Dataohjattu markkinointi kiinnostaa yhä enemmän.
Esimerkiksi tässä tutkimuksessa markkinoijat sanoivat, että datan ja analytiikan käytön parantaminen on vuoden tärkein prioriteetti.
Entä mistä tämä kaikki pitäisi aloittaa?
Tässä kirjoituksessa näytän 5 käytännön vinkkiä, joilla voit heti päivittää markkinointisi datalähtöisemmäksi.
1. Tavoittele muutakin kuin ostoja
Myynti on monelle se tärkein mitattava asia.
Ja ihan hyvästä syystä.
Netissä on silti paljon ihmisiä, jotka eivät ole ostamassa juuri nyt.
Ehkä he harkitsevat vielä. Tai tutkivat asiaa. Tai vertailevat tuotteita.
Tätä kuvaavia malleja on monia (kuten AIDA), mutta tärkeintä on huomioida, että ihmisiä on jatkuvasti matkalla kohti ostoa.
Tuotteesta riippuen polku voi olla todella pitkä.
Ja missä tahansa vaiheessa asiakas saattaa pysähtyä tai poistua kokonaan.
Esimerkiksi tyypillinen B2B-asiakas katsoo polun aikana jopa 13 sisältöä ennen ostopäätöstään.
Koko polun mittaus on siis todella tärkeää.
Muuten voi käydä kuten eräälle yritykselle, jonka kanssa aloitin työskentelemään:
Tällä yrityksellä mittaus oli pitkään keskittynyt pelkkiin ostoihin.
Eli siis hyvin pieneen osaan ostopolkua.
Minut oli kutsuttu auttamaan hyvin tyypillisessä ongelmassa.
Uusia asiakkaita ei juurikaan tullut.
Vähitellen ongelma alkoi valjeta: Yritys teki markkinointia enimmäkseen maksetulla mainonnalla mikä vei suoraan ostamaan.
Näin tavoitettiin sattumalta vain ne henkilöt, jotka olivat jo polun lopussa, valmiina ostamaan.
Ei siis ollut ihme, että uusia ostajia tuli vain vähän.
Ostaisitko itse tuotteen, mistä on vaikeaa löytää tietoa ja mistä kukaan muu ei tiedä?
Tilanteen korjasi se, että koko ostopolkua alettiin mittaamaan mikrokonversioilla. Näin kehityskohdat nähtiin, ja niihin voitiin reagoida.
Et voi keskittyä pelkkiin ostoihin, koska et luo silloin kysyntää.
Miten koko polun mittaus siis käytännössä tapahtuu?
Tässä on esimerkkejä ostopolun vaiheiden mittareista:
| KIINNOSTUS 🔎 | HALU 🗯️ | TOIMINTA 🚩 |
|---|---|---|
| Tuotteen hakeminen Googlessa | Uutiskirjeen tilaaminen | Tuotteen ostaminen |
| Tuotesivujen katsominen | Tuotevideon katsominen | Ostoskoriin lisääminen |
| Esitteen lataaminen | Asiakastilin tekeminen |
2. Kerro tarina datalla
Kuinka monta kertaa olet nähnyt täysin unohtumattoman Excel-taulukon?
…niin, en ole minäkään.
Jos haluat esittää dataa niin, että se muistetaan myös myöhemmin, käytä tarinoita.
Väitetään, että faktoja on 22 kertaa helpompi muistaa kun ne esitetään tarinan muodossa.
Kokeillaan tätä käytännössä.
Ajatellaan, että meidän pitää tutkia verkkokaupan myynnin kehitys viime viikolla.
Tässä olisi Excel-taulukko myyntijärjestelmästä:
Aloitetaan visualisoimalla tämä data, niin näemme paremmin kävijöiden trendin.
Voimme tehdä tämän monella eri työkalulla.
Esimerkiksi Microsoft Officen ohjelmilla saisi automaattisia suosituksia visualisoinneista.
Itse valitsen kuitenkin ilmaisen Google Data Studion, jolla teen simppelin pylväskaavion:
Tämä on jo ihan hyvä. Näemme helpommin, että myynnissä on tapahtunut muutos.
Tällaista tietoa ei kuitenkaan kannata vielä esittää kenellekään.
Se joko unohdetaan heti, tai toivon mukaan katsoja haluaisi tietää mitä keskiviikkona tapahtui.
Nyt onkin hyvä tilanne kertoa datalla tarina.
Google Analytics verkkokaupan dataa tutkimalla löytyy tieto, että mistä kävijät ovat päivittäin tulleet.
Tässä olisi yksi tapa kertoa tulos tarinan muodossa:
Huomaatko kuinka suuren eron tämä teki verrattuna pelkkään Exceliin?
Datan ei siis tarvitse olla pelkkiä numeroita.
Se voi olla pieni tarina, mikä jää paremmin mieleen ja ehkä ohjaa tekemään jotakin paremmin.
3. Segmentoi, segmentoi, segmentoi
Ostajia voi tavoittaa jo älyttömän monella eri tavalla
Kun kävijöitä tulee monista eri paikoista, niin segmentoinnista tulee yhä tärkeämpää.
Liian usein huomaan, että ymmärrys yrityksen asiakaskunnasta näyttää tältä:
(Eli siis asiakkaiden määrä katsotaan myynnistä ja sivuston kävijät katsotaan Google Analyticsista.)
Esimerkiksi kävijöiden könttä on aika hyödytön tieto.
Vaikka kävijämäärä kaksinkertaistuisi päivässä, niin mitä sitten? Tulos olisi vain suurempi määrä kävijöitä, joista emme tiedä mitään.
Emme tiedä onko joukossa mahdollisia asiakkaita.
Tai mistä he ovat edes tulleet.
Jos taas segmentoimme kävijät markkinointikanavan mukaan, niin näemme tämän:
Voimme nyt tulkita paljonkin asioita segmentoidun kävijätrendin perusteella:
- Hakukoneliikenne tuo jatkuvasti kävijöitä
- Videot tuovat vaihtelevasti kävijöitä
- Mainonta tuo kampanjoiden alussa nopeasti liikennettä
Voimme myös katsoa asiaa toisin.
Voimme selvittää segmenteillä kuinka moni hakukoneesta saapunut osti (eli kuinka moni kävijä kuului “videosta saapuneiden JA ostaneiden” segmenttiin):
Tämä tieto kertoisi hakukoneoptimoinnin ja myynnin välisestä yhteydestä.
Tämä on jälleen parempi kuin kaksi erillistä ryhmää, eikö vaan?
Segmentointia voi tehdä käytännössä useimmilla työkaluilla, kuten Google Analyticsilla ja Piwik Prolla.
Tärkeintä on käyttää tätä segmentoitua tietoa ja kokeilla mitä uutta voit oppia asiakaskunnasta.
4. Älä tee oletuksia etukäteen
Jos voisin valita yhden asian mikä haittaa datalähtöisyyttä, niin vastaus on helppo:
Lopputulosten olettaminen etukäteen.
Data itsessään on puolueetonta, mutta varsinaisen analysoinnin tekee usein ihminen.
Me ihmiset taas teemme inhimillisiä virheitä, joista yksi yleinen on löytää se, mitä etukäteen oletimme.
“Sitä saa mitä mittaa” sanovat jotkut.
En väitä, että tähän ongelmaan olisi helppoa ratkaisua. Yksi hyvä tapa on kuitenkin tämä:
Käytä vain etukäteen valittuja mittareita.
Tämä siis vaatii sen, että onnistumisen kriteerit valitaan ennen kuin aletaan tekemään mitään.
Jos vaikka tehdään kampanja, millä halutaan käyttäjien tutustuvan tuotteeseen, niin “tuote-esitteen lataamiset” olisi hyvä mitattava tavoite.
Kampanjan tekijöinä meidän pitäisi sitoutua mittaamaan tulokset samalla mittarilla
Kuulostaa ehkä simppeliltä, mutta sitä se ei aina ole.
Varsinkin omaa tekemistä raportoidessa voi olla vaikeaa uskoa, jos tärkeitä tavoitteita ei ole saavutettu.
Me kaikki tiedämme kyllä, kuinka ikävältä se tuntuu.
Data on kuitenkin puolueetonta.
Oikein käytettynä se näyttää meille mitä voimme kehittää, mutta myös tilanteet kun olemme onnistuneet mahtavasti.
Tämä onnistuu paljon helpommin, kun valitset mittarit etukäteen.
5. Käytä ulkoista ja sisäistä dataa
Me tutkimme joka päivä ulkoista dataa:
- Sääennusteita
- Tuotearvosteluja
- Uutisia
- Somejulkaisuja
Selvennyksenä siis, että ulkoinen data on termi tiedolle, jonka olemme hankkineet jostain muualta.
Vastakohta olisi sisäinen data, mikä on itse luotua.
Yritykset käyttävät erityisen paljon sisäistä dataa, kuten asiakasrekisteriä, myyntitietoja ja verkkosivun dataa.
Tässä on kuitenkin vaaran paikka, mikä kuvaillaan hyvin kirjassa nimeltä Outside Insights:
“Pelkkä sisäiseen dataan katsominen on kuin ajaisi autoa katsomalla vain peräpeiliin”
– Jorn Lyseggen
Tämän voisi myös sanoa toisin.
Periaatteessa sisäinen data keskittyy enemmän menneisyyteen, kun taas ulkoinen data pyrkii ennustamaan tulevaa.
Kumpikin datatyyppi on tärkeä osa markkinointia.
Vuonna 2024 kannattaa silti kiinnittää huomiota siihen, että myös ulkoista dataa käytetään.
Esimerkiksi Google Trendsilla voi tutkia kiinnostavien aiheiden trendejä.
Google Trends on itseasiassa niin tehokas, että sen kerrotaan tunnistaneen Netflixin nousun paremmin kuin perinteiset luottamusindeksit.
Trends todistaa myös väitteen, että Yle Areena on yhä Suomen suosituin suoratoistopalvelu.
Hakumäärien tutkimisessa ja vertailussa on paljon potentiaalia yrityksille, jotka haluavat pysyä askeleen edellä kilpailijoita.
Tämä ei ole edes ainoa verkkohakuihin liityvä datalähde.
Avainsanatyökaluilla voi saada hyvin laajan kuvan siitä, mitä kohdeyleisösi haluaa tai tarvitsee.
Tätä tietoa on yritetty selvittää jo aina markkinoinnin alkuajoista, mutta nyt se on helppoa kuin mikä.
Esimerkiksi verkkosivut-termin haku SEMrushin avainsanatyökalulla on kuin kurkistus sivustoista kiinnostuneiden mieleen:
Tulos on vakuuttava:
Tuhansia tapoja hakea aihetta, konkreettisia kysymyksiä ja aiheeseen liittyviä termejä.
Vastaavan tiedon kerääminen itse olisi täysi mahdottomuus.
Juuri siksi ulkoista dataa kannattaa hyödyntää aina kun mahdollista.
