Data spiller en vigtig rolle, når der skal skabes knivskarpe budskaber til målgruppen. Men det kan være svært at spotte sammenhænge i de store mængder af information. Læs med og få tips til, hvordan du undgår fejl, når du prøver at vise korrelation eller kausalitet i dine datasæt.
Hvordan ved man, om de marketingtiltag, man søsætter, egentlig rammer målgruppen og får dem til at foretage bestemte handlinger? Det er et spørgsmål, mange marketingprofessionelle sidder tilbage med, når de udformer kampagner. Svaret er god korrelation i datasættene.
Lad os først få på plads, hvad korrelation dækker over. Når man snakker data og korrelation er der tale om et statistisk mål, der beskriver forholdet mellem to eller flere ting. Eksempelvis hvordan en persons vægt hænger sammen med det, vedkommende spiser, eller hvordan en svømmers banetid hænger sammen med antallet af timer, vedkommende træner.
Snakker man derimod om kausalitet, eller årsagssammenhæng som det også kaldes, dækker det over, hvordan en ting påvirker en anden. Eksempelvis hvis en svømmer træner 25 timer om ugen, så vedkommende reducerer sin banetid med 1 minut.
I marketing prøver vi at handle på de korrelationer og kausaliteter, vi finder, når vi skaber kampagner og budskaber til målgruppen.
Salesforces nye Marketing Intelligence Report har undersøgt mere end 2500 marketingprofessionelles udfordringer og arbejde med data.
Hvordan bruges korrelation i marketing?
Marketingprofessionelle skal have et præcist overblik over virkningen af deres budskaber, kampagner og budgetter. Jo mere indsigt, de får, jo større mulighed har de for at ramme kunder rigtigt og skabe værdi for forretningen.
Korrelation og kausalitet bliver konstant anvendt i marketingverdenen. Når man snakker om, hvorvidt den sidste kampagne øgede salget, eller om Facebook-annoncen gav mere kendskabsgrad, er det alt sammen måder at finde sammenhænge i data.
Alle data kan korreleres for at vise en sammenhæng, men det betyder ikke nødvendigvis, at det ene har haft indvirkning på det andet. Her er nogle tips til at undgå hyppige fejl, når du forsøger at påvise korrelation eller kausalitet i dine datasæt.
1. Undgå udsagn der ikke er valide
En af de største fælder, når det gælder korrelation, er brugen af udsagn, der ikke er valide, eller sensationsbeskrivelser til at bevise en tynd sammenhæng. Det gælder derfor om at undgå dette for enhver pris, for de fleste kan hurtigt spotte, hvis en sammenhæng virker vildledende.
Et eksempel på et udsagn, der er vildledende, er: Det gode vejr forårsagede et fald i salget i butikkerne.
Vejret kan muligvis have indflydelse på salgsresultaterne, men det er sandsynligvis ikke den eneste faktor. Udsagnet er derfor ikke helt sandt, og det gør, at din dataanalyse kommer til at fremstå utroværdig.
I stedet bør du stille dig selv disse spørgsmål for at undersøge den indsamlede data nærmere:
Hvad hvis vi bearbejder data anderledes?
Hvad hvis vi fjerner specifikke kanaler?
Er der for mange ændringer i variabler til, at vi præcist kan se en korrelation eller årsagssammenhæng?
Hvilke antagelser gør vi os?
Var dette bevidst designet, eller er det et biprodukt af andre aktiviteter?
2. Vælg det rette diagram til din analyse
Den visuelle præsentation af din data har stor betydning for, hvordan dine modtagere forstår budskabet. Det handler derfor om at anvende redskaber, der kan give et nemt og simpelt overblik over den indsamlede data. Med en platform som Marketing Cloud Intelligence er det muligt at vælge mellem forskellige widgets for effektivt at kunne visualisere data - både ved selv at designe widgets eller modtage forslag til, hvilke widgets der er relevante, alt efter hvilket datasæt, der skal analyseres.
Nogle af de diagrammer, du kan anvende til at spotte korrelationer i din analyse, er:
Tidsserie: Her sammenlignes der flere målinger over en bestemt tidsperiode. Disse diagrammer er gode til at se på sæsonudsving og tendenser i data.
Fordeling: Denne form for diagram kan nemt vise, om der er en sammenhæng. Diagrammerne er gode til at vise fordelingen i forhold til en middelværdi.
Relationer: Diagrammerne viser en sammenhæng mellem to eller flere variabler. Et boblediagram er bedst egnet til at vise sammenhæng mellem tre variabler.
Alt i alt, sørg for kun at vælge de mest simple diagrammer til at demonstrere dine pointer.
3. Anvend et solidt datasæt
Når du analyserer en kampagnes effekt på din virksomheds salg eller KPI’er, er det fristende at bruge en outlier i din analyse. En outlier er en observation, der skiller sig markant ud fra resten af observationer. En almindelig outlier er eksempelvis en stor stigning i budgettet, som kan være med til at manipulere tallene i datasættet.
Når du støder på outliers, er det nødvendigt at analysere dem, stille spørgsmål og undersøge integriteten af dem. Er der en årsagssammenhæng, eller er tallene blot steget på grund af en budgetforøgelse? Det gælder om at få antagelserne frem i lyset, for på den måde kan du få en valid analyse.
4. Hav styr på datakilderne
Møder du delvise datasæt og data fra ukendte kilder er der grund til at være særlig opmærksom. Delvise datasæt kan måske tilføje kontekst til dine resultater, men de bør ikke danne grundlag for analysen, fordi de kan føre til dataforvridning. I den sammenhæng kan der opstå selektionsbias.
Selektionsbias opstår, når man analyserer et datasæt, der ikke er repræsentativt for populationen. Eksempelvis er data om salg på ét marked ikke nødvendigvis repræsentative for resultaterne på alle markeder. Det er derfor afgørende at have styr på datakilderne, når du anvender data i din analyse.
5. Begræns test af variabler
Mange marketingprofessionelle benytter sig af at teste og lære af de marketingtiltag, de søsætter. Det betyder, at de konstant optimerer indsatserne på tværs af forskellige taktikker og kanaler. Det kan gøre det svært at isolere virkningen af hver enkelt kampagneaktivitet på hypoteser eller KPI’er.
For at kunne forstå korrelationseffekterne af tiltagene er det en god ide at begynde med en designet test-og-lær-kampagne, hvor du begrænser afprøvningen af forskellige variabler og analyserer de isolerede resultater for sig selv.
6. Start altid med en hypotese
Tænk på korrelationsanalyse som et eksperiment. Det hjælper at kende sin hypotese fra begyndelsen. Det kan hjælpe dig med at vælge de rigtige visuelle elementer til at støtte dit eksperiment. Ofte kaster marketingfolk sig ud i data uden at vide, hvad de ønsker at få ud af dem, hvilket i sidste ende kan føre til et usammenhængende resultat.
7. Måling på kort og lang sigt
Et brand opbygges ikke fra den ene dag til den anden. De marketingtiltag, du laver, har muligvis en direkte effekt på dit brands KPI’er. Hvis du har viden om, hvordan dine forbrugere reagerer på tiltagene, kan du bedre finde metoder til at analysere dine data. Derfor er det vigtigt at udarbejde en kortsigtet og langsigtet strategi for måling.
Nøglen til at analysere korrelation og kausalitet er at forstå forskellen mellem de to. Begynd din analyse med korrelation, og lad dine spørgsmål styre dine resultater. Sørg desuden altid for, at antagelserne bliver nævnt, samt at diagrammerne er enkle. Så er du godt på vej mod at have knækket koden til god korrelation uden at træde i de typiske datafælder.
Se hvilke trends og udfordringer internationale marketingprofessionelle sidder med i dag i Salesforces State of Marketing.
