كيفية تحويل مجموعات البيانات إلى رؤى مفيدة وذات مغزى (دليل 2021)

هل غارقة في كل البيانات الموجودة أمامك؟

هناك ثراء غير مسبوق من البيانات ، ولكن كيف يمكنك تحويلها إلى رؤى قابلة للتنفيذ؟

كما ترى ، فإن الرحلة من البيانات إلى الرؤى مليئة بالتحديات. ستحتاج إلى مجموعة من الخطوات الفعالة لمكافحتها.

سنوضح لك هنا كيفية استخراج الرؤى من أكوام البيانات ، وقطع المعلومات غير المفيدة ، واتخاذ قرارات أسرع تعتمد على البيانات في مؤسستك.

ما هي البيانات والرؤى؟

قبل أن ندخله ، دعنا نحدد ما نعنيه بالبيانات والرؤى.

• البيانات هي حقائق وإحصاءات تم جمعها من خلال الملاحظة. يمكن أن تكون أرقامًا ونصوصًا وصورًا وصوتًا وما إلى ذلك.
  
  دعنا نضع هذا في منظور:
  
  لنفترض أنك تمتلك متجرًا للتجارة الإلكترونية وتم تنشيط Google Analytics (GA) ، فإن كل مستخدم يتنقل في متجرك عبر الإنترنت يترك بعض الآثار الرقمية التي التقطتها GA.
  
  يغطي هذا البيانات الديموغرافية ، والأجهزة ، والمتصفحات ، وما إلى ذلك. إذا رأيت هذه الحقائق الأولية ، فمن المحتمل أن تبدو هراء لأنها في بعض الأحيان غير منظمة وبدون سياق.

  

• المعلومات هي نتاج تنقيح هذه البيانات ومنحها الهيكل والسياق. بهذه الطريقة ، تصبح البيانات أكثر منطقية للعين المجردة.
  
  في حالة متجر التجارة الإلكترونية الخاص بك ، من الأمثلة على ذلك لوحة معلومات GA الخاصة بك. عندما يتم تجميع جميع البيانات وتقديمها في سياقها ، تكون قابلة للاستهلاك ويمكنك استخلاص رؤى منها.

  

• البصيرة هي معرفة قيمة يتم اكتسابها من فهم المعلومات. عندما تستهلك المعلومات (أو البيانات) وتفسرها بدقة في سياقها والمعلومات الأخرى المتاحة ، فإنك تصل إلى البصيرة.
  
  في عالم الأعمال ، تعتبر الرؤى هي الهدف الكامل لجمع البيانات. فكر في الأفكار باعتبارها النظر في الأعمال الداخلية للعملية التي تراقبها. يروون قصة ذات مغزى من البيانات.

مثال على البصيرة

يعد التعرف من خلال تحليل البيانات الفعال أن 97٪ من عملائك يجدونك عندما يخططون لحفل زفافهم هو مثال على البصيرة.

هذه بحد ذاتها مجرد معلومات من الرائع معرفتها.

ولكن إذا تم استخدام هذا لصياغة خطة تحقق قيمة ملموسة لعلامتك التجارية وعملائك ، فهذه نظرة ثاقبة قابلة للتنفيذ. على سبيل المثال ، يمكنك استخدام هذه المعلومات لتخطيط حملة إعلانية تستهدف أشخاصًا على وشك عقد قرانهم.

أنت تعرف بالفعل أن هذا الجمهور ينجذب إليك ؛ وبالتالي فإن عائد النفقات الإعلانية المرتفع (عائد الإنفاق الإعلاني) لن يكون مفاجئًا للغاية.

قبل أن يتم تحويل البيانات إلى رؤى مثل هذه ، يجب أولاً جمعها ثم تحليلها.

طرق مختلفة يمكن من خلالها جمع البيانات

تجمع معظم الشركات البيانات من مصادر متعددة باستخدام طرق مختلفة. وكل طريقة تأتي مع مجموعة القواعد الخاصة بها.

Google Analytics ، على سبيل المثال ، يجمع البيانات باستخدام JavaScript وشفرة تتبع.

بمجرد إضافة شفرة التتبع إلى صفحتك ، يرسل البرنامج النصي البيانات إلى خوادم Google. يتضمن ذلك بيانات الصفحة (عنوان URL والعنوان) وبيانات المتصفح (إطار العرض ودقة الشاشة) وبيانات المستخدم (الموقع واللغة) وغير ذلك الكثير.

إنه مشابه لتحليلات الوسائط الاجتماعية على Facebook و Twitter و Instagram والمواقع الأخرى. يمكنك أيضًا جمع البيانات من:

• الدراسات الاستقصائية
• إحصاءات نمو السوق
• تتبع بيانات المعاملات
• تحليل آراء العملاء
• بيانات الاشتراك والتسجيل ، إلخ.

من هنا ، تنتقل البيانات إلى الخطوة التالية.

تحليلات البيانات مقابل تحليل البيانات

على عكس الاستخدام الشائع ، لا تعني هذه المصطلحات نفس الشيء.

• تحليلات البيانات هي علم جمع واستخدام البيانات. إنه كل شيء بين جمع البيانات الأولية واتخاذ الإجراءات من خلالها. يتضمن ذلك جمع البيانات وتنظيمها وتخزينها وتحليلها باستخدام التعلم الآلي والإحصاءات والنماذج القائمة على الكمبيوتر.
• يعد تحليل البيانات مكونًا فرعيًا لتحليلات البيانات. تحليل البيانات هو عملية فحص البيانات وتنظيفها وتحويلها وتنظيمها بهدف نهائي هو استخراج معلومات قيمة واستخدامها لإبلاغ القرارات والتصرف.

في مؤسسة نموذجية ، عادةً ما يكون علماء البيانات والمديرون التنفيذيون والمديرون هم الوحيدون الذين يستخدمون تحليل البيانات لاستخلاص الأفكار.

يجب أن توزع المنظمة الفعالة القائمة على البيانات إمكانية الوصول إلى البيانات وفهم البيانات لجميع أعضائها.

يقودنا هذا إلى مفهوم يغير قواعد اللعبة: دمقرطة البيانات .

ما هو إضفاء الطابع الديمقراطي على البيانات؟

يعني إضفاء الطابع الديمقراطي على البيانات إتاحة البيانات للجميع داخل المؤسسة دون حواجز الخبرة فائقة التخصص . هذا يعني أن أي شخص في مؤسستك يمكنه الوصول إلى البيانات وفهمها واستخدامها لاتخاذ القرارات والتوصيات.

الفكرة هي أنه كلما زاد التدريب العملي (من منظور البيانات) ، زادت سرعة تبني الشركة لثقافة اتخاذ القرار القائمة على البيانات من أعلى إلى أسفل.

لكن هناك مشكلة.

مع هذا المستوى من الوصول ، يصبح الحفاظ على أمان البيانات وسلامتها أكثر صعوبة. هناك أيضًا احتمال أن يتم تفسير البيانات بشكل خاطئ من قبل شخص ما دون خبرة محلل مدرب.

ومع ذلك ، فإن إضفاء الطابع الديمقراطي على البيانات محرك رئيسي في اتخاذ قرارات قائمة على البيانات أكثر ذكاءً وأسرعًا وتحسين تجارب العملاء .

أظهر المسوقون في Royal Bank of Scotland مدى كفاءة إشراك زملائهم غير التسويقيين في عملية تحسين تجربة العملاء.

التحديات في توليد الرؤى من البيانات

المسار من البيانات إلى الرؤى مليء بالتحديات. لدرجة أن بدائل الإجراءات التي تعتمد على البيانات تبدو أكثر جاذبية.

يبدو أن المسوقين وعلماء البيانات ورجال الأعمال وغيرهم من المهنيين الذين يعملون مع البيانات اليومية يتفقون مع هذا الرأي.

أجريت استطلاعًا سريعًا (هنا وهنا) أظهر أن التحقق من صحة البيانات يمثل التحدي الأكبر بالنسبة لـ 39٪ منهم. وعزا 11٪ فقط الصعوبات التي واجهوها إلى حجم البيانات. ذهب 28٪ إلى دمج البيانات من مصادر مختلفة ، بينما ذكر 22٪ الوقت والجهد المبذولين.

بصرف النظر عن هذه التحديات الأربعة ، تشمل التحديات الأخرى المتعلقة بتحويل البيانات إلى نتائج قابلة للتنفيذ ما يلي:

• عدم إمكانية الوصول إلى البيانات
• تدني جودة البيانات ، و
• الضغط لتقديم عائد الاستثمار

بالنسبة لستيفن ألكساندر يونغ ، مؤسس Challenger Digital ، يتمثل التحدي الأكبر في عزل المتغير وراء التغيير في الأداء. لا تحكي بيانات التحليلات دائمًا القصة الكاملة:

عندما انخفضت حركة المرور هنا ، هل كان ذلك بسبب قيام شخص ما بإجراء تغييرات على الصفحة (وإذا كان الأمر كذلك ، فماذا)؟ إذا لم تتغير الصفحة ، فهل حدث أن قام أحد المنافسين بتعزيز مُحسنات محركات البحث وتجاوزك (وإذا كان الأمر كذلك ، فمن)؟ (...) حتى عندما يمكنني الحصول على عميل على الهاتف لتقديم التفاصيل واستبعاد الأمور ، غالبًا ما يتعين عليهم الذهاب في مطاردة أوزة داخل فريقهم لتعقب الإجابات. بالطبع ، بالتوازي مع هذا هناك إمكانية دائمة لتحديثات خوارزمية Google.

شبّه Thom Ives (دكتوراه) ، عالم البيانات الرئيسي في UL Prospector ، البيانات بالنفط الخام الذي يحتاج إلى تكريره وتنظيفه. ويحذر من أن البيانات "يمكن أن تكون خطيرة عند التعامل معها بطريقة خاطئة".

هذا يجعل صناع القرار متوترين.

كما اتضح ، على الرغم من أن 74٪ من الشركات توافق على أنها تريد أن تكون مدفوعة بالبيانات ، وفقًا لتقرير صادر عن Forrester ، فإن 29٪ فقط يمكنها التصرف بناءً على نتائج التحليلات.

بقدر ما تكون القرارات التي تعتمد على البيانات ممتازة في نمو الأعمال ، يمكن أن تكون الأخطاء مدمرة. ربما كانت إمكانية ارتكاب الأخطاء تردع غالبية الـ 71٪ الآخرين الذين يتخذون قراراتهم بالخبرة أو المشاعر الغريزية ، أو ببساطة يتبعون الوضع الراهن.

غالبًا ما يحدث هذا على حساب الاستفادة من 59 زيتابايت من البيانات (59 ثم 21 صفرًا!) لتوليد رؤى تحول الأعمال.

يلخص Peep Laja ، الرئيس التنفيذي لشركة Wynter ، الأمر بشكل مناسب ، "نحن غنيون بالبيانات ، لكننا فقراء البصيرة."

10 خطوات عملية لتحويل البيانات إلى رؤى

المقاييس سهلة. البصيرة صعبة - إن جمع الكثير من البيانات شيء ، لكن جعلها أصلًا ذا قيمة شيء آخر. لحسن الحظ ، هناك طريقة مجربة ومختبرة للحصول على إجابات.

جديلة في الطريقة العلمية.

لكن هذه ليست لحظة يوريكا. يستخدم العلماء هذه الطريقة عند استخلاص رؤى من البيانات لعدة قرون.

سنبين لك الخطوات العشر الإلهام من المنهج العلمي وتمهيد الطريق لرؤى وتوصيات قابلة للتنفيذ.

دعنا نقفز مباشرة:

1. ابدأ بالأسئلة الصحيحة

يضمن لك طرح الأسئلة الصحيحة قبل البحث في البيانات عدم قضاء الوقت في التفكير في الأشياء الخاطئة.

إنه مثل تحديد وجهة واضحة قبل الشروع في رحلة.

قبل التمشيط بين أكوام البيانات ، اكتشف الأسئلة التي تريد أن تجيب عليها بياناتك. بهذه الطريقة تتجنب الخروج برؤى ليس لها تأثير على أهداف العمل.

بالنسبة إلى شركة SaaS ، هناك بعض الأسئلة التي يجب البدء بها:

• كم عدد قراء منشورات المدونة الذين انتقلوا إلى أجزاء أخرى من المحتوى؟
• ما هي النسبة المئوية لحركة المرور على موقع الويب الخاص بي الذي يناسب شخصية المشتري الخاصة بي؟
• ما هي المرحلة الأكثر تسريبًا في قمع المبيعات؟

2. تتبع المقاييس الصحيحة (بدون مقاييس الغرور!)

إن الرؤى التي توجه العمل في الاتجاه الصحيح لا تأتي من التحديق في المقاييس الخاطئة.

مقاييس الغرور ، على وجه الخصوص. إنها تجعلك تبدو جيدًا ولكن لا تضيف إلى إطار رؤيتك. مثال: مشاهدات الصفحة وعدد النقرات.

إلى جانب ذلك ، يمكن أن تؤدي المقاييس الخاطئة إلى تشتيت الانتباه. نظرًا لأنك قررت سؤالًا يحتاج إلى إجابة في الخطوة 1 ، حدد المقاييس التي يجب أن تتبعها.

يحذر Aniekan Inyang ، عالم البيانات في Stears Business من عدم مراعاة الفروق الدقيقة الخاصة بالصناعة:

يمكن أن يؤدي ذلك إلى اختيار ميزة خاطئة لتتبع مقياس ، أو عدم تتبع مقياس ذي صلة أو تفسيره بشكل خاطئ.

استخدم ذلك للتغلب على فرضية يمكنك اختبارها.

3. حدد أهدافك النهائية

من المرجح أن يكون لديك اختبار مسبق لأهداف عمل معينة. يجب أن تتماشى هذه بشكل وثيق مع أهداف الاختبار الخاصة بك.

من الأسئلة التي بدأت بها ، اكتشفت ما تريد تتبعه. لكن ما الذي تهدف إلى تحقيقه بهذا؟

اكتب هذا لأنه يساعدك على تطوير فرضية محددة وقابلة للقياس.

4. دمج مصادر البيانات الخاصة بك

مجموعات البيانات التي لديك ليست سوى قسم من السكان ولن تحكي القصة كاملة دائمًا.

شارك Dr. Thom Ives:

قد تحتوي على تحيزات لا نعرف عنها ، وستكون أضعف من جميع البيانات.

كلما جمعت بيانات أكثر قابلية للتنفيذ ، كلما اقتربت من القصص الدقيقة.

يقترب تفسير البيانات من نقطة الهدف عندما تجمع كل مصادرك معًا. تأكد من استخدام الأدوات المناسبة لدمج المصادر المتباينة حتى لا تفوت فرصة جمع رؤى العملاء الهادفة.

5. استخدم السياق والمرئيات لتبسيط مجموعات البيانات

الصور المرئية شائعة جدًا مع البيانات اليوم. نادراً ما تصادف شكلاً خامًا غير مفهوم من البيانات. ومع ذلك ، بدون السياق الصحيح ، إما أنك لا تحصل على القصة الكاملة أو لا تحصل على القصة الخاطئة.

للسياق ، قم بتشريح بياناتك باستخدام 5 W's:

• من (الجمهور ، العملاء المحتملين ، العملاء المحتملين)
• ماذا (الأهداف ، الأحداث ، الملاحظات)
• متى (الإطار الزمني والجداول)
• أين (صفحة الويب ، وسائل التواصل الاجتماعي ، الصفحة المقصودة) ، و
• لماذا (لماذا حدث ذلك؟)

السياق يجعل بياناتك تقفز من على الشاشة بمزيد من المعنى وراءها. يقلل من فرص ارتكاب خطأ.

إضافة إلى المرئيات الدقيقة ، تقل هذه الفرص. لكن الأخطاء تحدث في المرئيات أيضًا.

على سبيل المثال ، من الشائع ارتكاب خطأ مكلف باستخدام المخططات الفقاعية. يؤدي تغيير نصف القطر بدلاً من مساحة الفقاعة إلى القيم المقابلة إلى سرد بيانات غير دقيق كما في الصورة أدناه.

دعنا نستخدم الفقاعة البرتقالية في أعلى اليسار والأخضر بجانبها للتأكيد. تبدو الفقاعة البرتقالية أكبر بأربع مرات من جارتها الخضراء.

بدون القيم الفعلية الموضحة بالداخل ، يمكن أن يكون هذا مضللًا. قيمة الفقاعة البرتقالية (1.84 مليار دولار) هي ضعف قيمة اللون الأخضر (0.92 مليار دولار).

إليكم خطأ فادح من قبل Fox News:

6. تقسيم البيانات الخاصة بك

يمكن أن يساعدك تقسيم البيانات إلى شرائح في فهمها بشكل أفضل. يحتوي Google Analytics ، على سبيل المثال ، على ميزات مضمنة تسهل القيام بذلك.

قسّم حركة مرور الويب وفقًا لأوجه تشابه معينة ، وستعمل على تبسيط عملية استخراج الرؤى. يمكن أن تعمق التقسيمات فهمك لجمهورك المستهدف.

أيضًا ، عند التقسيم ، فكر في ما هو أبعد من سن المدرسة القديمة وشرائح الجنس. هناك الكثير من التفاصيل التي يمكنك من خلالها تجميع زوار الويب.

تتمثل إحدى طرق القيام بذلك في تقسيم العملاء حسب قيمة المعاملات (تجزئة القيمة) - أي مقدار ما يُحتمل أن ينفقوه على المنتجات. سيتعين عليك استخدام بيانات المعاملات السابقة لتحقيق ذلك. بيانات مثل المبلغ الذي أنفقته وعدد مرات إنفاقه وقيمة المنتجات التي اشتروها.

بمجرد تجربة هذه البساطة مرة واحدة ، سرعان ما تصبح عملية أساسية في استراتيجية الرؤى الخاصة بك.

إليك مثال آخر يوضح أهمية تجزئة البيانات المناسبة:

7. عرض البيانات في الأطر الزمنية المناسبة

يمكن أن يكون اتخاذ القرارات بناءً على رؤى مستمدة من جزء من الوقت كارثيًا. فقط النظر إلى الصورة الصغيرة مع عدم وجود إشارات إلى البيانات التاريخية هو خطأ شائع.

البيانات عادة ما يكون لها خلفية درامية.

من المهم التحقق من ذلك لفهم الحاضر. في بعض الأحيان حدثت أحداث في الماضي استجابةً لتأثيرات خارجية مثل الإجازات والمواسم والدورات الاقتصادية وما إلى ذلك.

ضع ذلك في الاعتبار أثناء استكشاف النطاق الكامل للاتجاه للحصول على قراءة أكثر دقة للأشياء.

8. بقعة الأنماط الصحيحة

التسلق والهبوط - اثنان من أسهل الاتجاهات التي يمكن ملاحظتها على الرسم البياني الخطي. عادة ما تكون هذه هي الطريقة التي يتم بها عرض مشاهدات الصفحة وبيانات التفاعل في GA.

تساعدنا الأنواع الأخرى من المخططات مثل السلاسل الزمنية والمخططات المبعثرة في رسم أنماط في البيانات. يمكنك اكتشاف وجود اتجاه تصاعدي أو تنازلي ، وتصور العلاقة بين متغيرين ، وأكثر من ذلك.

تم تصميمهم جميعًا للكشف عن القصص وراء البيانات. كلمة تحذير: لا تنظر أبدًا إلى الأنماط بمعزل عن سياقها.

في تحليل مؤامراتك ، تقترح الأستاذة الدكتورة راما راماكريشنان ، الأستاذة بمعهد ماساتشوستس للتكنولوجيا ، مطابقة مؤامرة مع التوقعات الأولية:

هل هناك أي شيء لا يتطابق؟ أي شيء يجعلك تذهب "هذا غريب" أو "هذا لا معنى له"؟ قم بالتكبير وحاول أن تفهم ما الذي يجعل هذا الشيء الغريب يظهر في البيانات من هذا القبيل في عملك. هذه هي الخطوة الحاسمة. (...) ربما تكون قد وجدت للتو نظرة ثاقبة للعمل وزادت من فهمك. أو قد تكتشف أن هناك خطأ في الطريقة التي تم بها جمع بياناتك أو حسابها (قانون Twyman).

9. صياغة فرضية رابحة

عندما تقوم بتحليل بياناتك واستخلاص استنتاجات دقيقة ، فقد حان الوقت للتوصل إلى فرضية يمكنك اختبارها.

في صياغة الفرضية ، أنت تتوصل إلى حل لمشكلة يمكنك التحقق منه بالتجريب.

تتكون الفرضية القابلة للقياس من 3 أجزاء:

• الملاحظة،
• التنفيذ ، و
• حصيلة

إليك مثال حقيقي قادم من شريك تحويل:

ملاحظة: من بيانات التحليلات ، لاحظنا ارتفاع معدل الارتداد على صفحة منتجنا الرئيسي. أجرينا أيضًا استطلاعات الرأي واستطلاعات الرأي وأبحاث قابلية الاستخدام واكتشفنا أن المستخدمين لم يفهموا قيمة منتجنا ويثقون به. أيضًا ، لم يقم معظم الزوار بالتمرير لأسفل الصفحة.

التنفيذ: نريد إضافة نسخة أفضل إلى منطقة الطي للاحتفاظ بالمزيد من زوار الصفحة ومعالجة مشكلات الثقة وزيادة التحويلات على الصفحة.

النتيجة: من المفترض أن يؤدي ذلك إلى مزيد من زوار الويب الذين يتصفحون الصفحة ويريدون منتجنا الرائد وشرائه. سنقوم بقياس هذا من خلال انخفاض معدل الارتداد ، وارتفاع معدلات التحويل ، والأرباح.

بمجرد وصولك إلى هنا ، فإن الخطوة التالية هي الاختبار .

هذا المثال هو فرضية فعلية أدت إلى نتائج مبهرة. لمزيد من التفاصيل حول التجارب ، تحقق من أول مثال للرؤية العملية أدناه.

10. الاستعداد للتجربة

باستخدام الفرضية أعلاه ، يمكنك القيام بما يفعله خبراء معدل التحويل وإجراء اختبار.

حتى هذه النقطة ، فإن فرضياتك - على الرغم من أنها تستند إلى البيانات - هي فقط جيدة مثل الحدس.

تجعلك التجربة أقرب إلى إنشاء حقيقة صلبة.

هذا هو المكان الذي تبدأ فيه الحصول على عائد الاستثمار لتحليل بياناتك.

ساعدنا النهج العلمي في تحويل بياناتنا الأولية غير المفهومة إلى شيء يمكن قراءته. ثم طبقنا قوة تحليل البيانات لكشف النقاب عن الرؤى المثيرة التي تحتوي عليها.

لقد طورنا فرضيات قابلة للقياس من هذه الأفكار واتخذنا الخطوة المنطقية التالية: التجريب.

هناك المئات من الأدوات التي تأخذنا خلال هذه الخطوات. لكن التحويل يربطهم جميعًا معًا في النهاية ويوصلنا إلى هدفنا النهائي - رؤى قابلة للتنفيذ.

يتكامل التحويل مع العشرات من الأدوات حتى تتمكن من تجربة واكتشاف رؤى قوية بشكل لا يصدق تؤدي مباشرة إلى زيادة الإيرادات. جرب تحويل التكامل في الإصدار التجريبي المجاني

تجاوز الرؤى: كيفية تحويل الرؤى إلى إستراتيجية

الرؤى ليست مفيدة في تحقيق أهداف العمل إذا لم يتم ترجمتها إلى استراتيجية والعمل على أساسها.

كيف يمكنك في الواقع استخدام البصيرة التي تحصل عليها لتحقيق فوائد إيجابية تؤثر بشكل مباشر على المحصلة النهائية لمؤسستك؟

دعنا نشارك 3 أمثلة:

أمثلة على تحويل البيانات إلى رؤى قابلة للتنفيذ

دراسة الحالة رقم 1: كيف استخدمت SplitBase Google Analytics لجمع البيانات لتجربة كشفت عن فرصة لزيادة التحويلات بنسبة 27٪

اكتشفت شركة BestSelf تسريبًا في صفحة منتجها الرئيسي. لذلك عملوا مع SplitBase لتوصيله.

كيف فعلوا ذلك؟

باستخدام وسائل مختلفة لجمع البيانات مثل استطلاعات الرأي والاستطلاعات وخرائط الحرارة ، وجدوا الجاني.

لم يتم توصيل فائدة المنتج بشكل جيد بما فيه الكفاية ، لذلك لم يكن الناس حتى يتجاوزون منطقة الحظيرة. من هذا ، قاموا بصياغة الفرضية التي شاركناها سابقًا.

أجروا اختبارًا ووجدوا أنهم على حق. أدى العنوان الجديد الذي يشير بوضوح إلى الفائدة الرئيسية للمنتج والدليل الاجتماعي إلى زيادة مبيعات المنتج بشكل كبير.

دراسة الحالة رقم 2: هل كان عرض الشحن المجاني هذا يحقق أرباحًا أم يخسرها؟

كان هذا هو السؤال الذي يدور في أذهان الفريق الذي يدير متجرًا فاخرًا للتجارة الإلكترونية من الزجاج المصنوع يدويًا.

أطلقوا ترويجًا للشحن المجاني ووجدوا زيادة في معدلات التحويل. على الرغم من أن هذا يعني المزيد من المال ، مع الأخذ في الاعتبار تكاليف شحن هذه المنتجات للعملاء ، فهل كان العرض كافياً لتعويض تكاليف الشحن؟

الآن ، كيف وجدوا إجابتهم ...

لقد استدعوا Brave One ، وكالة تحسين معدل التحويل ، التي توصلت إلى خطة لمعرفة ما إذا كانت تخسر أو تربح ، ومقدار المبلغ.

باستخدام Google Analytics و Mixpanel لجمع البيانات وتحويلها للتجربة ، قارن Brave One الموقع بدون العرض بإصدار منه مع العرض.

جلبت إدارة الأعمال مع العرض 16000 دولار أكثر من تشغيلها بدون في نفس الإطار الزمني.

دراسة الحالة رقم 3: ساعدت البيانات شركة Nike في تعديل استهدافها ولمس قلوب جمهور أوسع

عندما أرادت شركة Nike إطلاق حملة بعنوان Find Your Greatness في بداية أولمبياد 2012 ، قاموا بالبحث في بياناتهم ووجدوا ما يلي:

لم يكن معظم جمهورهم المستهدف من الرياضيين المحترفين. لقد كانوا أشخاصًا أعجبوا بالمحترفين وأرادوا أن يكونوا مثلهم.

ماذا فعلوا بهذا؟

قاموا بتعديل استهدافهم.

عادة ما تلاحق شركة نايكي الرياضيين المحترفين. لكن هذه المرة ، قرروا إلهام الجميع بغض النظر عن مستوى لياقتهم البدنية لتجاوز حدودهم.

حصد أحد مقاطع الفيديو الخاصة بالحملة أكثر من 3 ملايين مشاهدة.

ولا يتوقف الأمر عند هذا الحد: أنفقت Adidas ملايين الدولارات للحصول على رعاية أولمبية ، ومع ذلك تمتعت Nike بنفس المستوى من الظهور بأقل من نصف ميزانية التسويق تلك.

تلخيص لما سبق

لا ينبغي أن تمثل التجربة نهاية رحلة التحسين الخاصة بك.

يجب أن تكون عملية مستمرة لأننا لا نلجأ دائمًا إلى رؤيتنا.

تذكر أيضًا ... في حال كنت تفتقر إلى المهارات اللازمة لإجراء تحليل بيانات داخليًا ، يمكنك دائمًا الاعتماد على خبرة خبراء البيانات.

يقترح الدكتور ثوم آيفز أنه مع ورود المزيد من البيانات ، يتعين علينا تحسين الاستنتاجات التي توصلنا إليها باستخدام البيانات القديمة.

وماذا عن الخبر السار؟ بهذه الطريقة ، نستمر في الاقتراب من البصيرة التي تكون أكثر تمثيلاً لجمهورنا ونتخذ تنبؤات وقرارات أكثر دقة.