Vietämme Cyberclickissä elämämme korostamalla data-analytiikan merkitys saapuvassa markkinoinnissa .
Uskomme, että on olennaista pystyä mittaamaan kaikissa kampanjoissamme tapahtuvaa tapahtumaa ja että tämän mittaamisen tulisi olla alusta alkaen tehdyn strategian ja päätösten takana. osta youtube-näkymiä
Tietojen kerääminen ilman riimejä tai syytä ei myöskään ole hyödyllistä. Tänään voimme mitata melkein kaiken, mutta se ei tarkoita, että kaikki kiinnostaa meitä. Meidän on vältettävä joutumista "halvaantumiseen analyysin avulla" ja keskityttävä tärkeimpien tietojen hankkimiseen ja soveltamiseen strategiassamme.
Siksi tässä artikkelissa näemme miksi data-analytiikka on tärkeää saapuvassa markkinoinnissa , mitä mittareita meidän pitäisi analysoida ja miten se voidaan tehdä tehokkaasti. Aloitamme!
Miksi tarvitsemme data-analytiikkaa tulevassa markkinoinnissamme?
- Hyödyntääksesi paremmin sijoitusta . Jos mitataan kampanjoidemme tulokset tarkasti, voimme tietää, mihin rahaa käytetään ja saammeko takaisin investoinnit vai ei. Voimme myös selvittää, mitkä toimet ovat tehokkaimpia ja mitkä eivät ole kannattavia. Siksi mukautamme budjettiamme asteittain ja tulemme yhä kannattavammiksi.
- Tunnemme todella potentiaaliset asiakkaamme . Saapuvan markkinoinnin maailmassa luomme useita kertoja kampanjoita, jotka perustuvat ostajahenkilöihin, hyviin käytäntöihin, intuitioihin ... mutta ennen kuin aloitamme ne, emme voi todella tietää, mikä toimii ja mikä ei. Emme kuitenkaan näe käyttäjien reaktioita, ja usein heidän palautteensa rajoittuu muutamaan kommenttiin. Siksi tapa todella kommunikoida heidän kanssaan, tietää mitä he pitävät ja mitä eivät, on analysoida heidän käyttäytymistään koskevia tietoja.
- Jatkuvasti parantaaksemme kampanjamme . Jatkuva parantaminen ja oppiminen (vastaavalla virheannoksella!) On yksi mahdollisuuksista edistää saapuvaa markkinointia. Ohjattujen kokeiden ja metristen analyysien avulla voimme nähdä, mikä taktiikka toimii parhaiten jokaisen kohteen kanssa, ja mukauttaa kampanjoitamme niiden sisällyttämiseksi.
- Virheiden havaitsemiseksi . Vaikka noudatamme parhaita käytäntöjä verkkosivustoamme ja muita verkkomarkkinointimateriaaleja luodessamme, on aina asioita, jotka välttävät meitä: hieman optimoitu muoto, video, jonka lataaminen vie aikaa, painike, joka ei toimi hyvin matkapuhelimesta ... Kun aloitamme data-analytiikassa usein käy niin, että näemme selvästi, että sivu ei toimi niin hyvin kuin sen pitäisi. Sieltä voimme analysoida mitä tapahtuu ja korjata virhe, joka vaikuttaa negatiivisesti tuloksiin.
- Kommunikoida asiakkaiden, pomojen ja kollegoiden kanssa . Säännöllisten data-analyysiraporttien saaminen on erittäin arvokas työkalu raportoimaan kampanjoissamme tapahtuvaa. Siksi meidän on paljon helpompaa selittää asiakkaalle, mihin budjetti todellisuudessa on tarkoitettu, päättää pomon kanssa seuraavista vaiheista tai kommentoida muiden osastojen kollegoille mitä tarvitsemme heiltä.
Mittaamiseen tarvittavat saapuvat markkinointitiedot
Kuten tiedät, saapuvat markkinointikampanjat jaetaan yleensä kolmeen vaiheeseen: TOFU tai suppilon yläosa, MOFU tai suppilon keskiosa ja BOFU tai suppilon alaosa. Jokaisella niistä on joukko liitettyjä mittareita, jotka auttavat meitä tietämään, mitä tapahtuu. Katsotaanpa, mitkä ovat tärkeimmät kussakin vaiheessa.
TOFU-vaihe
Vaiheessa käyttäjä on prosessin alkuvaiheessa: hän on juuri tunnustanut olevansa tarpeen ja aikoo etsiä ratkaisuja.
- : mikä tahansa saapuva markkinointistrategia perustuu käyttäjien saamiseen vierailemaan verkkosivustollamme. Mutta käyntien raaka määrä on vain osa tarinaa. Jotta voisimme todella ymmärtää verkkoliikennettä, meidän on analysoitava istuntojen lukumäärä, yksilölliset käyttäjät, sivunäkymät, istuntojen kesto, palautuminen… Kaikki tämä auttaa meitä ymmärtämään, miten kävijät käyttäytyvät verkkosivustollamme ja jos meidän on ryhtyä toimenpiteisiin vierailujen laadun parantamiseksi.sosiaalisissa verkostoissa : Vaikka sosiaalisten verkostojen sitoutumistietoja ei ole helppo linkittää liiketoiminnan tuloksiin, se ei tarkoita, että meidän on unohdettava ne. Sosiaalinen media on loistava kanava sisällön jakamiseen ja uusien käyttäjien houkuttelemiseen, ja heidän terveydentilaansa nähdään näyttökerroilla, napsautuksilla ja käyttäjien reaktioilla.
- Saapuvat linkit : tämä on toinen “toissijainen” mittari, mutta tärkeä arvioidaksemme SEO: n tuloksia saapuvassa markkinoinnissa. Saapuvat linkit houkuttelevat paitsi kävijöitä, jotka napsauttavat niitä, mutta ovat kuin muiden verkkosivustojen luottamushenkilöiden äänestys, joka auttaa meitä parantamaan orgaanista sijaintia Googlessa.
- Liikenteen muuntaminen johtaaiksi : kun käyttäjä jättää meille tietonsa, siitä tulee liideri ja hän siirtyy konversiosuppilon seuraaviin vaiheisiin. Itse asiassa voimme sanoa, että saapuvien markkinointistrategioiden verkkosivustojen päätavoitteena on tuottaa liidejä. Kaikki liidit eivät kuitenkaan ole samat: meidän on erotettava toisistaan lyijyt, jotka voimme hylätä, ne, jotka ovat kelvollisia markkinointiin, ja ne, jotka ovat kelvollisia myyntiin.
Vaihe MOFU
Täällä käyttäjä harkitsee erilaisia tapoja ratkaista tarpeensa, muun muassa brändimme.
- Johtojen laatu- ja muuntamissuhteet : tässä tutkitaan yksityiskohtaisesti, mikä on kunkin tyyppisten johtimien osuus ja ennen kaikkea miten ne etenevät tilasta toiseen. Eli kuinka moni käyttäjistä, jotka jättävät meille tietonsa, tulevat päteviksi kontakteiksi markkinoinnissa ja kuinka moni näistä tulee päteviä kontakteja samanaikaisesti, niin että myyntitiimi alkaa työskennellä heidän kanssaan. Siksi etenemme vaiheittain konversiosuppilossa, kunnes käyttäjät ovat valmiita ostamaan.
- Sähköpostimarkkinointitiedot . Sähköpostimarkkinoinnissa on monia erityyppisiä kampanjoita, joista jokaisella on omat mittarinsa ja erilaiset roolit konversiosuppilossa. Mutta olen päättänyt sijoittaa sähköpostimarkkinoinnin MOFU-vaiheeseen, koska sillä on suuri merkitys johtavissa hoitotyön strategioissa. Lähettämällä säännöllisiä julkaisuja kontaktipohjalle voimme muuttaa liidit päteviksi liideiksi markkinointia ja myyntiä varten ja ohjata heitä muuntamisen polulle. Jos tämä prosessi ei toimi niin kuin pitäisi, on ehkä aika tarkastella segmentointistrategiaamme.
BOFU-vaihe
Lopuksi meillä on vaihe, jossa käyttäjä on valmis ostamaan
- Hankintamenot : Kun olemme saaneet käyttäjän tulemaan asiakkaaksi, voimme tietää kustannukset. Tätä varten jaamme kampanjan investoinnin saatujen asiakkaiden lukumäärän välillä. Hankintakohtainen hinta on yksi markkinointimme kannattavuuden tärkeimmistä mittareista, joten on suositeltavaa olla aina tietoinen ja etsiä tapoja tehdä siitä mahdollisimman alhainen.
- Myynnin kasvu : tässä mitataan, onko saavutettu kaikkien tuotemerkkien tähtitavoite, eli "myydä enemmän". Hyvän data-analyysistrategian avulla voimme nähdä asiakkaan koko matkan ensimmäisestä yhteydenotosta myyntiin ja tietää, edistävätkö digitaaliset markkinointikampanjamme todella myynnin kasvua .: hyvin linkitetty kahteen edelliseen, tämä on mittari, joka kertoo meille, jos olemme onnistuneet saamaan takaisin sijoitetun budjetin. Täältä löydät paljon hyödyllistä tietoa, joka analysoi kunkin kanavan tai jopa jokaisen mainoksen sijoitetun pääoman tuottoprosentin, jotta voimme nähdä, mitkä toimivat paremmin, ja jakaa budjettimme uudelleen tulosten perusteella.
- Asiakkaan eliniän arvo : tämä on mittari, joka kertoo meille, onko uusien asiakkaiden hankkiminen "kallista" vai "halpaa", koska se kertoo meille, kuinka paljon ansaitsemme keskimäärin kullekin asiakkaalle. Sen laskemiseksi meidän on tiedettävä ostoksen keskimääräinen määrä ja kuinka monta kertaa käyttäjä ostaa ollessaan tuotemerkin asiakas.
Kuinka soveltaa data-analytiikkaa saapuvaan markkinointiin vaihe vaiheelta
Edellisessä osassa olemme nähneet paljon mittareita, joista voi olla hyötyä mittaamaan saapuvan markkinoinnin tuloksia, mutta meillä ei ole kehystä, jossa niitä soveltaa tulostemme parantamiseen. Katsotaan siis yksinkertainen vaiheittainen menetelmä kampanjoidemme parantamiseksi data-analytiikan avulla.
1) Määritä ongelma
Ensinnäkin sinun on tiedettävä mitä haluat saavuttaa tai minkä ongelman sinun täytyy ratkaista . Vasta sitten voit tietää mitä tietoja todella tarvitset ja missä tilanteessa sinun on analysoitava ne. Jos mitat väärät tiedot tai tulkitset ne väärin, tulet tekemään vääriä johtopäätöksiä ja poikkeamaan seurattavalta polulta.
Siksi kysy itseltäsi, mitä haluat saavuttaa. Se voi olla yleinen ongelma, mutta sinun on pystyttävä yhdistämään se tiettyyn KPI: hen, kuten viittauksiin, myyntiin tai muuntokurssiin.
Esimerkiksi: "Luulen, että verkkosivustoni ei anna tuloksia, joiden pitäisi olla, ja haluaisin saada enemmän viitteitä sen kanssa".
2) Aseta tavoitteet datan perusteella
Nyt kun olet selvillä ongelmasta ja siitä, mitä haluat saavuttaa, tarvitset konkreettinen ja mitattavissa oleva tavoite selvittääksesi saitko sen vai et. Tavoitteet ja vertailut (esimerkiksi keskimääräinen tulosprosentti viittauksiksi toimialallasi tai aiemmissa kampanjoissasi) antavat tiedoille kontekstin ja auttavat meitä tulkitsemaan niitä.
Voimme asettaa tavoitteita virhemarginaalin sisällä, esimerkiksi merkitä meille ensimmäinen tavoite kohtuuhintaiseksi, yksi kunnianhimoisempi ja kolmas, joka olisi ihanteellinen tilanne. Käyttämällä näitä lukuja viitteenä tiedämme, mitä ja kuinka paljon meidän on parannettava.
Yllä olevan esimerkin mukaisesti voimme analysoida tietoja. Siten näemme, että yksi niistä houkuttelee paljon liikennettä, mutta muuntosuhde on vain 1%. Verrattuna muuhun sivustoon näemme, että verkkosivustomme paras aloitussivu saavuttaa 5% tuloksia, joten päätimme keskittyä parantamaan kyseisen aloitussivun suhdetta verkkoliikenteen sijasta yleensä. Näiden lukujen perusteella voimme asettaa vähimmäistavoitteen kaksinkertaistaa muuntosuhde 2 prosenttiin ja ihanteellinen tavoite saavuttaa 6 prosenttia.
3) Kerää tietoja
Tässä vaiheessa tarkkuus on perustavanlaatuista. Oikean johtopäätöksen tekemiseksi ja tarvittavien toimenpiteiden toteuttamiseksi tietojen analysointityökalujemme on oltava luotettavia ja annettava meille tiedot helposti tulkittavassa muodossa.
Tätä varten meidän on työskenneltävä käsi kädessä tietokonelaitteiden kanssa varmistaaksemme, että olemme asentaneet kaikki laajennukset, pikselit, seurantakoodit ja muut työkalut. Meillä on myös oltava analyysialusta (kuten Google Analytics), jonka avulla voimme analysoida saamiamme tietoja.
4) Tee tietoon perustuvia päätöksiä
Kerättyjen tietojen perusteella on aika alkaa muutoksia . Tehokkain tapa työskennellä on muotoilla hypoteeseja ja tehdä kokeita käyttäen A / B- tai monimuuttujatestit .
Voimme esimerkiksi ajatella, että esimerkkimme aloitussivu muuntuu paremmin, jos sillä on lyhyempi muoto ja selittävä video tuotteesta. Jos haluat nähdä, onko tämä totta, testataan muutokset yksitellen A / B-testeillä.
Ensimmäisessä testissä käynnistämme version laskeutumisesta lyhennetyllä muodolla ja toisessa ylläpidämme alkuperäistä, ohjaamalla puolet liikenteestä kumpaankin. Lyhyimmän version omaava versio onnistuu nostamaan muuntosuhteen jopa 2.5 prosenttiin, joten meille jää siihen.
Seuraavaksi testasimme uuden laskeutumisen version videolla ja toisen ilman videota. Jälleen kerran näemme, että onnistuimme, koska lasku lyhyimmällä muodolla ja vi