Så får du större avkastning på dina datadrivna experiment
De flesta digitala marknadsförare har idag en ambition att arbeta resultatfokuserat med datadriven optimering. Men ett vanligt problem är att man ägnar sig åt alldeles för småskaliga experiment, som gör för liten skillnad för att det ska gå att räkna hem investeringen.
Den här artikeln återger resonemanget i en föreläsning på Webbdagarna där Petronella Barvaeus belyste vikten av att våga satsa större för att maximera utfallet av datadrivna insatser, och hur man går tillväga för att räkna på risker och möjligheter.
Vikten av att jobba datadrivet och experimentbaserat med sin digitala marknadsföring är något som många predikar – och så även jag. För att nå framgång behöver vi jobba löpande och iterativt med att testa, mäta och lära av resultaten, för att hela tiden optimera våra insatser.
Många av dagens megastora bolag, som Google och Amazon, sägs ha blivit så stora just genom konstant optimering och tusentals små experiment. Google ska ha testat 50 nyanser av blått som länkfärg i sökresultaten för att se vilken som klickas mest. Och med så mycket trafik är det klart att även en liten förbättring kan ge en stor hävstångseffekt.
Men de flesta företag har inte samma muskler och volymer som Google och Amazon. Det skulle förmodligen inte göra någon som helst skillnad om vi la flera veckors arbete på att optimera nyansen på våra länkar. Så vad bör vi göra istället?
Små satsningar ger bara små vinster
Jag har träffat marknadsförare som lagt massor av resurser, tid och pengar på att göra komplexa tester av små detaljer – som vilken färg det ska vara på en knapp, eller vilka emojis som ger högst öppningsgrad. Och nog kan det ge ett visst resultat i form av ökad konvertering – men ofta har det tagit väldigt mycket tid, och inte visat någon mätbar effekt på affärsmålen.
Här vill jag sticka ut hakan och hävda att det är att kasta pengar i sjön att ägna sig åt alldeles för småskaliga experiment, som gör för liten skillnad för att det ska gå att räkna hem investeringen.
Jag tror att vi måste våga satsa större.
Det är lätt att lägga alltför stort fokus på "lågt hängande frukter" – insatser som är enkla att genomföra, och enkla att få fram siffror på. Men hur mycket värde skapar man då?
En fiffig övning man kan göra för att bedöma värdet av nya idéer är att utvärdera dem utifrån två aspekter: förväntad effekt och insats. Satsningar som vi tror kommer ha störst positiv påverkan på våra resultat bör prioriteras högre än de som enbart kräver en liten insats.
Hur ska vi jobba med A/B-tester?
En annan fallgrop är att försöka göra avancerade experiment på ställen i flödet där det finns alldeles för få användare. Det krävs rejäla volymer av data för att få signifikanta resultat under en testperiod. Och ju längre ner i tratten vi går, desto mindre trafik och aktivitet har vi att jobba med.
A/B-tester behöver inte vara en dålig idé, men för många av oss är de alltså bara relevanta i de tidiga faserna av ett användarflöde. Många sådana tester kan idag skötas automatiskt av smarta verktyg: Till exempel när vi kör en annonskampanj på Facebook och låter algoritmen ta reda på vilken annons som funkar bäst för vilken målgrupp, och automatiskt optimera visningarna utifrån det. Eller när vi skickar ut ett nyhetsbrev till tusen mottagare och kan låta mailverktyget avgöra vilken av två ämnesrader som levererar högst öppningsgrad.
Mycket av det där granulära testandet kan vi alltså gott låta AI-verktygen och algoritmerna ta hand om. Vår egen tid kan vi istället ägna åt nya strategiska satsningar.
Ta större kliv för att inte bli omsprungen
När vi åstadkommer något som verkligen gör skillnad behöver vi inte plocka fram signifikans-kalkylatorn för att känna av det. Men då krävs det att vi tar i lite mer, lyfter blicken och vågar ta lite större risker.
Faktum är att det blir allt viktigare att ta större kliv, eftersom utvecklingen hela tiden går snabbare. I en alltmer konkurrensutsatt digital värld är det troligt att du annars blir omsprungen. Större satsningar innebär ofta högre risk, men samtidigt öppnar de upp möjligheten till större belöningar. Det är vanligt att man gör en riskanalys inför ett nytt projekt – men hur ofta väger man in den kanske största risken, att inte göra något alls?
Jag är själv inte speciellt riskbenägen av naturen utan njuter mer av att finslipa saker till perfektion. Men jag är medveten om att mina största framsteg har skett när jag vågat ta ett större steg i en ny riktning. Med tiden har jag lärt mig att ta kalkylerade risker.
Pilottesta nya idéer
"För att få beslutsprocessen att gå snabbare brukar jag sätta ordet pilot framför projektet", sa en person som jobbade i en större organisation till mig en gång. Och visst är det smart – men det handlar inte bara om retorik, utan om avgränsningar och uppföljning.
Ett pilotexperiment eller pilotprojekt är en insats som genomförs i begränsad skala för att testa och utvärdera en ny möjlighet på kort tid, utan att det behöver kosta för mycket. Om piloten ger ett bra utfall så finns det anledning att investera mer i att skala upp satsningen. Och tvärtom.
Inom startupvärlden brukar man uppmuntras till att "fail fast", misslyckas snabbt. Det kan låta klyschigt, men poängen ligger i att fokusera på ordet snabbt. Om vi nu måste ta större risker för att vinna större, så behöver vi också snarast få reda på när vi skjutit snett. Det är alltid bättre att identifiera misslyckanden kvickt så att vi kan stoppa satsningar som inte funkar, och testa andra vägar.
Räkna på risk och definiera framgång
För att kunna avgöra om en pilotsatsning är lyckad eller misslyckad måste vi förstås definiera vilka kriterier som ska uppfyllas. Det kanske är enklare att mäta små isolerade experiment, men det är mycket viktigare att räkna på större risker och möjligheter.
Här är tre steg för att jobba datadrivet med lite större satsningar:
1. Insiktsdrivna vägval. Först behöver vi grunda med data och insikter som ger oss en riktning, en idé om vad vi borde göra och varför. Hur ser användarbeteendet ut idag? Vad säger kunderna att de vill ha? Vad sker i omvärlden och på marknaden? Vilka konsekvenser har det för oss? Identifiera mönster och trender som ger underlag för genomtänkta vägval.
2. Räkna på risk och möjligheter. Ett starkt business case skapar trygghet och underlättar beslutsprocessen. Definiera ett best case och ett worst case-scenario, och estimera sannolikheten för att lyckas.
3. Definiera kriterier för framgång. Det kanske låter självklart, men det är inte säkert att alla i organisationen har samma bild av vad som ska uppnås och i vilken grad. Det kan vara en kombination av ekonomiska och mjuka mål, som ökad kundnöjdhet. "Satsningen bör anses vara framgångsrik om vi uppnår X, Y och Z."
För att summera resonemanget ovan så vill jag slå ett slag för fler pilotprojekt, och färre kostsamma mikroexperiment. Det finns ingen motsättning mellan att arbeta datadrivet och att satsa stort.