W jaki sposób powinno się najskuteczniej promować markę w internecie? Po co zbierać i analizować dane? A także jakie błędy popełniamy najczęściej podczas analizy? Na te i inne pytania odpowiada Mateusz Muryjas.

Na co szczególnie należy zwracać uwagę przy promowaniu marki w sieci?

Mateusz Muryjas: Mówiąc o rzeczach “miękkich” – na autentyczność i spójność w działaniach oraz wartość, którą chcemy przekazać odbiorcy. Marzy mi się, żeby marki (zarówno te komercyjne, jak i osobiste) mówiły mniej o sobie, rzadziej używając “ja”, a częściej słuchały i dawały realną wartość odbiorcom, do których kierują swój przekaz, mówiąc i myśląc “Ty”.  

W “twardych” kwestiach, które są mi o wiele bliższe, zwróciłbym uwagę na mierzenie i analizowanie efektów działań, które podejmujemy w ramach promocji marki w sieci. Każda aktywność, na którą poświęcamy czas lub pieniądze powinna mieć swój cel i oczekiwany, mierzalny efekt. Na koniec dnia, tygodnia i miesiąca powinniśmy umieć obliczyć zwrot z inwestycji, czymkolwiek ona nie będzie – naszym czasem, budżetem reklamowym czy zaangażowaniem się w jakąś inicjatywę. Policzalność i mierzalność działań pozwala nam z pomocą Excela lepiej zaplanować czas, koszty i spodziewane efekty, a także nakreślić nie tylko cel, ale i ścieżkę dojścia do jego realizacji.  

Czy coraz więcej marek ma świadomość konieczności zbierania danych, analizowania ich i wyciągania na ich podstawie wniosków? Dlaczego tak należy robić?

Mateusz Muryjas: Zagadnienia związane z analizą danych niewątpliwie zyskują na popularności, ale bardzo często mogą prowadzić do rozczarowania stwierdzeniem “to zależy”. Zbyt często oczekujemy gotowej, jednoznacznej odpowiedzi na zadane pytanie – zastanawiamy się, która kampania jest najskuteczniejsza, czy powinniśmy zwiększyć budżet na wybrane działania lub czy zmiana strategii ustalania stawek za kliknięcie przyniesie określony rezultat. Świat analizy danych rzadko kiedy jest binarny, zero-jedynkowy. 

Kampania może nie wyglądać na skuteczną w Google Analytics, ale jej wpływ na świadomość marki, którego nie możemy zmierzyć wprost, może przyczyniać się do ruchu i konwersji na stronie. Inna kampania może wykazywać wiele konwersji, ale z uwagi na swoje ustawienia – na przykład kierowanie na brand lub remarketing – jej rzeczywisty wpływ na sprzedaż wcale nie musi być aż tak duży, jak nam się wydaje, patrząc przez pryzmat analizowanych danych. 

Wbrew pozorom analityka to dość trudne i złożone zagadnienie – z mojego doświadczenia wynika, że jeśli jakiś wniosek przychodzi nam do głowy “szybko, łatwo i przyjemnie”, to stoi za nim jakieś drugie dno, którego nie dostrzegamy. W ciągłej pracy z danymi, polegającej na wyciąganiu wniosków, weryfikacji założeń, hipotez tworzonych na podstawie naszych przekonań, najistotniejszym elementem jest doświadczenie – to dzięki niemu potrafimy widzieć świat nie tylko czarnym i białym, ale też szarym. 

Dziś zbieranie danych i wykorzystywanie ich do rozwoju biznesu jest standardem podobnym do posiadania strony internetowej, dostosowanej do urządzeń mobilnych czy profilu w social mediach. Ten, kto ma dane i potrafi je wykorzystać w odpowiedni sposób, buduje swoją wartość i przewagę nad konkurencją oraz rozwija biznes opierając go o twarde fakty, a nie własne przekonania. 

Czy można mówić o trendach w analizie danych? Czy często się one zmieniają, aktualizują, dezaktualizują?

Mateusz Muryjas: Wiedzę analityczną możemy podzielić na dwie kategorie: fundamenty (podstawowe zagadnienia, które pozostają niezmienne od lat) oraz nowości i trendy (dotyczące najczęściej aktualizacji lub kolejnych funkcjonalności pojawiających się w dostępnych na rynku narzędziach). Myślę, że często przykładamy zbyt dużą uwagę do narzędzi i szukamy drogi na skróty, prowadzącej przez gotowe wtyczki i rozwiązania analityczne, czy też uczymy się korzystać z narzędzi (gdzie kliknąć, żeby coś zrobić), zamiast zrozumieć dokładnie ich działanie. 

Fundamenty analityki pozostają niezmienne – składają się na nie umiejętności matematyczne (statystyka, rachunek prawdopodobieństwa), zdolność logicznego myślenia i “łączenia kropek”, wnioskowania, biorąc pod uwagę wszystkie dane, kwestionowania statusu quo, stawiania pytań (hipotez) i szukania na nie odpowiedzi. W przypadku danych internetowych dochodzi do tego znajomość narzędzi (takich jak Google Analytics, Facebook Analytics, piksel Facebooka czy Hotjar), na którą składa się nie tylko obsługa interfejsu, ale również wiedza o sposobie ich działania. Pozwalająca ona rozwiązywać bardziej złożone zagadnienia, identyfikować błędy czy samodzielnie tworzyć wdrożenia dopasowane do projektów, w które jesteśmy zaangażowani. Jeśli kierujemy naszą ścieżkę zawodową w obszary związane z data science, niezbędna będzie umiejętność programowania (np. w języku R lub w Pythonie), znajomość relacyjnych i nierelacyjnych baz danych oraz podstawy sztucznej inteligencji i uczenia maszynowego. Wiele z tych rzeczy ewoluuje rok do roku, ale jest to bardziej ewolucja, a nie rewolucja w swoim działaniu. 

W przypadku trendów i nowości powinniśmy trzymać rękę na pulsie i znać funkcjonalności oraz możliwości, jakie są wprowadzane w narzędziach. Ważną umiejętnością jest również weryfikacja sposobu działania różnorodnych inteligentnych systemów i rozwiązań, które często potrzebują dużych ilości danych do nauki i poprawnego działania – osobiście lekko sceptycznie podchodzę do wszelkiej maści nowości, co do których nie wiem, jakie algorytmy, działania czy mechanizmy kryją się pod spodem. Warto umieć odróżnić ziarno od plew, co w naszej branży przekłada się na odróżnienie marketingowych opisów narzędzi od realnego mechanizmu działania, stojącego za danym rozwiązaniem.

Jakie są najczęstsze błędy podczas analizowania danych, czy to w Facebook Ads czy Google Ads?

Mateusz Muryjas: Praca z danymi zawsze niesie za sobą wiele wyzwań. Jeśli popatrzymy na codzienną pracę analityka danych, możemy wyróżnić trzy główne obszary, którymi się zajmuje:

• konfiguracja narzędzi analitycznych, czyli wszystkie działania związane ze zbieraniem poprawnych i wartościowych danych,
• analiza danych, polegająca na przetwarzaniu zebranych wcześniej danych i wyciąganiu wniosków bądź rekomendacji do dalszych działań,
• raportowanie i wizualizowanie danych, polegające na przedstawieniu wniosków, analiz i obserwacji w przystępnej dla odbiorcy formie.

O błędach w analizowaniu danych możemy mówić na każdym z tych etapów. W przypadku pierwszego etapu możemy pracować na niepoprawnej konfiguracji narzędzi lub nie zbierać wartościowych danych – to najgorszy z możliwych błędów, bo rzutuje na pozostałe kroki. Jeżeli zbieramy niewłaściwe i nieprawidłowe dane, które nie są zgodne z rzeczywistością (na przykład niepoprawnie przypisujemy transakcję do źródła sesji w Google Analytics), to wszystkie dalsze analizy będą bezwartościowe – to jakby udać się do lekarza i zabrać ze sobą nie swoje badania. 

Warto też pamiętać, że możemy zbierać dane poprawnie (na przykład informacje o ruchu na stronie), ale mogą nie być one wartościowe. Jeśli sprzedajemy przez internet, to analiza ruchu na stronie czy urządzeń, z jakich użytkownicy odwiedzali witrynę, nie daje nam tak wartościowych informacji, jak np. dane o sprzedaży, czy skuteczności poszczególnych kampanii reklamowych.

Kolejne możliwe do popełnienia błędy czekają na nas na etapie analizy danych. W przypadku analizy tych z Google Ads i Facebook Ads, często popełniane błędy to:

• porównywanie wyników w Google Analytics (GA) i pikselu Facebooka w sytuacji, w której każde z narzędzi działa w innym modelu atrybucji,
• brak odpowiedniego tagowania działań reklamowych na Facebooku parametrami UTM i problemy z identyfikacją ruchu w GA,
• analiza danych przez pryzmat ruchu (ilości sesji lub użytkowników), a nie przez współczynnik mikro- i makrokonwersji,
• formułowanie wniosków dotyczących ruchu na stronie opierając się o samodzielnie kierowany i sterowany ruch z kampanii (np. analizę kategorii urządzeń na stronie poprzedza uruchomienie kampanii kierowanej tylko na urządzenia mobilne, która stanowi znaczny % ruchu – formułujemy wniosek, dla którego sami wcześniej stworzyliśmy założenia).

Finalnie, błędy pojawiają się też na etapie raportowania. Najczęstsze z nich to brak znajomości odbiorcy, do którego kierujemy raport (używanie w komunikacji niezrozumiałych słów, np. mówienie o atrybucji osobie, która nie wie czym ona jest) lub przekazywanie informacji, które nie są kluczowe (np. referowanie struktury kampanii i podziału grup reklam na spotkaniu zarządu firmy, dla którego kluczową informacją są koszty kampanii, przychód i zwrot z inwestycji). 

Tworząc raport, warto również pamiętać o zagadnieniach wizualizacji danych – wartość merytoryczna powinna iść w parze z estetyką i prezentacją danych w czytelny sposób. W przypadku kampanii Google Ads czy Facebook Ads o wiele lepiej zostanie przyjęty raport w Google Data Studio prezentujący jej wyniki, niż zrzut surowych danych w Excelu lub PDF.

Jak skutecznie wykorzystywać marketing automation w codziennej pracy? Twoje 5 wskazówek.

Mateusz Muryjas: Poza raportowaniem i analizą danych musimy pamiętać, że analityka (rozumiana jako koszt narzędzi lub koszt zatrudnienia osoby albo zewnętrznego specjalisty) jest dla nas inwestycją, która powinna przełożyć się na wzrost przychodów. Mam tutaj na myśli pojęcie aktywacji danych, czyli wykorzystania zebranych danych, a także przetworzonych informacji, stworzonych wniosków i zebranej wiedzy – do poprawy efektywności naszych działań marketingowych i sprzedażowych.  

Marketing automation jest jednym z takich przykładów – moje 5 ulubionych funkcjonalności narzędzi tego typu to:

1. scoring (ocena) klientów, w ramach której możemy wyróżnić bardziej i mniej wartościowych użytkowników i klientów na stronie WWW, skupiając priorytety na grupie, która jest dla nas najbardziej atrakcyjna,
2. segmentacja danych polegająca np. na segmentacji użytkowników (klientów, leadów) i prowadzeniu różnych ścieżek lejka sprzedażowego dla każdego z segmentów (subskrypcja newslettera A powoduje wysłanie lead magnet B),
3. lead nurturing pozwalający na przesuwanie użytkownika do kolejnych etapów lejka zakupowego (np. zapis na newsletter → obecność na webinarze → zakup kursu on line, realizowane przez sekwencję maili),
4. personalizacja treści realizowana poprzez dopasowanie treści na stronie lub w komunikacji (od prostych przykładów opartych na segmentach do złożonych algorytmów personalizacji, z których korzystają Netflix czy Spotify),
5. silniki rekomendacji bazujące na analizie koszykowej, które w czasie rzeczywistym pomagają w procesach up-sell i cross-sell podpowiadając komplementarne produkty użytkownikom realizującym transakcje w internecie.

O ekspercie:

Mateusz Muryjas – Digital Analytics Consultant, Analityczny.
Doświadczony analityk, strateg i szkoleniowiec. Pomaga firmom rozwiązywać problemy z analityką internetową i optymalizacją konwersji. Pasjonat wizualizacji danych. Uwielbia opowiadać prostym językiem o złożonych zagadnieniach. Za swoich zawodowych przyjaciół uważa Google Analytics i Google Data Studio.