dirty truck dashboard 1024x681
Viimeisen vuoden aikana ovat lukuisat suomalaiset organisaatiot joko jo ottaneet käyttöön kohtalaisen monimutkaisia liiketoiminnan mittaristoja, tai vähintäänkin suunnittelevat sitä. On erittäin hienoa huomata se, että nykyään enää harvoin tarvitsee vakuuttaa liikkeenjohtoa mittauksen tärkeydestä, siitä, että dataa tulee jakaa oikeille kohdeyleisöille tai tarpeesta sijoittaa siihen liittyvään teknologiaan. Yleisimmät ongelmat tuntuvatkin olevan nykyään siinä, miten mittaus laaditaan ja minkälaisen logiikan päälle se rakennetaan. Jokainen organisaatio on tässä toki erilainen, eikä täysin yleispäteviä sääntöjä ole. Tietyt ongelmat ovat kuitenkin tuntuvat kuitenkin toistuvan niin usein, että ne ansaitsevat tulla erikseen mainituiksi. Tässä niistä viisi olennaisinta.
  1. Murphyn laki

    Mikäli mittaus voi mennä pieleen, se myös sen tekee, ja siksi minkään tärkeän tiedon kertymistä ei pidä jättää sattuman varaan. Verkkosivuston tai mainoskampanjan perusmittauskin on erittäin helppo rikkoa vahingossa, ja riittävästä laadunvalvonnasta kannattaa ehdottomasti pitää huolta. Ehkä kriittisimpiä yksittäisiä paikkoja missä mittauksen onnistuminen kannattaa varmistaa ovat kuitenkin ns. Data-avaimet, joilla yhdistetään erilaisia tietovarastoja. Tyypillinen esimerkki tällaisesta on esimerkiksi verkkokaupassa käytetyn asiakas-id:n yhdistäminen kivijalkakaupan kanta-asiakasohjelmaan: jotta monimutkaisempi mittaus toimii tehokaasti, täytyy analyytikon tutkia sekä sivuston mittaus että varmistua siitä, että kassalla kerätään tieto ostajan kanta-asiakkuudesta laadukkaasti ja edustavasti. Tärkeimpien mittareiden kohdalla kannattaa siis laatia mittauksen prosessi perusteellisesti ja niin vedenpitävästi, että ongelmien sattuessa tiedetään jo mistä ne todennäköisesti johtuvat.

  2. Mittaaminen on lähes aina mahdollista

    Kaikki mitä voimme reaalielämässä kuvitella, voidaan myös periaatteessa mitata – kyse on lähinnä siitä, että mietitään tarkasti mitattavan asian vaikutukset reaalielämässä, asetetaan niille mittarit, selvitetään miten vaikutuksia seurataan ja laaditaan mittaukselle sopiva matemaattinen malli. Se, miksi tämä asia on usein huonosti sisäistetty liittyy tyypillisesti siihen, että erillistä mittauslogiikan ja mittareiden suunnittelua tehdään vielä erittäin harvoin, vaikka sille olisi usein suuri tarve. Tyypillinen esimerkki, mihin mittauksen suunnittelua tulisi käyttää on esimerkiksi suurempi uuden tuotteen lanseerauskampanja. Tehokkaan kampanjan pitäisi yleensä näkyä tiettyjen sanojen käytössä sekä sosiaalisessa mediassa että hakukoneissa, tuotteen tiedoissa verkkosivuilla, yleisenä tietoisuuden ja preferenssin nousuna, vierailuina verkkokauppaan ja/tai kivijalkaliikkeisiin, sekä tietenkin lisääntyneenä liikevaihtona. Kaikkia näitä asioita on mahdollista mitata, ja matemaattisesti on mahdollista selvittää kuinka todennäköistä on se, että kyse ei ole sattumasta vaan jonkinasteisesta syy-seuraussuhteesta.

  3. Huono data on paljon parempi kuin ei dataa ollenkaan

    Törmäämme vieläkin silloin tällöin ajatukseen jonka mukaan mittari on hyödytön mikäli se ei ole riittävän tarkka. Tämä ei pidä paikkansa. Niin kauan kun data on kerätty laadukkaasti, huonokin mittari on parempi kuin ei mitään. Jokainen tiedonpala kertoo meille lisää siitä, minkälaisiin lukemiin mitattava asia sijoittuu, ja usein auttaa selvittämään miten mittausta tarkennetaan lisää. Mikäli laajasta verkkosivustosta on mitattu vain etusivu – sellaistakin on nähty, uskomatonta kyllä – ei mittaustyökalun keräämä data ole kuitenkaan aivan täysin arvotonta. Etusivulta eteenpäin johtavien linkkien perusteella voidaan hieman arvioida sitä, kuinka moni päätyy sivulta eteenpäin, ja kun vaikkapa sivuston koko hakukonenäkyvyys suhteutetaan etusivun liikenteeseen ja näkyvyyteen, voidaan arvioida muiden sivujen orgaaninen liikenne. Tarkkaa tämä ei tosiaankaan ole – mutta silti parempi kuin ei mitään. Mikäli vaihtoehtona on täydellinen web analytiikan puute tai analytiikka vain etusivulla, kannattaa varmasti valita jälkimmäinen (todennäköisesti paljon sadattelun jälkeen).

  4. Suunnittele etukenossa

    Kun asiat ovat jo liikkeellä, on myöhäistä suunnitella mittaamista. Mittareiden laatimista ja niiden vaatiman datan keräämistä pitää aina miettiä ennen kuin mitattava asia on tapahtunut, oli kyseessä sitten yksinkertainen verkkosivusto tai monimutkainen, maailmanlaajuinen monikanavainen markkinointikampanja. Osa syistä on ilmeisiä: mikäli mittausta ei suunnitella, sitä ei myöskään yleensä toteuteta, ainakaan laadukkaasti. Osa taas on hienovaraisempia: mikäli mittareita ja datan keräystä toteutetaan jälkeenpäin, on varsinkin monimutkaisissa tapauksissa varana se, että yhden tiedon kerääminen vaikuttaa siihen, kuinka laadukkaasti saadaan jotain toista tietoa. Tämä ongelma näkyy konkreettisesti esimerkiksi kyselylomakkeissa: asiakkaan kyselyihin vastaama aika kannattaa aina pitää lyhyenä, ja siksi pitää miettiä etukäteen perusteellisesti mitä tietoa halutaan tällä tavoin kerätä.

  5. Juhli epäonnistumisia

    Vaikka monessa organisaatiossa on tapana siivota epäonnistumisten jäljet ja tämän jälkeen vaieta niistä visusti, on tämä lähestymistapa mittaamisessa suorastaan tuhlausta. Epäonnistuminen on aina mahdollisuus oppia virheistä, ja mitä laajemmalti tämä oppi jaetaan, sitä parempi. Mittausasiosta puhuttaessa epäonnistumisten kautta myös usein keksitään uusia tapoja mitata asioita: eräs esimerkki kertoo epäonnistuneesta sähköpostin seurannasta siten, että kanta-asiakasohelmasta jäi tietystä kohderyhmästä mittaus kokonaan asentamatta. Kyseisestä tapauksesta saatiin kuitenkin arvokas opetus: sähköpostiliikenteen tuoton määrä ei nimittäin suurestikaan laskenut, samalla kuin sähköpostin peruneiden määrä vaikutti romahtaneen. Näin huomattiin vahingossa se, ettei kyseinen kohderyhmä reagoinut kyseiseen viestiin ainakaan positiivisesti. Mikäli tapahtunutta virhettä ei olisi tutkittu kunnolla, olisi arvokas tieto jäänyt saamatta.

     

     

    Laadukas mittaaminen on siis lähes aina mahdollista, mutta se vaatii suunnitelmallisuutta, kärsivällisyyttä ja usein normaalia innovatiivisempaa ajattelua. Osaamisen puolella jokaisen monimutkaisempaa mittausta tarvitsevan organisaation kannattaa panostaa mittauksen suunnitteluun ja siihen liittyvään osaamiseen. Teknologia ja data kyllä järjestyy – mutta mikäli peruslogiikka on epäkunnossa, mittausta ei pelasta mikään.