Data Analytics

10 dingen die je als data-driven online marketeer moet weten

 

Data driven marketing

Data is dé heilige graal in online marketing. Iedere zichzelf respecterende online marketeer of marketing manager wordt tegenwoordig geacht zijn prioriteiten vast te stellen op basis van statistieken uit Google Analytics en voortdurend ‘data-driven beslissingen’ te nemen.

Sla er de vacatureteksten maar eens op na. ‘Je hebt sterke analytische vaardigheden en hebt een echte meten=weten mentaliteit.’ Of: ’Je ploetert graag door data maar bent pas echt tevreden als je je collega’s van relevante insights kunt voorzien.’

Data-savvy

Helemaal goed, zou je denken. Want wie kan er op tegen zijn dat de beslissingen binnen een organisatie worden genomen op basis van gefundeerde inzichten, in plaats van je eigen onderbuik? Of – erger nog – het been waarmee je baas vanmorgen uit bed is gestapt? Helaas is de gemiddelde online marketeer in de praktijk niet zo data-savvy als deze functieprofielen ons willen laten geloven.

Dat het implementeren van een data layer of het uitvoeren van een complexe diepte-analyse niet tot de dagelijkse werkzaamheden van elke online marketeer behoren, zal niemand verbazen. Maar om werkelijk data-driven beslissingen te kunnen nemen, zou je van een online marketeer wel mogen verwachten dat hij of zij begrijpt hoe data wordt verzameld, hoe het online gedrag van je bezoeker of (potentiële) klant wordt gemeten en op welke zaken je vervolgens moet letten om écht tot een datagedreven inzicht te komen.

Tweetalig

Want zeg eens eerlijk: weet jij wát er precies gemeten wordt? En begrijpt jouw manager op basis van welke data hij een besluit neemt? Of laat je dat liever aan webanalisten over? Begrijpelijk, maar: ‘In a data culture, staff are bilingual: analysts speak business and the business speaks data’, aldus Carl Anderson, auteur van Creating a Data-Driven Organization.

Het goede nieuws is dat je met de juiste vaardigheden en een dosis goede wil een behoorlijk eind komt. Als je analytisch bent ingesteld, bereid bent om een (online) training te volgen en regelmatig wat blogs te lezen, heb je al een voorsprong op veel van je collega’s. Sinds kort heeft Google de data van de Google Merchandise Store opengesteld, zodat iedereen die geen toegang heeft tot een account toch naar hartenlust kan oefenen in een echt functionerende Analytics-omgeving. Daarnaast zijn er natuurlijk genoeg gespecialiseerde professionals die je kunnen adviseren en een ‘APK’ voor je data-accounts kunnen verzorgen.

Enthousiast geworden? Om je alvast op weg te helpen vind je hieronder tien zaken waarmee je rekening moet houden om datagedreven aan de slag te gaan.

5 stages of data-driven marketing

#1: Cultuur

Een organisatie die zich laat leiden door meningen is per definitie stuurloos. Vooral de ‘HiPPO’ (Highest Paid Person’s Opinion) kan een datagedreven bedrijfscultuur goed in de weg zitten. Maar ook lager in de boom is niet iedereen vanzelfsprekend enthousiast over deze manier van werken. Vaak is dit niet eens gebaseerd op onwil, maar weet men gewoon niet dat het ook anders kan.

‘Data-driven’ is een manier van denken, een gewoonte die je jezelf als persoon, als afdeling, maar vooral als gehele organisatie kunt aanleren om meer grip te krijgen op je bedrijfsvoering. Dus de volgende keer als je wordt geconfronteerd met de zoveelste ongefundeerde mening, hang jij een A4’tje op het whiteboard met het volgende motto: ‘In God we trust, all others must bring data’.

KPI framework

Een KPI-framework helpt je om inzicht te krijgen in je resultaten

#2: KPI’s

Zonder doelen heb je niets aan je data. Als je niet de juiste KPI’s (voor jouw discipline) hebt vastgesteld, is het zinloos om je resultaten te evalueren. Want op basis waarvan beslis je dan bijvoorbeeld of een campagne succesvol is of niet? Bepaal daarom eerst het ultieme doel voor jouw organisatie. Alle onderliggende KPI’s moeten bijdragen aan dit doel. Maak daarbij onderscheid tussen kwantitatieve en kwalitatieve KPI’s.

Als het belangrijkste doel in jouw organisatie het genereren van opbrengst is, zijn de belangrijkste onderliggende KPI’s dus transacties (kwantitatief) en gemiddelde orderwaarde (kwalitatief). De kwantitatieve KPI ‘transacties’ heeft ook weer twee KPI’s onder zich, namelijk sessies (kwantitatief) en conversieratio (kwalitatief). Het aantal sessies wordt weer bepaald door onderliggende KPI’s per kanaal, bijvoorbeeld SEO, SEA, e-mail, display en ga zo maar door. Op deze manier levert ieder specialisme direct of indirect een bijdrage aan het ultieme bedrijfsdoel.

Datakwaliteit

Markeer eventuele meetfouten met annotaties, zodat je altijd inzicht hebt in de datakwaliteit

#3: Datakwaliteit

Het behoeft geen betoog dat de kwaliteit van je data bepalend is voor alle rapporten, analyses en inzichten die daaruit voorkomen. Toch is de betrouwbaarheid van data bij veel organisaties niet vanzelfsprekend. Een flink deel van de implementatie en het onderhoud van analysetools wordt doorgaans uitgevoerd door ontwikkelaars en webanalisten.

Hierbij moet je denken aan het opstellen van een meetplan, de daadwerkelijke implementatie van een data-layer, een tag manager container, tracking codes, triggers en events. Daarnaast moeten er verschillende dataweergaven worden ingesteld, met de juiste filters. Bijvoorbeeld om intern verkeer en spam bots uit je data te weren en om bezoekers te kunnen ‘volgen’ op verschillende (sub)domeinen. Filters werken niet met terugwerkende kracht, dus als je dit niet goed instelt, creëer je ruis in je historische data.

Toch kunnen online marketeers ook een belangrijke bijdrage leveren aan de datakwaliteit, bijvoorbeeld door consequent UTM-tags in nieuwsbrieven, display advertenties, content marketing en social media te gebruiken. Ook het structureel toevoegen van annotaties bij kleine en grote gebeurtenissen kan duiding geven aan de data. Zo kan een marketeer bij een online kledingzaak een hogere conversieratio in augustus beter duiden als er op 1 augustus en 1 september respectievelijk de volgende opmerkingen zijn toegevoegd: ‘Start sale zomercollectie’ en ‘Einde sale zomercollectie’.

Webanalyse aanpak

Een voorbeeld van een gestructureerde webanalyse-aanpak

#4: Rapporteren ≠ analyseren

Veel online marketeers denken dat ze datagedreven werken als ze veel rapportages rondsturen. Hoewel een wekelijkse of maandelijkse rapportage een goede manier kan zijn om resultaten te monitoren, bieden rapporten (als ze al geopend en gelezen worden) meestal geen inzicht in het wat, waar, hoe en waarom van een daling of stijging. Kort gezegd: een rapportage is nog geen analyse en levert meestal weinig inzichten op.

Hetzelfde geldt voor dashboards: hoewel een gepersonaliseerd dashboard in een marketingorganisatie erg functioneel kan zijn om resultaten te monitoren en de werkwijze bij te sturen, levert een dashboard zelden een sluitende verklaring op voor een bepaalde trend.

Probleemstelling analyse

Een heldere probleemstelling geeft focus aan je analyse

#5: Probleemstelling

Om echt inzichten te verwerven zul je in de data moeten duiken. Maar daar schuilt direct één van de grootste gevaren: voor je het weet verdrink je in een overweldigende hoeveelheid informatie. Hoe voorkom je dat je zonder focus verbanden proberen te ontdekken in een zee van statistieken en dimensies?

De belangrijkste voorwaarde voor een goede analyse is een duidelijke en afgebakende probleemstelling. Bijvoorbeeld: welke invloed heeft het tijdstip van verzending van een nieuwsbrief op het aantal conversies? Tijdens je analyse zul je een aantal bevindingen kunnen noteren, op basis waarvan je conclusies kunt trekken en concrete aanbevelingen kunt doen voor verbetering.

Segmenteren

De echt waardevolle inzichten komen pas als je gaat segmenteren

#6: Segmenteren

Als je tot de kern van een probleem wilt doordringen is het onontkoombaar om te segmenteren. Met een segment isoleer je een deel van de gegevens om een mogelijke oorzaak van een verandering in het totaal te vinden. Daarom zou je er voor kunnen kiezen om je analyse verder te af te bakenen, door bijvoorbeeld alleen sessies afkomstig van terugkerende gebruikers, die op een iPhone 6 minimaal één productpagina bekijken, in je analyse mee te nemen.

Ook kun je bijvoorbeeld segmenteren op nieuwe versus terugkerende bezoekers, leeftijd, geslacht, taalinstellingen, besturingssysteem, schermresolutie, sessies die langer duren dan een bepaald aantal seconden, converterende gebruikers versus niet-converterende gebruikers, sessie afkomstig van een bepaald kanaal, et cetera. Kijk voor kant-en-klare segmenten in de Analytics Solutions Gallery.

Context

Houd altijd de context in gedachten als je in de data duikt

#7: Context, correlatie & causaliteit

Tegelijkertijd is het zaak om de data en je bevindingen altijd in de juiste context te zien. Zonder context is data eigenlijk zo goed als waardeloos.

Een bekend voorbeeld hiervan is het bouncepercentage van een pagina. Hoe hoger het bouncepercentage, hoe meer mensen binnenkomen op een bepaalde pagina op je website om zonder een andere pagina te bezoeken weer te vertrekken. Dit kan in veel gevallen een slecht teken zijn, bijvoorbeeld dat je de content of laadtijd van je pagina zou moeten verbeteren. Of dat je die AdWords-campagne beter moet instellen, zodat je aan de verwachtingen van een bezoeker voldoet. Maar het kan ook zo zijn dat de bezoeker op zijn gemak een video van een uur zit te kijken of een blog leest en daarna tevreden het tabblad sluit.

Op zichzelf is een percentage slechts een statistiek. Maar in de context kan dezelfde statistiek tot een inzicht leiden. Let daarnaast ook op het verschil tussen correlatie en causaliteit. In sommige situaties zou je kunnen denken dat het ene fenomeen het andere veroorzaakt. Maar als twee fenomenen vaak samen optreden (correlatie), betekent dat niet per se dat het één het ander veroorzaakt (causaliteit).

Seasonality

Een extreem voorbeeld van seasonality in Google Trends (onderwerp: ‘vuurwerk’)

#8: Seasonality

Eén van de belangrijkste keuzes die je bij je analyse maakt is het afbakenen van de tijdsperiode waarover je meer informatie wilt krijgen. Als je hierbij geen rekening houdt met de seasonality die kenmerkend is voor jouw organisatie, trek je waarschijnlijk conclusies op basis van de verkeerde data.

Stel je voor dat je een webshop hebt in kleding en je ziet je conversieratio de laatste maanden stijgen. Je zou dan kunnen concluderen dat je investering in conversieoptimalisatie eindelijk vruchten begint af te werpen. Maar als je weet dat de conversieratio iedere zomer tijdelijk stijgt (vanwege de zomersale) en daarna weer een paar maanden daalt tot de kerst weer in zicht is, kun je de data die je voorgeschoteld krijgt waarschijnlijk beter plaatsen.

Daarom is het handig om een bepaalde tijdsperiode (bijvoorbeeld de maand juli) te vergelijken met dezelfde periode het jaar ervoor. Of nog beter: maak een forecast voor een heel jaar en zet de resultaten af tegen het target dat je voor deze periode hebt gesteld.

Data sampling

Wees bewust van data sampling in je (aangepaste) rapporten

#9: Sampling

In het screenshot hierboven zal de oplettende kijker zien dat de getoonde data slechts gebaseerd is op 3,32% van het totale aantal sessies. Dit fenomeen staat bekend als ‘data sampling’ en is afhankelijk van het aantal sessies dat je website voor zijn kiezen krijgt. Hoe ‘dieper’ je gaat graven in de data, hoe meer je data steekproefsgewijs tot stand komt. Dit geldt voor veel analysetools, waaronder Google Analytics.

Data sampling treedt in Google Analytics op als het aantal sessies in het gekozen tijdsvak groter is dan 500.000 sessies (op je hele property, dus niet alleen de dataweergave die je voor je hebt). Als je organisatie Analytics 360 (voorheen Premium) heeft, heb je de mogelijkheid om altijd een volledig rapport op te halen via de export-functie.

Data sampling is bedacht om op een statistisch verantwoorde wijze rekenkracht en tijd te besparen bij het opvragen van complexe datasets. Op zich hoeft sampling geen probleem te zijn, afhankelijk van het doel van je analyse. Heb je als doel om een bepaalde trend te signaleren en zie je een samplingpercentage van 75% in je scherm staan, dan kun je er van uitgaan dat je data redelijk nauwkeurig is.

Wil je echt segmenteren en tot de kern van een probleem doordringen, dan is het zaak om sampling zoveel mogelijk te vermijden (door in Analytics bijvoorbeeld de instelling ‘Slower response, greater precision’ te kiezen, onder je tijdsperiode). Of zorg dat je minder sessies tegelijk opvraagt bij je zoekopdracht, door je gekozen tijdsperiode zo te verkorten dat je binnen de limiet blijft. Werk je voor een grotere organisatie met meerdere websites, veel bezoekers en een ruim budget, dan is Analytics 360 zeker een aanrader.

Overigens, als je rapport gebaseerd is op 100% van alle sessies, betekent dit 100% van alle gemeten sessies. Er zijn altijd sessies die niet (goed) gemeten kunnen worden, omdat gebruikers incognito surfen of analysetrackers blokkeren.

Bereik statistiek en dimensie

Een voorbeeld van een ongeldige combinatie: de dimensie ‘Pagina’ met de statistiek ‘Gemiddelde sessieduur’

#10: Definities

Zorg dat je geen appels met peren vergelijkt. In analysetaal wordt hiermee bedoeld: niet iedere statistiek (altijd een getal of percentage, bijvoorbeeld ‘Sessies’ of ‘Conversieratio’) kan gecombineerd worden met iedere dimensie (altijd beschrijvend, bijvoorbeeld ‘Paginatitel’ of ‘Apparaatcategorie’).

Elke statistiek of dimensie heeft een eigen bereik, dat kan zijn op het niveau van een gebruiker, op het niveau van een sessie (van een gebruiker) of op het niveau van een hit (een onderdeel van een sessie van een gebruiker). Zo is het logisch om een dimensie als ‘paginatitel’ te combineren met statistieken op hitniveau zoals ‘paginaweergaven’ en niet met een statistiek als ‘gemiddelde sessieduur’ (sessieniveau).

Analysetools kunnen je van heel veel data voorzien, maar zijn niet altijd slim genoeg om je te waarschuwen voor verkeerde combinaties. Controleer daarom altijd even of je een geldige combinatie van statistieken en dimensies voor je hebt. En last but not least: zorg dat je de definities van dimensies en statistieken kent en dat je begrijpt hoe ze berekend worden. Zeker bij ‘calculated metrics’ als conversieratio en CTR. In Google Analytics kun je de definities vinden onder het vraagteken, bovenin de tabellen.

Aan de slag!

Let op: dit artikel is niet compleet. Je hebt hierboven bijvoorbeeld weinig of niets gelezen over conversie-attributie, significantie of forecasting. Daarover later misschien meer. Om datagedreven te werken is het vooral zaak dat je de kwaliteit van de data die tot je beschikking hebt leert beoordelen en dat je je bewust wordt (én blijft) van je eigen beperkingen en die van je organisatie. Pas dan kun je écht data driven aan de slag. Of zoals Johan Cruijff het zei: ‘Wie de minste fouten maakt, wint.’ Succes!