您的首选移动营销 KPI 是否在欺骗您？

下次您查看营销仪表板时，请花时间扮演魔鬼的拥护者：您的首选营销 KPI 可能会将您引向错误的方向。 原因？

指标代表了一种讲故事的形式。 在您测量的数据点是屏幕上的数字之前，它们是瞬间、故事或事件的集合。 重要的业务概念，例如留存率、流失率、粘性、每次获取成本和生命周期价值，都是营销分析师和数据科学家构建方式讲述的故事。

每个数据点背后都有一组假设和方法，用于计算您正在跟踪的指标——并且考虑到有时有多种公认的方法可以衡量相同的想法（例如 LTV ），您可能会在数学上进行权衡。

因此，您最喜欢的 KPI 可能会欺骗您或传达不完整的故事。 了解您的关键营销指标可能保留的秘密非常重要。 就是这样：

深入操作化

从业务目标（例如提高客户参与度）到有形的、可跟踪的指标（例如，一个月内的回访用户数量，或每位回访用户的会话数，或每位回访用户的转化次数，或……）的过程称为操作化. 第一步是想出一个你想要衡量的想法。 然后，集思广益如何量化这些想法，生成选项列表。 在您列出衡量您的想法的潜在方法之后，您可以评估权衡（即衡量某事在技术上的可行性以及该数字是否是您试图捕捉的最佳代表）。 在此过程（可能需要一些测试和迭代）之后，您将达到您想要跟踪指标的方式。

对于您可能熟悉的非营销运营示例，请查看美国新闻和世界报道教育排名，该排名衡量“学术卓越”。 深入研究这些数字，您会发现该公司从几个不同的维度来编制其总体分数，包括校友捐赠率、学术同行评级等。 美国新闻通过自我报告的调查收集这些信息。

有关此流程的营销示例，请查看 Google Analytics 的帮助中心，该公司从技术和分析的角度披露了它如何衡量网站访问、网站停留时间、回访等。 您可以清楚地看到Google Analytics 跟踪代码如何将抽象概念转换为可量化的数字，然后生成您在登录仪表板时看到的数字。

通常，在他们忙碌的日常工作中，营销人员会看到这个最终指标——而不是幕后发生的事情。 但重要的是要准确地知道你在量化什么，这样你就可以避免基于不正确的假设或结论而采取错误的行动。

了解数据可能被误解的方式

您可能已经了解到，当您使用数据集时，认真检查您的数字很重要。 但你还没有完成。 您需要检查您的数字是如何产生的。 您的实验设计可能存在缺陷。

此外，即使假设您的数据向您展示了您的想法，您仍然可能错误地解释该数据。 以下是一些常见的罪魁祸首：

偏差：这个统计概念反映了抽样的基本思想——你正在分析的群体应该代表你的整体人口。 在营销环境中，由于多种原因可能会出现偏差。 例如，您的样本中的人可能具有共同的特征，而您并未尝试跟踪或包含在当前分析中。 这是一个示例：您最终可能会概括所有客户的购买行为，即使您的样本中富裕人士的比例实际上高于您的平均客户群。

混杂因素：您可能会专注于两个变量的关系，而没有意识到有一个隐藏的第三个变量在推动相关性。 例如，您可能会注意到您的销售在暑假期间飙升，并得出结论认为假期是购买的最佳时间——但实际上，销售受到天气炎热这一事实的影响。

逻辑谬误：最有可能的是，您在小学或初中时就了解了这些（它们在您的营销分析职业生涯中非常困扰您）。 以下是一些可能在您的数据分析中引起注意的常见问题：

• 生态谬误：根据群体得出关于个人的结论。
• 黑白谬误：假设两种状态是唯一的可能性，而实际上有更多的选择。
• 知觉原因：假设某件事导致另一件事，但实际上没有因果关系。 这种谬误与“相关性不是因果关系”的说法有关，你可能在过去的统计学或科学课上听到过这种说法。

说走就走

扮演魔鬼的拥护者往往说起来容易做起来难：您可能会发现自己不同意最高管理层，花费更多时间分析您的数据集，并为您担心从裂缝中溜走的不为人知的故事而苦恼。 您可能面临为季度报告或公关活动提取数据的压力，或者您可能急于根据您在分析仪表板中阅读的内容做出活动判断。

尽管如此，坚持自己的立场并确保根据数据集的复杂性做出准确的预测是很重要的。 否则，您的预测、预测甚至结果测量可能会偏离基准。

为了帮助您入门，这里有一些经常被错误解释的指标。

你走之前

当您练习解释和处理数据时，您将开始了解您的指标可能如何欺骗您。 如果您犯了错误，请从中吸取教训。 请记住让您的团队了解情况——随着公司优先事项的变化，更重要的 KPI 很可能也会发生变化。