Analityka w e-commerce B2B: 6 kroków do efektywnego zbierania i analizy danych

Partnerem audycji jest Endora, agencja e‑commerce B2B, specjalizująca się w modelu 360. Od budowania strategii sprzedaży online, po wdrażanie platform B2B i ich integrację z ekosystemem technologiczno-biznesowym. Wejdź na endora.pl i dowiedz się więcej.

Cześć, w dzisiejszym odcinku porozmawiamy sobie na temat analityki w e‑commerce B2B, czyli temacie, który przez długi czas budził kontrowersje, szczególnie po wprowadzeniu nowych dyrektyw unijnych, które wymuszały akceptowanie i wymuszają zresztą nadal akceptację plików cookies po to, żeby móc śledzić osoby na platformach B2B. Więc opowiemy sobie o tym jak w dzisiejszych czasach można zbierać dane, jakie możemy w ogóle dane zbierać i pokażę też techniki czy dobre praktyki, jak dane analizować i jakie zbierać w dobie tych ograniczeń, które w ekosystemie funkcjonują.

Różnice między analityką B2B a B2C

Na wstępie istotna informacja, która może być intuicyjnie wyczuwalna. Analityka w e‑commerce B2B wygląda trochę inaczej niż w B2C. To znaczy, one oczywiście mają swoje podobieństwa, natomiast są też różnice między tym segmentem B2B a B2C.

Przede wszystkim w B2B mamy do czynienia z sytuacją, gdzie klienci zakładają sobie konta na platformie i to jest generalnie raczej standardowa procedura. To znaczy, wszystkie platformy B2B, większość platform B2B, nie daje możliwości składania zamówień jako gość. W związku z tym niejako firmy są zobligowane do tego, żeby to konto założyć. I to jest z punktu widzenia analityki bardzo korzystne rozwiązanie i bardzo korzystne podejście, no bo dostajemy tak naprawdę pewną tożsamość klienta, którą możemy później w całym tam cyklu życia klienta, może ona sobie z nami, można powiedzieć, tak iść sobie, tak, wędrować jakby z tym klientem, aż do momentu, kiedy on zakończy z nami jakby relacje biznesową. Więc jest to jakby korzyść z punktu widzenia analityki, że jesteśmy w stanie gdzieś tam pod coś podpiąć ten unikalny identyfikator użytkownika, co nam ułatwia oczywiście później analitykę, do tego, do tego później dojdę.

Natomiast żeby było, żeby była jakaś przeciwwaga, no to w przypadku B2C mamy do czynienia zazwyczaj z jednym decydentem, a w B2B tych decydentów jest więcej. O tym już wspominałem w odcinku 11, jak rozmawialiśmy o personalizacji w B2B, no ale tutaj w analityce również to ma miejsce. Czyli na koniec dnia, jak analizujemy sprzedaż czy zachowania klientów z wybranej firmy czy organizacji, musimy wziąć pod uwagę prawdopodobnie kilka kont. To znaczy, musimy założyć, że co najmniej jedno konto jest elementem organizacji, ale tych kont może być więcej. W związku z tym ta analiza nam się troszeczkę komplikuje, bo mamy kilka, co najmniej kilka takich wątków, które musimy ze sobą łączyć na poziomie organizacji.

Więc to jest jakby jedna rzecz. Są jeszcze inne rzeczy, no bo musimy też zazwyczaj ta relacja biznesowa jest znacznie dłuższa niż w B2C, więc to też musimy wziąć pod uwagę. Także te różnice tutaj są i one będą zauważalne w tych rozwiązaniach, czyli w tym podejściu, które tutaj opisuję.

Sześć kroków do skutecznej analityki e‑commerce B2B

I teraz jak podejść do tematu analityki e‑commerce B2B? No pierwsze co przychodzi na myśl, to oczywiście jakiego typu narzędzia chcemy tutaj w platformę wtłoczyć, żeby dawały nam możliwość analizy tego, jak użytkownicy poruszają się po stronie, jakiego typu transakcji dokonują, gdzie są te wąskie gardła w całym procesie i tak dalej i tak dalej. I to jest oczywiście ważne, tyle że to jest już znacznie dalej niż początek zabawy z analityką e‑commerce.

Ja przedstawię tutaj taką procedurę, która składa się z sześciu kroków i którą warto by było zrealizować w kolejności występowania tych kroków, jeśli zależy nam na tym, żeby ta analityka e‑commerce'owa nie była tylko jakimś tam buzzwordem czy czymś, co po prostu na platformie jest, ale nikt z tego nie korzysta, tylko żeby ona była faktycznie realnym składnikiem przy podejmowaniu decyzji w organizacji w oparciu o dane.

Więc od razu pierwsza rzecz, o której, którą, o której mogę powiedzieć, to to, że analityka e‑commerce to jest część pewnej całości, czyli analizy całego cyklu życia klienta w waszej organizacji i to trzeba mieć na względzie.

Krok 1: Analiza cyklu życia klienta

No ponieważ jest to analiza cyklu życia, czyli jesteśmy w jakby w części tego cyklu życia, jak również w części naszych głównych i pobocznych procesów biznesowych, to pierwszy krok, który powinniśmy sobie zrobić w ramach tego procesu analizy, uruchamiania analityki e‑commerce'owej, to analiza cyklu życia klienta. Czyli badamy tą ścieżkę klienta od dotarcia do nas albo usłyszenia o nas do momentu zakończenia z nami współpracy. I to jest jakby istotna rzecz, bo bardzo często jest tak, że my myślimy o analityce e‑commerce'owej, czy to B2B, czy B2C, jako proces, gdzie ktoś wchodzi na naszą stronę, ewentualnie możemy troszeczkę się cofnąć, żeby przeanalizować jakieś tam kampanie marketingowe, wchodzi ktoś na stronę, porusza się po niej, realizuje zakup i kończymy zabawę. A tymczasem tak zupełnie nie jest, no bo jak doskonale wiecie, jak przeanalizujecie sobie to, jak działa wasza organizacja, no to zobaczycie, że całe doradztwo w międzyczasie do zakupu jest też jakimś procesem, który się pojawia. No ale po zrobieniu tego zakupu, to tak naprawdę zaczyna się cała back-office'owa magia, w której często klient też bierze udział. Bo zaczyna się proces pakowania, zaczyna się proces obsługi zwrotów, reklamacji, backorder'y, jakieś dyskusje związane z obsługą klienta. Klient na przykład dopytuje się o jakieś rzeczy, próbuje negocjować ceny, klient może ponownie coś zamówić. Więc jakby zanim on zakończy z nami te współpracę, te relacje biznesową, to tam bardzo dużo rzeczy się dzieje i wbrew pozorom konwersja może być wręcz początkiem dopiero tej naszej głębszej relacji biznesowej z klientem. Także musimy zdecydowanie przeanalizować cały cały cykl życia klienta i zidentyfikować w tym cyklu życia istotne zdarzenia, jakie zachodzą tam. Bo tak naprawdę te zdarzenia, a raczej dane o tych zdarzeniach, to jest pierwszy zestaw danych, który my byśmy chcieli, korzystając z analityki, czy to analityki internetowej, czy jakiejkolwiek, chcielibyśmy zbierać. Więc analizujemy cykl życia klienta. To jest pierwszy krok.

Krok 2: Analiza głównego procesu biznesowego

Drugi krok to analiza naszego głównego procesu biznesowego. Co przez to rozumiem? Rozumiem przez to to, że w cyklu życia klienta analizowaliśmy to, jak ten klient zachowuje się w relacji z nami od początku do konwersji przez zakończenie relacji. Teraz chcemy to zbadać z drugiej strony, czyli chcemy zobaczyć, jak my jako organizacja zachowujemy się w procesie od tam rozpoczęcia relacji z tym klientem do zakończenia tej relacji. To chcemy sprawdzić. Dlaczego? Dlatego, że w cyklu życia klienta, owszem, powiedziałem, że po konwersji ten klient może wchodzić z nami w interakcje, ale wcale nie musi, no bo nie bierze udziału na przykład w procesie pakowania paczki, tak. Czyli krótko mówiąc, dzieją się takie rzeczy, które idą podobnym torem jak cykl życia klienta, no ale one dzieją się u nas w organizacji czy w back office. I to mogą być też istotne zdarzenia, które my chcemy mierzyć i które mogą nam determinować to, jakie decyzje będziemy podejmować. Z cyklu życia klienta tego typu zdarzeń nie wyciągniemy, no bo on po prostu nie wie często, jak wygląda taki proces, nie wiem, logistyczny u nas, czy proces zwrotów, czy backorderów, obsługi tego backorderu do momentu kontaktu z klientem, na przykład. W związku z tym, analizując główny proces biznesowy w naszej organizacji, jesteśmy w stanie zidentyfikować kolejne zdarzenia biznesowe czy zdarzenia dla nas istotne, które chcemy, które chcemy mierzyć i których dane chcemy pozyskiwać. Czyli dostaniemy drugi zestaw danych, które chcemy mierzyć.

Kroki 3 i 4: Charakterystyka grupy docelowej i procesy decyzyjne

Mając te dwa kroki, czyli analizując cykl życia klienta, analizując główny proces, docieramy jeszcze do kroku trzeciego. To jest krok, gdzie identyfikujemy te istotne zdarzenia. To już jakby, jak mamy je zidentyfikowane, to przechodzimy do kolejnego kroku. Kolejny krok to jest przegląd naszego, naszej persony, tak to powiedzmy, tak. Czyli w momencie, kiedy mamy dane o kliencie, to zastanawiamy się, jakie informacje o kliencie są dla nas istotne w procesach decyzyjnych. Czyli po przeanalizowaniu cyklu życia klienta, po przeanalizowaniu naszego procesu głównego, kolejny krok to analiza naszej grupy docelowej, charakterystyka tej grupy docelowej i analiza procesów decyzyjnych, jakie my mamy.

Grupa docelowa to już jest wałkowane wiele razy, no ale generalnie chodzi o to, żeby określić sobie tę grupę docelową i zidentyfikować jej charakterystyczne cechy, bo prawdopodobnie co najmniej część z nich znowu będzie tym, co byśmy chcieli z takiej analityki czy z pomiarów pozyskać. A druga strona, procesy decyzyjne, to z kolei to, w jaki sposób my podejmujemy decyzje na co dzień w naszym biznesie. Czyli czym się kierujemy na co dzień, żeby podjąć taką a nie inną decyzję biznesową. Jeśli zmieniamy system, albo chcemy wprowadzić narzędzie, albo chcemy zmienić, nie wiem, model biznesowy, czym się kierujemy, żeby te decyzje podjąć. Z tego też wyjdą nam pewne wskaźniki, które byśmy chcieli mierzyć, no a żeby wyznaczyć te wskaźniki, musimy mieć jakieś dane. No i to będą te właśnie kolejne dane, które byśmy chcieli pozyskiwać.

Podsumowanie pierwszych czterech kroków

Czyli podsumowując, dotarliśmy do takiego miejsca, gdzie przeanalizowaliśmy cykl życia klienta, wyszły nam istotne zdarzenia i zebraliśmy je sobie jako jeden zestaw danych. Przeanalizowaliśmy proces główny, tam też zidentyfikowaliśmy zdarzenia i wyprowadziliśmy drugi zestaw danych, które chcemy mierzyć. Kolejny krok, charakterystyka grupy docelowej, cechy charakterystyczne tej grupy, to jest trzeci zestaw, który chcemy mierzyć i czwarty, procesy decyzyjne. Analizujemy nasze procesy decyzyjne, patrzymy względem czego podejmujemy te decyzje i sprawdzamy, czy tam nie ma jakiś danych czy wskaźników, które byśmy chcieli, które byśmy chcieli mieć, żeby decyzje podejmować.

Krok 5: Analiza ekosystemu i narzędzi rynkowych

I wtedy, mając te cztery zestawy danych, dopiero przechodzimy do kroku piątego, czyli analizy ekosystemu naszego biznesowo-technologicznego i analizy narzędzi dostępnych na rynku.

Ekosystem biznesowo-technologiczny, co przez to rozumiem? Chodzi o to, żebyście zobaczyli sobie, jakie systemy macie w swojej organizacji, systemy informatyczne i różnego rodzaju procedury, jakie macie, bo mogą być poza systemami informatycznymi, mogą być inne inne jakieś zasoby, które was zaopatrują w dane, jakieś, nie wiem, ankiety papierowe, na przykład, tak, z jakimiś wynikami. Więc robicie sobie taką inwentaryzację po to, żeby zidentyfikować te miejsca, które mogą być potencjalnymi źródłami danych, które wy chcecie analizować. Bo to wam da informację, nad którymi systemami trzeba się skupić, żeby tam wpiąć czy dobudować tam elementy analityczne czy właśnie elementy mierzenia danych.

A z kolei narzędzia dostępne na rynku, no to dość oczywiste i to jest to właśnie, co najczęściej pada przy analityce e‑commerce, pomijając poprzednie kroki, czyli jakie tam narzędzia są na rynku, które dadzą nam jakieś jakieś dane. No i dlaczego nie zaczynamy od tego kroku, tylko musimy wykonać te poprzednie? Te poprzednie mają sens dlatego, że wtedy, jak dochodzicie do etapu, gdzie chcecie wybrać narzędzie, to wybieracie świadomie narzędzia, które dostarczą wam danych tych, które są adekwatne do waszych procesów decyzyjnych. I to jest najważniejsza rzecz i największy sens analityki, czy to e‑commerce'owej, czy ogólnie analityki i opierania decyzji w oparciu o dane. Wy macie zbierać dane te, które wam pomogą podjąć decyzję, czy to operacyjne, czy to strategiczne, a nie łapać sobie narzędzia, które po prostu będziecie instalowali i zobaczycie, jakie tam dane spadną, może coś z tego ciekawego uda się wyciągnąć. No często jest tak, że oczywiście dostaniecie tam zestaw danych, wiadomo, to nie jest tak, że jak zainstalujecie narzędzie, to i dostaniecie jakieś tam dane, to nie będziecie z tego korzystać, one będą kompletnie bezużyteczne. Tak nie będzie, ale może okazać się, że zainstalowaliście bardzo dużo narzędzi albo zbieracie bardzo dużo danych, które zwyczajnie dla waszego biznesu są nieadekwatne i na koniec dnia zwiększacie złożoność tego swojego całego ekosystemu, ten koszt utrzymania tych systemów czy tych, utrzymania tych wszystkich analitycznych platform czy narzędzi jest wysoki albo rośnie z czasem, a zupełnie nie pomaga wam w podejmowaniu decyzji. I wtedy po prostu używacie tych narzędzi nieefektywnie, co prowadzi do tego, że po prostu w pewnym momencie przestajecie ich używać, no i generalnie zrażacie się do analityki, czy to analityki danych, czy e‑commerce'owej, czy ogólnie analityki biznesowej i podejmowaniu decyzji w oparciu o dane. Potem zaczyna się podejmowanie decyzji w oparciu o intuicję, no i z tego wychodzą różne mniej lub bardziej ciekawe rzeczy.

Krok 6: Opracowywanie technik zbierania danych

Dlatego jak już zrobimy sobie solidną analizę, wtedy dobieramy narzędzia, analizujemy nasz system i patrzymy po prostu, czy te rozwiązania są adekwatne do nas. Jak już to mamy zrobione, wtedy wiemy, z jakich narzędzi powinniśmy korzystać i wiemy też, czy powinniśmy instalować, czy nie, komu to zlecić. To już zaczynamy wtedy tak naprawdę projekt czy proces wdrażania tych rozwiązań do naszej do naszych narzędzi, do naszej organizacji.

Także tak, jeśli miałbym coś rekomendować, to pewnie zalecałbym właśnie takie podejście składające się z tych kroków. Czyli pierwszy krok, analiza cyklu życia klienta, drugi krok, analiza głównego procesu biznesowego, stąd identyfikujemy te zdarzenia. Trzeci krok to analiza naszych procesów decyzyjnych, czwarty krok, analiza charakterystyki grupy docelowej. Potem jest krok piąty, czyli ta inwentaryzacja czy rozpoznanie naszego ekosystemu biznesowo-technologicznego oraz dostępnych na rynku narzędzi. No i później jest krok szósty już wynikający z tego wszystkiego, czyli opracowywanie technik zbierania danych.

I teraz co ja rozumiem przez ten krok, bo tego nie rozwinąłem, do tego doszliśmy, ale techniki zbierania danych. No one częściowo wynikają z narzędzi, z których chcemy korzystać, ale bardzo ważne jest to, żeby też to wybrzmiało, bo my jesteśmy zafiksowani na tym, że istnieją te narzędzia Google Analytics, Microsoft Clarity, Hotjar'y, no masa różnych narzędzi analitycznych, które po prostu wpinamy ich kod i one pozwalają nam analizować to, co ci nasi klienci robią na naszej platformie, czy to B2B, czy to B2C, to już nieważne. Tymczasem, jak zrobimy solidną analizę tych poprzednich kroków, to może się okazać, że te narzędzia pomiarowe to jest jeden z elementów wielu innych, które można wykorzystać do tego, żeby zbierać dane. I teraz dopiero, analizując te procesy i wiedząc, jakie dane my chcemy pozyskać, możemy projektować dużo różnych kreatywnych rozwiązań do tego, żeby te dane pozyskiwać.

Kreatywne techniki zbierania danych

Czyli i tutaj przechodzimy płynnie do tego, jakie mogę zaproponować różne nieszablonowe rozwiązania na zbieranie tych danych. Pierwsza rzecz, taka podstawowa, którą wiele osób intuicyjnie wyczuwa, to to, że dane są wartościowe, no i generalnie to mówią ludzie, że dane to jest takie, taka druga waluta, kolejna waluta współczesnego świata, którą operujemy. W związku z tym, jeśli pójdziemy dalej z tą analogią, to bardzo ważna informacja jest taka, że po prostu to jest coś, co my musimy od klienta, mówiąc w cudzysłowie, kupić. I jak to kupić? Co przez to rozumiem? To znaczy, my musimy klientowi coś dać w zamian, żeby on chciał się tymi danymi z nami podzielić. Więc jeśli to weźmiemy pod uwagę, no to otwiera nam się pewien worek możliwości i to jest taki worek, który często się pojawia, czyli na przykład za udostępnienie danych dostaje ktoś jakąś zniżkę. Czyli robimy akcję promocyjną, zapisanie się do tej akcji promocyjnej sprawia, że klient na przykład musi założyć u nas konto, ponieważ zakłada to konto, no to już automatycznie mamy jakąś tam jego, zalążki jakieś informacji o nim, no i zbieramy sobie, zbieramy sobie te dane.

Inna rzecz, programy lojalnościowe. Wszelkiego wszelkiego rodzaju programy lojalnościowe, polecanie, tego typu rzeczy, możemy śledzić, jak ktoś promuje naszą markę, to znowu wymaga założenia konta i tym samym jesteśmy w stanie zbierać dodatkowe informacje. Coś za coś, jak zwykle.

Inne rzeczy, personalizacja poprzez profilowanie. Jeden z klientów, z którym kiedyś współpracowałem, z branży kosmetycznej, realizował coś takiego, że tworzył tak zwany, dawał możliwość stworzenia, zbudowania tak zwanego profilu piękności. To znaczy, każdy klient korzystający z ich usług mógł wypełnić sobie taki profil i dzięki temu dostawał kosmetyki dostosowane do jego potrzeb. I oczywiście w ten sposób klient dzielił się swoimi jakimiś informacjami na temat, nie wiem, stanu skóry czy jakiś innych rzeczy, dzielił się tymi informacjami z platformą, a z kolei platforma mogła wykorzystywać tego typu informacje do badania jakiś tam trendów czy segmentacji klientów i dostarczania im po prostu jak najlepszej oferty. Więc tutaj jakby w ramach, w zamian za korzyść wynikającą z tego, że były kosmetyki dostosowane do wybranej osoby, no to można, uzyskiwało się jakby dane zwrotne. Także tego typu rzeczy też też można robić i wbrew pozorom można to zrobić tak, żeby obie strony na tym skorzystały i to jest najlepsze rozwiązanie, tak. Żeby na koniec dnia jednak te wszystkie rzeczy, które my robimy, były takie, żeby po prostu ten klient no chciał to zrobić, tak, i żeby każdy jakby na tym skorzystał. Nie tylko my, ale również i i klient sam w sobie. Także to są takie zachęty.

Jeśli chodzi o te zachęty jeszcze dodatkowe, no to częstym motywem są też grupy VIP-owskie czy jakieś zamknięte społeczności, które my tworzymy, gdzie tam możemy po prostu swobodnie sobie porozmawiać z pewną zamkniętą grupą i uzyskać trochę więcej informacji w zamian za to, że oni właśnie mają dostęp do ekskluzywnej grupy. Także to jest też sposób zarówno na wzmocnienie swojego brandu czy na zbudowanie jakiś działań eksperckich, marketingowych, jak również i kolejny kanał, gdzie możemy po prostu więcej informacji pozyskać. Także to też jest, to też jest wartościowe i i warto gdzieś tam to warto gdzieś tam to mieć i z tego korzystać.

Dużo dużo wartościowych danych możecie też wyciągnąć ze swoich takich działań, bym powiedział, codziennych czy działań dookoła organizacji, czyli uzyskując je tak jakby przy okazji. To są takie właśnie dane tak zwane zero, typu zero, które po prostu bez potrzeby pytania o zgodę czy bez takiego jawnego wyeksponowania mogą być zbierane. Czyli przykładowo, jak mamy jakiś newsletter, możemy umieścić tam jakąś krótką ankietę, zapytać się o jakąś rzecz i dać przycisk do wciśnięcia tak, nie. Czyli takie mało inwazyjne elementy, które raczej są wtapiane w zwykły, w zwykłą ścieżkę klienta, w jego cykl życia, czy w cykl kontaktu z nami. I tego typu rzeczy też są bardzo zalecane.

Analiza kohortowa i dane transakcyjne

A najlepsze rozwiązanie to jest takie, gdzie bierzemy te różne metody i je ze sobą łączymy. Czyli agregujemy z różnych źródeł, bo wtedy mamy najlepiej zbudowany ten profil, ten profil klienta.

No dobrze, to jakby kolejne pytanie, co w takim razie zrobić, jeśli ci klienci nie chcą na te zgody klikać, czyli nie chcą nam dawać zgody na zbieranie danych? No nie jest to niezwykłe, niezwykły przypadek. Wiele adblockerów czy generalnie ludzi świadomych często odmawia po prostu ich śledzenia, ich zachowań, no bo twierdzi, że jest to po prostu im zupełnie niepotrzebne, zbyteczne, a tylko dostarcza jakieś informacje o nich i narusza potencjalnie ich prywatność. Więc jest to pytanie jak najbardziej zasadne.

Jak w takim razie wtedy robić te analizy? No nie możemy robić takiego profilowania sensu stricte, gdzie na przykład analizujemy, że klient, użytkownik X, nawet zanonimizowany pod jakimś identyfikatorem, przeszedł ze ścieżki A na ścieżkę B, ze ścieżki B na C, potem przeszedł na krok D, no i skonwertował. Tego nie możemy zrobić, jeśli klient nie wyrazi zgody na takie profilowanie. To co możemy natomiast zrobić i to jest w pełni dozwolone, nawet jeśli zgoda nie zostanie wyrażona przez klienta, to możemy robić analizy kohortowe poszczególnych etapów. Czyli tak jak powiedziałem, nie możemy zrobić czegoś takiego, że mamy klienta jakiegoś tam X i wiemy, że on przeszedł z A do B, do C. Natomiast możemy przeanalizować, że na przykład było 100 klientów na etapie A, było potem 50 na B, 30 na C i tam powiedzmy pięciu na D. Czyli tego typu agregacje, grupowania możemy zrobić, a to też jest dla nas wartościową informacją, bo jeśli będziemy widzieli, jak ta kohorta ubywa gdzieś tam w czasie, to będziemy mogli też zobaczyć teoretycznie przynajmniej, gdzie ta retencja tych użytkowników zachodzi. I dlaczego oni nam uciekają, na którym etapie oni nam uciekają i co potencjalnie z tym możemy zrobić. Więc tego rodzaju agregacje, czy w segmencie B2B możemy też analizować dane transakcyjne. Czyli przykładowo, jeśli klient założył konto, zamówił coś, mamy numer zamówienia, mamy numer faktury, analizując te faktury, analizując te zamówienia, możemy badać na przykład jego częstotliwość zakupów. I na podstawie tej częstotliwości zakupów możemy na przykład zaproponować jakieś preferencyjne warunki, albo możemy zaprognozować, kiedy będzie mu dany asortyment potrzebny i poinformować go, albo zrobić już mu predefiniowany koszyk i podesłać mu po prostu mailem, żeby tylko kliknął i zrobił zakup. Tego typu dane transakcyjne mamy dostępne, możemy je przechowywać, bo one są potrzebne do celów realizacji zamówienia, więc zgodnie z prawem my możemy je mieć, no i możemy je tym samym tym samym analizować.

Dobre praktyki w analizie danych

Także jeśli zmienimy trochę podejście do tego tematu, czyli jak najczęstszy i najłatwiejszy sposób to jest taki, że jak sobie wyobrażamy ścieżkę klienta, to jak jakby zachodzą tam różne zdarzenia, jak ją sobie rozsupłamy trochę, tę ścieżkę, podzielimy na te na te zdarzenia i przestaniemy to analizować tak sekwencyjnie, tylko bardziej przekrojowo w wybranej grupie, czyli po prostu analizujemy samo zdarzenie A i ile tam osób, samo zdarzenie B i jaka tam grupa i tak dalej i tak dalej, no to też możemy wyciągnąć wartościowe wnioski bez konieczności pytania użytkowników o zgodę. I to możemy sobie też normalnie zbierać przez nasze przez nasze narzędzia. Także warto to też mieć też mieć na względzie.

Więc to, to są takie nieoczywiste rzeczy, które możemy z tymi danymi robić. Na koniec zostawiłem sobie kilka dobrych praktyk związanych z analityką, które warto też wziąć pod uwagę przy projektowaniu sobie tej analityki naszej e‑commerce'owej. Czyli to jak, jak my powinniśmy do tego podejść, jak już mamy potencjalnie te dane, tak, to jak je analizować, żeby podejmować te decyzje w oparciu o dane.

Czyli jak mamy analitykę e‑commerce'ową, wpięliśmy sobie te narzędzia, one analizują jakieś istotne dla nas zdarzenia biznesowe, które wynikają z cyklu życia klienta, które chcemy analizować, wynikają z naszych procesów, z naszego procesu głównego, jak mamy te dane, to co dalej, tak? I dane zresztą z innych miejsc, bo tak naprawdę, żeby te dane, te decyzje były podejmowane skutecznie, to my powinniśmy przeanalizować, tak jak powiedziałem, cały cykl życia i cały proces główny. To oznacza, że nie wszystkie informacje, nie wszystkie dane my możemy pozyskać z platformy B2B czy z ze sklepu internetowego. Może się okazać, że niektóre informacje my będziemy mieli dopiero w CRM-ie albo w systemie ERP, czy jakimkolwiek innym. Więc warto, czy w marketing automation, na przykład. Dlatego warto prześledzić i stąd te poprzednie kroki były istotne, żebyśmy my zmapowali, w których systemach my faktycznie te informacje, te dane mamy i jakie zebrać w jedno miejsce, żeby móc je analizować. I to jest jakby kolejna rekomendacja, jeśli wchodzimy już na ten etap analityki, to pamiętajmy, że powinniśmy patrzeć na to całościowo. Najlepsze rozwiązanie to zbudowanie sobie dashboardu analitycznego, który zbiera te dane z różnych źródeł, zebrane dane porządkuje lub standaryzuje i na podstawie tego wyświetla nam dashboard, w którym możemy sobie prześledzić kluczowe wskaźniki dla nas z punktu widzenia cyklu życia klienta, z punktu widzenia naszego procesu biznesowego i naszych KPI-ów, zebrane w jednym miejscu, one dadzą nam bardzo dobry obraz tego, jak wygląda czy to kondycja firmy, czy ten, ta ścieżka klienta w całym naszym cyklu. I na podstawie tego możemy podejmować efektywne decyzje biznesowe. Także to jest ważne, do tego zachęcam, żeby tego typu dashboardy mieć. Najlepiej, żeby one były dashboardami z wizualizacjami, bo to najlepiej najlepiej jest przyswajalne i pozwala na podejmowanie tych skutecznych decyzji biznesowych.

Wskazówki dotyczące analizowania

Kilka istotnych wskazówek, jeśli chodzi o analizowanie. Przede wszystkim, jeśli analizujecie jakieś jakieś dane, starajcie się opierać na analizie trendów, jakie zachodzą. To znaczy, skuteczność tych narzędzi, szczególnie tych, które mierzą zachowania użytkowników, czyli te Hotjar'y, Analytics'y, Microsoft Clarity i tak dalej i tak dalej, one charakteryzują się tym, że one nie są w 100% skuteczne, jeśli chodzi o zbieranie danych, potrafią gubić dane. To się bierze z tego, ze sposobów, w jaki, w jakie one są zaimplementowane. Po prostu część zdarzeń może być wytracanych, część może być gubionych na etapie, czy to płatności, czy bramki płatności, czy gdzieś tam w checkout'cie. To trzeba mieć na względzie. No ale to, co się nie zmienia w tak jakby w niedoskonałym narzędziu, to to, że jeśli ono źle mierzy, powiedzmy, w miesiącu pierwszym, to będzie tak samo źle mierzyło w miesiącu drugim, trzecim i czwartym. Więc te rozjazdy mogą gdzieś tam występować, ale trendy powinny nam już dawać pewien ogląd na to, co się dzieje, no bo to, że coś urosło o te 10% albo zmalało o 10%, już też pozwala nam podejmować jakieś sensowne decyzje. Nie działamy na bardzo precyzyjnych danych z dokładnością do jednej transakcji, więc nie ma tego problemu, że że coś nam się rozjechało i po prostu nie wiemy do końca, jaką decyzję podjąć. Także wbrew pozorom analizowanie trendów jest lepsze niż nieanalizowanie niczego, tak. Analiza niczego nie daje nam żadnych informacji, analiza trendów daje nam też ogląd, co rośnie, spada i pozwala nam jakoś zareagować na różnego rodzaju historie, które tam w tych danych czy u nas w organizacji zachodzą.

Kolejna rzecz, jeśli porównujemy jakieś dane, porównujmy je w tych samych przedziałach. Czyli tam powiedzmy kwartał do kwartału, rok do roku, miesiąc do miesiąca rok temu. To jest generalnie bardzo ważne, bo jeśli weźmiemy sytuację, weźmy sobie taki scenariusz, że analizujemy jakieś dwa lata i albo, o, analizujemy poprzedni rok z obecnym. No to musimy wziąć pod uwagę, że jeśli analizujemy obecny rok, na przykład w połowie tego roku, no to my mamy dane tylko z połowy tego roku. To znaczy, że tych danych może być i pewnie będzie mniej niż w roku poprzednim, a ktoś może zacząć wysnuwać wnioski na z tego mniejszego wolumenu danych, zapominając o tym, że on jest o połowę roku mniejszy. I może na przykład nie uwzględniać sezonowości, która gdzieś tam, powiedzmy, w okresie lipca, sierpnia zachodzi, a my analizujemy dane z czerwca, tak. Więc dlatego bardzo ważny jest ten wspólny mianownik przy analizie danych, żeby nie wyciągać błędnych wniosków z tych danych, bo potem przez błędne wnioski podejmujemy błędne decyzje. Więc to jest jakby jedna rzecz, a kolejny powód dla podejmowania błędnych decyzji w oparciu o dane to jest taki, jak mamy złe dane. Więc bardzo ważne jest to, jak zbieramy dane, bardzo ważne jest to, żeby dane były zestandaryzowane, bo jeśli wrzucimy dane z z rozdzielczością godzinową i zaczniemy to porównywać z danymi na z częstotliwością dni lub tygodni, to nam te dane, te dane mogą być nieporównywalne. A my będziemy próbowali je porównać poprzez różne uśrednienia i inne tego typu rzeczy i będziemy wyciągać błędne wnioski. Także oczyszczanie danych, standaryzacja danych, zapewnienie dobrej jakości danych jest kluczowe do tego, żebyśmy podejmowali decyzje biznesowe wiarygodnie w oparciu o dane prawdziwe, a nie jakieś takie, no które po prostu nie przystają do siebie i porównujemy, nie wiem, jabłka do gruszek, tak. To to w większości wypadków nie ma sensu, a to się często zdarza w organizacjach i później jest właśnie problem tego, że no przecież przeanalizowaliśmy te dane, jawnie jasno z nich wynikało, że powinniśmy iść w tym kierunku, a jednak no to nie przyniosło tych spodziewanych rezultatów. Dlaczego to działało rok czy dwa lata temu, a teraz nie działa, tak. No oczywiście tutaj docieramy do kolejnego wniosku, czyli musimy wziąć pod uwagę zawsze przy analizie obecny kontekst biznesowy. To znaczy, jeśli my analizujemy dane sprzed dwóch, trzech, czterech lat, a w międzyczasie jak analizujemy, jak dokonujemy tej analizy, to w międzyczasie pojawił się tam COVID, wojna na Ukrainie i jeszcze coś, nie wiadomo co, no to no musimy wziąć pod uwagę, że tego typu sytuacje skrajne, ekstremalne, będą wpływały na to, jakie my dane otrzymamy, no bo po prostu sytuacja biznesowa jest zupełnie inna, była zupełnie inna w tych latach niż w tych takich, nazwijmy to, standardowych latach, kiedy dokonywaliśmy tej analizy. To też trzeba wziąć pod uwagę.

Wskazówki końcowe i podsumowanie

No i jeszcze jedna wartościowa wskazówka, wskazówka ze startupów wypływająca, czyli jeśli zasada pivotu. To znaczy, jeśli my mamy jakiś model biznesowy w startupie i wychodzimy z założenia, że ten model nie działa, to robimy tak zwany pivot, czyli zmieniamy coś w modelu biznesowym, no żeby zaczęło to funkcjonować. I w tej zasadzie istotne jest to, że jak mamy różne elementy, nie wiem, segment klientów, model przychodu, model kosztowy, strukturę kosztową i tak dalej i tak dalej, to zmieniamy tylko jedną z tych rzeczy. Następnie dokonujemy pomiarów i sprawdzamy, czy to zadziałało. Dlaczego to jest ważne? Dlatego, że jeśli my dokonamy jakiejś rewolucyjnej zmiany i to też ma zastosowanie tutaj w tej analizie danych, jeśli my dokonamy zmiany w kilku miejscach i coś się poprawi albo coś się pogorszy, to my nie będziemy w efekcie wiedzieli, która zmiana to spowodowała. A może się w ogóle okazać, że wszystkie naraz dopiero doprowadziły do efektu synergii, który sprawił, że to się poprawiło. Więc, więc tu będziemy mieli zaburzone wnioskowanie na podstawie tych danych, no bo po prostu nie będziemy do końca wiedzieli, czy to, że tu uderzyliśmy tym młoteczkiem, to spowodowało, że jest lepiej, czy jednak tam, tak. Także ważne jest to, żeby to robić w sposób taki, gdzie my w takim środowisku w miarę możliwości kontrolowanym, no bo umówmy się, też środowisko biznesowe i czynniki zewnętrzne się mogą zmieniać i to to jednak jest biznes czy organizacja, to jest żywy, czy rynek, to jest żywy organizm, więc to się to się zmienia, ale z naszej strony, żeby doprowadzić do jakiegoś jednego czynnika zmieniającego się, który, który będziemy mogli po prostu zmierzyć, albo przynajmniej świadomie będziemy wiedzieli, że to tu dokonaliśmy zmiany i coś się zmieniło. Także to też, to też warto, warto gdzieś tam mieć z tyłu głowy.

Dobrze, no jeszcze jedna wskazówka czy rekomendacja, którą mogę dać, to to, że warto jest, jeśli tylko macie taką możliwość, organizacja ma zasoby do tego, warto jest trzymać te dane u siebie in-house'owo, to znaczy na swoich serwerach. Dlatego, że mając je na swoich serwerach, wy macie pełną kontrolę nie tylko nad tym, gdzie te dane są, bo to jest oczywiście częsty motyw, o którym się mówi, że dane są u nas, więc pod względem prywatności to wszystko jest jakby zabezpieczone i to jest prawda. Natomiast z punktu widzenia podejmowania decyzji w oparciu o dane, dużo ważniejsze jest to, że jak macie je u siebie, to wy możecie, wy macie wpływ na ich obróbkę, na ich zestandaryzowanie, na zapewnienie tego, żeby one były wysokiej jakości. A tylko dane wysokiej jakości zapewnią wam podejmowanie decyzji biznesowych, które mają sens, to znaczy niebłędnych, tak, niewynikających z błędów, z błędów danych. Nie mówiąc już o tym, że uporządkowane, uporządkowane dane dobrej jakości są dobrą podstawą do tego, żeby serwować na przykład wiarygodne dane produktowe, czy żeby zasilać z kolei narzędzia sztucznej inteligencji czy uczenia maszynowego, zasilać skutecznymi danymi i wtedy wspomagać się też tymi narzędziami do tego, żeby wyciągać dużo lepsze wnioski w dużo szybszym czasie.

Także tyle ode mnie, jeśli chodzi o te rzeczy dotyczące analityki e‑commerce. Mam nadzieję, że ta procedura, w szczególności, gdybyście mieli zapamiętać jedną rzecz z tego odcinka, to zachęcam do zapamiętania tej procedury, bo ona sprawi, że będziecie analizować to zupełnie inaczej albo w znacznie efektywny, znacznie bardziej efektywny sposób niż konkurencja tę analitykę i to będzie po prostu wam przynosić dużo większe korzyści. Także przypomnę procedurę. Analizujemy cykl życia klienta, analizujemy główny proces, tam identyfikujemy w tych dwóch miejscach istotne zdarzenia biznesowe, które chcemy śledzić. Charakterystyka grupy docelowej i parametry, cechy opisujące tę grupę docelową. Nasz proces decyzyjny, jak wygląda, przeanalizujmy go sobie i zobaczmy na bazie czego podejmujemy te dane, te decyzje, bo też stąd możemy wyciągnąć dane. Później przegląd naszego środowiska biznesowo-technologicznego oraz narzędzi dostępnych na rynku i na koniec analiza technik zbierania tych danych, czyli może ankiety, może Google Analytics, może jakaś ankieta, może jakaś dodatkowa dodatkowa społeczność, programy poleceń, dodatkowe informacje, dzwonienie do klienta i pytanie. Generalnie tych technik jest sporo, nie ograniczajmy się tylko do Analytics'a, bo wbrew pozorom można zrobić tutaj znacznie, znacznie więcej, tylko trzeba po prostu pamiętać, wiedzieć po prostu, czego my chcemy, co my chcemy znaleźć, żeby, żeby te decyzje nasze były skuteczne.

Zachęcam ciebie do podzielenia się tym odcinkiem z innymi, bo to ma sens tylko wtedy, kiedy ta wiedza krąży sobie w obiegu. Mam nadzieję, że kolejne odcinki będą również dla ciebie interesujące. Zachęcam do, jeśli tego jeszcze nie zrobiłeś, do odsłuchania, obejrzenia poprzednich odcinków, tam też znajdują się, znajduje się wiedza dotycząca e‑commerce B2B. Na dziś z mojej strony tyle. Dzięki wielkie za uwagę i do zobaczenia w następnym odcinku. Cześć.

Analityka w e‑commerce B2B: 6 kroków do efektywnego zbierania i analizy danych