Datapohjainen päätöksenteko on tärkeä osa tehokasta markkinointistrategiaa. Kuitenkin viime vuosina datan kerääminen on vaikeutunut GDPR-säädösten takia, kolmannen osapuolen evästeistä ollaan luopumassa, ja kaiken lisäksi data on siiloutunut useisiin eri alustoihin, joka vaikeuttaa kokonaiskuvan hahmottamista. Tässä kirjoituksessa käsittelemme datan siiloutumista ja miten kokonaiskuvaa voidaan seurata mittaamisen vaikeutuessa.
Markkinointidataa kerätään yleisesti eri alustoille, kuten Google Adsiin, verkkokauppa-alustalle, CRM:ään ja analytiikkajärjestelmiin. Dataa on paljon ja kaikki alustat raportoivat erilaisia lukuja. Analytiikkajärjestelmä mittaa käyttäytymistä verkkosivuilla, verkkokauppa-alustan kautta näemme toteutuneen myynnin ja CRM:n kautta näemme tärkeää tietoa asiakkuuden elinkaaresta. Yhdistämällä tätä dataa keskenään pystymme näkemään asiakkuuden eri vaiheet aina ensimmäisestä klikkauksesta asiakaspoistumaan asti ja tunnistamaan eri kanavien roolit asiakkuuden elinkaaren aikana.
Hahmota kokonaiskuva varastoimalla data samaan paikkaan
Nähdäksemme kokonaiskuvan on data saatava yhteen ja samaan paikkaan. Ratkaisuna tähän on datan tuonti markkinoinnin datavarastoon, joka on tarkoitettu monikanavaisen datan säilömiseen ja analysointiin. Kun eri alustojen data tuodaan datavarastoon, voimme yhdistellä eri kanavien dataa keskenään ja luomaan raportointitauluja, jotka voidaan myöhemmin visualisoida työkaluissa kuten Tableau tai Looker Studio.
Yleisestä käsityksestä poiketen datavaraston käyttöönotto ei ole kallista ja se onnistuu ilman investointeja kalliisiin työkaluihin. Esimerkiksi Google BigQuery tarjoaa kuukausittain 10gb ilmaista tilaa varastointiin ja 1tb datan käsittelyyn, joka riittää varsin hyvin pienten ja keskisuurten yritysten tarpeisiin kevyellä käytöllä. Muita vaihtoehtoja datavarastoille ovat esimerkiksi Snowflake ja Azure Synapse Analytics.
Miten data siirretään eri datalähteistä datavarastoon?
Datan siirtäminen datavarastoon voi tapahtua erilaisten ETL (Extract, Transform, Load) -työkalujen avulla, jotka hakevat, muokkaavat ja siirtävät dataa eri alustoilta datavarastoon. Dataputken voi toki myös itse tehdä manuaalisesti, mutta yleensä valmiin työkalun hyödyntäminen on kustannustehokkaampaa.
ETL-työkaluissa on lukuisia eri vaihtoehtoja ja niiden hinnat vaihtelevat paljon riippuen datalähteiden tai haettavan datan määrästä. Isompien yritysten tarpeisiin soveltuu yleensä Supermetrics tai Funnel, jotka datan hakemisen lisäksi muuntavat sen käytännössä suoraan raportoitavaan muotoon. Pienten ja keskisuurten yritysten tarpeisiin löytyy hintatasoltaan matalampi Fivetran, josta löytyy myös ilmainen versio.
Datan valmistelu ja yhdistäminen
Ennen datan yhdistämistä on varmistettava, että data on puhdasta, eli siitä on poistettu mahdolliset epäjohdonmukaisuudet ja virheet. Kun eri alustojen dataa halutaan yhdistää toisiinsa on data myös standardisoitava eli dataformaattien ja -metriikoiden on oltava yhtenäisiä eri kanavien välillä. Näistä hyviä esimerkkejä ovat päivämääräformaatti, valuutta sekä kampanjoiden nimeäminen. Useat ELT-työkalut helpottavat tätä työtä valmistelemalla datan ennen sen lataamista datavarastoon.
Datavaraston puolella datan siistiminen tapahtuu SQL:n avulla. SQL on datan prosessointiin tarkoitettu ohjelmointikieli.
Kun data on siistitty ja eri kentät ovat yhtenäisiä eri datalähteiden välillä voimme yhdistää eri datalähteitä keskenään. Datan yhdistäminen onnistuu SQL-kyselyiden avulla. Datan yhdistäminen onnistuu myös datan visualisointityökaluissa kuten Looker Studiossa blend-ominaisuudella, mutta se on huomattavasti helpompaa ja tehokkaampaa tehdä datavaraston puolella.
Esimerkki: Google Analytics-datan rikastaminen verkkokauppadatalla
Useilla markkinoijilla on varmasti joskus ollut ongelma, ettei Google Analyticsin kautta kerätty verkkokauppadata täsmää verkkokauppa-alustan esittämään (oikeaan) dataan. Tässä esimerkissä rikastamme Google Analytics-dataa verkkokauppa-alustan datalla.
Osa verkkosivun käyttäjistä kieltäytyy evästeistä ja moni käyttää adblockereita, jotka estävät myös Google Analyticsin seurannan. Tästä johtuen iso osa verkkosivuilla tapahtuvista ostotapahtumista jää seuraamatta. Kun analytiikkadataa verrataan esimerkiksi verkkokauppa-alustan raportoimaan myyntiin voidaan nähdä jopa 30 % eroja.
Tuomalla analytiikkadatan ja verkkokauppadatan datavarastoon, pystymme yhdistämään ne ja luomaan raportteja, jotka raportoivat todellisia myyntilukuja epätarkan evästeillä kerätyn datan sijaan.
Datan yhdistäminen toimii transaktio ID:n avulla. Jos transaktio ID puuttuu Google Analytics-datasta, mutta löytyy verkkokauppadatasta, se tarkoittaa, että jostain syystä konversio on jäänyt seuraamatta Analyticsissa.
Transaktio ID:n avulla voimme rikastaa Google Analytics-dataa tuomalla puuttuvat ostotapahtumat verkkokauppa-alustasta ja näin saamme raportoitua totuudenmukaisia lukuja raporteillamme.
Analytics- ja verkkokauppadatan yhdistäminen on vain yksi monista asioista joita voit tehdä datavaraston avulla.
Muita hyviä esimerkkejä asioista joita voit tehdä yhdistämällä dataa eri kanavista:
- Monikanavaiset kampanjaraportit, jossa kaikkien kanavien data tuodaan samaan raporttiin
- Koko asiakkaan elinkaaren mittaus asiakashankinnasta asiakaspoistumaan
- Muun kolmannen osapuolen datan tuominen raportteihin selittämään siinä tapahtuvia ilmiöitä
Jos haluat vastauksia miten eri markkinointitoimenpiteet ovat tuottaneet vuosien varrella, vastaukset tähän eivät mitenkään löydy pelkästään yhden alustan datasta tai Excel-taulukosta, vaan tarvitset tätä varten markkinoinnin datavaraston. Jos käyttöönotto mietityttää niin autamme OIKIOlla mielellämme.
