Julkaisimme syksyllä 2018 verkkokauppaa käsittelevän verkkolehden, ja tämä artikkeli on yksi viidestä verkkolehden artikkelista. Lue loput artikkelit maksuttomasta verkkolehdestämme. Annetaan nyt vuoro meidän Olegille:
Verkkokaupan todellinen kilpailuetu syntyy, kun analytiikan tuomaa dataa oppii tulkitsemaan, eikä vain lukemaan
Teen Google Analyticsin parissa päivittäin töitä, minkä takia olen päässyt perkaamaan lukuisien verkkokauppojen analytiikkaa.
Vaikka mittaaminen on viety digikanavissa todella pitkälle ja dataa kertyy kaikesta, mitä kävijä tekee verkkokaupassa, ei analytiikka itsessään ole mikään oikotie onneen. Data vie meitä optimitilanteessa oikeaan suuntaan ja helpottaa päätöksentekoamme, mutta yhtä lailla se voi viedä meitä väärään suuntaan ja altistaa kohtalokkaille virheille.
Kaikki riippuu kerätyn datan eheydestä. Luotettavaa dataa saadaan ainoastaan, kun analytiikassa ei ole teknisiä tai loogisia ongelmia. Lisäksi kerättyä dataa tulee tulkita oikein. Liian usein luvut otetaan vastaan sellaisenaan peilaamatta niitä asiakkaan ostopolkuun tai analytiikkatyökalujen toiminnan rajoituksiin.
”Data johdattaa meitä optimitilanteessa oikeaan suuntaan ja helpottaa päätöksentekoamme, mutta yhtä lailla se voi viedä meitä väärään suuntaan ja altistaa näin kohtalokkaille virheille.”
Jos riviin laitetaan kymmenen verkkokauppaa, niin yhdeksän analytiikassa on puutteita. Silloin analytiikka syöttää ulos väärää dataa, jonka pohjalta tehdään vääriä tulkintoja. Väärät tulkinnat puolestaan johtavat vääränlaisiin johtopäätöksiin esimerkiksi markkinoinnin suhteen.
Teknisistä virheistä ehkä yleisin on suuri määrä tunnistamatonta tai suora-kanavan alle menevää liikennettä. Kaikki omille sivuille vievät linkit on hyvä merkitä ns. UTM-kampanjaparametreillä, jotta eri kampanjoiden tuloksia voidaan tarkkailla omina kokonaisuuksinaan.
Toinen yleinen ongelma on istunnon katkeaminen sivulla etenemisen tai maksuportaaliin siirtymisen seurauksena, mikä muuttaa lähes kaikissa raporteissa istunnon tulotavan sisäiseksi viittaukseksi. Viimeiseen klikkaukseen pitkälle kaiken painottava analytiikka ei näin annakaan kunniaa sille kanavalle, joka toi ostavan asiakkaan verkkokauppaan. Näin myös kävijän kulku -raportti pirstoutuu täysin käyttämättömäksi.
Kun syntynyt kauppa kirjautuu tunnistamattoman suoran liikenteen alle, niin todellinen liikenteen lähde näyttää analytiikassa heikosti toimivalta kanavalta, vaikka todellisuudessa se toi kaupan. Alkuperäisen asiakkaan tuoneen kanavan hukkuessa, mainosbudjetti allokoidaan usein väärin.
Asiakkaan ostopolun hahmottaminen on edellytys datan oikeille tulkinnoille
Verkkokauppiaan tulee tuntea asiakkaan ostopolku, koska oikeanlaisten markkinointitoimenpiteiden lisäksi se helpottaa datan tulkintaa. Ostaako asiakas heti, kun hän saapuu verkkosivuille, vai onko välissä useita eri kosketuspintoja eri laitteilla ja mainosalustoilla?
Liian usein eletään viimeisen klikkauksen maailmassa, sillä näin on tehty aina. Tämä johtaa siihen, että perusraporteissa mainosbudjetin ROI näyttäytyy vääristyneenä, koska myynti kirjautuu pääasiassa joko suoran liikenteen tai orgaanisen ja maksetun brändihaun alle.
Nämä ovat tyypillisesti ostopolun viimeisiä vaiheita, joissa ihminen tuntee jo yrityksen ja on aikeissa muutenkin ostaa, eli varsinaista ”työtä” ei markkinoinnin enää tarvitse tällaisen kävijän eteen tehdä.
”Mitä monimutkaisempi asiakkaan ostopolku on, sitä vääristyneemmäksi kuva markkinoinnin tehokkuudesta muodostuu, jos katsotaan pelkkää last clickia.”
Vastaavasti ylempänä myyntisuppilossa olevat kanavat, kuten display-mainonta tai prospektoivat avainsanat maksetussa mainonnassa näyttäytyvät viimeisen klikkauksen mallilla tarkastellessa kannattavuudeltaan heikoilta. Analytiikan toimiessa oikein saadaan attribuutiotyökalun avulla myös ns. avustetut konversiot kiinni. Näin huomataan, että displaylla onkin osuutensa osassa syntyneistä kaupoista.
On siis tärkeä tunnistaa ja erottaa ”klousaavat” ja ”prospektoivat” kanavat ja tulkita niiden tehoja erillään toisistaan.
Tämän lisäksi on tärkeää segmentoida kukin tulokanava vielä tarkemmin ns. ”kylmiin” ja ”lämpimiin” kävijöihin. Display- ja FB-mainonta voivat kohdistustavasta riippuen näkyä joko täysin uusille ihmisille tai sellaisille, jotka ovat esim. lisänneet jo kauppasi ostoskoriin tavaraa. Nämä kaksi ryhmää ovat odotetulta käyttäytymiseltään kuin yö ja päivä, eikä niitä pitäisi analysoida samana joukkona. Sama pätee orgaanisen ja maksetun haun brändi-/ei-brändi-avainsanojen suhteen.
Google Analyticsia käyttäessä on hyvä muistaa, että sen juuret ovat 2000-luvun alussa. Evästepohjainen seuranta toimi hyvin, kun suurin osa liikenteestä tuli pöytäkoneilta, eikä sama käyttäjä useinkaan vaihtanut laitetta ostopolkunsa aikana. Nyt meillä on puhelimet ja tabletit, jolloin sama henkilö saattaa näyttäytyä Analyticsissa kolmena eri käyttäjänä. Laitteiden välinen kävijäseuranta on vasta alkutekijöissään, joskin Facebookin käyttäjäpohjaisen analytiikan kehitys kirittää myös Googlen kehitystyötä.
Tällä hetkellä täytyy vain ottaa huomioon, ettei data ole täydellistä ja seurata ennemmin trendejä. Luvuista ei silti tarvitse masentua, sillä analytiikan tieto on aina pessimistin arvio. Jos analytiikkaraportti kertoo, että 10 000 € sijoituksella on tullut 30 000 € takaisin, todellisuus on yleensä suurempi, sillä osa mainoskuluista ei tule koskaan kohdistumaan tuottoon oikein.
Suosittelenkin käyttämään Google Adsin ja Facebookin omia konversiokoodeja mainonnan optimoinnissa. Niiden avulla oston pystyy yhdistämään maksettuun klikkaukseen paremmin ja välittämättä istunnoista tai laitteista. Nämä kuitenkin maalaavat joskus liiankin ruusuisen kuvan mainonnan tehoista, joten tarkkana pitää olla niissäkin.
Attribuutio on konversion kunnian jakamista kaikkien sen syntyyn osallistuneiden kosketuspintojen välillä
Sivusin attribuutiomallia jo aiemmin, joten syvennytään siihen hieman lisää.
Kuvitellaan, että henkilö tekee haun sanalla ”uusi televisio” ja päätyy sivuillesi hakusanamainonnan kautta. Hän löytää kiinnostavan tuotteen ja poistuu lukemaan arvosteluita. Sen jälkeen hän hakee tarkemmin kyseistä televisiomallia Googlesta ja päätyy orgaanisen haun kautta sivuillesi, mutta ei osta vieläkään. Tämän jälkeen henkilö näkee mainoksesi Facebookissa re-marketingin ansiosta, tulee sivuillesi ja ostaa.
Analytiikka antaa viimeisen klikin mallilla kaiken kunnian kaupan syntymisestä Facebookille, mutta oliko kauppa todellisuudessa Facebookin ansiota? Ensimmäinen haku on ollut avainsanalla, joka laajan luonteensa vuoksi on kallis ja heikosti kannattava muutenkin. Mikäli se ei saa tällaisen polun jälkeen mitään kunniaa, on todennäköistä, ettei sillä jatkossa mainosteta. Mutta olisiko kävijä ostanut juuri sinun kaupastasi, jos viimeistäkään mainosta ei olisi ikinä ilmaantunut?
Tämän käyttäytymisen tiedostaminen on tärkeää juurikin siksi, ettei vahingossa katkaise hyvin toimivaa yhdistelmää. Google Analytics tarjoaa attribuutiotyökalun juuri tällaisten tilanteiden varalle.
Käytän itse yleensä kolmea mallia, joilla arvioin kunkin kanavan toimivuutta: 1) Ensimmäisen vuorovaikutuksen malli, jossa 100 % kunniasta annetaan kanavalle, joka toi asiakkaan ensimmäistä kertaa sivuille. 2) Viimeinen mainosklikki ennen konversiota (100% kunniasta mainonnalle). 3) Viimeinen epäsuora, joka on Google Analyticsin ”normaali” malli. Näiden välissä on keskitie, joka auttaa arvioimaan kunkin kanavan roolia ja kannattavuutta ostopolussa.
Elinkaariarvo mahdollistaa strategiset päätökset
Markkinointiin tai yksittäiseen kanavaan voi satsata enemmän, kun tietää asiakkuuden elinkaariarvon, eikä mieti yksittäisen tilauksen kannattavuutta. Digitaalisen markkinoinnin alustoilla kilpailu, ja näin myös kustannukset, kasvavat jatkuvasti. Esim. Googlen hakutulossivun yläosan mainospaikkoja on kiinteät neljä, mutta tulijoita on koko ajan enemmän, mikä huutokauppamekanismin myötä nostaa kaikkien osallistujien kustannuksia.
Mitä enemmän klikkauksesta joutuu maksamaan, sitä heikommaksi kannattavuus muuttuu, ellei pysty arvioimaan, minkä verran liikevaihtoa yksi uusi asiakas tuo tulevaisuudessa.
Kun tietää asiakkaidensa keskimääräisen elinkaariarvon, voi uuden asiakkaan hankinnasta maksaa enemmän kuin katsomalla pelkkää yksittäisen tilauksen hankintakustannusta. Jos tätä ei tiedä, niin helposti asetetaan liian tiukat tulos-/kannattavuustavoitteet, jolloin mainostetaan vähemmän, kauppaa menetetään ja kasvu hidastuu.
Asiakkaan elinkaariarvon mittaaminen on tästä syystä todella tärkeää ja se mahdollistaa strategisia päätöksiä, joita ei olisi aiemmin voitu tehdä.
Muita analytiikan hyödyntämistapoja verkkokaupassa on esim. tuotesivujen analyysi. Verkkokaupassa on aina 20/80 -periaatteella tuotteita, jotka tuovat suurimman osan liikevaihdosta. Muiden tuotteiden kohdalla kannattaa seurata liikevaihdon lisäksi tuotekatselujen suhdetta toteutuneisiin kauppoihin. Sieltä saattaa löytyä tuotteita, jotka saavat vähän liikennettä, mutta jotka kääntyvät kolme kertaa tehokkaammin kaupaksi silloin, kun niille saapuu liikennettä. Kokeile ajaa näihin lisää liikennettä ja tulokset voivat yllättää.
Toinen nopea vinkki on sisäisen haun analysointi. Jos asiakkaasi etsivät toistuvasti verkkokaupastasi jotain tuotetta, jota et tarjoa, niin kokeile nostaa tuote valikoimaasi. Vastaavasti jos he hakevat jotain myymääsi tuotetta usein, kannattaa tarkistaa, miten tuote löytyy hakukonemarkkinoinnissasi orgaanisesti tai maksetulla haulla.
Hakusanamainonnalla on nopea kokeilla, miten kauppa lähtee kehittymään kasvaneen näkyvyyden ansiosta, jonka tulosten perusteella voi panostaa esimerkiksi hakukoneoptimointiin. Kannattaa myös tarkistaa, mitä tuotesuosituksia näytät tuottavimman tuotehaun yhteydessä ja verrata oman tilausdatan ”myydään yhdessä” -tietoon. Keskiostoksen nosto on aina hyvä asia.
Verkkokauppiaan tulee olla varma, että data kerätään oikein. Tämä edellyttää sitä, että niin tekniikka, logiikka kuin päivittäinen tekeminen organisaatiossa ottaa nämä edellytykset huomioon. Kun luet analytiikkaraportteja, kannattaa tiedostaa evästepohjaisen tiedon rajat. Pidä myös mielessä jokaisen mainoskanavan rooli asiakkaan ostopolussa ja arvioi kanavan tulos/panos -suhdetta vasta sen pohjalta.
Luvut kertovat totuuden, mutta vain siltä osin, miten olet niitä mitannut. Siksi lukuja pitää tulkita, ei lukea.
