Yksinkertainen data toimii tiedolla johtamisen kompassina – kunhan sitä analysoidaan

Verkkokaupan tuottama data tarjoaa loputtoman paljon ideoita ja mahdollisuuksia kaupan kehittämiseen.  Se voi tuntua aluksi hyvältä, mutta se voi nopeasti kääntyä myös kasvua hidastavaksi ja lamaannuttavaksi ongelmaksi.

Miksi analytiikka on tärkeää? 

Hyvin toimiva analytiikka toimii tiedolla johtamisen kompassina. 

• Sen avulla pystyy tunnistamaan kaikkein suurimmat ja kannattavimmat toimenpiteet. 
• Se mahdollistaa kokeilujen tekemisen, joiden avulla pystyy varmistamaan toimenpiteiden tehokkuuden. 
• Kokeilut opettavat meille ns. Leading-indikaattoreita, joiden avulla tiedolla johtamisen kompassi toimii entistä tarkemmin ja tiedolla johtaminen tehostuu entisestään. 

Jos onnistut yhdistämään loputtoman tuntuiset todo-listat myyntiin ja kuluihin, analytiikka kertoo, mitä kaikkea kannattaa jättää tekemättä. 

Tekemättä jätetyt valinnat kiihdyttää kasvuasi kaikkein eniten, kun opit sanomaan turhille asioille ei. 

Olen oppinut tämän itsekkin kantapään kautta, koska olen niin innokas kokeilemaan kaikenlaista ja aikaa tuhrautuukin mielenkiintoisten ideoiden parissa, jotka eivät ole niin tärkeitä.  

Jos sinulla on tunne, että analytiikka ei toimi tiedolla johtamisen kompassina parhaalla mahdollisella tavalla, niin kannattaa miettiä asioiden yksinkertaistamista. 

Miten analytiikan kanssa päästään alkuun? 

Usein analytiikasta keskustellessa keskusteluun liittyy hirvittävä määrä teknologiaan liittyvää monimutkaisuutta. Monimutkaisuus saa asiat tuntumaan raskailta ja monet luovuttamaan jo alkumetreillä. 

Data pipelines, data warehouses, data governance, GDPR, evästeiden kuolema, tracking on rikki, ”siellä näkyy vaan 60% eventeistä, viime vuonna oli vielä 92%”, BI-alustan uudistusprojekti 2025, meiltä puuttuu vielä se data…  

Isoja enterprise tason ratkaisuja rakentaessa kaikki tämä onkin tärkeää. Myös web-analytiikan haasteet ovat ihan todellisia. Tässä vaiheessa kannattaa pysähtyä miettimään, mitä me ollaan mittaamassa ja miksi sitä yritetään mitata. 

Tiedolla johtamisen kanssa pääsee alkuun myös: 

• Paljon yksinkertaisemmilla keinoilla 
• Datalla, joka on varmasti saatavilla
• Datalla, johon voit varmasti luottaa. 

Tämä kuva kiteyttää hienosti, miten yksinkertaisella datalla, voit alkaa johtamaan monia keskeisiä kasvun prosesseja selkeällä ja toimivalla datalla. 

Kuva 1: Asiakas, myynti ja aika toimivat yksinkertaisen analytiikan kivijalkana

Näin yksinkertaisesta myyntidatasta voi johtaa paljon keskeisiä tiedolla johtamisen mittareita. Sellaisia mittareita, joiden avulla voit irtautua teknologian ja evästeiden monimutkaisuudesta ja keskittyä kasvun johtamiseen. 

Avaan tähän konkreettisen esimerkin tiedolla johtamisesta ja miten tämä yksinkertainen data voi johtaa leading-indicators mittariston kautta johdettuun kasvuun. 

Konkreettinen esimerkki tiedolla johdetusta prosessista

Aloitetaan esimerkki parista isosta havainnosta, joita siitä yksinkertaisesta excelistä voidaan mallintaa esiin. 

Kuva 2: Liikevaihto mallinnettuina desiileihin 

Meidän kannattaa keskittyä myynnin ja asiakashankinnan priorisoinnissa näihin desiileihin, jolloin onnistumisilta voidaan odottaa paljon suurempia tuloksia. 10% kasvu kärkidesiilien lukemissa on 20X suurempaa kasvua vrt pienimpien desiilien kasvuun. Työmäärä ja mainonnan kulut saattavat olla samaa luokkaa tai pienempiä.

Kuva 3: Ensimmäisen 180 päivän myynti ja mihin suuntaan se on kehittymässä. 

Tätä mittaria seuraamalla opitaan, miten paljon meidän kannattaa maksaa uusista asiakkaista. Laskelma pitää tietysti tehdä katteeseen asti laskettuna, mutta siitä laskelmasta seuraa, että uusien asiakkaiden Cost Per Acquisition mittari eli CPA saa olla XX euroa.

Kuva 4: Decile 10 asiakkaat myynti 180 päivän aikana on 3X suurempi  

Viimeinen kuva kertoo, että me voisimme kasvaa 3X nopeammin, jos me löydetään lisää decile 10 asiakkaita. Adhoc analyysien panostus kannattaa laittaa selvästi decile 10 asiakkaiden opiskeluun ja haastatteluihin. 

Myös datan kautta on aika helppoa löytää decile 10 asiakkaiden menestyksen kaava esimerkiksi tuoteryhmien, tilauksien postinumeroiden ja asiakkaiden demografia-datan kautta.   

Leadin-indicators ja lagging measures

Näistä havainnoista voidaan rakentaa tiedolla johdettu selkeä prosessi kohti kasvua.

Datan kautta voidaan johtaa leading-indicators mittareita, joiden avulla voidaan ennustaa tulevaa kasvua ja asettaa vaikka viikkotason tavoitteita uusien asiakkaiden määrälle. 

Data opettaa meille myös hyvät lagging measures-mittarit, joiden avulla prosessin kustannuksia voidaan kontrolloida jälkikäteen tehtyjen päätösten kautta ja visualisoitu mittari ohjaa tekemistä jatkuvasti kohti sopivaa arvoa kalibroiden itse itseään. 

• Kuinka monta uutta asiakasta per viikko saadaan?  Aikaisemmin näytetyn trendin ja kasvutavoitteiden perusteella voidaan laskea viikkotason tavoite tälle mittarille. Sen avulla markkinoinnin tiimi saa konkreettisen vastauksen, oliko meillä hyvä viikko vai ei. Tämä mittari myös reagoi nopeasti markkinoinnin tekemiseen ja testeihin.
   
• Kuinka monta decile 10 asiakasta saadaan per viikko? Tämä voi olla toissijainen toimintaa täydentävä tavoite, jotta asiakashankinta pyrkii hankkimaan arvokkaampia asiakkaita ja fokusoi tekemistä tälle tärkeälle havainnolle.
  
• Mikä oli uuden asiakkaan CPA eli Cost per Acquisition? 180 päivässä tapahtuvan uusien asiakkaiden myynnistä voidaan johtaa maksimi CPA:n taso. Jos viikkotason CPA menee selvästi tämän alle, markkinoinnin tiimi voi syöttää tekoälyn tavoitteeksi uuden CPA tason ja markkinoinnin alusta alkaa tehdä töitä kohti uutta tavoitetta.
  
• Mikä oli decile 10 asiakkaan CPA? Tämän mittaaminen tarkkuuteen kannattaa panostaa, koska datan perusteella näiden hankintaan voidaan laittaa moninkertainen määrä rahaa ja se muuttuu kannattavaksi nopeasti.

Tämä yksinkertainen ja selkeä mittaristo voi johtaa nopeammin kohti kasvua ja samalla monimutkaisista analyyseista ja raporteista vapautuu aikaa markkinoinnin kehittämiseen muista näkökulmista. Aikaa voidaan käyttää enemmän esimerkiksi mainonnan sisällön kehittämiseen ja testaamiseen. 

Data on kaikkien käytettävissä helposti ja siihen voidaan varmasti luottaa. Prosessin mittariston rakentaminen ei maksa juuri mitään ja riittää, että virkistät lukemat vaikka kerran viikossa excelin kautta. 

Mitä jos isot data-alustat ja dashboardit ovat jo käytössä? 

Isojen analytiikka-alustojen kehittäminen on kallista ja niissäkin on ajan saatossa isot riskit, että datan määrä ja kehitysideoiden määrä alkaa johtamaan tekemistä harhaan. 

Tässäkin kohdassa voi olla paikallaan yksinkertaistaa asioita, pysähtyä oman datan ääreen ja pysähtyä miettimään:  Mitä me yritetään mitata ja miksi sitä mitataan? Antaako nykyinen näkymä kirkkaan vastauksen ja kasvuun liittyvien päätösten tueksi vai onko dashboardeissa jo liikaa kaikkea? 

Näiden kysymyksien kautta saattaa hyvinkin kirkastua, että jotain ideoita ja tekemistä voidaan jättää pois, mittareita voidaan vähentää ja se iso data-alusta alkaakin tuottamaan parempaa dataa päätöksien tueksi pienemmillä kustannuksilla.

Miten datan ja kokemuksen ristiriidan voi ratkaista?

Joskus omat kokemukset voivat olla eri mieltä sen kanssa, mitä data näyttää kertovan.

 Hyvin rakennettu ja selkeä analytiikka mahdollistaa myös kokeilujen tekemisen, joiden avulla nämä ristiriidatkin voidaan ratkaista. 

Esimerkiksi markkinoinnin kokeiluihin ei tarvitse aina laittaa lisää euroja peliin. Jos jostain markkinoinnin kanavasta tiputetaan merkittävästi kuluja pois ja myynti pysyy silti samana, niin tämä kokeilu ei maksanutkaan mitään ja tämä budjetti voidaan sijoittaa kasvua tuottaviin toimenpiteisiin jatkossa. 

Tämmöisestä testauksesta hyvänä esimerkkinä esimerkiksi re-marketing tyyppinen mainonta, jonka vaikutuksia voi olla vaikea nähdä kokonaismyynnissä. 

Jotta kokeilujen tekeminen olisi mahdollista, niin analytiikan tärkeä tehtävä on määritellä myynnin selkeä baseline. Tässä vielä lopuksi muutamia yksinkertaisia keinoja baselinen määrittämiseen.

Kuva 5: Päivätasolle aggregoitu myynti vs. Rolling 7 days myynti

Jos päivämäärän tasolle aggregoitu myynti vaihtelee villisti, kannattaa kokeilla rolling XX days tekniikkaa. Sen avulla myynnin baseline piirtyy selkeänä näkyviin jossain vaiheessa. Mitä suuremmaksi XX days kasvaa, sitä selkeämpi trendi alkaa tulla näkyviin. 

Kuva 6: Päivätasolle vs. viikkotasolle vs. kuukausitasolle aggregoitu myynnin trendi.

Jos rolling xx days tuntuu hankalalla, voit myös aggregoida trendit viikkojen tai kuukausien tasolle.

Baseline harjoituksen tekeminen antaa myös hyvää osviittaa siihen, miten pitkään testit tulevat todennäköisesti kestämään, jotta saat riittävästi dataa testin tulosten analysointiin.

Kääritäänkö hihat ja ryhdytään analysoimaan yksinkertaista dataa?

Näitä yksinkertaisia vinkkejä soveltamalla pääsette johtamaan kasvua ja tekemään experimenttejä käytännössä ilmaisilla Exceliin perustuvalla myyntidatalla.

Toivottavasti kirjoituksen vinkeistä on iloa ja analytiikka toimii tiedolla johtamisen kompassina.