Beteendedata är raketbränsle

Data är överallt. Alla vill ha data. Mer information. Datadriven  ska man vara. Och när vi ber om mer data får vi mer data – mycket data blir det. Data är otroligt värdefullt. Vissa kallar det till och med den nya oljan. Men det är lätt att gå vilse i dataskogen. Om du hade svårt att få ut värdet av din data, beror det kanske på att du har fel typ av data? Eftersom det mest värdefulla av alla former av data är beteendedata – det nya raketbränslet för din organisation.

Inte alla former av kunddata är värdefulla

”Att lära känna din kund” och få kundinsikter som du kan agera på är nirvana för en marknadsförare på 2000-talet. Det är en no-brainer. Och fortfarande kämpar många organisationer för att förstå sin kunddata och utvinna det värde som finns inbäddat i den.

Jag skulle vilja hävda att det beror på att de har fel information om sina kunder. Den kunddata som är mest värdefull och mest användbar är beteendedata. I det här blogginlägget kommer jag att undersöka vad beteendata är, hur du kan samla in det och hur du gör det till mycket potent raketbränsle.

Conversion Jam Speaker
John Ekman – Grundare av Conversionista
Missa inte John på Conversion Jam, där han kommer att visa på ännu fler exempel på värdet av beteeendedata.

Biljett fixar du här!

Men först, låt oss gå tillbaka i tiden.

Kundens åsikter – tillräckligt bra?

Innan vi fick Internet och direktförsäljning till konsument var hela processen med att samla in kundinsikter mycket komplex, lång och hade en mängd felkällor.

En produktchef ville lansera en en ny produkt. Hen började med en marknadsundersökning. Om det gick bra – utveckla och lansera produkten. Distribuera produkten till återförsäljare och informera dem om den kommande produktlanseringen. Skapa en marknadsföringskampanj. Se att försäljningen börjar komma in (ofta med flera månaders fördröjning eftersom det tog lång tid att få tillbaka försäljningsdata från återförsäljare). Slutligen, i slutet av den långa processen, möjligen få lite kundfeedback om användarnas uppfattning av  produkten.

I denna process var det omöjligt för varumärkesägare och produktchefer att direkt observera hur konsumenter reagerade kring produkten och hur de använde den. Så de bestämde sig för att göra det näst bästa: att prata direkt med kunden. Et voilá – fokusgrupper och djupgående kundintervjuer.

Eftersom vi inte kunde observera faktiskt beteende bestämde vi oss för att gå på det näst bästa – fråga konsumenterna vad de trodde att deras beteende var.

Attityddata – fördelar och nackdelar

Typen av kunddata som genereras av dessa fokusgrupper och intervjuer är ”attityddata”. Det speglar mestadels konsumenternas attityd gentemot ditt varumärke och dina produkter i förhållande till produkterna från konkurrerande märken.

• ”Skulle du föredra ABC-varumärket kontra XYZ-varumärket?”
• ”Hur skulle du beskriva detta varumärke med dina egna ord?”
• ”Skulle du rekommendera det här varumärket till en vän och i så fall vilken typ av vän?”

Det här är typiska frågor som du hittar i en sådan intervju. Som du ser beskriver de mest personens attityd till ditt varumärke. Det handlar om vad de tycker om det.

Dessa insikter kan vara mycket värdefulla. Om du får reda på att det budskap du vill förmedla och hur du vill att kunderna ska uppleva ditt varumärke och du ser att dina produkter inte lever upp till dessa förväntningar – då har du ett starkt argument för ett varumärkespositioneringsprojekt.

Det bästa exempel jag vet här är hur Volvo kunde gå från att vara en familjebil med fokus på säkerhet till att bli ett premiumvarumärke genom att använda mega-coola kändisar i sin marknadsföring. – ”Om Zlatan kan köra en Volvo och vara cool, varför skulle inte jag kunna göra det?!”

Att ändra varumärkesattityder är målet för varumärkesmarknadsföring. Och bra varumärkesmarknadsföring  är oerhört värdeskapande.

MEN.

När vi kommer längre ner i kundresan till den punkt där konsumenterna fattar beslut i dina Facebook-kampanjer, på din landningssida, i dina e-postmarknadsföringsflöden – då blir denna typ av data mindre värdefull.

Det är mycket svårt att förutse vad din kund kommer att göra eller inte göra baserat på deras attityd eller känsla i förhållande till  ditt varumärke i allmänhet.

Eller på ett mer vetenskapligt språk: Attityddata har svag prediktiv förmåga vad gäller att förutspå beteende.

Webbundersökningar – den digitala versionen av kundintervjuer

I början av ny teknik använder vi den oftast inte för att skapa radikala nya innovationer, utan istället använder vi den för att skapa nästa version av saker vi redan har. Detta är inkrementell innovation i motsats till disruptiv innovation.

I början av Internet-eran kunde vi fortfarande inte observera användarnas beteende direkt på våra digitala plattformar, så vi gick till det näst bästa igen – vi frågade dem.

Du har antagligen sett eller till och med deltagit i en av dessa webbundersökningar:

Det finns två problem med denna strategi:

1. Observation bias
2. System 1 – System 2 beteende

Observation bias: Hej, vi tittar på dig!

Troligtvis har du hört talas om de belysningsexperiment som utfördes på Hawthorne-fabriken i Cicero, Illinois mellan 1924-1927. Kort sammanfattning: De fann att produktiviteten i fabriken ökade – inte på grund av de specifika förändringar som gjordes i arbetsmiljön, utan bara på grund av det faktum att de gjorde några förändringar överhuvudtaget och observerade fabriksarbetarna, den sk. Hawthorne-effekten.

Denna studie har ifrågasatts, men många andra studier har fortfarande bekräftat att vi har det som kallas Observation bias: När människor vet att de observeras förändras deras beteende.

System 1 – System 2 beteende

Den andra faktorn som förvränger resultaten i webbundersökningar har att göra med vårt irrationella, snabba och emotionella beteende, särskilt i en online-miljö. Nobelprisvinnaren Daniel Kahneman och hans kollega Amos Tversky upptäckte ett mönster i hur vi fattar beslut, vanligtvis kallat System 1 – System 2-tänkande.

Kortfattat; System 1-delen av vår hjärna fattar de flesta besluten i vårt dagliga liv. System 1 kör på som ett slags autopilot och fattar inte de mest perfekta besluten, men tillräckligt bra beslut, som inte innebär alltför mycket jobbigt tankearbete.

Problemet är att när vi svarar på frågor i en undersökning pratar vi med system 2-delen av hjärnan, som inte ens var inblandad i att fatta beslutet. Och den här delen av hjärnan talar bara ett språk som jag kallar ”Rationelliska”. Så det kämpar nu för att hitta rationella förklaringar för vårt beteende.

Eller för att vara lite brutal: Människor har ingen aning om vad de gör online.

Vi fattar emotionella beslut som vi sedan försöker hitta rationella förklaringar till.

Ok – låt oss prova demografiska data

Om attityddata inte gör jobbet, låt oss prova demografiska data. Denna typ av data beskriver hur gammal en person är, om det är en man eller en kvinna, var de bor, hur mycket pengar de tjänar, vilka tidskrifter de läser, vilka hobbies de har och så vidare.

Innehavaren och initiativtagaren till denna typ av data heter: Mediabyrån.

Budskapet i en marknadsföringskampanj föregås ofta av en mediaplan. Vi berättar för mediebyrån att vi vill nå urbana kvinnor mellan 30-50, med en disponibel inkomst mellan si och så, och så vidare. De gör sin magi och säger att vi ska spendera 30% av vår budget på sociala medier, 20% utomhus i tunnelbanor, 15% på TV4 och så vidare.

Så demografiska data är riktigt bra när du vill ta reda på var och hur ska du spendera din mediebudget. Men där slutar  det. Ofta paketeras dessa data i så kallade personas. Men om personabeskrivningen mestadels är demografisk kommer den inte att hjälpa dig med mycket annat än att köpa media. Eller som min goda vän Bryan Eisenberg uttrycker det:

Att gå över till beteendedata

Nu kanske du säger till dig själv:

– ”Det här är vettigt, men var är beviset och hur tillämpar jag det?”

Kul att du frågade – låt mig visa dig detta case från ett projekt med Skandia.

Vi hade fått uppgiften att utveckla en landningssida för en rådgivningstjänst för pensionssparande.

Som input till vårt arbete fick vi en beskrivning av målgruppen, nästan uteslutande byggd på demografiska data. I designprocessen kom vi till en punkt där vi behövde fatta ett beslut mellan två designalternativ. Vi ville vara datadrivna, så vi grävde i datasetet som vi fått. Men vi upptäckte snart att dessa demografiska data var värdelösa när det gällde att fatta ett designbeslut. Så istället gjorde vi några snabba användartester med vår eye-trackingutrustning.

Så vi bytte ut processen med att:

– “Argumentera kring värdelösa demografiska data i ett långt möte med flera högt betalda personer”

till

– ”Snabbt utveckla ett testscenario, och testa det på riktiga användare, fånga deras beteendedata, generera värdefulla insikter på bara några timmar totalt utfört av endast en högt betald person från vår sida.”

Här är en kort video om du vill kolla caset:

De flesta företag borde göra detta oftare eftersom det är så kraftfullt.

Kraften i beteendedata

Jag startade Conversionista eftersom jag ville skapa det främsta företaget inom konverteringsoptimering i Skandinavien. Konverteringsoptimering, eller CRO, låter väldigt smalt och begränsat per definition, men det handlar egentligen om att öka antalet framgångsrika resultat på dina digitala plattformar.

Resultatet kan vara ett köp, registrering till ett  nyhetsbrev eller nedladdning av ett whitepaper. Oavsett vad det är – vi vill få det att hända oftare. Nu är alla dessa saker jag just beskrivit beteenden. Så om du vill att ett beteende ska inträffa oftare jobbar du med beteendeförändring. Och du kan inte förvänta dig att styra eller knuffa eller påverka beteendet om du inte förstår dina kunders nuvarande beteende. Därför är beteendedata viktigt.

Om du vill ändra beteenden måste du fokusera på beteendedata.

Hela processen blir sedan:

1. Förstå, så detaljerat som möjligt, bakgrunden, motivationen och avsikten hos de människor som kommer till din digitala plattform, vars beteende du nu vill påverka. (Och vi pratar inte om var de bor, om de har en hund eller inte, eller om de gillar att sticka).

2. Analysera sedan deras nuvarande beteende.
3. Skapa sedan hypoteser för hur du kan ändra deras beteende så att det leder till mer framgångsrika resultat.
4. Slutligen – bevisa dina hypoteser i ett vetenskapligt robust och kontrollerat experiment.

Lätt, eller hur?!

Om du saknar något av dessa fyra steg i din process minskar du sannolikheten för framgång dramatiskt. Inga genvägar, tack!

Hur du får din beteendedata

Det finns faktiskt många källor till beteendedata. Den vanligaste är dina webbanalysverktyg som Google Analytics eller Adobe Analytics. Men se upp – värdefull beteendedata kan fortfarande döljas bakom standardrapporter och s.k. ”vanity metrics”. De är mätetal på övergripande nivå, som det totala antalet besökare, som ser bra ut om de ökar – men du har faktiskt mycket liten möjlighet att påverka dem.

Det bästa sättet att få rätt beteendata är att arbeta dig bakåt. Först måste du försöka räkna ut – ”Vilket är det beteende jag vill påverka – Är det ett särskilt scrollbeteende, är det ett klick på en knapp, eller är det starten på ett onlineformulär?”

För det andra måste du ta reda på om du för närvarande fångar alla detaljer i den upplevelsen eller beteendet? Troligtvis gör du inte det. Även om du har Google Analytics installerat bör du veta att GA inte spårar alla dina viktiga händelser på kritiska sidor om du inte specifikt lägger till tracking till dessa händelser.

I många fall när vi kommer till kunder och ställer sådana frågor får vi de obekväma svaren – ”vet inte”, ”jag måste kontrollera det”, ”inte säker …”.

Och webbanalys-verktyg har många begränsningar. Du kan se klick på klickbara objekt på en sida men det är svårt att se i vilken ordning de händer och det är omöjligt att se om folk försöker klicka på saker som inte är klickbara. I webbanalysverktyget kan du se om användarna når ett visst scrolldjup, men du kan inte se scrollsbeteendet i detalj: hur snabbt det händer, om de går upp igen, kommer ner igen och så vidare.

Det är då du behöver ett verktyg för interaktionsanalys, som Hotjar eller Fullstory. De kommer att ge dig det mesta av denna beteendedata.

Det sista steget i användarinsikter och beteendedata är användningstester och ögonrörelsestudier (eyetracking). När du använder verktyg för interaktionsanalys ser du allt som händer på skärmen men det finns ytterligare två saker som användningstester och ögonrörelsestudier kan avslöja:

1. Du ser vad som händer när ingenting händer. Användare fastnar ofta, och om du kan fånga deras blick, deras kroppsspråk, verbala eller icke-verbala kommunikation vid denna punkt i deras användarupplevelse, kommer du säkert att få många aha-ögonblick.
2. Du har möjlighet att direkt fråga användaren vad som går fel, vad som fungerar eller inte. Företrädesvis görs detta i en så kallad ”retroactive think-aloud”. Detta innebär att användaren går igenom upplevelsen först och sedan ställer du uppföljningsfrågor efter – när de tittar på en inspelning av sin session.

Dessa analysverktyg och metoder ger dig massor av insikter men du måste stänga loopen själv – svara på frågan VARFÖR dessa beteenden händer, och hur vi kan ändra dem till vår fördel. Min bästa rekommendation är att läsa många böcker och bloggar om konsumentbeteende och beteendekonomi. Mina bästa är:

Robert Cialdini: Pre-suasion

Dan Ariely: Dan Ariely: Predictibly irrational

Nick Kolenda: Methods of persuasion

Hur säkra kan vi vara på våra slutsatserna?

Om du är observant märkte du förmodligen att vi drog en slutsats från en datamängd med 10 observationer i Skandia-fallet. Vi hade skapat en kvalitativ datamängd och sedan drog vi kvantitativa slutsatser av den – inte bra. Om du vill lära dig mer om hur du kan arbeta med kvalitativa och kvantitativa data tillsammans har vi ett blogginlägg för detta också.

Hur som helst – vi tror att det är bättre att basera dina beslut på en liten datamängd (om det är allt du har) än att fatta beslut baserat på INGEN data.

Så detta är det tveeggade svärdet av data. Du måste vara strikt och försöka arbeta hårt för att säkerställa datakvalitet och statistisk robusthet, men samtidigt måste du acceptera att det finns begränsningar och du måste fatta beslut på ofullkomliga data. Det handlar inte om antingen-eller. Du måste kunna göra båda.

Men viktigast av allt – fokusera din organisation kring den mest värdefulla datatypen – beteendedata. Och se ditt hur ditt nya raketbränsle får ditt företag att bli intergalaktiskt.