το ψηφιακό μάρκετινγκ απαιτεί μαθηματικά

Απαιτεί το ψηφιακό μάρκετινγκ μαθηματικά;

Οι περισσότερες εργασίες ψηφιακού μάρκετινγκ χρειάζονται βασική αριθμητική και κατανόηση ποσοστών, όχι απαραίτητα προχωρημένα μαθηματικά. Όποιος σχεδιάζει περιεχόμενο μπορεί να εργαστεί με περιορισμένους υπολογισμούς, ενώ ένας αναλυτής δεδομένων ή υπεύθυνος μεγάλου διαφημιστικού προϋπολογισμού χρειάζεται βαθύτερη ποσοτική σκέψη. Το σημαντικό δεν είναι να γνωρίζουμε πολλούς τύπους από μνήμης, αλλά να καταλαβαίνουμε τι μετρά ένας δείκτης, ποια δεδομένα τον τροφοδοτούν και ποια απόφαση δικαιολογεί. Ένας αριθμός μπορεί να είναι σωστά υπολογισμένος και να οδηγεί σε λανθασμένο συμπέρασμα, αν δεν αντιστοιχεί στον πραγματικό επιχειρηματικό στόχο.

Τα βασικά μαθηματικά που εμφανίζονται συχνότερα

Ποσοστά, λόγοι, απλοί μέσοι όροι και συγκρίσεις περιόδων είναι αρκετά για πολλές καθημερινές αποφάσεις. Αν μια καμπάνια έφερε εκατό επισκέψεις και πέντε ουσιαστικά αιτήματα, μπορούμε να περιγράψουμε το ποσοστό των αιτημάτων ως πέντε στα εκατό, χωρίς να συμπεράνουμε ότι προέκυψαν ισάριθμοι πελάτες. Αν η διαφήμιση κοστίζει περισσότερο από την αξία της τελικής συναλλαγής, χρειάζεται επιπλέον εξέταση του περιθωρίου και των επαναλαμβανόμενων αγορών. Η ικανότητα να διακρίνουμε επισκέψεις, αιτήματα, πωλήσεις και έσοδα είναι συχνά σημαντικότερη από την ταχύτητα με την οποία χρησιμοποιούμε αριθμομηχανή.

Τι σημαίνουν οι βασικοί δείκτες στην πράξη

Το ποσοστό κλικ συγκρίνει τα κλικ με τις εμφανίσεις ενός μηνύματος. Ο ρυθμός ολοκλήρωσης μιας ενέργειας συγκρίνει όσους ολοκλήρωσαν τον συγκεκριμένο στόχο με έναν κατάλληλο παρονομαστή, όπως επισκέψεις ή χρήστες, τον οποίο πρέπει να δηλώνουμε. Το κόστος ανά αίτημα εξαρτάται από το ποια αιτήματα θεωρούμε έγκυρα. Αυτές οι διακρίσεις είναι ουσιαστικές επειδή ένα σύστημα μπορεί να καταγράφει πολλές αλληλεπιδράσεις του ίδιου ανθρώπου. Πριν συγκρίνουμε δύο καμπάνιες, ελέγχουμε αν αφορούν το ίδιο γεγονός, την ίδια χρονική βάση και αντίστοιχους πληθυσμούς. Διαφορετικά, τα ποσοστά δίνουν εικόνα ακρίβειας χωρίς πραγματική συγκρισιμότητα.

Από τα δεδομένα στη σωστή επιχειρηματική ερώτηση

Ας υποθέσουμε ότι μια σελίδα δέχεται πολλές επισκέψεις αλλά λίγα αιτήματα. Μπορεί η σελίδα να προσελκύει ανθρώπους που ζητούν απλή πληροφόρηση και δεν είναι έτοιμοι να αγοράσουν. Μπορεί επίσης η φόρμα να είναι δύσχρηστη, οι τιμές ασαφείς ή η προσφορά ακατάλληλη για τη συγκεκριμένη περιοχή. Η αριθμητική δείχνει ότι υπάρχει διαφορά ανάμεσα στα στάδια, δεν μας αποκαλύπτει μόνη της την αιτία. Χρειάζεται συνδυασμός μελέτης περιεχομένου, ελέγχου λειτουργίας και παρατηρήσεων από πραγματικές επαφές. Ο σωστός αναλυτής χρησιμοποιεί τα δεδομένα για να διατυπώσει ελέγξιμες υποθέσεις, όχι για να αποδώσει βιαστικά ευθύνες.

Λίστα απαιτήσεων πριν από την υλοποίηση μετρήσεων

• Ορισμός στόχου: Ποια συγκεκριμένη ενέργεια θεωρείται επιθυμητό αποτέλεσμα και γιατί;
• Μονάδα μέτρησης: Συγκρίνουμε χρήστες, επισκέψεις, συμβάντα, έγκυρα αιτήματα ή παραγγελίες;
• Πηγή δεδομένων: Από ποιο σύστημα προέρχονται οι αριθμοί και τι μπορεί να λείπει;
• Έλεγχος εγκυρότητας: Πώς αποφεύγουμε διπλές καταγραφές, δοκιμαστικές εγγραφές και τεχνικά σφάλματα;
• Χρονικός ορίζοντας: Είναι συγκρίσιμες οι περίοδοι και οι συνθήκες;
• Δικαιώματα και συναίνεση: Ποια συλλογή επιτρέπεται και ποιος έχει πρόσβαση;
• Κανόνας απόφασης: Τι θα αλλάξουμε αν μια μέτρηση ξεπεράσει το επιλεγμένο όριο;

Η λίστα λειτουργεί ως έγγραφο απαιτήσεων. Αν δεν γνωρίζουμε τι θέλουμε να μετρήσουμε, δεν μπορεί να εγγυηθεί αξιόπιστη ανάλυση ακόμη και η πιο εξελιγμένη εγκατάσταση.

Χρειάζεται στατιστική για δοκιμές;

Για απλές συγκρίσεις μπορεί να αρκεί προσεκτική παρατήρηση, αλλά όταν προσπαθούμε να συμπεράνουμε ότι μια αλλαγή προκαλεί καλύτερο αποτέλεσμα, χρειάζεται βασική στατιστική σκέψη. Μικρά δείγματα παρουσιάζουν μεγαλύτερη αβεβαιότητα και οι διαφοροποιήσεις μεταξύ ομάδων μπορεί να οφείλονται σε άλλους παράγοντες. Σε μια δοκιμή δύο παραλλαγών, για παράδειγμα, πρέπει να γνωρίζουμε πώς χωρίστηκαν οι επισκέπτες, αν συγκρίνονται παρόμοιες χρονικές περίοδοι και ποιο αποτέλεσμα είχε οριστεί εκ των προτέρων. Η επιλογή νικητή μετά από ελάχιστες παρατηρήσεις μπορεί να είναι απλώς αποτέλεσμα τύχης. Για σημαντικές αποφάσεις ζητάμε καταλληλότερη στατιστική αξιολόγηση.

Πίνακας δεξιοτήτων ανά είδος εργασίας

Η καταλληλότητα του ρόλου δεν εξαρτάται από έναν σχολικό βαθμό. Εξαρτάται από το αν ο άνθρωπος μπορεί να εφαρμόζει τη σωστή μέθοδο στα πραγματικά ερωτήματα της θέσης, να αναγνωρίζει σφάλματα και να εξηγεί τα αποτελέσματα με κατανοητό τρόπο.

Εργαλεία που βοηθούν χωρίς να αντικαθιστούν την κρίση

Υπολογιστικά φύλλα μπορούν να οργανώνουν σύνολα, ποσοστά και μεταβολές. Οι πλατφόρμες ανάλυσης επιτρέπουν παρακολούθηση σημαντικών γεγονότων. Στο Google Analytics διακρίνονται τα βασικά συμβάντα από τις μετατροπές που χρησιμοποιούνται για αξιολόγηση και βελτιστοποίηση διαφημιστικών ενεργειών. Αυτή η διάκριση δείχνει ότι ακόμη και ένας καθιερωμένος όρος αλλάζει σημασία ανάλογα με το πλαίσιο αναφοράς. Αν κάποιος αντιγράψει δύο νούμερα από διαφορετικές αναφορές χωρίς έλεγχο ορισμών, το τελικό ποσοστό μπορεί να παραπλανήσει. Γι’ αυτό κρατάμε σημειώσεις για τον παρονομαστή, το συμβάν και τους γνωστούς περιορισμούς συλλογής.

Πώς ξεκινά η μάθηση με περιορισμένο υπόβαθρο

Ένας αρχάριος μπορεί πρώτα να ασκηθεί στη μετατροπή απόλυτων αριθμών σε ποσοστά, στη σύγκριση μικρών πινάκων και στον σχεδιασμό απλού προϋπολογισμού. Αργότερα προχωρά σε διαφορές μεταξύ συσχέτισης και αιτιότητας, σε κατανομή αποτελεσμάτων και σε ελέγχους ποιότητας δεδομένων. Η μελέτη έχει μεγαλύτερη αξία όταν συνδέεται με ένα παράδειγμα που ο άνθρωπος καταλαβαίνει. Έτσι, αντί να μαθαίνει απομονωμένα τον τύπο μιας μετατροπής, εξετάζει ποια ενέργεια μετρά και ποιο πρόβλημα θα μπορούσε να κρύβεται πίσω από μια αλλαγή. Μεθοδικότητα και σωστές ερωτήσεις καλλιεργούνται σταδιακά.

Πότε χρειάζεται ειδικός αναλυτής

Αν μια απόφαση επηρεάζει σημαντικό προϋπολογισμό, πολλές πηγές δεδομένων ή τη διαχείριση προσωπικών πληροφοριών, η εξειδικευμένη συνεργασία είναι συχνά απαραίτητη. Ζητάμε τεκμηρίωση του μοντέλου μέτρησης, σαφή περιγραφή των περιορισμών και ελεγχόμενη πρόσβαση. Ένας καλός αναλυτής δεν προσφέρει μόνο αριθμούς, αλλά εξηγεί ποιες ερμηνείες είναι ασφαλείς και ποιες όχι. Επίσης, διαχωρίζει την αξιολόγηση μιας καμπάνιας από τη συνολική κερδοφορία της επιχείρησης, επειδή τα διαφημιστικά δεδομένα δεν γνωρίζουν αυτόματα όλα τα λειτουργικά έξοδα. Ο στόχος είναι αποφάσεις με μικρότερη αβεβαιότητα, όχι η υπόσχεση απόλυτης πρόβλεψης.

Μικρή άσκηση ελέγχου αριθμών πριν από απόφαση

Έστω ότι δύο κανάλια φέρνουν ίδιο αριθμό αιτημάτων, αλλά στο πρώτο οι άνθρωποι ζητούν υπηρεσία που πραγματικά παρέχεται, ενώ στο δεύτερο τα περισσότερα αιτήματα βρίσκονται εκτός περιοχής. Το ποσοστό αιτημάτων από μόνο του δεν αρκεί για να συγκρίνουμε τα κανάλια. Πρέπει να καθορίσουμε ποιο αίτημα θεωρείται κατάλληλο και αν το κόστος περιλαμβάνει όλη τη σχετική προσπάθεια. Ακόμη και τότε μπορεί να χρειάζεται μεγαλύτερη περίοδος παρατήρησης.

Η πρακτική άσκηση είναι να γράψουμε δίπλα σε κάθε αριθμό τον ορισμό του: τι μετρήθηκε, από πού προήλθε, πότε καταγράφηκε και ποια δεδομένα ενδέχεται να λείπουν. Μόνο μετά υπολογίζουμε αναλογίες ή συμπεραίνουμε διαφορές. Αυτή η πειθαρχία προστατεύει μια ομάδα από εντυπωσιακές αλλά άστοχες αναφορές και είναι εφαρμόσιμη χωρίς προχωρημένη μαθηματική εκπαίδευση.

Το σημαντικότερο σφάλμα σε έναν μέσο όρο

Ένας συνολικός μέσος όρος μπορεί να κρύβει ότι οι επιμέρους ομάδες διαφέρουν σημαντικά. Αν μια καμπάνια απευθύνεται ταυτόχρονα σε νέους και υπάρχοντες πελάτες, το ενιαίο ποσοστό ανταπόκρισης μπορεί να μην εξηγεί τη συμπεριφορά καμίας ομάδας. Πριν αποφασίσουμε ότι ένα μήνυμα είναι καλύτερο, ελέγχουμε αν οι πληθυσμοί είναι συγκρίσιμοι και ποιος είναι ο σκοπός της σύγκρισης. Αυτή η απλή συνήθεια είναι μορφή μαθηματικής ωριμότητας: δεν αναζητούμε μόνο υπολογιστικά σωστούς αριθμούς, αλλά και έντιμη ερμηνεία τους.

Το πραγματικό μαθηματικό ελάχιστο

Για να ξεκινήσει κάποιος, είναι χρήσιμο να διαβάζει ποσοστά, να γνωρίζει τι συγκρίνει και να εντοπίζει παράλογα συμπεράσματα. Στην πορεία μπορεί να εξειδικευτεί τόσο όσο απαιτεί η εργασία. Οι βαθύτερες αναλύσεις προσθέτουν αξία όταν υπάρχουν δεδομένα αρκετής ποιότητας και σαφής επιχειρηματική ερώτηση. Ανάμεσα σε μια πρόχειρη αναφορά και σε ένα περίπλοκο μοντέλο, προτιμάμε την απλούστερη μέθοδο που μπορεί να ελεγχθεί. Για τις συγγενικές επαγγελματικές απαιτήσεις, διαβάστε για τη σχέση με τον κώδικα και για τη σημασία του πτυχίου.