Merkityksellisten muuttujien määrittäminen

Menneet ovat ne päivät, jolloin markkinoijat saattoivat arvioida liiketoimintaansa vain muutamien raporttien, televisiokatsojien määrän tai myyntilukujen perusteella. Nykyinen saatavilla olevan datan määrä saattaa vaikuttaa valtavalta vuorelta kiivettäväksi, mikä voi houkutella markkinoijia arvioimaan tuloksia vain helposti saatavilla olevien muuttujien avulla (esimerkiksi fanien, tykkäysten, kommenttien, jakojen ja klikkausten määrällä). Tällöin saatetaan jättää huomiotta muuttujia, jotka ovat kaikista tärkeimpiä.

Facebookin markkinointianalyysitiimi on pannut merkille alan muutoksen ja on ohjaillut kehitystä kohti toiminnallisten reaaliaikaisten muuttujien priorisoimista; niiden avulla voidaan nähdä todellisia vaikutuksia liiketoimintatavoitteisiin.

Facebookin markkinointianalyysin varajohtaja Brad Smallwood kartoittaa digitaalisen analyysin matkaamme Journal of Advertising Research -lehdessä. Hän käy läpi tässä numerossa, miten olemme kehittäneet muuttujia, jotka määrittävät kampanjan Facebook-menestyksen, murtaneet siiloja datan avulla sekä siirtäneet analytiikan toimiston takahuoneesta johtoryhmän pöydän ääreen.

Ajattele omia uutisiasi ja sitä sisällön kirjoa, jonka löydät, jaat ja kulutat päivittäin. Uutisissa näkyvän, mihin tahansa aiheeseen liittyvän vuorovaikutuksen määrä ja monimuotoisuus on aivan omassa kastissaan kyselyihin tai aiheeseen keskittyneeseen ryhmään verrattuna. Nämä vuorovaikutukset ovat saaneet markkinoijat pohtimaan, mikä ainutlaatuinen kävijätieto voisi ilmaista kootusti sen, miten 1,65 miljardia Facebookin käyttäjää pitää yhteyttä kavereihinsa, perheeseensä ja brändeihin ja on heidän kanssaan vuorovaikutuksessa.

Meidän täytyi itsekin Facebookilla ymmärtää aihedatan arvo ja rajoitukset, ennen kuin meidän oli mahdollista kertoa markkinoijille, kuinka aihedataa tulisi käyttää parhaiden tulosten saavuttamiseksi. Tällä kertaa Facebookin markkinointianalyysi- ja muut sisäisen analyysin tiimit pääsivät ottamaan osaa strategiseen suunnitteluun, joka pohjautui dataamme. Huomasimme, että kaikki julkaisut eivät olleet samanarvoisia, ja että normien ja kuluttajakäyttäytymisen tulkinta oli markkinoijalle entistäkin tärkeämpää, jos hän haluaisi hyödyntää aihedataa tehokkaasti. Huomasimme myös, että siinä missä aihedata saattoi toimia markkinointiviestintään ja tuotekehitysstrategioihin liittyvän luovan sisällön strategian ohjenuorana, se saattoi myös kampanjan tehokkuuden määrittäjänä johtaa markkinoijia harhaan.

Oli äärimmäisen tärkeää, että saatoimme viestiä analyysimme tulokset eri alojen kumppaneillemme, jotta jäsentelemättömästä aihedatasta ei tullut uutta ”hohdokasta” muuttujaa kuten faneista. Saamamme opit ohjaavat paitsi tapaamme lähestyä analytiikkaa, mutta ne vaikuttavat myös siihen, miten tuotantotiimit kehittävät sisäisiä työkalujamme ja miten asiakasrajapinnassa työskentelevät tiimimme neuvovat asiakkaitamme.

Kun datasta muodostuu liiketoimintapäätösten tekemisen ja kuluttajakäyttäytymisen ymmärtämisen ohjenuora verkossa ja sen ulkopuolella, liiketoiminnalle olennaisten muuttujien yhtenäistäminen on äärimmäisen tärkeää. Tietoa muuttujista, jotka tuovat arvoa ja menestystä organisaatiolle, tulisi jakaa laajasti, monialaisesti ja läpinäkyvästi. Olisi tärkeää saada muutettua näkemystä, jonka mukaan data ja analytiikka kuuluvat toimiston takahuoneeseen. Niin johtajien kuin analyytikkojenkin täytyy viestiä saatavilla olevan datan käytettävyydestä ja luotettavuudesta.

Markkinoijat voivat siilojen murtamisella varmistaa, että suorituskyvyn mittareista kerrotaan kaikille työntekijöille. Sen sijaan, että alan jargoniin sidottuja muuttujia, kuten klikkauksia ja kustannuksia, nostettaisiin jalustalle, tulee organisaation talouspäällikölle tärkeistä, eli yrityksen tavoitteille keskeisistä, muuttujista tehdä tärkeitä kaikille organisaation sisällä. Muuttujien tärkeysjärjestyksestä tulee entistä tärkeämpää, kun median maailma jatkaa muodonmuutostaan ja markkinat kehittyvät: datakaan ei säily staattisesti entisellään. Informaation dynaamisen luonteen hyväksyminen ja vakiintuneiden käsitysten ajoittainen tarkastaminen ja haastaminen parantaa uuden datan analyysimalleja ja on hyväksi organisaatiolle ja koko alalle.