【數位行銷必學】廣告成效背後的 10 大資料分析真相

【數位行銷必學】廣告成效背後的 10 大資料分析真相

大家好,我是 Eric。資料驅動 (Data-driven) 在過去十年一直是數位行銷的顯學,不論是公司內部的行銷部門,或是專門的廣告代理商,都希望能夠從各式各樣的資料 (使用者資料、市場競爭資料) 淘金,找出最精準、正確的行銷策略。人們相信著「資料會說話」,希望可以從資料中找到驚人的商業洞察。

但這麽想太危險了!

在數位行銷產業服務五年,看過不同產業客戶的廣告成效,也協助公司整理了許多內部資料,開始感受到「資料不是萬能的」。今天想要以 Simo Ahava 的 10 TRUTHS ABOUT DATA – REVISITED 為基礎,並透過廣告成效為例來說明這些資料背後的真相。

不論你是希望自行操作廣告、執行數位行銷活動,或是委託專門的廣告代理商,只要想要更正確的分析、評估你的廣告成效,掌握這 10 項資料背後的真相,便能讓你對資料的敏感度更上層樓。

為什麼需要了解資料背後的真相

首先,不具備資料思維的話,沒辦法判斷資料背後的「意圖」。

在資料至上的這個時代,資料分析被視為神秘、複雜、高度專業的工作,也因為這樣的「神秘感」,讓大多數的人面對資料分析的專業人員時,自動放棄去了解對方的「意圖」。為什麼報告呈現的是這些指標?為什麼代理商說預算不夠,沒有辦法得到有效的測試結果

其次,單純靠直覺的作法,並沒有辦法建立改善的模式。廣告成效並不是「做 A (馬上) 就會得到 B」,在操作時,很多時候我們也會碰到難以解釋的變化 (換了新素材後,舊素材的成效反而大幅改善)。假如都只是憑直覺,並沒有辦法在成效惡化時,重新梳理改善的方向。

最後,如果不理解資料背後的真相,容易過度重視枝微末節的小事,反而沒辦法好好擬定策略。

以我自己為例,曾經為了證明自己看廣告看得很細,過度著眼廣告指標的解釋,甚至思考著用什麼樣的公式可以算出最佳解,但卻忘樂最重要的,針對中長期成效的計畫。

另一種極段,則是將單一事件過度解讀:在沒有經過特別調整的情況下,某一天的 CPA 是前幾天的 2-3 倍,結果到後來才發現只是偶發的事件,並沒有可遵循的模式。

資料分析的 10 大真相

真相一:資料不會說話,你才會

「資料會說話」這件事一直都是學習資料分析前的重大盲點。在學習資料分析的第一課,不論是講師或是教材,都會提到「資料不會說話」。

資料是要用來輔助、說明詮釋者論點的工具,譬如為了要解釋週年慶的競爭狀況,我們會去選擇、計算活動期間的 CPM (曝光成本) 或是 CPC (點擊成本)。但是如果沒有「週年慶」這個故事,只是單純看 CPM 與 CPC 的變化,就沒有任何意義了。

真相二:資料是主觀的

既然資料不會說話,那麼詮釋者「如何說話」,將會賦予資料意義。詮釋者如何去選擇、處理資料,並不會全部客觀,而會反映出解讀背後的價值觀。

我們在〈A/B 測試要測多久〉這篇文章提過 applemint 針對「有沒有顯著差異」所使用的計算方式,這樣子的資料處理過程,反映的是我們對於「統計顯著性」的重視,我們希望客戶在樣本數少的情況下,不要太過擔心。

但換個角度,如果我們選擇的是曝光數量、點擊數的變化,或許就會產生不一樣的解釋。

真相三:資料沒有終點,要從有限的資料中做出合理的判斷

我們並沒有辦法完整地蒐集所有使用者的資料。

在做任何資料的分析時,要認知到我們能觀察到的只有樣本,並不是受眾的全體。舉例來說,我們在分析工具能看到的流量,只有「已經進到網站」的流量,因此在做解釋時,需要知道這些人代表的並不是廣泛的消費群體,而是已經篩選過的訪客。

另一個例子,在投放廣告時,即使是致勝模式 (勝ちパターン),也有可能在不同的時空背景而有不同的成效。客戶時常會希望「從過去成效比較好的素材」稍微調整,製作變化型。但是在解釋過去成效時,必須認知到時空背景不同的這一限制。

真相四:資料不單是「資料分析師」的工作

在我的前公司,媒體採購與媒體分析被拆分成兩種職缺,前者是負責實際的廣告操作,後者則是分析前者操作結果的成效,此外還有面對客戶的數位行銷顧問。

但事實是,每個職位都必須要了解資料是如何蒐集與處理的。

身為面對客戶的業務、顧問,如果不了解資料的蒐集與處理,便沒有辦法給予廣告的執行人員匯出所需資料的指示,也就沒有能力針對資料提出問題。設計師如果不了解資料如何處理,便難以客觀的評判自己的設計「好不好用」。

真相五:資料是持續的流程

即使 applemint 導入了第三方工具 SupermetricsGoogle Looker Studio,協助自動化取得廣告、分析平台的資料,但仍然還是需要持續確保資料的正確性,以及處理方式是否有需要調整。例如,客戶的廣告命名規則是否改變了、廣告平台提供的資料格式是不是有變化等等。

舉個最近的例子來說,applemint 內部的公司營運報表,就因為 Salary 的大小寫問題,導致報表呈現不如預期。

是的,資料的蒐集過程跟處理是要持續維護和改善的。

真相六:偶爾要相信直覺

在這個資料驅動的時代,大家都會主張應該要以「理性的資料」作為立論、決策的基礎。

不過如果今天有個 A/B 測試結果告訴你「答案是 A」,但你的直覺卻認為是 B,那麽你仍然還是可以選擇 B,畢竟沒有人強制規定你必須遵守 A/B 測試的結果。

但這個前提是你必須能夠判斷 B 是否值得冒險。

舉例來說,我們曾經協助客戶執行過一次到達頁面 (Landing Page) 的 A/B 測試,這是為了要減少客戶的退貨率,而針對內容敘述做的調整。結果更改後版本的轉換率並沒有比原始版本好。

但我還是建議客戶使用了更改後的版本,因為我們認為適度的說明,在長遠來看,仍然是對客戶有利的。事後也證明了這樣的做法,讓退貨率與消費者的客訴降低了。

真相七:工具不應該主導組織的作業流程

不論是分析工具或是廣告後台,都有屬於自己的一套基模 (schema),用來處理、彙整蒐集到的資料。但既然資料是主觀的,這套基模一定不可能適用所有的產業、品牌。

舉例來說,我們在討論〈如何評估一頁式網站成效〉時,會提到不需要過度拘泥「跳出率」的指標。有時候我們也會藉由事件追蹤的方式,去降低跳出率,但在做這些事的時候,還是要回歸到:「這項指標真的對於我們組織發展有重要的影響嗎?」

另一個例子,明明是填寫表單作為主要轉換的網站,卻為了要能看到事件流程,硬是替轉換過程定義了「加入購物車」、「開使結帳」等步驟。

我曾經花了不少時間在學習如何透過 GTM 在一頁式網站上設定「類似多頁購物網站」的事件,即使現在還是可以替客戶設定,但我也同意 Simo 所說的,沒有必要的話,真的不要找這種事自己找自己的碴。

真相八:真正的洞察很稀有,但沒關係

每個投身資料分析工作的人,都渴望著自己提出開創性的真知灼見,或是發覺到資料海裡的寶藏。為此,我們有時候會引進新的工具,甚至創造不同的計算方式,來取得能夠讓自己「有話可說」的資料,並以此為傲。

但是真正在處理廣告成效的資料時,往往不是這麼一回事。如果仔細觀察,會發現即使廣告成效起起伏伏,但是如果將大多數的客戶成效以季、年的尺度來看,會發現改變都是緩慢的。

真正的洞察很稀有,但沒關係,有時需要更長時間的觀察,才能更清晰地看到資料背後的故事。為此,我們需要的是持續觀察這些緩慢、甚至有些乏味的資料,並確保資料的蒐集與處理正確。

真相九:資料是行為的副產物

對於業主來說,重要的不是有多少「轉換」,而是最後有多少訂單。網站或 App 上的所有功能,幾乎不是以「產生資料」為目的。

因為這是在網站或產品製作過程中的最後一環,因此時常被忽略了重要性。身為資料處理的從業人員,我們該做的是在規劃過程中,提出是否值得投資資料相關的建議。

舉例來說,我們最近就在協助不同的客戶,評估是否應該根據 Facebook 建議,而開始投資串接 Conversions API,因為開發費用也是一筆可觀的成本。

applemint 在創業初期,便以製作便於資料分析、能夠持續改進的網站為己任,這也是為什麼我們大多數的網站案件會以 WordPress 為基礎製作。

真相十:資料是一門困難的學問

基於前面的 9 大真相,我們知道資料是困難的,因為資料的本質是被動的、主觀的,我們需要持續學習資料如何蒐集、處理、分析以及維護。

即使機器學習 (Machine Learning) 與人工智慧 (AI) 高度發展,但套句學資料分析都會聽到的一句話「Garbage in, garbage out.」即使我們沒有人懂 Facebook 或 Google 演算法的黑盒子裡有什麼,但我們必須要知道這些工具如何彙整、詮釋他們蒐集來的資料,以及他們各自使用基模的限制。

結語:重新思考組織與資料的關係

那麼面對這門困難的學問,我們要怎麼樣才能提高對資料的敏感度呢?我認為對於希望自操的人,或是剛投身數位廣告的人,我們可以從這三點著手:

了解資料背後的主觀:和其他人討論你的見解

回應到 10 大真相的前四點,我們要認知到資料並不是完全「客觀」的存在,而且我們能看到的資料永遠都是「抽樣」。

因此可以跟不同部門的同事,或是目前合作的代理商夥伴討論我們對於目前相關數字的看法與見解。「為什麼他們會對這個指標這麼重視?為什麼他們挑這個重點來報告?他們是怎麼用這樣的抽樣資料推論市場的狀況?」

了解不同平台指標的定義與限制

因為資料是持續的流程,為了確保資料的處理結果正確,要能夠理解不同指標背後的意涵,並重新評估這些指標的定義是不是真的與你的組織目標相符。

舉例來說,Facebook 的廣告指標包含了連結點擊 (Link Clicks) 與全部點擊 (Clicks (ALL)) 兩種指標,兩者的差異在哪裡?我需要在意嗎?GA 上的平均停留時間是怎麼計算的?很重要嗎?

A/B 測試的報告上面說有 80% 的可信度,這樣我真的應該要改版嗎?

戰略性思考:什麼才是重要的

重新釐清對於組織或是客戶來說,什麼重要的。

對於一個一頁式網站來說,頁面的瀏覽深度是重要的,因此值得追蹤使用者的捲動行為,但是對於品牌官網來說,比起頁面的瀏覽深度,使用者是不是有前往特定頁面更為重要。這兩種差異,決定了需要蒐集哪些資料來作為後續的分析依據。

沒錯,資料是一門困難的學問,但是絕對不是「神秘」的。

對你來說資料這門學問困難嗎?如果你對於這篇文章有任何的想法,或是希望能夠跟我們討論目前組織內的各項績效,歡迎透過聯絡我們與我們聯繫。

如果你希望能夠掌握最新的文章訊息,歡迎你訂閱 applemint 的電子報,我們會在每月的第一與第四個禮拜四寄送當期的精選文章。

我是 Eric,我們下次再見。

從這裡聯絡 applemint!

Eric Chuang

相關文章

與我們聯繫