Lisää tuloksia myyntiin ja markkinointiin edistyneellä analytiikkadatalla – 3 case-esimerkkiä
Kokosimme yhteen kolme erinomaista esimerkkiä eri alojen asiakasprojekteistamme, joissa olemme hyödyntäneet edistynyttä analytiikkadataa ja erilaisia datalähteitä tehdäksemme myyntiin ja markkinointiin liittyviä keskeisiä havaintoja. Tietoa on voitu hyödyntää onnistuneesti myynnin ja markkinoinnin strategisessa suunnittelussa ja kehittämisessä. Lopputulemana on ollut asiakasymmärryksen sekä liidien ja myynnin huomattava kasvu.
Case 1: Kampanjan optimointi kohti suurinta katetta
Teimme yhteistyötä asiakkaan kanssa, joka myönsi eritasoista lainaa verkkohakemuksien kautta. Työskentelimme ensisijaisesti jatkuvan hakukonemainonnan parissa, jossa määriteltyjen tavoitteiden mukaan haettiin isointa konversiolukua, eli lainamäärää. Konversioseuranta ei siis ottanut kantaa todelliseen rahoitettuun summaan, vaan ainoastaan mittasi lähetettyjä hakemusmääriä.
Tehtyämme mainontaa jonkin aikaa edellä mainitulla konversioseurannalla, pohdimme miten saisimme paremmin validoitua konversioiden todellista tuottavuutta. Haasteena oli se, että kaikki lähetetyt hakemukset eivät kuitenkaan tulleet hyväksytyiksi. Tämän voitiin myös katsoa jollain tavalla vääristävän konversiotuloksia sekä mainonnan tuottavuutta. Tässä vaiheessa hakemuksille päätettiin laskea odotusarvo ja luoda sille oma konversioseuranta. Odotusarvo kuvasti todennäköistä lopullista rahoitettua summaa.
Prosessi alkoi siitä, että hakemustyypeille laskettiin odotusarvo, eli kuinka paljon ne todennäköisesti tuottavat tulosta. Odotusarvot laskettiin erillisistä tiedoista ja mittaus toteutettiin Google Tag Managerissa. Näiden avulla uusi konversioseuranta rakennettiin Google Analyticsiin ja Google Adsiin. Google Adsissa mainonnan strategiaksi muutettiin maksimoi konversioarvo, aiemmin käytetyn konversiomäärän sijaan.
Kuva 1: Alun perin oli optimoitu suurimpia hakemusmääriä ja suurempia lainamääriä kohti. Kuvasta voidaan havaita, että lopulta on hyödyllisempää optimoida pienempää rahamäärää kohti, sillä se tuo todellisuudessa enemmän tulosta, kun kaikkia hakemuksia ei sellaisenaan voida hyväksyä.
Miten onnistuimme ja mitä opimme
Kampanjastrategian muutoksen jälkeen pystyimme nopeasti huomaamaan, että optimointi pelkän hakemusmäärän tai summan perusteella olisi ohjannut päätöksentekoa väärään suuntaan. Strategian vaihdon avulla pystyimme nopeasti tekemään korjausliikkeet kampanjatekemisessä. Yllätyimme positiivisesti myös siitä, että lasketut odotusarvot olivat lopulta hyvin lähellä toteutuneita lukuja.
Tapauksen tärkein oppi on se, että tätä mallia voi hyödyntää kaikkeen liiketoimintaan, jossa voidaan arvioida katetta. Helppoja esimerkkejä ovat muun muassa verkkokaupat, mutta yhtä hyvin tätä voisi soveltaa vaikka palveluiden ajanvaraukseen.
KPI-mittarit olivat tässäkin tapauksessa tärkeitä työkaluja, mutta mitään metriikkaa ei kannata tuijottaa sokeasti. On olennaista ymmärtää kokonaisuutta ja katsoa aika ajoin ”konepellin alle”, jotta voidaan parantaa tulosta ja optimoida toimintaa oikeaan suuntaan. Pohdi, heijastavatko mainonnan optimoinnin perusteena olevat metriikat realistisesti niiden tuomaa arvoa yritykselle, vai puuttuuko yhtälöstä olennaisia taustatekijöitä – verkkokaupassa puuttuva tekijä voi olla kate, rahoitusalalla taas hylätyt hakemukset.
Ymmärtämällä konversioputkea kokonaisvaltaisesti pystyimme optimoimaan markkinoinnin toimenpiteitä kohti eniten konvertoituvaa vaihtoehtoa.
Case 2: Asiakkaan ostokäyttäytymisen ymmärtäminen
Tässä projektissa asiakkaanamme oli rakennustarvikkeisiin erikoistunut ketju, jolla on verkkokauppa ja useita kivijalkaliikkeitä eri paikkakunnilla.
Meillä tai asiakkaalla ei ollut tarkkaa ymmärrystä yrityksen verkkokaupan ostoskorien sisällöstä tai siitä, mitä tuotteita ostetaan yhdessä ja erikseen. Dataa oli kerätty vuosia, mutta sitä ei ollut tutkittu tai hyödynnetty tehokkaasti. Meillä ei ollut tietoa, mitä ostoskorit pitävät sisällään tai montako uniikkia tuotetta ne sisältävät. Siksi halusimmekin aluksi erityisesti ymmärtää mitä, miten ja kuinka paljon asiakkaat laittavat uniikkeja tuotteita ostoskoriin, eli halusimme ymmärtää ostoskorien jakaumaa ostettujen uniikkien tuotteiden määrän funktiona.
Tässä projektissa verkkokaupan seuranta toteutettiin Google Analyticsin (Universal Analytics) kehittyneellä verkkokaupan seurannalla ja kerätty data tallennettiin myös Googlen Big Query tietokantaan jatkokäsittelyä varten. Tässä tapauksessa pelkästään Google Analyticsin käyttöliittymä ja Googlen Data Studio eivät pystyneet tarjoamaan riittävää tuotekohtaista informaatiota ostoskorin sisällöstä ilman suuria muutoksia seurantaan ja raportointiin.
Asiakkaalle toteutettiin ostoskorianalyysi (Market Basket Analysis) käyttäen Google Big Queryyn tallennettua dataa. Analyysin tuloksena syntyi listaus tuotekombinaatiosta ja niiden ostotodennäköisyyksistä. Ostoskorianalyysin lisäksi analysoitiin ostoskorien sisältöä tuote- ja kategoriatasolla. Lopuksi kaikki analysoinnin tulokset visualisoitiin Google Data Studion avulla helposti hyödynnettävään muotoon.
Miten onnistuimme ja mitä opimme
Huomasimme, että huomattava osa verkkokaupan ostoista (65 %) sisälsi vain yhden uniikin tuotteen. Suurin osa ostoissa mukana olleista uniikeista tuotteista oli liikkeen omia tarjouksia, joita asiakas oli nähnyt printti- tai nettimainoksena. Ostoskorianalyysilla vuorostaan pystyimme löytämään useita tuotekombinaatioita, joissa oli mukana tuotteita, joita löytyi myös uniikkien tuotteiden transaktioista.
Analysoinnin pohjalta ymmärsimme minkälaisia tuotekombinaatioita asiakkaat ostavat, ja että uniikkien tuotteiden määrä ostoskorissa vaihtelee. Tehdyn ostoskorianalyysin avulla pystyimme tarjoamaan yrityksen uniikin tuotteen ostajille myös muita kiinnostavia tuotteita ostoskorien arvon nostamiseksi.
Case 3: Säädatalla lisää myyntiä
Tässä erittäin mielenkiintoisessa projektissa asiakas oli keittiökalusteisiin erikoistunut yritys, jolla on kivijalkaliikkeitä usealla eri paikkakunnalla. Asiakkaalle tehtiin jatkuvaa hakukonemainontaa ja CRO (konversio-optimointi) -työtä, joilla pyrittiin saamaan sivustolle liikennettä ja yhteydenottoja.
Halusimme lähteä tutkimaan säätilan vaikutusta kivijalkaliikkeiden vierailuihin ja online-käyttäytymiseen sivustolla. Projektissa haastavaa oli se, että tarvittava informaatio oli hajallaan useassa eri järjestelmässä, eikä integraatiota niiden välillä ollut saatavilla.
Valitsimme datalähteet heuristisen analyysin perusteella. Ensin keräsimme dataa useista eri lähteistä yhteen tietokantaan. Datan keräämistä varten jouduimme rakentamaan omat ratkaisut muun muassa ilmatieteenlaitoksen datan saamiseksi tietokantaan.
Lähdimme analysoimaan yhdistettyä dataa kahden erilaisen menetelmän turvin. Toinen menetelmistä oli kotimainen Kohonen SOM, joka on itseorganisoituva kartta (neuroverkkomalli) ja toinen perinteinen korrelaatioanalyysi. Lopulta korrelaatioanalyysi antoi kuitenkin parempia tuloksia kuin monimutkaisempi neuroverkkomalli.
Kuva 2: Kuvaan on koottu eri datalähteet. Esimerkiksi Google Analyticsista kerättiin sivuston liikenteen dataa, Ilmatieteenlaitoksen sivuilta säätilaindeksi paikkakuntakohtaisesti. Kivijalkaliikkeistä keräsimme vierailut liikkeissä, yrityksen tekemät tarjoukset asiakkaille ja toteutuneen myynnin. Printtimainonnassa otimme huomioon missä mainos on julkaistu, kuinka suuri oli levikki ja mitkä olivat kustannukset
Miten onnistuimme ja mitä opimme
Analyysien pohjalta teimme varsin mielenkiintoisen löydön, jonka mukaan säätila näytti korreloituvan sivuston liikenteen, mainonnan kulujen, kivijalkaliikkeiden vierailujen, tarjousten määrän ja lopulta myynnin kanssa. Lisäksi havaitsimme, että säätilan ollessa paikkakunnalla huono (vesisade, lumimyrsky jne.) suurin osa liikenteestä tuli sivustolle mainonnan kautta, eikä esimerkiksi orgaanisen liikenteen kautta.
Tulosten pohjalta optimoimme hakukonemainontaa niin, että säätilan ollessa paikkakunnalla huono, mainonnan päiväkohtaista budjettia nostettiin. Tästä teimme täysin automatisoidun ratkaisun Google Adsiin. Mainonnan optimoinnin seurauksena tarjouskanta saatiin vuoden aikana lähes tuplattua. Ja tämä tietysti tarkoitti sitä, että säädatan hyödyntämisellä oli mahdollista optimoida mainontaa tehokkaasti myyntiä kasvattaen.
