So verwandeln Sie Datenberge in nutzbare, aussagekräftige Erkenntnisse (Leitfaden 2021)

Sind Sie überwältigt von all den Daten, die vor Ihnen liegen?

Es gibt eine beispiellose Fülle von Daten da draußen, aber wie können Sie sie in umsetzbare Erkenntnisse umwandeln?

Sie sehen, der Weg von Daten zu Erkenntnissen ist mit Herausforderungen übersät. Um sie zu bekämpfen, benötigst du eine Reihe wirkungsvoller Schritte.

Hier zeigen wir Ihnen, wie Sie Erkenntnisse aus Datenbergen gewinnen, nutzlose Informationen durchtrennen und schneller datengesteuerte Entscheidungen in Ihrem Unternehmen treffen.

Was sind Daten und Erkenntnisse?

Bevor wir darauf eingehen, lassen Sie uns definieren, was wir unter Daten und Erkenntnissen verstehen.

• Daten sind Fakten und Statistiken, die durch Beobachtung gesammelt werden. Dies können Zahlen, Text, Bilder, Audio usw. sein.
  
  Lassen Sie uns dies ins rechte Licht rücken:
  
  Angenommen, Sie besitzen einen E-Commerce-Shop und haben Google Analytics (GA) aktiviert, hinterlässt jeder Benutzer, der in Ihrem Online-Shop navigiert, einige digitale Spuren, die von GA erfasst werden.
  
  Dies umfasst demografische Daten, Geräte, Browser usw. Wenn Sie diese rohen Fakten sehen, würde es wahrscheinlich Kauderwelsch aussehen, da sie manchmal unstrukturiert und ohne Kontext sind.

  

• Informationen sind ein Produkt der Verfeinerung dieser Daten und geben ihnen Struktur und Kontext. Auf diese Weise machen Daten für das bloße Auge ein wenig mehr Sinn.
  
  Im Fall Ihres E-Commerce-Shops wäre ein Beispiel Ihr GA-Dashboard. Wenn alle Daten zusammengestellt und im Kontext präsentiert werden, sind sie konsumierbar und Sie können Erkenntnisse daraus ziehen.

  

• Einsicht ist wertvolles Wissen, das aus dem Verständnis von Informationen gewonnen wird. Wenn Sie Informationen (oder Daten) konsumieren und sie in ihrem Kontext und anderen verfügbaren Informationen genau interpretieren, gelangen Sie zu Erkenntnissen.
  
  In der Geschäftswelt sind Erkenntnisse der springende Punkt beim Sammeln von Daten. Stellen Sie sich Einblicke so vor, als würden Sie in das Innenleben der Operation blicken, die Sie beobachten. Sie erzählen eine aussagekräftige Geschichte aus Daten.

Beispiel für einen Einblick

Durch effektive Datenanalyse zu erkennen, dass 97 % Ihrer Kunden Sie finden, wenn sie ihre Hochzeit planen, ist ein Beispiel für Erkenntnisse.

Für sich genommen sind dies nur Informationen, die cool zu wissen sind.

Aber wenn dies verwendet wird, um einen Plan zu erstellen, der Ihrer Marke und Ihren Kunden einen greifbaren Mehrwert bringt, sind das umsetzbare Erkenntnisse. Sie könnten diese Informationen beispielsweise verwenden, um eine Werbekampagne zu planen, die sich an Personen richtet, die kurz davor stehen, den Bund fürs Leben zu schließen.

Sie wissen bereits, dass dieses Publikum von Ihnen angezogen wird; Daher wäre ein hoher ROAS (Return on Ad Spend) nicht allzu überraschend.

Bevor aus Daten solche Erkenntnisse werden, müssen sie erst einmal gesammelt und dann analysiert werden.

Verschiedene Methoden, mit denen Daten gesammelt werden können

Die meisten Unternehmen sammeln Daten aus mehreren Quellen mit unterschiedlichen Methoden. Und jede Methode hat ihre eigenen Regeln.

Google Analytics beispielsweise sammelt Daten mithilfe von JavaScript und einem Tracking-Code.

Sobald der Tracking-Code zu Ihrer Seite hinzugefügt wurde, sendet das Skript Daten an Google-Server. Dazu gehören Seitendaten (URL, Titel), Browserdaten (Darstellungsbereich, Bildschirmauflösung), Benutzerdaten (Standort, Sprache) und viele mehr.

Es ähnelt der Social-Media-Analyse auf Facebook, Twitter, Instagram und anderen Websites. Sie können auch Daten sammeln von:

• Umfragen
• Statistiken zum Marktwachstum
• Transaktionsdatenverfolgung
• Kundenfeedbackanalyse
• Abonnement- und Registrierungsdaten usw.

Von hier aus bewegen sich die Daten zum nächsten Schritt.

Datenanalyse vs. Datenanalyse

Entgegen der landläufigen Verwendung bedeuten diese Begriffe nicht dasselbe.

• Data Analytics ist die Wissenschaft vom Sammeln und Verwenden von Daten. Es ist alles zwischen dem Sammeln von Rohdaten und dem Ergreifen von Maßnahmen. Dies umfasst die Erhebung, Organisation, Speicherung und Analyse von Daten mithilfe von maschinellem Lernen, Statistiken und computergestützten Modellen.
• Die Datenanalyse ist eine Teilkomponente der Datenanalyse. Die Datenanalyse ist ein Prozess der Untersuchung, Bereinigung, Transformation und Organisation von Daten mit dem Endziel, wertvolle Informationen zu extrahieren und sie zu verwenden, um Entscheidungen zu treffen und zu handeln.

In einer typischen Organisation sind Data Scientists, Führungskräfte und Manager normalerweise die einzigen, die Datenanalysen verwenden, um Erkenntnisse zu gewinnen.

Eine effiziente datengesteuerte Organisation sollte den Zugriff auf Daten und das Verständnis von Daten an alle ihre Mitglieder verteilen.

Dies bringt uns zu einem bahnbrechenden Konzept: Datendemokratisierung .

Was ist Datendemokratisierung?

Datendemokratisierung bedeutet , Daten jedem innerhalb der Organisation ohne die Barrieren von hochspezialisiertem Fachwissen zur Verfügung zu stellen . Das bedeutet, dass jeder in Ihrer Organisation auf Daten zugreifen, sie verstehen und sie verwenden kann, um Entscheidungen und Empfehlungen zu treffen.

Die Idee ist, dass das Unternehmen umso schneller eine datengesteuerte Entscheidungskultur von oben nach unten annimmt, je mehr Hands-on-Deck (in Bezug auf Daten) ist.

Aber da ist ein Fang.

Mit dieser Zugriffsebene wird es schwieriger, die Datensicherheit und -integrität aufrechtzuerhalten. Es besteht auch die Möglichkeit, dass Daten von jemandem ohne das Fachwissen eines ausgebildeten Analysten falsch interpretiert werden.

Dennoch ist die Datendemokratisierung ein wichtiger Faktor , um intelligentere und schnellere datengestützte Entscheidungen zu treffen und das Kundenerlebnis zu verbessern .

Die Marketingspezialisten der Royal Bank of Scotland zeigten, wie effizient es sein kann, ihre Nicht-Marketing-Kollegen in den Optimierungsprozess des Kundenerlebnisses einzubeziehen.

Herausforderungen bei der Gewinnung von Erkenntnissen aus Daten

Der Weg von Daten zu Erkenntnissen ist gespickt mit Herausforderungen. So sehr, dass Alternativen zu datengesteuerten Aktionen attraktiver erscheinen.

Marketer, Data Scientists, Führungskräfte und andere Fachleute, die täglich mit Daten arbeiten, scheinen dieser Meinung zu sein.

Ich habe eine kurze Umfrage (hier und hier) durchgeführt, die ergab, dass die Datenvalidierung für 39 % von ihnen die größte Herausforderung darstellt. Nur 11 % führen ihre Schwierigkeiten auf die Datenmenge zurück. 28 % entschieden sich für die Integration von Daten aus verschiedenen Quellen, während 22 % den damit verbundenen Zeit- und Arbeitsaufwand anführten.

Abgesehen von diesen vier sind weitere Herausforderungen bei der Umwandlung von Daten in umsetzbare Ergebnisse:

• Unzugänglichkeit von Daten
• Schlechte Datenqualität und
• Der Druck, ROI zu liefern

Für Steven Alexander Young, Gründer von Challenger Digital, besteht die größte Herausforderung darin, die Variable hinter einer Leistungsänderung zu isolieren. Analytics-Daten erzählen nicht immer die ganze Geschichte:

Wenn der Traffic hier zurückging, lag das daran, dass jemand Änderungen an der Seite vorgenommen hat (und wenn ja, welche)? Wenn sich die Seite nicht geändert hat, hat ein Konkurrent zufällig die SEO verbessert und Sie überholt (und wenn ja, wer)? (…) Selbst wenn ich einen Kunden telefonisch erreichen kann, um Details zu liefern und Dinge auszuschließen, muss er oft innerhalb seines Teams selbst auf die Jagd gehen, um Antworten zu finden. Parallel dazu gibt es natürlich die allgegenwärtige Möglichkeit von Googles Algorithmus-Updates.

Thom Ives (Ph.D.), Lead Data Scientist bei UL Prospector, verglich Daten mit Rohöl, das raffiniert und gereinigt werden muss. Er warnt davor, dass Daten „gefährlich sein könnten, wenn sie falsch behandelt werden“.

Das macht Entscheider nervös.

Obwohl 74 % der Unternehmen zustimmen, dass sie datengesteuert sein wollen, könnten laut einem Bericht von Forrester nur 29 % auf der Grundlage von Analyseergebnissen handeln.

So sehr datenbasierte Entscheidungen für das Wachstum von Unternehmen hervorragend sind, können die Fehler verheerend sein. Vielleicht hat die Möglichkeit, Fehler zu machen, den Großteil der anderen 71 % abgeschreckt, die Entscheidungen aufgrund von Erfahrung oder Bauchgefühl treffen oder einfach dem Status quo folgen.

Oft geschieht dies auf Kosten der Nutzung unserer 59 Zettabytes an Daten (das sind 59 gefolgt von 21 Nullen!), um geschäftsverändernde Erkenntnisse zu gewinnen.

Peep Laja, CEO von Wynter, fasst es treffend zusammen: „Wir sind reich an Daten, aber arm an Erkenntnissen.“

10 umsetzbare Schritte, um Daten in Erkenntnisse umzuwandeln

Metriken sind einfach; Einsicht ist schwierig – es ist eine Sache, viele Daten zu sammeln, aber eine andere, sie zu einem wertvollen Gut zu machen. Glücklicherweise gibt es eine bewährte Methode, um Antworten zu erhalten.

Cue in der wissenschaftlichen Methode.

Dies ist jedoch kein Heureka-Moment. Wissenschaftler nutzen diese Methode seit Jahrhunderten, um Erkenntnisse aus Daten abzuleiten.

Die 10 Schritte, die wir Ihnen zeigen, lassen sich von der wissenschaftlichen Methode inspirieren und ebnen den Weg zu umsetzbaren Erkenntnissen und Empfehlungen.

Lassen Sie uns gleich einsteigen:

1. Beginnen Sie mit den richtigen Fragen

Stellen Sie die richtigen Fragen, bevor Sie Daten durchsuchen, um sicherzustellen, dass Sie keine Zeit mit den falschen Dingen verbringen.

Es ist, als würde man sich ein klares Ziel setzen, bevor man sich auf eine Reise begibt.

Bevor Sie Datenberge durchkämmen, überlegen Sie, welche Fragen Ihre Daten beantworten sollen. Auf diese Weise vermeiden Sie Erkenntnisse, die keine Auswirkungen auf die Geschäftsziele haben.

Für ein SaaS-Unternehmen stellen sich zunächst einige Fragen:

• Wie viele Blogpost-Leser sind zu anderen Inhalten übergegangen?
• Wie viel Prozent meines Website-Traffics passt zu meiner Buyer Persona?
• Welche Phase des Verkaufstrichters leckt am meisten?

2. Verfolgen Sie die richtigen Metriken (keine Vanity-Metriken!)

Erkenntnisse, die das Unternehmen in die richtige Richtung lenken, kommen nicht, wenn man auf die falschen Kennzahlen starrt.

Vor allem Vanity-Metriken. Sie lassen Sie gut aussehen, tragen aber nicht zu Ihrem Einsichtsrahmen bei. Beispiel: Seitenaufrufe und Anzahl der Klicks.

Außerdem können die falschen Metriken ablenken. Da Sie sich für eine Frage entschieden haben, die in Schritt 1 beantwortet werden muss, legen Sie die Metriken fest, die Sie verfolgen sollten.

Aniekan Inyang, Data Scientist bei Stears Business, warnt davor, branchenspezifische Nuancen nicht zu berücksichtigen:

Dies kann dazu führen, dass eine falsche Funktion zum Verfolgen einer Metrik ausgewählt wird, eine relevante Metrik nicht verfolgt oder falsch interpretiert wird.

Verwenden Sie das, um einen Weg zu einer Hypothese zu schlagen, die Sie testen können.

3. Geben Sie Ihre Endziele an

Sie haben höchstwahrscheinlich bestimmte Geschäftsziele vor dem Test. Diese müssen eng an Ihren Testzielen ausgerichtet sein.

Aus den Fragen, mit denen Sie begonnen haben, haben Sie herausgefunden, was Sie verfolgen möchten. Aber was wollen Sie damit erreichen?

Schreiben Sie dies auf, da es Ihnen hilft, eine spezifische, messbare Hypothese zu entwickeln.

4. Integrieren Sie Ihre Datenquellen

Die Datensätze, die Sie haben, sind nur ein Teil der Bevölkerung und werden nicht immer die ganze Geschichte erzählen.

Dr. Thom Ives teilte mit:

Es kann Verzerrungen haben, von denen wir nichts wissen, und es wird schwächer sein als alle Daten.

Je mehr verwertbare Daten Sie sammeln, desto näher kommen Sie den richtigen Geschichten.

Ihre Dateninterpretation trifft näher ans Schwarze, wenn Sie alle Ihre Quellen zusammenbringen. Stellen Sie sicher, dass Sie die richtigen Tools verwenden, um unterschiedliche Quellen zu integrieren, damit Sie es nicht verpassen, aussagekräftige Kundeneinblicke zu sammeln.

5. Verwenden Sie Kontext und Visuals, um Datensätze zu vereinfachen

Visuals sind heute bei Daten ziemlich üblich. Sie begegnen kaum einer unverständlichen Rohform von Daten. Ohne den richtigen Kontext erhalten Sie jedoch entweder nicht die ganze Geschichte oder die falsche.

Analysieren Sie Ihre Daten anhand der 5 W's für den Kontext:

• Wer (Publikum, Leads, Interessenten)
• Was (Ziele, Ereignisse, Beobachtungen)
• Wann (Zeitrahmen, Zeitpläne)
• Wo (Webseite, Social Media, Zielseite) und
• Warum , (warum ist es passiert?)

Der Kontext lässt Ihre Daten mit mehr Bedeutung aus dem Bildschirm springen. Es verringert die Wahrscheinlichkeit, einen Fehler zu machen.

Zusammen mit der genauen Grafik werden diese Chancen noch geringer. Aber auch bei der Optik werden Fehler gemacht.

Beispielsweise ist es üblich, bei Blasendiagrammen einen kostspieligen Fehler zu machen. Das Variieren des Radius anstelle der Fläche der Blase auf entsprechende Werte führt zu einem ungenauen Daten-Storytelling wie im Bild unten.

Verwenden wir die orangefarbene Blase oben links und die grüne daneben, um sie hervorzuheben. Die orangefarbene Blase sieht viermal größer aus als ihr grüner Nachbar.

Ohne die darin beschrifteten tatsächlichen Werte kann dies irreführend sein. Der Wert der orangefarbenen Blase (1,84 Mrd. USD) ist nur doppelt so hoch wie der der grünen (0,92 Mrd. USD).

Hier ist ein lustiger Fehler von Fox News:

6. Segmentieren Sie Ihre Daten

Das Aufteilen von Daten in Segmente kann Ihnen helfen, sie besser zu verstehen. Google Analytics zum Beispiel verfügt über integrierte Funktionen, die dies einfach machen.

Unterteilen Sie den Web-Traffic nach bestimmten Ähnlichkeiten und vereinfachen Sie den Prozess der Gewinnung von Erkenntnissen. Segmentierungen können Ihr Verständnis Ihrer Zielgruppe vertiefen.

Denken Sie bei der Segmentierung auch über die Alters- und Geschlechtssegmente der alten Schule hinaus. Es gibt viel mehr Details, mit denen Sie Webbesucher gruppieren können.

Eine Möglichkeit, dies zu tun, besteht darin, Kunden nach Transaktionswert (Wertsegmentierung) zu segmentieren – das heißt, wie viel sie wahrscheinlich für Produkte ausgeben werden. Dazu müssen Sie frühere Transaktionsdaten verwenden. Daten wie wie viel sie ausgegeben haben, wie oft sie es ausgegeben haben und den Wert der Produkte, die sie gekauft haben.

Sobald Sie diese Einfachheit einmal erlebt haben, wird sie schnell zu einem festen Bestandteil Ihrer Insights-Strategie.

Hier ist ein weiteres Beispiel, das die Bedeutung der richtigen Datensegmentierung veranschaulicht:

7. Zeigen Sie Daten in den richtigen Zeitrahmen an

Entscheidungen auf der Grundlage von Erkenntnissen aus einem Zeitabschnitt zu treffen, kann katastrophal sein. Nur auf das kleine Bild ohne Verweise auf historische Daten zu schauen, ist ein häufiger Fehler.

Daten haben normalerweise eine Hintergrundgeschichte.

Es ist wichtig, das zu überprüfen, um die Gegenwart zu verstehen. Manchmal geschahen Ereignisse in der Vergangenheit als Reaktion auf äußere Einflüsse wie Feiertage, Jahreszeiten, Konjunkturzyklen usw.

Berücksichtigen Sie dies, wenn Sie das gesamte Spektrum eines Trends erkunden, um eine genauere Einschätzung der Dinge zu erhalten.

8. Erkennen Sie die richtigen Muster

Steigen und Fallen – zwei der am einfachsten zu beobachtenden Trends in einem Liniendiagramm. So werden Seitenaufrufe und Engagement-Daten normalerweise auf GA angezeigt.

Andere Arten von Diagrammen wie Zeitreihen und Streudiagramme helfen uns, Muster in Daten darzustellen. Sie können einen Aufwärts- oder Abwärtstrend erkennen, eine Korrelation zwischen zwei Variablen visualisieren und vieles mehr.

Sie sind alle darauf zugeschnitten, die Geschichten hinter den Daten aufzudecken. Ein Wort der Vorsicht: Betrachten Sie Muster niemals isoliert von ihrem Kontext.

Bei der Analyse Ihrer Plots schlägt MIT-Professor Dr. Rama Ramakrishnan vor, Ihren Plot mit vorläufigen Erwartungen abzugleichen:

Gibt es etwas, das nicht passt? Irgendetwas, das Sie sagen lässt: „Das ist seltsam“ oder „Das ergibt keinen Sinn.“? Zoomen Sie hinein und versuchen Sie zu verstehen, was in Ihrem Unternehmen dazu führt, dass dieses seltsame Ding in den Daten so auftaucht. Dies ist der entscheidende Schritt. (…) Möglicherweise haben Sie gerade einen Einblick in das Geschäft gefunden und Ihr Verständnis erweitert. Oder Sie stellen fest, dass die Art und Weise, wie Ihre Daten erfasst oder berechnet wurden, fehlerhaft ist (Gesetz von Twyman).

9. Erstellen Sie eine erfolgreiche Hypothese

Wenn Sie Ihre Daten analysiert und genaue Schlussfolgerungen gezogen haben, ist es an der Zeit, eine Hypothese zu entwickeln, die Sie testen können.

Beim Erstellen einer Hypothese finden Sie eine Lösung für ein Problem, die Sie durch Experimente überprüfen können.

Eine messbare Hypothese besteht aus 3 Teilen:

• Überwachung,
• Ausführung und
• Ergebnis

Hier ist ein echtes Beispiel von einem Convert-Partner:

Beobachtung: Anhand von Analysedaten haben wir eine hohe Absprungrate auf der Seite unseres Flaggschiffprodukts festgestellt. Wir haben auch Umfragen, Abstimmungen und Usability-Forschungen durchgeführt und festgestellt, dass Benutzer den Wert unseres Produkts nicht verstanden und ihm nicht vertraut haben. Außerdem haben die meisten Besucher die Seite nicht weiter nach unten gescrollt.

Ausführung: Wir möchten dem Faltbereich einen besseren Text hinzufügen, um mehr Seitenbesucher zu halten, die Vertrauensprobleme anzugehen und die Conversions auf der Seite zu steigern.

Ergebnis: Dies sollte dazu führen, dass mehr Webbesucher durch die Seite scrollen, unser Flaggschiffprodukt wünschen und es kaufen. Wir messen dies anhand einer niedrigeren Absprungrate, höheren Conversion-Raten und Einnahmen.

Sobald Sie hier gelandet sind, ist der nächste Schritt das Testen von .

Dieses Beispiel ist eine tatsächliche Hypothese, die zu beeindruckenden Ergebnissen geführt hat. Weitere Einzelheiten zu den Experimenten finden Sie unten im ersten umsetzbaren Erkenntnisbeispiel.

10. Bereiten Sie sich auf Experimente vor

Mit der obigen Hypothese können Sie das tun, was professionelle Konversionsraten-Optimierer tun, und einen Test durchführen.

Bis zu diesem Punkt sind Ihre Hypothesen – auch wenn sie auf Daten beruhen – nur so gut wie Ihre Intuition.

Durch Experimentieren kommen Sie der Schaffung einer felsenfesten Tatsache näher.

Hier erhalten Sie den ROI für Ihre Datenanalyse.

Der wissenschaftliche Ansatz hat uns geholfen, unsere rohen, unverständlichen Daten in etwas Lesbares zu verwandeln. Dann haben wir die Macht der Datenanalyse angewendet, um die darin enthaltenen saftigen Erkenntnisse zu enthüllen.

Aus diesen Erkenntnissen haben wir messbare Hypothesen entwickelt und sind den nächsten logischen Schritt gegangen: Experimentieren.

Es gibt Hunderte von Tools, die uns durch diese Schritte führen. Aber Convert verbindet sie am Ende alle und bringt uns zu unserem ultimativen Ziel – umsetzbare Erkenntnisse.

Convert lässt sich in Dutzende von Tools integrieren, sodass Sie experimentieren und unglaublich aussagekräftige Erkenntnisse entdecken können, die direkt zu höheren Einnahmen führen. Probieren Sie die Convert-Integration in der kostenlosen Testversion aus

Über Erkenntnisse hinausgehen: Wie man Erkenntnisse in eine Strategie umwandelt

Erkenntnisse sind beim Erreichen von Geschäftszielen nicht hilfreich, wenn sie nicht in Strategien umgesetzt und umgesetzt werden.

Wie können Sie die Erkenntnisse, die Sie erhalten, tatsächlich nutzen, um positive Vorteile zu erzielen, die sich direkt auf das Endergebnis Ihres Unternehmens auswirken?

Lassen Sie uns 3 Beispiele teilen:

Daten in umsetzbare Erkenntnisse umwandeln Beispiele

Fallstudie Nr. 1: Wie SplitBase Google Analytics nutzte, um Daten für ein Experiment zu sammeln, das eine Möglichkeit für eine Steigerung der Conversions um 27 % ergab

BestSelf Co. entdeckte ein Leck auf der Seite ihres Flaggschiffprodukts. Also arbeiteten sie mit SplitBase zusammen, um es anzuschließen.

Wie haben sie das gemacht?

Sie nutzten verschiedene Mittel, um Daten wie Umfragen, Umfragen und Heatmaps zu sammeln, und fanden den Übeltäter.

Der Nutzen des Produkts wurde nicht gut genug kommuniziert, sodass die Leute nicht einmal über den Falzbereich hinauskamen. Daraus haben sie die Hypothese entwickelt, die wir zuvor geteilt haben.

Sie führten einen Test durch und fanden, dass sie Recht hatten. Die neue Überschrift, die den großen Nutzen des Produkts und den Social Proof klar zum Ausdruck bringt, steigerte den Verkauf des Produkts erheblich.

Fallstudie Nr. 2: Hat diese Gratisversand-Promo Geld verdient oder verloren?

Diese Frage beschäftigte das Team, das einen E-Commerce-Shop für handgefertigtes Luxusglas betreibt.

Sie starteten eine kostenlose Versandaktion und stellten einen Anstieg der Konversionsraten fest. Obwohl das mehr Geld bedeutete, reichte das Angebot angesichts der Kosten für den Versand dieser Produkte an die Kunden aus, um die Versandkosten auszugleichen?

Nun, wie sie ihre Antwort fanden …

Sie wandten sich an Brave One, eine Agentur zur Optimierung der Konversionsrate, die einen Plan entwickelte, um herauszufinden, ob und in welcher Höhe sie Verluste oder Gewinne erzielten.

Mit Google Analytics und Mixpanel zum Sammeln von Daten und Convert zum Experimentieren verglich Brave One die Website ohne das Angebot mit einer Version davon mit dem Angebot.

Die Führung des Geschäfts mit dem Angebot brachte im gleichen Zeitraum 16.000 US-Dollar mehr ein als die Führung ohne.

Fallstudie Nr. 3: Daten halfen Nike, ihre Ausrichtung anzupassen und die Herzen eines breiteren Publikums zu erreichen

Als Nike zu Beginn der Olympischen Spiele 2012 eine Kampagne namens „Find Your Greatness“ starten wollte, gruben sie in ihren Daten und fanden Folgendes:

Die meisten ihrer Zielgruppe waren keine Profisportler. Sie waren Leute, die die Profis bewunderten und so sein wollten wie sie.

Was haben sie damit gemacht?

Sie haben ihre Ausrichtung angepasst.

Nike verfolgt normalerweise die Profisportler. Aber dieses Mal haben sie sich entschieden, jeden unabhängig von seinem Fitnesslevel dazu zu inspirieren, seine Grenzen zu überschreiten.

Eines der Videos der Kampagne hatte mehr als 3 Millionen Aufrufe.

Und das ist noch nicht alles: Adidas gab Millionen von Dollar aus, um ein Olympia-Sponsoring zu bekommen, aber Nike genoss mit weniger als der Hälfte dieses Marketingbudgets das gleiche Maß an Bekanntheit.

Zusammenfassen

Das Experimentieren sollte nicht das Ende Ihrer Optimierungsreise markieren.

Es sollte ein kontinuierlicher Prozess sein, weil wir mit unseren Einsichten nie immer punktgenau sind.

Denken Sie auch daran … falls Ihnen die Fähigkeiten zur Durchführung einer internen Datenanalyse fehlen, können Sie sich jederzeit auf das Know-how von Datenexperten verlassen.

Dr. Thom Ives schlägt vor, dass wir die Schlussfolgerungen, die wir mit den alten Daten gezogen haben, verfeinern müssen, wenn mehr Daten eingehen.

Und die gute Nachricht? Auf diese Weise nähern wir uns weiterhin Erkenntnissen, die für unser Publikum repräsentativer sind, und treffen viel präzisere Vorhersagen und Entscheidungen.