ما هى الاخطاء التسويقية الاكثر شيوعا فى تحليل السوق
ليس من المستغرب أن يحتاج المسوق الحديث إلى إتقان مهارة رئيسية واحدة ؛ البيانات. بصفتنا مسوِّقين للنمو ، فإن جزءًا كبيرًا من عملنا هو جمع البيانات ، والإبلاغ عن البيانات التي جمعناها ، وتحطيم الأرقام لإجراء تحليل دقيق. لقد انتهى عصر تسويق الأحشاء. الطريقة الوحيدة للمضي قدمًا هي من خلال تحليل البيانات الماهرة وتطبيقها.
ولكن لكي تصبح خبيرًا في البيانات ، من المهم معرفة الأخطاء الشائعة التي يجب تجنبها. نحن هنا للمساعدة ، مع 13 خطأ في تحليل البيانات المميتة يرتكبها العديد من المسوقين – ولكن ليس عليك ذلك!
1. أهداف غامضة
سيؤدي إعداد حملاتك بدون هدف واضح إلى بيانات مجمعة بشكل سيئ ، ونتائج غامضة وتحليل متناثر وعديم الفائدة. لا تحفر في بياناتك بسؤال عام مثل “كيف حال موقع الويب الخاص بي”؟
بدلاً من ذلك ، ابدأ حملاتك بفرضية واضحة للاختبار. اطرح على نفسك أسئلة محددة لتوضيح نواياك. حدد مقياس نورثرن ستار الخاص بك وحدد معلماتك ، مثل الأوقات والمواقع التي ستختبرها. على سبيل المثال ، طرح سؤال “كم عدد مشاهدات الصفحة التي تلقيتها يوم السبت من المستخدمين في لندن؟” يمنحك مقياسًا واضحًا للمقارنة.
2. التحيز فى العينات
التحيز في أخذ العينات هو عندما تستخلص استنتاجات من مجموعة من البيانات التي لا تمثل المجموعة السكانية التي تحاول فهمها.
على سبيل المثال ، يمكنك تشغيل حملة تجريبية على Facebook أو LinkedIn ، ثم تفترض أن جمهورك بالكامل هو فئة عمرية معينة بناءً على حركة المرور التي تجذبها من هذا الاختبار. ولكن ، إذا كنت ستقوم بتشغيل نفس الحملة على Snapchat ، فإن حركة المرور الخاصة بك سوف تنحرف أصغر. في هذا السيناريو ، يتوقف النطاق العمري لجمهورك على القناة المستخدمة في توصيل الرسالة – وليس بالضرورة مؤشرًا لجمهورك ككل.
عند تشغيل حملاتك والتوصل إلى استنتاجات ، كن حذرًا دائمًا من تحيزات النظام الأساسي أو مجموعة البيانات ، والتي قد تؤثر على نتائجك في اتجاه معين.
3. مقارنة غير متكافئة
تتمثل إحدى طرق مكافحة التحيز في أخذ العينات في مقارنة مجموعات بيانات متعددة. ومع ذلك ، عند مقارنة مجموعتين أو أكثر من البيانات ، تأكد من تجنب المقارنة غير المتكافئة.
المقارنة غير المتكافئة هي عندما تتم مقارنة مجموعتي بيانات من الوزن غير المتساوي مع بعضهما البعض. من الأمثلة الشائعة على ذلك مقارنة تقريرين من فترتين زمنيتين مختلفتين. قد يكون كلاهما شهرًا بعد شهر ، ولكن إذا فشلوا في الاعتراف بالموسمية أو تأثير عطلة نهاية الأسبوع ، فمن المحتمل أن يكونوا غير متساوين. على سبيل المثال ، من المحتمل أن تتأثر حركة مرور موقع أحد مواقع التجارة الإلكترونية خلال شهر ديسمبر بموسم العطلات ، وبالتالي لا ينبغي مقارنتها مباشرة بأرقام حركة المرور من شهر مارس.
عند مقارنة مجموعتين أو أكثر من مجموعات البيانات ، تأكد دائمًا من أن لها وزنًا متساوًا ، وموحدة قدر الإمكان قبل استخلاص النتائج.
4. فهم معنى المقياس
لنكن صادقين ، يستخدم المسوقون الكثير من المصطلحات. حتى لو كنت في اللعبة لفترة من الوقت ، يمكن تصنيف المقاييس بشكل غريب أو لها معان مختلفة في سياقات مختلفة. من السهل افتراض أنك تفهم البيانات عندما لا تفعل ذلك حقًا.
معدل الارتداد هو مثال جيد على ذلك. عندما سألنا مؤخرًا مجموعة من المسوقين ، اتفقوا جميعًا على أن معدل الارتداد كان مجرد زوار يغادرون الموقع بسرعة كبيرة جدًا.
هذا في الواقع خطأ – معدل الارتداد هو النسبة المئوية للزوار الذين ينتقلون بعيدًا عن الموقع بعد عرض صفحة واحدة فقط. وهذا يعني أن معدل الارتداد المرتفع ليس دائمًا أمرًا سيئًا. على سبيل المثال ، يمكنك توقع أن يكون معدل الارتداد مرتفعًا على موقع يحتوي على بضع صفحات فقط. وسيحصل موقع من صفحة واحدة على معدل ارتداد 100٪.
إن تخصيص الوقت للتأكد من فهمك لمعنى كل مقياس ضمن السياق الخاص بك سيوفر لك الارتباك ويضمن أن تحليل بياناتك قوي.
5. السببية الكاذبة
هذا أمر سهل أن تقع فيه لأن استراتيجيات التسويق المختلفة يمكن أن تؤثر على بعضها البعض.
لنفترض أنك أطلقت حملة على Facebook ، ثم لاحظت ارتفاعًا حادًا في حركة المرور العضوية. قد تستنتج بشكل طبيعي أن حملتك على Facebook دفعت حركة المرور إلى نظرك.
قد لا يكون هذا الاستنتاج صحيحًا ويفترض تلقائيًا أن أحد الإجراءات تسبب مباشرة في إجراء آخر سيوصلك بسرعة إلى الماء الساخن. بالتأكيد ، قد ترتبط هاتين الظاهرتين. ولكن قد تكون حملة أخرى مسؤولة في الواقع عن زيادة عدد الزيارات ، أو الموسمية ، أو أي من مجموعة متنوعة من المتغيرات.
الفكرة هي ، لا تفترض أنه نظرًا لظهور حدثين مرتبطين ، تسبب أحدهما بشكل مباشر في الآخر. احتفظ بالاثنين منفصلين أثناء إجراء التحليل ، واختبر أي ارتباط واضح. تذكر القاعدة الذهبية ؛ علاقة لا يساوي السببية.
6. فقدان رؤية نجمك الشمالي
تمامًا كما نظر بحارة المدرسة القديمة إلى النجم الشمالي لإرشادهم إلى المنزل ، يجب أن يكون مقياس النجم الشمالي هو “المقياس الوحيد الذي يهم” لنموك. وهذا يعني المقياس الوحيد الذي يقيس بدقة النجاح الذي تسعى إليه. يجب أن ترتبط أي مقاييس أخرى تتبعها بنجمك الشمالي.
لذا كن حذرًا من التورط في بحر من مقاييس الغرور عديمة الفائدة ، والتي لا تسهم في الواقع في هدف النمو الأساسي الخاص بك. من السهل تشتيت انتباهك ، خاصة عند استخدام منصات وقنوات متعددة. التزم بمقياسك الرئيسي ، وركز فقط على المؤشرات التي تؤثر عليه بشكل مباشر.
Spotify هو مثال على مقياس Northern Star أو OMTM
7. بيانات التجريف
لنفترض أن لديك مجموعة بيانات رائعة ، واختبرت فرضيتك بنجاح. قد يكون الأمر مغريًا ، ولكن لا ترتكب خطأ في اختبار عدة فرضيات جديدة مقابل نفس مجموعة البيانات.
على الرغم من أن هذه قد تبدو طريقة سهلة لتحقيق أقصى استفادة من عملك ، فمن المحتمل أن تكون أي علاقات جديدة تقوم بها نتيجة الصدفة ، لأنك تستعد لنتيجتك الأولى لرؤية الروابط غير الموجودة بالفعل. هذه الارتباطات المصادفة ليست مؤشرات ذات مغزى.
من الطرق الجيدة لتجنب هذا الخطأ الاقتراب من كل مجموعة بيانات بفرضية أو هدف واضح وجديد. وعندما تتغير الفرضية ، قم بتحديث التحليل بمجموعة جديدة من البيانات.
8. الحصول على رؤية النفق
بصفتنا جهات تسويق للنمو ، نبحث دائمًا عن التحقق من صحة البيانات. الأرقام تعطينا الثقة – إنها موضوعية. يعطوننا بعض الحقيقة الكمية. لكن التركيز المفرط على الأرقام الأولية يمكن أن يكون مضللًا أيضًا. إنه مثل عدم رؤية الغابة من خلال الأشجار. المسوقون الذين يركزون كثيرًا على مقياس دون التراجع يمكن أن يغيبوا عن الصورة الأكبر.
من الجيد أن ترتفع حركة المرور العضوية الخاصة بك ، ولكن هل يقوم زوارك بالفعل بإجراء عمليات شراء؟ ينمو وجودك على وسائل التواصل الاجتماعي ، ولكن هل ينخرط المزيد من الأشخاص ، أم أنها لا تزال مجرد مجموعة أساسية من مستخدمي الطاقة؟ من أجل الحصول على القصة الكاملة ، من المهم التراجع وإلقاء نظرة على المقاييس الرئيسية الخاصة بك في سياق القصة الأكبر.
9. عدم وجود دلالة إحصائية
لقد أجريت اختبارًا ، وجمعت بياناتك ، ولديك فائز واضح. ولكن تأكد من عدم استخلاص استنتاجاتك مبكرًا جدًا دون أهمية إحصائية حقيقية.
هذا الخطأ شائع عند إجراء اختبارات التحويل أ / ب ، حيث قد تبدو النتائج واضحة في البداية ، مع تفوق أحد الاختبارات على أداء آخر. ولكن من المهم عدم التسرع في الاستنتاج مبكرًا.
تأكد من أن لديك احتمالية عالية ودلالة إحصائية حقيقية من أجل تحديد الاختلاف الفائز. على سبيل المثال ، عند تنفيذ اختبارات A / B ، نوصي باحتمال 96٪ وحد أدنى 50 تحويل لكل متغير لتحديد نتيجة واضحة.
10. الاعتماد على الملخص
المسوقون مشغولون ، ومن المغري مجرد إعطاء بياناتك لمحة سريعة ثم اتخاذ قرار. تتيح معظم الأنظمة الأساسية هذا النوع من التفكير من خلال توفير مقاييس موجزة ، وهي في الأساس متوسطات المقاييس الإجمالية الخاصة بك.
لكن اتخاذ القرارات بناءً على المقاييس الموجزة يعد خطأً لأن مجموعات البيانات بمتوسطات مماثلة يمكن أن تحتوي على اختلافات كبيرة. قد يحصل إعلانك على Google على حوالي 2000 نقرة في الأسبوع لمدة أربعة أسابيع متتالية ، لكن هذا لا يعني أن هذه الأسابيع قابلة للمقارنة ، أو أن سلوك العميل كان مماثلاً. لتحديد الاستجابة الحقيقية لإعلانك في Google ، ستحتاج إلى إلقاء نظرة على مجموعات البيانات الكاملة لكل أسبوع للحصول على صورة دقيقة لسلوك الجمهور وتفاعلهم.
لا تقع ضحية الاعتماد على المقاييس الموجزة ، واستشر بياناتك الأولية دائمًا قبل اتخاذ أي استنتاجات قابلة للتنفيذ.
11. عدم التفريق بين الهاتف المحمول وسطح المكتب
نظرًا لانجذاب المزيد من المستخدمين إلى الجوّال ، أصبح التسويق عبر الأنظمة الأساسية أمرًا ضروريًا. ولكن ، يمكن أن يمثل تحديات كبيرة.
يتطلب كل من الهاتف المحمول وسطح المكتب حملات فريدة ، وبالتالي مناهج مختلفة للتحليلات. لا ترتكب خطأ في مجرد دمج مجموعات البيانات في مجموعة واحدة وتحليل مجموعة البيانات ككل.
يتصرف المستخدمون بشكل مختلف على أجهزة الكمبيوتر التقليدية في مقابل الأجهزة المحمولة ، ويجب أن تبقى بياناتهم منفصلة من أجل إجراء تحليل مناسب. بهذه الطريقة ، ستتمكن من جمع رؤى ستفوتها ، ولديك صورة أكثر دقة لسلوك العملاء الحقيقي.
12. التركيز على القيم المتطرفة (أو تجاهلها)
على الرغم من أن مالكولم جلادويل قد يختلف مع ذلك ، إلا أنه يجب النظر إلى القيم المتطرفة كعامل واحد فقط في التحليل ؛ لا يجب معاملتهم كمؤشرات قوية من تلقاء أنفسهم. وذلك لأن بيانات الويب معقدة ، ومن الطبيعي أن تحدث القيم المتطرفة في عملية معلومات التعدين.
رد الفعل الطبيعي هو تجاهل كلي للخارج كصدفة أو إيلاء الكثير من الاهتمام للخارج كعلامة ذات مغزى. كما هو الحال مع معظم الأشياء ، تكمن الحقيقة عادة في مكان ما في الوسط.
على سبيل المثال ، قد يؤدي تبرير انخفاض غير عادي في عدد الزيارات كأثر موسمي إلى تفويت مشكلة أكبر. أو على الجانب الآخر ، قد يقودك إنشاء حملة كاملة حول ارتفاع غير عادي في عدد الزيارات إلى مسار غير صحيح تمامًا. ضع في اعتبارك دائمًا القيم الخارجية في السياق الأوسع لتحليلك ، وتأكد من إثبات افتراضاتك بدقة قبل التصرف بناءً عليها.
13. التجهيز
التجهيز المفرط هو مصطلح يستخدم في الإحصاءات لوصف نموذج رياضي يناسب تمامًا مجموعة معينة من البيانات. يصف نموذجًا يقوم بعمل جيد لشرح المجموعة الحالية من البيانات المتوفرة ولكنه يصارع من أجل التنبؤ بأنماط المستقبل. ترتبط ارتباطًا وثيقًا بالأرقام الدقيقة دون التركيز على النمط العام للبيانات.
يقع المسوقون فريسة لعملية التفكير هذه طوال الوقت. عند النظر إلى بياناتك ، تأكد من مراعاة أنماط السلوك الأوسع والشاملة التي تكشفها بياناتك ، بدلاً من محاولة تبرير كل شكل. اجعل نماذجك بسيطة ومرنة
14. قطف الكرز
من الطبيعي أن تكون متقبلاً بشكل خاص للبيانات التي تثبت افتراضك ؛ كنت تعتقد أن حملتك على Facebook ستزيد عدد الزيارات ، ثم زادت الحركة بعد إطلاقك للحملة. ولكن في هذه الحالة (وغيرها الكثير) أنت تركز فقط على المقياس الوحيد الذي أثبت افتراضك. بمجرد أن تفكر في جميع القنوات الأخرى التي توجه حركة المرور إلى موقعك ، فقد تلاحظ أن حملة Facebook كان لها تأثير ضئيل جدًا على أرقام حركة المرور الخاصة بك بشكل عام.
هذا هو قطف الكرز ، ومن السهل القيام به عن طريق الخطأ ، أو ما هو أسوأ ، عن قصد. من المهم عرض بياناتك من خلال عدسة أوسع والنظر في مقاييس متعددة عند استخلاص النتائج لتجنب الاعتماد المفرط على مؤشر واحد محدد.
15. تفتقر إلى استنتاجات قابلة للتنفيذ
لقد شكلت فرضية محددة قابلة للاختبار. لقد جمعت بيانات من مصادر متعددة ، حددت المقاييس الرئيسية التي ترتبط بنجمتك الشمالية ، وقارنت فرضيتك بالأرقام. نتائجك ذات دلالة إحصائية. ماذا الآن؟
في كثير من الأحيان ، يختتم المسوقون تحليلهم ببيانات لا توفر فرصة للعمل. انظر إلى نتائج الاختبار ، وطبِّقها على أهدافك العامة. ما الذي نجح؟ ما الذي لم ينجح؟ كيف ستقوم بدمج هذه التعلمات لدفع مقياس النجم الشمالي الخاص بك؟ دائمًا ما يبتعد مسوقو النمو الرئيسي عن تحليل بياناتهم برؤى واضحة وقابلة للتنفيذ.
خاتمة
هذه هي أخطاء البيانات الخمسة عشر المميتة التي يجب أن يتجنبها المسوقون حتى يصبحوا مسوقين خبراء في النمو. في حين أن بعض هذه الأشياء قد تبدو واضحة ، عندما تكون في خنادق البيانات ، من السهل أن تعلق في مقاييسك دون توقف لتقييم العملية التحليلية الخاصة بك.
سيساعدك أخذ هذه الأخطاء الشائعة في الاعتبار على تجنب المزالق للعديد من المسوقين من قبل. وعندما تكون حملاتك المستندة إلى البيانات أكثر موثوقية ، ستتم مكافأتك بالنمو الذي تسعى إليه.
