I tuoi KPI di marketing mobile di riferimento ti stanno ingannando?

Pubblicato: 2016-04-12

La prossima volta che guardi la tua dashboard di marketing, prenditi il tempo per fare l'avvocato del diavolo: i tuoi KPI di marketing di riferimento potrebbero guidarti nella direzione sbagliata. La ragione?

Le metriche rappresentano una forma di narrazione. Prima che i punti dati che stai misurando fossero numeri su uno schermo, erano una raccolta di momenti, storie o eventi. Concetti aziendali importanti come fidelizzazione, abbandono, vischiosità, costo per acquisizione e valore della vita sono storie che analisti di marketing e data scientist costruiscono modi per raccontare.

Dietro ogni punto dati c'è un insieme di ipotesi e metodologie per calcolare le metriche che stai monitorando e, dato che a volte ci sono più modi accettati per misurare la stessa idea ( LTV, ad esempio ), probabilmente stai facendo compromessi matematici.

Di conseguenza, i tuoi KPI preferiti potrebbero ingannarti o comunicare una storia incompleta. È importante comprendere i segreti che potrebbero essere custoditi dalle tue metriche di marketing chiave . Ecco come:

Approfondire l'operazionalizzazione

Il processo per passare dall'obiettivo aziendale (ad es. aumentare il coinvolgimento del cliente) a una metrica tangibile e tracciabile (ad es. numero di utenti di ritorno in un mese, o numero di sessioni per utente di ritorno, o numero di conversioni per utente di ritorno, o...) è chiamato operazionalizzazione . Il primo passo è trovare un'idea che vuoi misurare. Quindi, fai un brainstorming su come quantificare queste idee, generando un elenco di opzioni. Dopo che hai un elenco di potenziali modi per misurare la tua idea, puoi valutare i compromessi (ad esempio quanto sia tecnicamente fattibile misurare qualcosa e se quel numero è la migliore rappresentazione di ciò che stai cercando di catturare). Dopo questo processo, che potrebbe richiedere alcuni test e iterazioni lungo il percorso, arriverai al modo o ai modi in cui desideri monitorare la tua metrica.

Per un esempio di operatività non di marketing che probabilmente conosci, dai un'occhiata alle classifiche US News e World Report Education, che misurano "l'eccellenza accademica". Scavando nei numeri, vedrai che l'azienda esamina alcune dimensioni diverse per compilare i suoi punteggi complessivi, inclusi i tassi di donazione degli ex alunni, le valutazioni dei colleghi accademici e altro ancora. US News raccoglie queste informazioni attraverso sondaggi auto-riferiti.

Per un esempio di marketing dell'aspetto di questo processo, dai un'occhiata al Centro assistenza di Google Analytics, in cui l'azienda spiega come misura le visite al sito Web, il tempo trascorso sul sito, le visite successive e altro sia dal punto di vista tecnico che analitico. Puoi vedere chiaramente come funziona il codice di monitoraggio di Google Analytics per tradurre concetti astratti in numeri quantificabili e quindi generare i numeri che vedi quando accedi alla tua dashboard.

Di solito, nella loro frenetica vita quotidiana, gli esperti di marketing vedono questa metrica finale, non ciò che sta accadendo dietro le quinte. Ma è importante sapere esattamente cosa stai quantificando in modo da evitare di prendere una svolta sbagliata sulla base di ipotesi o conclusioni errate.

Conoscere i modi in cui i dati possono essere fraintesi

Probabilmente hai imparato che quando lavori con un set di dati, è importante controllare i tuoi numeri. Ma non hai ancora finito. Devi esaminare come sono diventati i tuoi numeri. Potrebbe essere il caso che il design del tuo esperimento abbia dei difetti.

Inoltre, anche supponendo che i tuoi dati ti mostrino ciò che pensi che sia, potresti comunque interpretare quei dati in modo errato. Ecco alcuni colpevoli comuni da avere sul tuo radar:

Bias : questo concetto statistico riflette un'idea fondamentale del campionamento: i gruppi che stai analizzando dovrebbero essere rappresentativi della tua popolazione complessiva. In un contesto di marketing, i pregiudizi possono verificarsi per una serie di motivi. Ad esempio, le persone nel tuo campione potrebbero condividere un tratto in comune che non stai cercando di tracciare o includere nell'analisi corrente. Ecco un esempio: potresti finire per generalizzare il comportamento di acquisto per tutti i tuoi clienti, anche se in realtà hai una percentuale più alta di individui più ricchi nel tuo campione rispetto alla tua base di clienti media.

Confondenti: potresti essere fissato sulla relazione di due variabili, senza rendersi conto che c'è una terza variabile nascosta che sta guidando la correlazione. Ad esempio, potresti notare che le tue vendite stanno aumentando durante le vacanze estive e concludere che le vacanze sono i giorni migliori per gli acquisti, ma in realtà, le vendite sono influenzate dal fatto che è una giornata calda.

Errori logici: molto probabilmente, li hai appresi alle scuole elementari o medie (sono tornati a perseguitarti nella tua carriera di analisi di marketing). Ecco alcuni di quelli comuni che potrebbero alzare la testa nell'analisi dei dati:

Errore ecologico: trarre conclusioni su un individuo in base a un gruppo.
Errore in bianco o nero: supponendo che due stati siano le uniche possibilità quando in realtà ci sono più opzioni.
Causa percepita: presumere che qualcosa stia causando un'altra cosa, ma in realtà non esiste una relazione causale. Questo errore è correlato all'espressione "la correlazione non è causalità", che potresti aver sentito in lezioni di statistica o scienze in passato.

Passare dalle parole ai fatti

Interpretare l'avvocato del diavolo è spesso più facile a dirsi che a farsi: potresti trovarti in disaccordo con la c-suite, passare più tempo ad analizzare il tuo set di dati e angosciarti per le storie non raccontate che temi che stiano scivolando attraverso le crepe. Potresti essere sotto pressione per estrarre i numeri per un rapporto trimestrale o una campagna di pubbliche relazioni, oppure potresti essere ansioso di fare un giudizio sulla campagna in base a ciò che stai leggendo nella dashboard di analisi.

Tuttavia, è importante mantenere la propria posizione e assicurarsi di fare una previsione accurata basata sulla complessità del set di dati. In caso contrario, le previsioni, le proiezioni e persino la misurazione dei risultati potrebbero essere fuori base.

Per iniziare, ecco alcune metriche che spesso vengono interpretate in modo errato.

metrico	Interpretazione comune	Possibile storia nascosta	Cosa fare al riguardo
Alto tasso di ritenzione	Tassi di fidelizzazione elevati suggeriscono che il tuo prodotto sta rendendo felici i tuoi clienti. Potresti pensare di essere in una buona posizione.	Sono i tuoi clienti più preziosi che si stanno agitando e i tuoi clienti di valore più basso che rimangono, almeno per ora.	Guarda le statistiche del tuo campione trattenuto rispetto al campione agitato. Quindi crea una strategia per una o più campagne che mirano a mantenere i tuoi preziosi clienti in giro.
Tasso di abbandono elevato	Tassi di abbandono elevati possono farti credere che ci sia qualcosa che non va nel tuo prodotto.	Potresti attirare la base di clienti sbagliata (ad es. il tuo prodotto/mercato non è adatto) o potresti perdere utenti a causa di un nuovo concorrente da cui devi differenziarti.	Analizza come variano i tassi di abbandono tra i diversi segmenti di clienti. Determina se esistono modelli chiari, ad esempio relativi al canale di attribuzione o ai dati demografici.
Aumento degli utenti attivi giornalieri (DAU) o utenti attivi mensili (MAU)	I tuoi utenti stanno aprendo la tua app, quindi devono essere coinvolti.	Stanno aprendo la tua app, ma non stanno completando conversioni utili mentre sono nell'app.	Scopri cosa stanno facendo i tuoi utenti dopo aver effettuato l'accesso alla tua app. Potresti decidere di tracciare nuove metriche che mettano in evidenza vari livelli di "attivo" (es. persone che trascorrono un certo numero di minuti all'interno dell'app, persone che interagiscono con una particolare funzionalità, ecc.).
Maggiore viscosità dopo l'avvio o l'aggiornamento di una funzionalità	La nuova funzionalità o aggiornamento sta causando l'aumento della viscosità perché ha migliorato il prodotto.	Una campagna di messaggistica di successo, una spesa pubblicitaria o altre cause potrebbero contribuire all'aumento della viscosità.	Assicurati di attribuire la causalità solo quando puoi effettivamente isolare tutte le variabili. Altrimenti, potresti solo guardare una coincidenza o una corrispondenza.
Aumento delle disinstallazioni dopo una campagna	La campagna è stata consegnata appena prima delle disinstallazioni, quindi la campagna ha causato l'aumento delle disinstallazioni e qualcosa al riguardo è stato dannoso per le relazioni con i tuoi clienti.	Le disinstallazioni in realtà non vengono necessariamente segnalate mentre si verificano. Sia Apple che Google utilizzano metodi che possono causare un ritardo tra una disinstallazione e quando ne sei a conoscenza. Una disinstallazione segnalata il 30 marzo potrebbe essere avvenuta in qualsiasi momento prima del 30 marzo, anche molto prima della campagna del 29 marzo.	Puoi certamente guardare per schemi o salti nelle tue disinstallazioni, ma non fare l'errore di decidere che un certo aumento delle disinstallazioni significa che una determinata campagna era il colpevole.

Prima che tu vada

Man mano che ti eserciti a interpretare e lavorare con i dati, inizierai a farti un'idea di come le tue metriche potrebbero ingannarti. Se commetti un errore, impara da esso. E ricorda di tenere aggiornato il tuo team: man mano che le priorità dell'azienda cambiano, è molto probabile che cambino anche i KPI più importanti.