Dataohjattua markkinointia ei ole ilman web-analytiikkaa

Lukuaika min

Web-analytiikkaa ei ole ilman analysointia ja oivallukset syntyvät analyysistä. Sille kannattaa löytää aikaa, kun haluat tehdä dataohjattuja päätöksiä.

Web-analytiikka on kyvykkyytenä avainasemassa aidosti dataohjatussa markkinoinnissa. Helpoimmillaan se on peruslukujen tarkastelua valmiiksi toteutetulta dashboardilta, vaikeimmillaan hyvin monimutkaisia mallinnuksia attribuutiosta.

Mitä se sitten tarkemmin on ja miksi sitä pitäisi tehdä?

Sokea usko

Ennen kuin julistan, mitä web-analytiikka tarkoittaa ja miksi se on niin tärkeää, haluan esitellä lainauksen Mark Twainilta:

”There are lies, damned lies and statistics.”

Lauseeseen sisältyy syvää totuutta web-analytiikan kohdalla. On selkeät hyvät ja huonot puolensa, että ihmiset helposti pitävät lukuja faktoina ja ”ainoina totuuksina”, jolloin ne ovat voimakkaimmillaan myös täydellisimpiä valheita.

Parhaimmillaan web-analytiikan luvut tehostavat markkinointitiimien päätöksentekokykyä. Asioista ei keskustella enää pelkästään mielipiteillä esimerkiksi kuka tykkää millaisestakin etusivusta.

Pahimmillaan web-analytiikka ohjaa päätöksentekoa kerta toisensa jälkeen vaarallisiin lopputuloksiin, jossa katsotaan totuutta faktojen valossa vain yhdeltä kantilta.

Annan esimerkin haitallisemmasta skenaariosta.

Hyvin usein sisältöjä ”myyvillä” verkkosivustoilla halutaan mitata, kuinka ne toimivat kulloisenkin tavoitteen mukaisesti. Yleinen mittari sisällön laadun mittaamiseen on ”bounce rate”, joka kertoo osuuden käynneistä laskeutumissivulla, joissa ei ole edetty seuraavalle sivulle (tai tarkemmin GA:han ei ole lähetetty seuraavaa ”interaction hittiä”). Kun todetaan esimerkiksi Google Analyticsista bounce raten olleen sisältösivulla korkea, usein päätellään sisällön olleen laadultaan huono ja tavoitellaan jatkossa vielä pienempää bounce ratea.

Päätelmä saattaa olla hyvinkin väärä, koska bounce rate ei kerro sitä, kuinka esimerkiksi pitkään ja hartaasti kävijä on kuluttanut sisältöä tai jakanut sitä eteenpäin sosiaalisessa mediassa. Kuitenkin esimerkiksi hyvin tyypillinen käyttäytymismalli sosiaalisesta mediasta sisältösivulle tulleelle on vierailla vain kyseisellä sivulla ja lähteä sen jälkeen pois verkkosivustolta – ei sukeltaa syvemmälle sen syövereihin.

Jotta päätelmissä päästään lähemmäksi totuutta ja pystytään tekemään dataohjattuja päätöksiä, pitää tuntea web-analytiikan useita mittareita  ja ulottuvuuksia – etenkin se, mitä ne varsinaisesti mittaavat.

Jos vain kuvittelee tietävänsä, mitä mikäkin mittari web-analytiikassa mittaa, voi mennä pahastikin mönkään ja tehdä huonoja päätöksiä. Tästä aiheesta olen kirjoittanut myös A/B-testausta käsittelevässä blogiartikkelissani.

 

Web-analytiikan tavoite on kasvattaa liiketoimintaa

Väitän, että parhaimmillaan web-analytiikan osaaminen ja hyödyntäminen on alla olevan graafin mukaisesti lähes suorassa korrelaatiossa siitä saatavan liiketoimintahyödyn kanssa.

Osaaminen korreloi liiketoiminnallisen hyödyn kanssa vahvasti.

Syy tähän on se, että web-analytiikka mahdollistaa syy-seuraus -suhteiden tutkimisen digitaalisessa myynnissä ja markkinoinnissa ennen näkemättömällä tavalla.

Teetkö digitaalista mainontaa esimerkiksi Googlessa tai Facebookissa? Mahtavaa. Mietitään tavoitteet, tehdään suunnitelma, valitaan mittarit, asennetaan seurannat ja tutkitaan, kuinka monta euroa saat takaisin jokaista panostamaasi euroa kohden.

Luotko sisältöjä joka päivä ja jaat ne maksuttomasti verkkosivustollasi? Hienoa. Mietitään tavoitteet, tehdään suunnitelma, valitaan mittarit, asennetaan seurannat ja analysoidaan, kuinka kohderyhmäsi kuluttamat sisällöt vaikuttavat tuotteiden tai palveluidesi myyntiin.

Vain tietämätön väittäisi, että se olisi helppoa, mutta varmaan sinä ja minä molemmat haluamme lähemmäs totuutta. Siellä odottaa digitaalisuuden mahdollistama aito kilpailuetu: saumaton ja miellyttävä asiakaskokemus.

 

Mitä web-analytiikka pitää sisällään?

Pääasiallisesti web-analytiikkatyö pitää sisällään viisi osa-aluetta:

  1. Suunnittelu ja määrittely
  2. Tekninen asentaminen
  3. Datan visualisointi
  4. Datan analysointi ja oivallukset
  5. Strateginen ohjaus

Ensimmäinen ja toinen osa-alue ovat hyvin tärkeitä, koska aika on dataa. Kun aloitat keräämään merkityksellistä dataa tänään, niin sinulla on sitä huomenna enemmän kuin että aloittaisit datan keräyksen vasta huomenna.

 

1. Suunnittelu ja määrittely

Web-analytiikka ilman selkeitä tavoitteita ja kysymyksiä tuntuu samalta kuin kirjautuminen ensimmäistä kertaa Google Analyticsiin: ”Onhan täällä kaikkea kivan näköistä ja varmasti hyödyllistä dataa, mut en oikein tiedä, mistä lähteä liikkeelle ja mistä olisi aidosti hyötyä. Palaanpa joskus toiste.”.

Web-analytiikka on tässä mielessä samanlaista kuin koodaaminen: tarkkaa hommaa. Se vaatii selkeät määrittelyt, suunnitelman ja toteutuksen toimiakseen markkinointi- tai myyntijohdon haluamalla tavalla. Pitää tietää alusta lähtien, että mitä web-analytiikalla halutaan saavuttaa ja mihin sitä käytetään.

Vasta kun tavoite on kirkas, myös suunnitelmasta voi tulla hyvä.

 

2. Tekninen asentaminen

Teknisen asentamisen voi aloittaa, kun tavoite, suunnitelma ja määrittelyt ovat viimeistelty. Aika on dataa ja datan keräys asennukset kannattaakin tehdä mahdollisimman ajoissa, mutta ei hutiloiden.

Hutilointi voi tarkoittaa mm. sitä, että ei ymmärretä, kuinka verkkosivuston normaali ja jatkuva kehitystyö voi katkaista datan keräyksen, jos seurantojen asennukset ovat tehty ns. ”purkkaratkaisuilla”. Google Tag Manager avasi vuonna 2012 markkinoinnille mahdollisuudet tehdä seurantoja ilman devaajien jatkuvaa apua, mutta tarkoitti samalla myös kerätyn datan laadun heikkenemistä, kun markkinointi asensi seurantoja tietämättä tarpeeksi tekniikasta.

Nykypäivänä on menty enemmän takaisin siihen suuntaan, että kestävät ratkaisut toteutetaan yhdessä devaajien kanssa, jotta seurannat eivät olisi riippuvaisia esimerkiksi vaihtuvista URL-osoitteista tai elementtien CSS-luokista.

Hyvä tekninen web-analyytikko osaa käyttää Tag Managerin tyyppisiä ratkaisuja, mutta myös kommunikoida devaajien kanssa sujuvasti datan asettamisesta saataville sivuston lähdekoodiin.

 

3. Datan visualisointi

Data on raakaa tietoa ja sillä itsessään ei tee mitään, jos sitä ei visualisoi tai analysoi BI-työkalua (Business Intelligence) käyttäen. Myös Google Analytics on osaltaan BI-työkalu, mutta muita kyseisellä osa-alueella tunnettuja työkaluja on Tableau, Power BI, Qlikview ja Google Data Studio.

Viimeiseksi mainittu eli Google Data Studio mielletään kuitenkin enimmäkseen ”dashboard-työkaluksi”, jolla tehdään syvempien analyysien sijaan datan visualisointeja eri sidosryhmille, kuten markkinointipäättäjille, markkinointitiimille, myyntitiimille, johtoryhmälle, asiakaspalvelutiimille jne.

Hyvä web-analyytikko ymmärtää eri datalähteiden ulottuvuudet ja metriikat sekä osaa tehdä niistä selkeitä visuaalisia kokonaisuuksia liiketoiminnan eri osa-alueiden päälukujen seurantaan.

 

4. Datan analysointi ja oivallukset

Datalla ohjattua markkinointia ei ole ilman datan analysointia ja siitä saatavia oivalluksia ja näkemystä.

Näkemyksen laajuus ja syvyys riippuu web-analyytikon kyvykkyydestä syventyä lukuihin eri näkökulmista. Jos sisällön toimivuutta tulkitsee vain sivulatausten määrän ja bounce raten avulla, niin analyysi jää hyvin pinnalliseksi, jonka johtopäätökset eivät luo kilpailuetua muihin nähden.

Todelliset syväanalyysit tehdään pellin alla kaukana dashboardeista. Analyysiä varten pitää olla aina selkeät kysymykset ja tavoitteet, mitä halutaan selvittää ja miksi. Mitä useampia näkökulmia analyysissä pystytään ottamaan huomioon, niin sitä suuremmalla todennäköisyydellä ollaan luomassa liiketoiminnallista kilpailuetua.

 

5. Strateginen ohjaus

Korvaamattomat web-analyytikot pystyvät myös ohjaamaan liiketoiminnan markkinointia ja myyntiä myös strategisella tasolla auttaen yritystä päättämään, että mihin keskitytään ja mistä jättäydytään tietoisesti pois. Harvalla yrityksellä on rajattomat resurssit, jonka takia taistelut ovat valittava itse eikä niihin saa joutua tahtomatta.

Web-analyytikot ymmärtävät eri markkinointijärjestelmien tuottamaa dataa ja pystyvät hyödyntämään niitä niiden vahvuuksien mukaan. Yksinkertaisena esimerkkinä toimikoon se, että jos haluaisin tietää, minkä ikäisiä tai sukupuolisia henkilöitä verkkokaupassani käy, luottaisin ennemmin Facebookin kuin Googlen dataan, koska ihmiset ovat antaneet tietonsa Facebookille ja Google joutuu vain enemmän arvailemaan.

 

Palkkaanko web-analyytikon vai kumppanin tekemään?

Web-analyytikon voi erittäin hyvässä lykyssä palkata itse tai sitten ulkoistaa web-analytiikan kumppanin tehtäväksi. Valinnan pitää perustua ehdottomasti niille kahdelle asialle, että millaisessa tilanteessa organisaatiossa on tällä hetkellä ja mitä web-analytiikan kyvykkyydellä halutaan saada aikaiseksi.

Jos yrityksessäsi tehdään jo nyt sadoilla tuhansilla tai miljoonilla euroilla digitaalista mainontaa ja markkinointia, niin in-house web-analyytikon palkkaaminen voisi olla ehdottomasti paikallaan. Parhaimmillaan palkkaamasi asiantuntija on tekninen ja osaa datan analysoinnin lisäksi laittaa datan laadun ja keräyksen kuntoon yhtä hyvin kuin mitä isojen markkinointieurojen koko vaatii.

Jos taas yrityksessäsi ollaan vielä alun jälkeen digitaalisessa markkinoinnissa etsimässä oikeita kanavia, verkkopalvelussa on selkeitä kehityskohteita eikä täyspäiväiselle web-analyytikolle löytyisi tarpeeksi töitä, niin on ehdottomasti syytä miettiä osa-aikaisesti web-analytiikkaa tekevän kumppanin palkkaamista.

Kummassa tapauksessa tahansa web-analyytikot kaipaavat viihtyäkseen kaltaisiaan ympärilleen, jolloin myös in-house web-analyytikolle kannattaa hankkia sparrausapua ulkopuolelta.

Ilpo Ryynänen

Head of Data & Programmatic

Rakastan numeroita, koska ne puhuvat aina totta. Työkseni autan asiakkaitamme menestymään digitaalisessa liiketoiminnassa numeroiden sekä markkinointiteknologioiden avulla. Konsultoin heitä tuloskeskeisessä digitaalisessa markkinoinnissa ja myynnissä kokonaisvaltaisesti sekä olen erikoistunut web-analytiikan tarjoamiin ratkaisuihin.