Sdílet článek

Obsah

Přinášet hodnotu a pracovat s nejistotou

Proof & Reason

5 min čtení

16. 2. 2022

Jakkoli nejsem zimní člověk (na lyžích jsem stál naposledy na lyžáku v sedmé nebo osmé třídě základní školy), na přelom ledna a února se těším už několik let. V práci si vezmu týden volna a odjedu na jeden z maďarských vrcholků, kde se na týden zavřu s nejzajímavějšími mozky převážně webové analytiky z celého světa.

Superweek 2022 se konal po roční covidem vynucené pauze a více než konferenci připomínal školní slučák. Už jen možnost vidět spoustu známých tváří a překvapivě hodně tváří nových přinesla vítaný impuls a motivaci do práce – hovory během přestávek či u večerního networkingu mají ohromnou hodnotu samy o sobě. Superweek ovšem není jen o vykecávání ve wellness (které je vedlejším lákadlem hotelů, kde se konference odehrává).

Jakou hodnotu analytici přinášejí?

Několik přednášek se zabývalo tématem hodnoty, kterou analytici a jejich práce přináší. Překvapilo mě, že i v dnešní době mohou na trhu existovat reportovací veverky, jejichž práce končí vytvořením nějakého přehledu (nedejbože, pokud do něj data z vícero zdrojů kopírují ručně). O trochu méně mě překvapuje, že v některých firmách může analytik být spíš statusovým symbolem – ukázkou, že je firma „data⁠-⁠driven“ (ať už si pod tím vedení představuje cokoli).

Zatímco práce vývojáře jde vidět – vznikne více či méně funkční aplikace, která více či méně splňuje požadavky zákazníka – a má delší životnost (např. u operačních systémů či specifického softwaru dlouhé roky či až desítky let), práce analytika je často spíše nárazová (odpovídá na ad hoc dotazy) a analytik je často poslem špatných zpráv (nepříjemná čísla je snazší svést na chybu v měření než na manažerské selhání).

Jak v takových podmínkách může analytik přinášet větší hodnotu?

Automatizujte a vyvíjejte

Inspirace se dá najít třeba u již zmíněných vývojářů. V Proof & Reason automatizujeme rutinní činnosti a uvolňujeme si ruce i myšlenkovou kapacitu na strategičtější přemýšlení. Vytváříme si proto nástroje, které nám urychlují implementaci měřicích kódů nebo třeba vyhodnocování testů a anket. Podobný přístup zvolili ve Spotify, kde si vytvořili šikovný framework pro rychlejší vyhodnocování desítek běžících A/B testů.

Pečujte o datovou kulturu a kvalitu

Hodně dělá i kultura ve firmě a možnost podívat se do dat bez nutnosti zadávat požadavek na analytika. Otevřený přístup k datům podporuje datovou kulturu ve firmě a analytikům opět uvolňuje ruce na strategičtější a hodnotnější práci. A je jedno, jestli se jedná jen o sadu automaticky se aktualizujících přehledů pro každý tým, nebo o podrobný datový katalog a veřejný přístup do datového skladu.

Výrazně důležitá je o péče o kvalitu dat. Pokud datům firma nevěří, nemá důvod je sledovat. A pokud nemá důvod data sledovat, je pro ni analytik bezcenný. I když si ho cení jako důkaz svého data⁠-⁠driven přístupu.

Jak pracovat v podmínkách nejistoty?

Může za pokles prodejů zpackaná kampaň? Není už o produkt zájem? Nebo jen bylo příliš hezké počasí a nikdo neměl chuť nakupovat? Není to prostě jen náhodný výkyv? A co třeba chyba v měření?

Webová analytika nikdy nebyla schopna posbírat 100 % dat o návštěvnosti. O nějaké ztráty se starají adblocky, o něco málo prohlížeče, měřicí služby sem tam mohou mít výpadek, někdy může být uživatel na tak pomalém připojení, že se měřicí požadavky nestihnou odeslat. Dnes se k těmto ztrátám připojují ještě cookie lišty a zvyšující se starost uživatelů o jejich soukromí na internetu. Nejistota v analytické práci se jen prohlubuje. Vyřešit se to dá dvěma způsoby:

  1. Najít si jinou práci.
  2. Naučit se s tím žít.

V Proof & Reason máme data rádi a stejně jako jiné světové agentury hledáme způsoby, jak se s realitou poprat co nejlépe.

„Nikdy nenasbíráme dostatek přesných dat. Analytici se s tím musí naučit žít.“

Naučte se milovat náhodu a experimenty

A taky statistiku.

Cookie lišty u mnoha projektů způsobily pokles v naměřených datech (pokud u sebe pokles nevidíte, dost možná ji máte implementovanou v rozporu s doporučeními ÚOOÚ a upřednostňujete své zájmy před pohodlím návštěvníků – krátkodobě funkční, dlouhodobě krátkozraké; anebo máte návštěvníky, kterým vaše cookies fakt chutnají). Zatímco některé performance agentury, které usnuly na vavřínech a zapomněly inovovat, propadají panice a klientům navrhují porušovat zákon, my dáváme přednost statistickému modelování. Pokles dat o 20⁠-⁠30 % se dá poměrně věrohodně domodelovat s troškou statistiky a matematiky.

Samostatnou kapitolou jsou atribuční modely. Mluví se o nich několik let, Google Analytics 4 představily svůj vlastní data⁠-⁠driven atribuční model (dostupný i ve verzi zdarma). Každý atribuční model si ale nese určité zkreslení.

Například last⁠-⁠clickové modely zapomínají na zdroje, které lead přinesly a bez kterých by o vás zákazníci netušili (attention/see fáze nákupního cyklu).

Příliš agresivní remarketing si pak může připisovat i zásluhy za zákazníky, kteří by nakoupili i bez této reklamy – ale klikli na ni, protože byla oproti organické návštěvnosti dostupnější.

Na podobné problémy narazíme i při vyhodnocování změn. Může za růst prodejů optimalizace produktové stránky, nebo sezónní nárůst poptávky? Na tento typ otázek naštěstí už řešení známe: náhodné přiřazování návštěvníků k experimentům, jako jsou A/B nebo multivariantní testy.

Soustřeďte se na sběr (správných) dat

Nikdy nebudeme mít dostatek dat. Vždy se dá změřit ještě něco. Vždy se to dá změřit přesněji. Dřív nebo později se ale dostaneme do bodu, kdy mezní užitek z většího množství dat klesá – zatímco náklady na přesnější, lepší a jinak úžasnější měření rostou.

Proto se ptáme na cíle. Proto tvoříme měřicí plány. Soustředíme se na oblasti, které přináší největší hodnotu – a u zbytku se spokojíme s aproximací či sekundárním sběrem dat. Je důležitější správně měřit objednávky, než například filtry v kategorii, jejichž využívání nahrubo odpozorujeme například z heatmap.

Se zkracující se platností cookies (a stále omezenějšími možnostmi cookies třetí stran) na důležitosti nabývá i přesnější měření uživatelů a schopnost mít co nejvíce měření pod vlastní kontrolou. Je to ukázkový use case pro server side tracking. Ano, je to implementačně i finančně náročnější. Je to ale také jedna z mála cest, jak nezaostat. A čím dříve se touto cestou vydáte, tím větší náskok získáte.

Ekosystém Google tomu jde naproti a Google Analytics 4 společně se serverovou verzí Google Tag Manageru jsou již ve fázích, kdy je můžeme doporučit k implementaci u všech klientů (a samozřejmě jim s tím rádi pomůžeme).

„Google Analytics 4 a server-side měření by ve vašich plánech pro nejbližší rok až dva neměly chybět.“

Nezapomínejte na zdravý selský rozum

Z dat vyčteme hodně, ale ne všechno. A ne vždy si data interpretujeme bez nějakého vlastního zkreslení.

Sledujme proto kontext. Ujít 78 km za dva měsíce zvládne i netrénovaný senior. Pokud se ovšem nebavíme o výstupu na Mt. Everest, kdy je to oříšek i pro trénované sportovce.

Přemýšlejme nad tím, co čísla opravdu znamenají. Je 1000 sledujících hodně, nebo málo? Je to vhodná metrika? A pro co vlastně?

Zapojujme zdravý selský rozum. Když má přihlašování k newsletteru nízký konverzní poměr, nezvýší jej zobrazení popupu k přihlášení návštěvníkovi, který se na web z newsletteru zrovna proklikl. Stejně tak si můžete ušetřit zdlouhavou analýzu nevýkonných produktových reklam, když nejdřív zkontrolujete, jestli sdělení v reklamě ladí s obsahem na webu. Třeba když reklama tvrdí, že jsou všechny velikosti skladem – a na skladě se práší jen na poslední kousek v extra malé velikosti.

Někdy prostě k optimalizaci webu nepotřebujete další data. Někdy se prostě stačí zeptat, jestli by to fungovalo v reálném životě.

Chcete vědět víc? Chcete se o trendech pobavit?

Naši analytici Honza s Ondrou se společně s Lukášem Čechem z Etnetera Activate o své další postřehy podělí na analytickém Google Meetu v pondělí 28. února. Podívejte se na událost na Facebooku a zúčastněte se taky. Určitě tam bude dost času na dotazy a diskuzi.

S analytickou roadmapou na rok 2022 pro vaše projekty vám rádi pomůžeme, když napíšete na data@proofreason.com.


 

Článek připravil: Jan Kadlec, datový analytik

Potřebujete s analytikou pomoct?

Ozvěte se a zkonzultujte s námi svůj problém ihned.
nebo se ozvětě přes LinkedIn

Tomáš Izák

CEO