Atferdsdata er rakettdrivstoff

Data er overalt. Alle vil ha data. Mer informasjon. Du må være datadrevet. Og når vi ber om mer data, får vi mer data – det blir mye data. Data er utrolig verdifullt. Noen kaller det til og med den nye oljen. Men det er lett å gå seg vill i dataskogen. Hvis du har problemer med å regne ut verdien av dataene dine, er det muligens fordi du har feil type data? Ettersom det mest verdifulle av alle former for data er atferdsdata – det nye rakettdrivstoffet for organisasjonen din.

Ikke alle former for kundedata er verdifulle

”Å bli kjent med kunden din”  og få kundeinnsikter som du kan handle ut fra, er nirvana for en markedsfører i det 21. århundre. Det er en no-brainer. Og likevel sliter mange organisasjoner med å forstå kundedataene sine og trekke ut verdien den inneholder.

Jeg vil hevde at dette er fordi de har feil informasjon om kundene sine. Den mest verdifulle og nyttige kundedataen er atferdsdata. I dette blogginnlegget vil jeg undersøke hva atferdsdata er, hvordan du kan samle den inn og hvordan du kan gjøre den om til et veldig kraftig rakettdrivstoff.

Conversion Jam Speaker
John Ekman – Grunnlegger av Conversionista
Gå ikke glipp av John på Conversion Jam, hvor han vil vise enda flere eksempler på verdien av atferdsdata.

Skaff deg billett her!

Men først, la oss gå tilbake i tid.

Kundens meninger – bra nok?

Før vi fikk internett og direkte salg til forbrukere, var hele prosessen med å samle inn kundeinnsikt veldig kompleks, lang og hadde mange feilkilder.

En produktsjef ønsket å lansere et nytt produkt. Han startet med en markedsundersøkelse. Hvis den gikk bra – utvikle og lansere produktet. Distribuere produktet til forhandlere og informere dem om den kommende produktlanseringen. Lage en markedsføringskampanje. Se at salg begynner å komme inn (ofte med flere måneders forsinkelse fordi det tok så lang tid å få tilbake salgsdata fra forhandlerne). Til slutt, på slutten av den lange prosessen, mulighet for noen få tilbakemeldinger fra brukerne om brukernes oppfatning av produktet.

I denne prosessen var det umulig for merkevareeiere og produktsjefer å direkte observere hvordan forbrukere reagerte på produktet og hvordan de brukte det. Så de bestemte seg for å gjøre det nest beste: snakke direkte med kunden. Og dermed – fokusgrupper og fordypende kundeintervjuer.

Siden vi ikke kunne observere faktisk atferd, bestemte vi oss for å ty til det nest beste – spørre forbrukerne hva de trodde atferden deres var.

Holdningsdata – fordeler og ulemper

Type kundedata generert av disse fokusgruppene og intervjuene er «holdningsdata». Den gjenspeiler for det meste forbrukernes holdninger til merkevaren din og produktene dine i forhold til produktene fra konkurrerende merker.

• «Foretrekker du ABC-merket fremfor XYZ-merket?»
• «Hvordan vil du beskrive dette merket med dine egne ord?»
• «Vil du anbefale dette merket til en venn, og i så fall hva slags venn?«

Dette er typiske spørsmål du finner i et slikt intervju. Som du kan se, beskriver de fleste personens holdning til merkevaren din. Det handler om hva de synes om den.

Disse innsiktene kan være veldig verdifulle. Dersom du finner ut at budskapet du ønsker å formidle og hvordan du vil at kundene skal oppleve merkevaren din, og du ser at produktene dine ikke lever opp til disse forventningene – da har du et sterkt argument for et prosjekt for merkevareposisjonering.

Det beste eksemplet jeg kjenner til her er hvordan Volvo gikk fra å være familiebil med fokus på sikkerhet til å bli et premium varemerke ved å bruke mega-kule kjendiser i markedsføringen sin. – «Hvis Zlatan kan kjøre Volvo og være kul, hvorfor skulle ikke jeg også kunne det?!»

Endring av varemerkeholdninger er målet for merkevaremarkedsføring. Og god merkevaremarkedsføring er ekstremt verdiskapende.

MEN…

Når vi kommer lenger ut i kundereisen, til det punktet hvor forbrukerne tar beslutninger i Facebook-kampanjene dine, på landingssiden din, i e-postmarkedsføringsfeedene dine – blir denne typen data mindre verdifull.

Det er veldig vanskelig å forutsi hva kunden din vil gjøre eller ikke ut fra deres holdning eller følelse i forhold til merkevaren din generelt.

Eller på et mer vitenskapelig språk: Holdningsdata har svak prediktiv evne når det gjelder å forutsi atferd.

Nettundersøkelser – den digitale versjonen av kundeintervjuer

I begynnelsen av ny teknologi bruker vi den vanligvis ikke til å skape radikale nye innovasjoner, men i stedet bruker vi den til å lage den neste versjonen av ting vi allerede har. Dette er inkrementell innovasjon i motsetning til disruptiv innovasjon.

Helt i begynnelsen av internett-æraen kunne vi fremdeles ikke observere brukernes oppførsel direkte på våre digitale plattformer, så vi tydde til det nest beste igjen – vi spurte dem.

Du har sannsynligvis sett eller deltatt i en av disse nettundersøkelsene:

Det er to problemer med denne strategien:

1. Observasjonsbias
2. System 1 – System 2-atferd

Observasjonsbias: Hei, vi ser deg!

Du har sikkert hørt om belysningseksperimentene som ble utført på Hawthorne-fabrikken i Cicero, Illinois mellom 1924-1927. Kort sammendrag: De fant ut at produktiviteten i fabrikken økte – ikke på grunn av de spesifikke endringene som ble gjort i arbeidsmiljøet, men bare på grunn av det faktum at de i det hele tatt gjorde noen endringer og observerte fabrikkarbeiderne, den såkalte Hawthorne-effekten.

Denne studien har det blitt stilt spørsmålstegn ved, men mange andre studier har fortsatt bekreftet at vi har det som kalles observasjonsbias: Når folk vet at de blir observert, endres deres atferd.

System 1 – System 2-atferd

Den andre faktoren som forvrenger resultatene av nettundersøkelser har å gjøre med vår irrasjonelle, raske og følelsesmessige oppførsel, spesielt i et online-miljø. Nobelprisvinneren Daniel Kahneman og hans kollega Amos Tversky oppdaget et mønster i hvordan vi tar beslutninger, ofte kalt System 1 – System 2-tenkning.

Kort sagt: System 1-delen av hjernen vår tar de fleste av beslutningene i vårt daglige liv. System 1 går som en slags autopilot og tar ikke de mest perfekte avgjørelsene, men gode nok avgjørelser, som ikke innebærer for mye hardt tankearbeid.

Problemet er at når vi svarer på spørsmål i en studie, snakker vi til system 2-delen av hjernen, som ikke engang var involvert i å ta avgjørelsen. Og denne delen av hjernen snakker kun ett språk, som jeg kaller ”rasjonalitetsspråket”. Så den sliter nå med å finne rasjonelle forklaringer på vår oppførsel.

Eller for å være litt brutal: Folk aner ikke hva de gjør på nettet.

Vi tar emosjonelle avgjørelser som vi deretter prøver å finne rasjonelle forklaringer på.

Ok – la oss prøve demografisk data

Hvis holdningsdata ikke gjør jobben sin, la oss prøve demografisk data. Denne typen data beskriver hvor gammel en person er, om det er en mann eller en kvinne, hvor de bor, hvor mye penger de tjener, hvilke blader de leser, hvilke hobbyer de har og så videre.

Innehaveren og initiativtakeren til denne typen data heter: mediebyrået.

Budskapet til en markedsføringskampanje innledes ofte av en medieplan. Vi forteller mediebyrået at vi ønsker å nå fram til urbane kvinner mellom 30-50, med en disponibel inntekt mellom så og så mye, og så videre. De gjør sin magi og forteller oss at vi bør bruke 30 % av budsjettet vårt på sosiale medier, 20 % utendørs på T-bane og deres stasjoner, 15 % på TV4 og så videre.

Så demografisk data er veldig bra når du ønsker å finne ut hvor og hvordan du bør bruke mediebudsjettet ditt. Men der ender det. Disse dataene blir ofte innpakket i såkalte personas. Men hvis personasbeskrivelsen for det meste er demografisk, vil den ikke hjelpe deg med mye annet enn å kjøpe media. Eller som min gode venn Bryan Eisenberg uttrykker det:

Å gå over til atferdsdata

Nå sier du kanskje til deg selv:

– «Dette er fornuftig, men hvor er bevisene og hvordan bruker jeg dem?»

Glad du spurte – la meg vise deg denne saken fra et prosjekt med Skandia.

Vi hadde fått oppgaven med å utvikle en landingsside for en rådgivningstjeneste for pensjonssparing.

Som innspill til arbeidet vårt mottok vi en beskrivelse av målgruppen, nesten utelukkende basert på demografisk data. I designprosessen kom vi til et punkt der vi trengte å ta en beslutning mellom to designalternativer. Vi ønsket å være datastyrte, så vi gravde i datasettet vi fikk. Men vi oppdaget snart at disse demografiske dataene var ubrukelige når det gjaldt å ta en designbeslutning. Så i stedet gjorde vi noen raske brukertester med vårt eye-trackingsutstyr.

Så vi erstattet prosessen med å:

– “diskutere unyttig demokratisk data i et langt møte med flere godt betalte personer”

med å

– «kjapt utvikle et test-scenario, og teste det på virkelige brukere, fange deres atferdsdata, generere verdifull innsikt på bare noen få timer utført av kun én godt betalt person fra vår side.»

Her er en kort video hvis du ønsker å se nærmere på saken:

De fleste selskaper bør gjøre dette oftere siden det er så virkningsfullt.

Virkningsfull atferdsdata

Jeg startet Conversionista fordi jeg ønsket å skape det ledende selskapet innen konverteringsoptimalisering i Skandinavia. Konverteringsoptimalisering, eller CRO, høres veldig trangt og begrenset ut per definisjon, men det handler egentlig om å øke antall vellykkede resultater på dine digitale plattformer.

Resultatet kan være et kjøp, registrering for et nyhetsbrev eller nedlasting av et whitepaper. Uansett hva det er – vi vil at det skal skje oftere. Alle disse tingene jeg nettopp beskrev, er atferd. Så hvis du vil at en atferd skal forekomme oftere, jobber du med atferdsendring. Og du kan ikke forvente å kontrollere eller presse eller påvirke atferden hvis du ikke forstår kundenes nåværende atferd. Derfor er atferdsdata viktig.

Hvis du vil endre atferd, må du fokusere på atferdsdata.

Hele prosessen blir da:

1. Forstå, så detaljert som mulig, bakgrunnen, motivasjonen og intensjonen til menneskene som kommer til den digitale plattformen, hvis atferd du nå ønsker å påvirke. (Og vi snakker ikke om hvor de bor, om de har hund eller ikke, eller om de liker å strikke.)

2. Analyser deretter deres nåværende atferd.
3. Lag deretter hypoteser om hvordan du kan endre deres atferd slik at det fører til mer vellykkede resultater.
4. Til slutt – bevis hypotesene dine i et vitenskapelig robust og kontrollert eksperiment.

Enkelt, ikke sant?!

Hvis du mangler noen av disse fire trinnene i prosessen, vil du redusere sannsynligheten for suksess dramatisk. Ingen snarveier, takk!

Hvordan samle inn dine atferdsdata

Det finnes faktisk mange kilder til atferdsdata. De vanligste er nettanalyseverktøyene dine, som Google Analytics eller Adobe Analytics. Men vær forsiktig – verdifulle atferdsdata kan fremdeles være skjult bak standardrapporter og såkalte «Vanity Metrics». De er beregninger på et generelt nivå, som det totale antallet besøkende, som ser bra ut hvis de øker – men du har faktisk veldig liten mulighet til å påvirke dem.

Den beste måten å få riktig atferdsdata på er å jobbe seg bakover. Først må du prøve å regne ut – «Hva er atferden jeg vil påvirke – Er det en bestemt scrolle-atferd, er det et klikk på en knapp, eller er det starten på et online-skjema?»

For det andre, trenger du å finne ut om du for øyeblikket fanger opp alle detaljene i den opplevelsen eller atferden? Det gjør du sannsynligvis ikke. Selv om du har Google Analytics installert, bør du vite at GA ikke sporer alle viktige hendelser på kritiske sider, med mindre du spesifikt legger til sporing til disse hendelsene.

I mange tilfeller, når vi kommer til kunder og stiller slike spørsmål, får vi de svært lite hjelpsomme svarene – «vet ikke», “det må jeg sjekke», «er ikke helt sikker…».

Og webanalyseverktøy har mange begrensninger. Du kan se klikk på klikkbare objekter på en side, men det er vanskelig å se i hvilken rekkefølge de skjer, og det er umulig å se om folk prøver å klikke på ting som ikke er klikkbare. I webanalyseverktøyet kan du se om brukere når en viss scrolle-dybde, men du kan ikke se scrolle-atferden i detalj: hvor fort det skjer, om de går opp igjen, kommer ned igjen og så videre.

Det er da du trenger et verktøy for interaksjonsanalyse, som for eksempel Hotjar eller Fullstory. De vil kunne gi deg det meste av disse atferdsdataene.

Det siste trinnet i brukerinnsikt og atferdsdata er brukstester og øyebevegelsesstudier (eyetracking). Når du anvender verktøy for interaksjonsanalyse, ser du alt som skjer på skjermen, men det er ytterligere to ting som brukstester og øyebevegelsesstudier kan avsløre:

1. Du ser hva som skjer når ingenting skjer. Brukere blir ofte sittende fast, og hvis du klare å fange blikket deres, kroppsspråket og verbal eller ikke-verbal kommunikasjon på dette tidspunktet i brukeropplevelsen, vil du sikkert få mange aha-øyeblikk.
2. Du har muligheten til å spørre brukeren direkte om hva som går galt, hva som fungerer eller ikke. Fortrinnsvis gjøres dette i en såkalt “retroactive think-aloud“. Dette innebærer at brukeren først går gjennom opplevelsen og deretter stiller du oppfølgingsspørsmål – når de ser på et opptak av økten sin.

Disse analyseverktøyene og metodene gir deg mye innsikt, men du må selv lukke løkken – svare på spørsmålet HVORFOR denne atferden skjer, og hvordan vi kan endre den til vår fordel. Min beste anbefaling er å lese mange bøker og blogger om forbrukeratferd og atferdsøkonomi. Mine beste er:

• Robert Cialdini: Pre-Suasion
• Dan Ariely: Predictibly Irrational
• Nick Kolenda: Methods of Persuasion

Hvor sikre kan vi være på våre konklusjoner?

Er du observant, la du antageligvis merke til at vi trakk en konklusjon fra et datasett med 10 observasjoner i Skandia-saken. Vi hadde laget et kvalitativt datasett, og deretter trakk vi kvantitative konklusjoner fra det – ikke bra. Hvis du vil lære mer om hvordan du kan jobbe med kvalitative og kvantitative data sammen, har vi et blogginnlegg om dette også.

Uansett – vi mener det er bedre å basere beslutningene dine på en liten mengde data (hvis det er alt du har) enn å ta beslutninger basert på INGEN data.

Så dette er det tveeggede data-sverdet. Du må være streng og prøve å jobbe hardt for å sikre datakvalitet og statistisk robusthet, men samtidig må du godta at det finnes begrensninger og du må ta avgjørelser om ufullkomne data. Det handler ikke om enten-eller. Du må være i stand til å gjøre begge deler.

Men viktigst av alt – fokuser organisasjonen din på den mest verdifulle typen data – atferdsdata – og se hvordan det nye rakettdrivstoffet ditt vil gjøre virksomheten din intergalaktiskt.