Under D-Congress på Svenska Mässan i Göteborg så hade 3bits en monter där vi bland annat presenterade den nya tjänsten. I samband med detta körde vi en liten tävling där vi ställde följande fråga till besökarna i montern: ”Vad är viktigast att veta om sina e-handelskunder?”, och gav dem tre olika svarsalternativ:
1. Vad de gör på sajten.
2. Vad de tycker om produkten/tjänsten.
3. Vilka olika kundgrupper som besöker sajten och varifrån de kommer.
På frågan svarade 46 % av besökarna alternativ 1, 31 % alternativ 2, och 23 % alternativ 3. Nu var det inte så att det fanns något svar som var rätt eller fel, utan alla som deltog i tävlingen hade lika stor chans att vinna oavsett svar, själva tävlingsmomentet avgjordes av utslagsfrågan. Anledningen till att vi ändå ställde frågan var att det är lite olika typer av dataanalys som används för att hantera de olika alternativen och att det därför var intressant att veta vad besökarna var mest intresserade av.
Alternativ 1 – vad kunderna gör så sajten, utgör själva kärnan i webbanalys. Den naturliga startpunkten när man vill ha reda på vad kunderna gör på sajten är att lägga in spårningskod på sajten och skicka upp klickdata till t ex Google Analytics för att se vilka sidor som användarna besöker mest. I dagens dynamiska webbsidor räcker det dock oftast inte med att veta vilka sidor som besökts utan man behöver också utöka standardkoden för att få mer detaljerad information om vad användarna gör på respektive sida, t ex om de lägger varor i kundvagnen eller tittar på produktdetaljer som bilder eller videos. Man bör också lägga särskild fokus på registreringssidan och checkouten så att man tydligt kan se var i processer som användare tenderar att lämna.
Alternativ 2 – vad kunderna tycker om produkten/tjänsten, är en fråga som man typiskt inte kan besvara med traditionell klickdata. Google Analytics har visserligen mått för kundernas engagemang, t ex hur många sidor som dessa besöker och hur länge de stannar på sajten, men ett högt engagemang behöver inte alls betyda att de är nöjda med sajten eller produkterna utan kan lika gärna innebära att de är frustrerade över att inte hitta det de söker. För att verkligen besvara det här behöver man i stället komplettera den kvantitativa analysen med kvalitativ data från t ex kundundersökningar eller usability testing.
Alternativ 3 – vilka olika kundgrupper som besöker sajten och varifrån de kommer, är en lite mer komplicerad frågeställning. Den traditionella, och inte direkt datadrivna, metoden är att utgå från ett antal tilltänkta målgrupper eller persona och dela in kunderna efter dessa (ofta baserat på geografisk eller demografisk data). Genom att segmentera sin data för dessa grupper är förhoppningen att man sedan kan hitta skillnader i köpbeteende mellan de olika grupperna och använda detta i marknadsföringskampanjer. Med hjälp av machine learning kan man i stället vända på problemet och automatiskt gruppera kunderna efter deras köpbeteende så att man verkligen gör en datadriven uppdelning av sina kunder och får grupper där köpbeteendet verkligen skiljer sig åt och därmed blir användbara för att t ex göra riktade kampanjer.
Vi vill passa på att tacka alla som besökte vår monter på D-Congress och medverkade i vår tävling eller bara stannade till för att prata e-handel och dataanalys. Missade du chansen att träffa oss där eller vill prata vidare är du välkommen att kontakta oss för ett samtal.