa ra giả thuyết về những gì có thể xảy ra nếu bạn có thể tác động đến bất kỳ con số nào trong số đó. Và sau đó bạn nghĩ ra một bài kiểm tra để xem bạn có đúng không.

Chỉ đơn giản bằng cách xem xét kết quả, bạn có thể thấy rõ ràng những gì cần phải làm để cải thiện hoạt động kinh doanh của mình. Việc đưa ra quyết định không còn là về bản năng của bạn mà là về những gì dữ liệu đang cho bạn biết.

Đó là lý thuyết, dù sao.

Nhưng trong thực tế, chúng ta thường không biết đủ để biết mình nên hỏi những câu hỏi nào. Trong những tình huống đó, việc bổ sung thêm dữ liệu thường có ích.

Xem xét các chỉ số chính để truyền cảm hứng cho các câu hỏi

Khi bạn không biết đủ để biết mình nên hỏi gì, các chỉ số của bạn thường sẽ cung cấp cho bạn cái nhìn sâu sắc mà bạn cần.

Bước 1. Bắt đầu bằng cách xem xét các chỉ số chính của bạn. 

Xác định những nơi mà hiệu suất của bạn tốt hơn mong đợi hoặc có thể có xu hướng đi xuống. Trong nhiều trường hợp, điều này sẽ truyền cảm hứng cho các câu hỏi.

  • Lưu lượng truy cập của bài đăng trên blog này gấp đôi hầu hết các bài đăng trên blog khác. Điều gì đã khiến nó hoạt động tốt hơn?
  • Chúng tôi nhận được người đăng ký mới mỗi ngày, nhưng tổng số đăng ký của chúng tôi vẫn giữ nguyên. Chuyện gì đang xảy ra vậy? Chúng ta đang mất người đăng ký ở đâu? Tại sao?
  • Mỗi khi nhà văn SM viết một bài blog, lượng truy cập và lượt chia sẻ đều cao hơn bình thường. Điều gì làm cho các bài đăng trên blog của cô ấy tốt hơn bất kỳ ai khác?

Ví dụ: khi xem xét báo cáo Bật / Tắt của Thành viên cho Phòng thí nghiệm DigitalMarketer, chúng tôi thấy một số điểm mâu thuẫn kỳ lạ trong cột Thành viên đã thêm.

110917 data analystics mk lab
Báo cáo On / Off của Thành viên cho DigitalMarketer Lab

Một số tuần, chúng tôi sẽ thêm 131, 112 hoặc 106 thành viên mới. Trong những tuần khác, chúng tôi sẽ chỉ thêm 11 hoặc 21. Sau khi nhìn thấy những con số này, một số câu hỏi nảy ra trong đầu:

  • Điều gì gây ra những đợt chuyển đổi người đăng ký tăng đột biến này?
  • Điều gì gây ra những khoảng thời gian chuyển đổi thấp hơn này?

Bước 2. Tạo giả thuyết về điều gì đang xảy ra. 

Đưa ra một số dự đoán về những gì đang xảy ra. Đối với sự mâu thuẫn của Thành viên được Thêm vào của chúng tôi, chúng tôi đã đưa ra ba phỏng đoán:

  • Bản dùng thử $ 1 là một ưu đãi tốt hơn vì nó chuyển đổi nhiều khách truy cập hơn cho tất cả các nguồn lưu lượng truy cập.
  • Thời gian thử nghiệm $ 1 cao hơn so với thành viên trả tiền đầy đủ, có nghĩa là nó không đóng góp vào mục tiêu phát triển phòng thí nghiệm của chúng tôi.
  • Mọi người tiếp tục bắt đầu lại phiếu mua hàng dùng thử $ 1 sau khi hết thời gian, làm tăng tỷ lệ chuyển đổi.

Gợi ý: Đừng giải quyết cho chỉ một giả thuyết. Tốt nhất bạn nên xem xét nhiều lời giải thích — lý tưởng nhất là 5 đến 7 giả thuyết — và kiểm tra tất cả. Nếu không, bạn sẽ hạn chế khả năng tìm hiểu những gì đang diễn ra.

Bạn thấy đấy, trong hầu hết các trường hợp, không chỉ có một lý do cho sự cố mà bạn đang gặp phải. Một số yếu tố có thể góp phần vào sự thành công hay thất bại mà bạn muốn hiểu. Bạn càng có nhiều giả thuyết, bạn càng có cơ hội cô lập tất cả các yếu tố liên quan.

Bước 3. Sử dụng các chỉ số đo sâu để kiểm tra các giả thuyết. 

Đối với điều này, bạn sẽ sử dụng dữ liệu chi tiết hơn để tìm ra nguyên nhân gây ra sự cố mà bạn đang cố gắng tìm hiểu.

Dữ liệu này thường không được xem xét hàng ngày, nhưng nó tồn tại và bạn biết tìm nó ở đâu. Đó cũng là dữ liệu giúp bạn trả lời những loại câu hỏi này.

Đối với câu hỏi cụ thể này, chúng tôi đã sử dụng phân tích thuần tập để kiểm tra 3 giả thuyết của chúng tôi. Chúng tôi đã phát triển 7 nhóm thuần tập hoặc các cách khác nhau để bạn có thể nhóm những người trong DM Lab, bao gồm ngày hủy, tỷ lệ phần trăm trung bình đã thanh toán, thời gian họ hoạt động, v.v.

Sau khi xem xét tất cả thông tin đó, chúng tôi nhận ra rằng bản dùng thử $ 1 là một ưu đãi giao diện người dùng tốt hơn so với ưu đãi trả toàn bộ.

Bước 4. Thực hiện hành động dựa trên kết quả của bạn. 

Kết luận của phân tích dữ liệu của chúng tôi là ưu đãi dùng thử tạo ra nhiều khách hàng trả tiền hơn mức trung bình. Cứ 100 người chúng tôi đưa vào DM Lab thì có 21 người đến từ cuộc thử nghiệm, trong khi 20 người đến từ đề nghị trả tiền đầy đủ.

Mặc dù đó không phải là một sự khác biệt đáng kể, nhưng theo thời gian, nó có thể tăng lên. Vì vậy, chúng tôi đã thay đổi đề nghị giao diện người dùng của mình. Ưu đãi dùng thử $1 hiện là ưu đãi chính của chúng tôi và cho đến nay, nó đã mang lại thêm 1.000 thành viên Lab.

Nguyên tắc số 3: Ngữ cảnh hóa dữ liệu để giải thích cho điều không thể đo lường

Dữ liệu của bạn tốt đến đâu không quan trọng, đôi khi nó không cho bạn biết mọi thứ bạn cần biết.

Ví dụ: giả sử bạn đang xem xét dữ liệu của mình và bạn thấy xu hướng. Tại sao xu hướng đó lại hình thành? Có thể bạn đã chạy một chiến dịch trong khoảng thời gian đó. Có thể đối thủ cạnh tranh của bạn đã làm điều gì đó độc đáo. Hoặc có thể bạn đã gặp sự cố công nghệ làm sai lệch dữ liệu.

Nếu bạn không xem xét các yếu tố này khi đánh giá dữ liệu của mình, bạn có thể đưa ra giả định dựa trên một tập hợp dữ liệu sai. Kết luận của bạn sẽ không hợp lệ.

Trong những tình huống này, ngữ cảnh giúp bạn giải thích sự khác biệt trong dữ liệu của mình. Và có 4 bối cảnh bạn cần xem xét.

110923 data analystics tookit
4 ngữ cảnh giúp bạn diễn giải dữ liệu của mình.

Historical Context: Bối cảnh lịch sử

Lịch sử cho bạn biết mong đợi điều gì? Bằng cách xem xét dữ liệu qua lăng kính lịch sử, bạn có thể hiểu các xu hướng và hành vi điển hình của khách hàng.

Ví dụ, tại DigitalMarketer, chúng tôi nhận thấy rằng doanh số bán hàng giảm vào mùa hè. Nhất quán. Mỗi hè.

Vì vậy, thay vì lo lắng về những con số thấp hơn, chúng tôi đã đưa ra các chiến lược để thúc đẩy doanh số bán hàng vào cuối mùa xuân. Chúng tôi cũng giảm chi tiêu cho quảng cáo trong mùa hè vì chúng tôi biết ROI sẽ không tốt.

External Context: Bối cảnh bên ngoài

Những thay đổi nào nằm ngoài tầm kiểm soát của chúng tôi đã ảnh hưởng đến các chỉ số của chúng tôi? Có thể một đối thủ cạnh tranh mới đã tham gia thị trường. Hoặc có thể công nghệ đã thay đổi, đòi hỏi những thay đổi lớn trong cách bạn làm mọi việc.

Hãy nghĩ đến các cập nhật thuật toán của Google.

Các yếu tố bên ngoài có thể nằm ngoài tầm kiểm soát của bạn, nhưng bạn cần ghi nhớ chúng khi đánh giá hiệu suất.

Internal Context: Bối cảnh nội bộ

Bạn đã thực hiện các thay đổi đối với chiến lược ảnh hưởng đến hiệu suất của mình chưa? Bạn đã thực hiện các thay đổi đối với trang web của mình hoặc khởi chạy một chiến dịch chưa?

Đây là một sự tự xem xét nhiều hơn. Hãy suy nghĩ về những thay đổi bạn đã thực hiện trong nội bộ có thể đã ảnh hưởng đến con số của bạn.

Contextual Context: Bối cảnh theo ngữ cảnh

Điều này liên quan đến cách bạn đang lấy dữ liệu. Bạn đang so sánh số liệu thô hay tỷ lệ phần trăm? Các con số của bạn có bị lệch bởi các ngoại lệ không? Bạn có dữ liệu không có ý nghĩa do yếu tố bên trong hoặc bên ngoài?

Kết hợp với nhau, các yếu tố ngữ cảnh này giúp bạn giải thích những điều không thể đo lường được, những điều bạn không thể thấy trước hoặc giải thích trong dữ liệu của mình. Và chúng giúp bạn đánh giá tính hợp lệ của dữ liệu của mình.

Làm cho dữ liệu trở nên hữu ích

Như bạn có thể thấy, 3 nguyên tắc phân tích và dữ liệu được thực thi tốt có thể giúp bạn biến các số ngẫu nhiên thành các nhiệm vụ có thể thực hiện được cho doanh nghiệp của mình.

Bạn cần chỉ định các vai trò cho dữ liệu của mình để bạn biết giai đoạn của kênh mà chúng liên quan và liệu chúng có giúp bạn biết điều gì đó (chỉ số chính) hay cung cấp cho bạn thông tin để trả lời câu hỏi (chỉ số chi tiết).

Bạn cũng cần sử dụng dữ liệu để đưa ra quyết định thông minh hơn cho doanh nghiệp của mình. Sử dụng nó để kiểm tra ý tưởng của bạn về những gì hiệu quả và những gì không và cách bạn có thể cải thiện kết quả. Khi xem xét các con số để trả lời một câu hỏi, bạn biết mình đang cố gắng chứng minh hoặc bác bỏ điều gì.

Sau đó, cuối cùng, bạn cần đặt dữ liệu của mình vào ngữ cảnh bằng cách đánh giá các yếu tố có thể khiến con số tăng hoặc giảm. Bằng cách gắn dữ liệu với thế giới thực, các con số sẽ có ý nghĩa hơn và việc sử dụng chúng trong doanh nghiệp của bạn sẽ dễ dàng hơn để thúc đẩy tăng trưởng.

Các thuật ngữ trong Analytics

Có 5 thuật ngữ bạn phải hiểu để nói một cách thông minh về phân tích và dữ liệu.

Analytics Dicision Making

Điều này đề cập đến phương pháp khoa học của nhà khoa học dữ liệu. Đó là quy trình bạn sẽ sử dụng để xác định những câu hỏi bạn nên hỏi và phương pháp tốt nhất để trả lời chúng.

Analyst’s Toolkit: Bộ công cụ của nhà phân tích

Đây là các công cụ, mẫu và tài nguyên bạn sẽ sử dụng để biến các khái niệm và ý tưởng thành dữ liệu và báo cáo. Bộ công cụ của bạn sẽ giúp bạn đặt những câu hỏi phù hợp và phát triển một quy trình giúp phân tích dữ liệu dễ dàng hơn.

Tham số UTM(Universal Resource Locator)

Điều này đề cập đến mã mà bạn có thể thêm vào một URL để cung cấp cho bạn thêm thông tin về lưu lượng truy cập của bạn đến từ đâu.

110908 data analystics utm
Cách sử dụng các tham số UTM

Trong ví dụ này, phần đánh dấu màu vàng hiển thị cho bạn liên kết thực tế Mọi thứ sau đó là một tham số UTM. Đây là thông tin bổ sung giúp bạn theo dõi các nguồn lưu lượng truy cập của mình.

  • Màu xanh lá cây làm nổi bật nguồn, cho bạn biết đối tượng hoặc trang web giới thiệu (house-list).
  • Màu hồng làm nổi bật phương tiện, cho bạn biết lưu lượng truy cập này được giới thiệu như thế nào (email).
  • Màu xanh lam đánh dấu nội dung, là mã nhận dạng quảng cáo / nội dung của bạn (launch-email1).
  • Màu xám đánh dấu chiến dịchcủa bạn , xác định quảng cáo hoặc chiến lược mà lưu lượng truy cập này đến từ (data-cert 1-1-2016).

Khi bạn thêm thông số UTM vào các liên kết của mình, bất kỳ ai nhấp vào các liên kết đó sẽ được gắn thẻ và bạn có thể theo dõi các thẻ đó trong Google Analytics.

Điều này cho phép bạn xem những nguồn và thông tin liên lạc nào đang mang lại cho bạn lưu lượng truy cập tốt nhất.

Chỉ báo hiệu suất chính (KPI)

KPI là một cách khác để chỉ một số liệu nói chung và nó thường được sử dụng để nói về một số liệu mà ai đó cho rằng đang thúc đẩy hoạt động kinh doanh của họ. KPI là một cách khác để nói về một số liệu chính.

Dashboard: Bảng điều khiển

Trang tổng quan là một trang web đối chiếu các chỉ số của bạn từ một nguồn cụ thể. Bạn có thể sẽ có một trang tổng quan cho từng nguồn dữ liệu: Google Analytics, nhà cung cấp dịch vụ email, nền tảng truyền thông xã hội của bạn, v.v.

Hầu hết các trang tổng quan cũng cung cấp biểu đồ biến dữ liệu của bạn thành hình ảnh trực quan, giúp bạn dễ dàng biết được hiệu quả hoạt động của mình.

110940 data analystics tofu kpi
 

Trang tổng quan cung cấp cho bạn hiểu nhanh về những gì đang hoạt động.

Trang tổng quan phải có sẵn cho mọi người trong một nhóm. Chúng giúp bạn dễ dàng hiểu những gì đang diễn ra trong một doanh nghiệp, giúp các thành viên trong nhóm thấy được công việc của họ đang ảnh hưởng như thế nào đến sự thành công của doanh nghiệp bạn.

Vai trò: Ai cần được biết?

Ai nên sở hữu dữ liệu của doanh nghiệp bạn? Phân tích dữ liệu bộ phận nào chịu trách nhiệm trong công ty?

110901 data analystics roles
 

Data & Analytics

Nhóm phân tích (hoặc cá nhân) phải có trách nhiệm chính trong việc thu thập, hiệu đính và giải thích dữ liệu và phân tích.

Các nhóm lớn hơn cũng có thể có người quản lý triển khai dữ liệu, người này tổng hợp tất cả thông tin này và biến nó thành một trang tổng quan đẹp mắt, dễ hiểu.

Marketing

Mỗi nhà tiếp thị đáng giá họ cần biết một chút về phân tích và dữ liệu. Cho dù bạn đang chạy các chiến dịch Facebook, tweet 50 lần một ngày hay đăng các bài viết lên blog của mình, bạn cần biết điều gì hiệu quả và điều gì không.

Tối ưu hóa Tỷ lệ Chuyển đổi (CRO)

Những người chạy thử nghiệm để tối ưu hóa hoạt động tiếp thị của bạn chủ yếu dựa vào dữ liệu để phát triển các giả thuyết của họ, thiết lập các thử nghiệm và đo lường hiệu suất.

Tóm kết

Analytics không nhất thiết phải đáng sợ hoặc quá sức – ngay cả khi bạn không phải là người biết về số liệu. Bạn chỉ cần một quá trình xử lý các con số, một cách để tìm ra cái nào sẽ giúp bạn xác định cơ hội và cái nào nên bỏ qua.

Khi bạn đã có quy trình của mình, bạn có thể thực sự thấy mình thích phân tích. Không có cảm giác nào tốt hơn là biết chắc chắn rằng kế hoạch tiếp thị của bạn đang hoạt động — và chính các chỉ số sẽ mang lại cho bạn sự tự tin đó.

Chúng tôi sắp kết thúc phần tổng quan về Digital marketing của mình. Bài học tiếp theo (và cuối cùng) là tối ưu hóa tỷ lệ chuyển đổi, đây là một quá trình đơn giản để cải thiện kết quả tiếp thị của bạn theo thời gian.

Thành thật mà nói, tối ưu hóa tỷ lệ chuyển đổi, hay CRO, như nó thường được gọi, là nước sốt bí mật cho chiến lược Digital marketing của bạn và bạn sẽ thích cách nó tập trung năng lượng của bạn vào các nhiệm vụ quan trọng nhất.

Dũng Hoàng, Chuẩn Web

Nguồn: digitalmarketer