Data pro c-level vs. data pro marketing

Data, se kterými pracuje vedení se liší od dat, se kterými pracuje marketing. Vedení pracuje spíš s účetními daty, marketing s webovými a marketingovými. Výsledkem je pak dvojkolejní reporting, který má ale jak své výhody, tak výrazné nevýhody. Podíváme se na konkrétní reporty pro c-level a pro marketing a ukážeme si, jak k práci s daty na obou úrovních přistupovat.

Dvojkolejní reporting

Ve většině firem se s daty pracuje ve dvou úrovních. Na jedné straně jsou to účetní data. Velká míra kontroly, minimální míra chybovosti a ve většině případů se za to platí nějakým zpožděním a menší flexibilitou.

Na druhé straně to jsou marketingová data. Ty si do nějaké míry žijí vlastním životem, obecně je zde míra kontroly daleko nižší a výhodou je, že jsou “real-time” a samotný marketing si na jejich základě bez větších omezení vytváří vlastní přehledy.

💡Real-time většinou znamená dvoudenní zpoždění u GA4 dat kvůli daily exportu do BigQuery. Až v případě streamingu je možné pracovat s opravdovými real-time daty.

Samotná dvojkolejnost za mě nevadí, problém ale nastává pokud vedení i marketing používají stejné názvy pro mírně odlišné metriky. Například pokud tržby, se kterými pracuje vedení jsou očištěné o storna a vratky a tržby, se kterými pracuje marketing, ne. V takovou chvíli bývá zaděláno na problém.

Příklady reportů

Nejjednodušeji si jednotlivé principy, jak mají vypadat data pro c-level oproti marketingu, ukážeme na jednotlivých reportech. Všechny pohledy se zaměřují  čistě na e-commerce. Na webináři jsme se sice bavili o rozdílech u leadových firem, ale bojím se, že by článek byl příliš nepřehledný. Leadový business si proto necháme na příště.

Základní reporty

Naprosto základní a zásadní big picture pohled. Na tomto reportu je podle mě zajímavých několik bodů.

Tím prvním je zahrnutí počtu nových zákazníků a ukázání jejich dlouhodobé hodnoty (CLV nových zákazníků). To jsou metriky, které se v c-level přehledech většinou nevyskytují. Je to za mě ale ideální příklad, jak promítnout marketingovou teorii do rozhodování vedení. To, že bez akvizice firma nemůže dlouhodobě růst a postupně začne umírat, už v rámci marketingu, nerozporuje asi nikdo. A takto bez náročného vysvětlování marketingové teorie můžeme vliv nových zákazníků jednoduše nasvítit přes jejich dlouhodobou hodnotu.

💡 většinou nepracujeme s opravdu celým CLV, ale s jedno až tříletým výhledem (kolik u nás nový zákazník utratí v rámci jednoho až tří let).Víc o CLV v článku z našeho předchozího webináře o customer lifetime value.

Dalším bodem je práce s trendem. Kontext je klíčovým prvkem všech reportů. Pokud nedokážeme ukázat vývoj v čase, srovnání s trhem či s našimi běžnými výsledky, má report daleko nižší vypovídající hodnotu. V tomto případě s ním pracujeme jak dlouhodobým vývojem 3 úrovní ROI, tak průměrnou hodnotou objednávky proložená trendovou křivkou. Alternativní kontextové vyjádření by za mě bylo srovnání s minulým rokem a s predikcí sledovaného období. Tedy nejen jaké jsou současné výsledky, ale jaké výsledky jsme měli loni ve stejnou dobu a jaké výsledky jsme nyní očekávali. Jediná nevýhoda tohoto přístupu je v tom, že najednou místo jednoho čísla ukazuje tři a pokud tímto způsobem srovnáváme všechny metriky, bude report brzy nepřehledný.

Přitom přehlednost reportu je naprosto klíčová. Nechceme, aby člověk musel dlouho přemýšlet, co mu report vlastně ukazuje. U každého reportu bychom tak měli přemýšlet nejen o tom, jak jej můžeme rozšířit, ale i co z něj můžeme odstranit. Zkrátka jak jej udělat na první pohled přehlednější. Pokaždé tak hrajeme hru na hledání ideálního stavu. Jak do reportu dostat, co nejvíce informací bez toho, aby se v něm člověk začal ztrácet.

Základní přehled pro marketingového manažera oproti tomu většinou nevyžaduje dvě úrovně marže a obejde se i bez AOV a CLV nových zákazníků. Ve většině případů se mu bude pracovat lépe s týdenní granularitou místo denní. Zásadní je poté rozpad výsledků dle kanálu. Ať už doplněný o pohled alternativního atribučního modelu, nebo jako v tomto případě, srovnávající naměřené výsledky s consent rate dle zdroje a % návštěvnosti daného kanálu ze Safari. Tak, aby marketingový manažer na první pohled viděl, jak moc je daný zdroj asi nad/podhodnocený oproti celku.

Zpřehlednit výkonnost jednotlivých kanálů pomáhá bublinový graf. Umožňuje totiž zakódovat nejen, jak se danému kanálu daří, ale i jak je pro nás důležitý z hlediska množství objednávek, které přináší. Čím větší bublina, tím větší pozornost mu musí marketingový manažer věnovat a u malých bublin naopak rovnou ví, že i velký zásah bude mít minimální dopad.

Produktové reporty

Produktový report pro vedení pracuje především s rozpadem dle kategorie doplněným o detail na úrovni produktu. Podobně jako u základního reportu i v tomto případě je k zamyšlení, zda nepoužít srovnání s minulým rokem a predikcí. Možná nepotřebujeme vědět, která kategorie je nejprodávanější co do počtu kusů, ale chceme kromě nejsilnější tržbové kategorie chceme znát i kategorii, která nám přináší největší podíl na marži.

Marketingový report jde ještě víc do hloubky. Ukazuje nám jak často nakoupí zákazník produkt, přes který se na e-shop dostal (byl vstupní stránkou) a jak často nakonec koupí něco jiného. Pomáhá tedy odhalovat jaké produkty či kategorie fungují jako dobré otvíráky, ale zákazníci je z nějakého důvodu nakonec tolik nekupují. Potom je na hlubší analýze, čím je to způsobeno a zda v některých případech nemůžeme dosáhnout ještě lepších výsledků, když ten produkt na vstupu nahradíme.

Užitečné je pro mě na první pohled jasné srovnání same-product cross-sell jak na úrovni kategorie, tak na úrovni kanálu. To je případně další možná úprava reportu - srovnání prodeje produktu / kategorie dle kanálu. Tento pohled pomáhá odhalit případné mezery v propagaci na úrovni produktové nabídky, které můžeme využít.

Marketing efficiency by product se v této podobě hodí jen firmám s malou produktovou šíří. Pro většinu e-shopů je užitečná na úrovni kategorie. Opět díky bublinovému grafu vidí marketingový manažer na první pohled nejen, jak jsou investice do které kategorie efektivní, ale i jak velký podíl na tržbách dělá.

Report slevové spirály a slevových akcí

Málokterý report dokáže na první dobrou tak hezky ukázat, jak moc je firma závislá na slevách a jak se slevová senzitivita zákazníků v průběhu času mění. Hlavní rozdělení ukazuje, jak velká část produktů se prodala s jakou výší slevy, jak moc jsou zákazníci ochotni nakupovat za plnou cenu a jak vypadá průměrná výše slevy.

Rozpad produktů s největší slevou pak tvoří oslí můstek k reportu slevových akcí.

Report slevových akcí nám odpovídá na to, jak velkou část našich prodejů mají na svědomí akce a jak se dařilo poslední akci v kontextu ostatních. Pro big picture přehled může být dostatečný, já bych jej ve většině případů doplnil o informaci, jak dlouho akce běžela. I pokud si myslíte, že akce budete navždy dělat pouze týdenní, doporučuji délku akce do reportu vždycky přidat.

Proč se s daty nepracuje

Lidé s daty nepracují, tak jak by firmy chtěly. Kdybychom měli pojmenovat ten nejčastější problém, který ve firmách řešíme, byl by to tento.

Mohli bychom to sice od stolu odsoudit, že to je čistě problém těch lidí, kteří s daty nimi nepracují a že v nejhorším jen vyměníme tým. Většinou jsou za tím ale hlubší důvody, které obměna týmu nevyřeší..

Lidi totiž nebudou s daty tolik pracovat, pokud:

Každý z těch problémů se dá řešit. Některé lépe, některé hůře. Pokud však nepřijdeme na to, co jsou hlavní důvody, proč se s daty nepracuje, můžeme pro naši data-driven kulturu dělat první poslední a efekt bude minimální.

Obecná doporučení

Neexistuje žádný objektivně ideální přehled pro všechny. Každá firma má trochu jiná specifika a tudíž by se při reportování měla zaměřit na jiné detaily.

U každého z ukázaných reportů byste tak měli přemýšlet nad tím, jak je pro vlastní použití upravit. Tak, aby pro vás byly, co nejužitečnější.

Prvním krokem každého reportu by měl být businessový cíl. Nenechte se zlákat reportováním jednoduchých metrik jen proto, že netušíte, jak zobrazit to, co potřebujete.

Ideální report prochází jak prvotním designovým procesem, tak následným laděním. I když report namyslíte, co nejlépe, předem, snad nikdy byste se neměli spokojit s první verzí. Na spoustu věcí totiž budete postupně přicházet, jakmile s ním začnete pracovat na denní bázi.

U důležitých věcí dává smysl nastavit si větší granularitu pohledu. Například pokud chcete sledovat, jak se daří nové kolekci, novému dodavateli, kterého jste zalistovali, nebo při vstupu na nový trh.

Pokud jste tvůrci reportů, sledujte jejich používání. Ve většině nástrojů můžete nad každým reportem sbírat aspoň základní data o jeho využití. U těch, na které nikdo delší dobu nesáhl, zjišťujte, proč tomu tak je, nebo je rovnou nemilosrdně archivujte. Čím víc živých reportů, tím těžší je udržovat je všechny aktuální a tím víc hrozí přehlcení lidí,kteří by s nimi měli pracovat.

Na webináři jsme se taky bavili o tom, že ne vždy musíme s daty pracovat ve formě reportů. Ve spoustě případů je daleko efektivnější pracovat s automatickým alertingem či detekcí anomálií. Důležité je také oddělovattypy alertů dle jejich závažnosti. Prostě nechcete, aby vám každý den chodilo stále stejně vypadající upozornění - brzy ho začnete ignorovat. Pokud však kritické alerty (které nastávají jednou měsíčně) přijdou SMSkou, při výpadku dat se automaticky založí nový ticket do Asany a běžný přehled máte každé ráno ve Slacku, nejspíš bude výsledek o něco lepší.

Probrali jsme i základy datového stacku (jak vůbec data do podoby podobného reportu dostat) a jak na této úrovni pracovat s dvojkolejním přístupem. V některém dalším článku či tučňáčím webináři se pak do toho ponoříme víc do hloubky. Stejně jako do slibované konverzační analytiky. Pokud o ně nechcete přijít, zapište se k odběru novinek.

Byl vám odeslán potvrzovací e-mail. 
Exit mobile version