Seus KPIs de marketing móvel estão enganando você?

Publicados: 2016-04-12

Da próxima vez que você olhar para o seu painel de marketing, reserve um tempo para bancar o advogado do diabo: seus KPIs de marketing podem estar levando você na direção errada. A razão?

As métricas representam uma forma de contar histórias. Antes dos pontos de dados que você está medindo serem números em uma tela, eles eram uma coleção de momentos, histórias ou eventos. Conceitos de negócios importantes, como retenção, rotatividade, rigidez, custo por aquisição e valor vitalício são histórias que analistas de marketing e cientistas de dados criam maneiras de contar.

Por trás de cada ponto de dados há um conjunto de suposições e metodologias para calcular as métricas que você está rastreando – e dado que às vezes existem várias maneiras aceitas de medir a mesma ideia ( LTV, por exemplo ), você provavelmente está fazendo compensações matemáticas.

Como resultado, seus KPIs favoritos podem estar enganando você ou comunicando uma história incompleta. É importante entender os segredos que suas principais métricas de marketing podem estar mantendo. Veja como:

Mergulhe na operacionalização

O processo de passar da meta de negócios (por exemplo, aumentar o envolvimento do cliente) para uma métrica tangível e rastreável (por exemplo, número de usuários recorrentes em um mês, ou número de sessões por usuário recorrente, ou número de conversões por usuário recorrente, ou…) é chamado de operacionalização . O primeiro passo é ter uma ideia que você quer medir. Em seguida, faça um brainstorming de como quantificar essas ideias, gerando uma lista de opções. Depois de ter uma lista de possíveis maneiras de medir sua ideia, você pode avaliar as compensações (ou seja, quão tecnicamente viável é medir algo e se esse número é a melhor representação do que você está tentando capturar). Após esse processo, que pode exigir alguns testes e iterações ao longo do caminho, você chegará ao caminho ou maneiras que deseja acompanhar sua métrica.

Para um exemplo de operacionalização não relacionado ao marketing com o qual você provavelmente está familiarizado, dê uma olhada nas classificações do US News and World Report Education, que medem a “excelência acadêmica”. Analisando os números, você verá que a empresa analisa algumas dimensões diferentes para compilar suas pontuações gerais, incluindo taxas de doação de ex-alunos, classificações acadêmicas de colegas e muito mais. A US News coleta essas informações por meio de pesquisas auto-relatadas.

Para um exemplo de marketing de como é esse processo, dê uma olhada na central de ajuda do Google Analytics, onde a empresa divulga como mede visitas ao site, tempo no site, visitas de retorno e muito mais, tanto do ponto de vista técnico quanto analítico. Você pode ver claramente como o código de rastreamento do Google Analytics funciona para traduzir conceitos abstratos em números quantificáveis e, em seguida, gerar os números que você vê ao fazer login em seu painel.

Normalmente, em seu dia a dia agitado, os profissionais de marketing veem essa métrica final – não o que está acontecendo nos bastidores. Mas é importante saber exatamente o que você está quantificando para evitar tomar um rumo errado com base em suposições ou conclusões incorretas.

Conheça as maneiras pelas quais os dados podem ser mal interpretados

Você provavelmente aprendeu que, quando está trabalhando com um conjunto de dados, é importante verificar a integridade de seus números. Mas você ainda não terminou. Você precisa examinar como seus números vieram a ser. Pode ser que o design do seu experimento tenha falhas.

Além disso, mesmo supondo que seus dados estejam mostrando o que você pensa que são, você ainda pode interpretar esses dados incorretamente. Aqui estão alguns culpados comuns para ter em seu radar:

Viés : Este conceito estatístico reflete uma ideia fundamental de amostragem – que os grupos que você está analisando devem ser representativos de sua população geral. Em um contexto de marketing, os vieses podem ocorrer por vários motivos. Por exemplo, as pessoas em sua amostra podem compartilhar um traço em comum que você não está tentando rastrear ou incluir em sua análise atual. Aqui está um exemplo: você pode acabar generalizando o comportamento de compra para todos os seus clientes, mesmo que na verdade tenha uma proporção maior de indivíduos mais ricos em sua amostra do que sua base média de clientes.

Confounders: Você pode estar fixado na relação de duas variáveis, sem perceber que há uma terceira variável oculta que está conduzindo a correlação. Por exemplo, você pode notar que suas vendas estão aumentando nos feriados de verão e concluir que os feriados são os melhores dias para compras - mas, na realidade, as vendas estão sendo influenciadas pelo fato de ser um dia quente.

Falácias lógicas: Provavelmente, você aprendeu sobre isso no ensino fundamental ou médio (elas estão de volta para assombrá-lo em sua carreira de análise de marketing). Aqui estão alguns dos mais comuns que podem aparecer em sua análise de dados:

Falácia ecológica: tirar conclusões sobre um indivíduo com base em um grupo.
Falácia do preto ou branco: Assumir que dois estados são as únicas possibilidades quando na verdade existem mais opções.
Causa percebida: Assumir que algo está causando outra coisa, mas na verdade não há relação causal. Essa falácia está relacionada à expressão “correlação não é causa”, que você pode ter ouvido em aulas de estatística ou ciências em tempos passados.

Andar a falar

Bancar o advogado do diabo é muitas vezes mais fácil falar do que fazer: você pode se encontrar discordando do C-suite, gastando mais tempo analisando seu conjunto de dados e agonizando com as histórias não contadas que você está preocupado que estejam escapando. Você pode estar sob pressão para obter números para um relatório trimestral ou campanha de relações públicas, ou pode estar ansioso para fazer um julgamento de campanha com base no que está lendo em seu painel de análise.

No entanto, é importante manter sua posição e certificar-se de que você está fazendo uma previsão precisa com base nas complexidades do seu conjunto de dados. Caso contrário, suas previsões, projeções e até a medição dos resultados podem estar erradas.

Para começar, aqui estão algumas métricas que geralmente são interpretadas incorretamente.

Métrica	Interpretação comum	Possível história oculta	o que fazer sobre isso
Alta taxa de retenção	Altas taxas de retenção sugerem que seu produto está deixando seus clientes felizes. Você pode pensar que está em uma boa posição.	São seus clientes mais valiosos que estão saindo e seus clientes de menor valor que estão por perto, pelo menos por enquanto.	Veja as estatísticas de sua amostra retida versus a amostra alterada. Em seguida, crie uma estratégia para uma campanha ou campanhas que visam manter seus clientes valiosos por perto.
Alta taxa de rotatividade	Altas taxas de churn podem levar você a acreditar que há algo errado com seu produto.	Você pode estar atraindo a base de clientes errada (ou seja, seu ajuste de produto/mercado está errado) ou pode estar perdendo usuários para um novo concorrente do qual você precisa se diferenciar.	Analise como suas taxas de cancelamento variam em seus diferentes segmentos de clientes. Determine se existem padrões claros, como em torno do canal de atribuição ou dados demográficos.
Aumento de usuários ativos diários (DAU) ou usuários ativos mensais (MAU)	Seus usuários estão abrindo seu aplicativo, então eles devem estar engajados.	Eles estão abrindo seu aplicativo, mas não estão concluindo nenhuma conversão valiosa enquanto estão no aplicativo.	Explore o que seus usuários estão fazendo depois que fazem login no seu aplicativo. Você pode decidir acompanhar novas métricas que destacam níveis variados de “ativos” (ou seja, pessoas que passam um certo número de minutos no aplicativo, pessoas que se envolvem com um recurso específico etc.).
Maior aderência após o lançamento ou atualização de um recurso	O novo recurso ou atualização está causando o aumento da aderência porque melhorou o produto.	Uma campanha de mensagens bem-sucedida, gastos com anúncios ou outra causa podem estar contribuindo para o aumento da adesão.	Certifique-se de que está apenas atribuindo causalidade quando puder isolar todas as variáveis. Caso contrário, você pode estar apenas olhando para uma coincidência ou correspondência.
Aumento de desinstalações após uma campanha	A campanha foi entregue pouco antes das desinstalações, portanto, a campanha causou o salto nas desinstalações e algo nela prejudicou o relacionamento com seus clientes.	Na verdade, as desinstalações não são necessariamente relatadas à medida que ocorrem. Tanto a Apple quanto o Google usam métodos que podem causar um atraso entre uma desinstalação e quando você sabe sobre ela. Uma desinstalação relatada em 30 de março pode ter ocorrido a qualquer momento antes de 30 de março, inclusive muito antes dessa campanha de 29 de março.	Você certamente pode observar padrões ou saltos em suas desinstalações, mas não cometa a falácia de decidir que um certo aumento nas desinstalações significa que uma determinada campanha foi a culpada.

Antes de você ir

Ao praticar a interpretação e o trabalho com dados, você começará a ter uma noção de como suas métricas podem estar enganando você. Se você cometer um erro, aprenda com ele. E lembre-se de manter sua equipe informada – à medida que as prioridades da empresa mudam, é muito provável que os KPIs mais importantes também mudem.