Spesso quando abbiamo i dati disponibili, confondiamo il loro possesso con l’effettiva capacità di lettura. Avere i dati non significa saperli leggere e riuscire a trasformare il dato in un’azione è quanto ci sia di più difficile in questo lavoro. Per questo motivo oggi siamo sommersi da mille report, tanti dei quali risultano davvero poco utili. Ha inizio la guerra all’inutilità dei dati, arriva la rivoluzione from data to action.
La piramide dell’informazione
Nella piramide di DIKW troviamo un concetto che ritengo davvero efficace nel momento in cui parliamo dell’utilità delle informazioni.
Il dato è grezzo e può esistere in tante forme, ma non ha nessun significato preso da solo.
Una volta compreso il dato, possiamo rispondere ad alcune domande, come ad esempio chi, che cosa, quando, dove, perché; solo allora il dato diventa utile e può essere definito informazione. L’informazione, dunque, è un dato che ha assunto significato grazie alla comprensione delle relazioni esistenti tra il dato stesso e, nel nostro caso, le azioni di marketing.
La conoscenza, invece, scaturisce dall’appropriata raccolta delle informazioni. Il processo consiste nell’individuazione di schemi, strutture ripetitive o modelli che vengono organizzati e strutturati. Il concetto è ampio e non semplice da definire, soprattutto in questa sede.
Infine, la saggezza è un processo esplorativo. Anche qui, funziona un po’ come nella vita: se applichiamo la nostra conoscenza a tante aree, mischiandola con etica, morale, giudizi, esperienza e tanto altro, la conoscenza diventa saggezza. Per concludere, alcuni descrivono la saggezza come la capacità di aumentare l’efficacia.
Nonostante in un primo momento, questa visione possa sembrare lontana dal marketing, in realtà ci aiuta ad accostarci alla materia con occhi diversi, con sguardo neutro e libero da preconcetti.
Il Knowledge funnel
Spesso vediamo ricorrere questa immagine quando si tratta di descrivere il processo che dai dati porta alle decisioni.
Questa immagine deriva da un concetto più ampio applicato all’innovazione, il cosiddetto “knowledge funnel” di Roger Martin, grande esploratore del mare del design thininking. In questo modello, l’innovazione parte sempre da un mistero che cela infinite possibilità. L’euristica avviene quando si ristringe il campo delle possibilità focalizzandosi solo su alcune caratteristiche principali. Da notare come l’euristica rappresenti la trasposizione di una cluster analysis. Si arriva poi alla massima semplificazione, ovvero l’algoritmo che rappresenta un esplicita sequenza.
Questo modello si collega al ragionamento analitico e lo migliora completamente. Gli analisti sono spronati a stare più a lungo nella fase del mistero, dove coesistono tutte le possibilità, senza giudicare, senza avere paura. Lì, tra tutte le infinite opportunità, c’è la soluzione migliore. Si cerca poi di creare gruppi simili per migliorare l’efficacia del ragionamento e infine definire le cause.
Il metodo DATA. INSIGHT. ACTION di Federica Brancale
Durante questi anni di lavoro ho imparato che esistono 3 grandi concetti che ci aiutano in questo percorso e tutti derivano proprio dalla piramide dell’informazione e dal knowledge funnel. Mi rendevo conto che spesso vedevo in giro documenti pieni di dati completamente inutili. Per questo motivo, ho deciso di creare questo modellino AIA che utilizzo spesso quando faccio le formazioni e le consulenze e che mi ha permesso di raggiungere ottimi risultati.
Vediamo insieme i 3 elementi.
- Data (analysis): nel linguaggio comune, questo termine ha un valore puramente descrittivo. Si leggono i dati insomma. Ad esempio il target 25-34 ha un numero di sessioni di 10.000 un bounce rate di 56%, un tempo sul sito di 4 minuti e un tasso di conversione del 1%. Questo vuol dire descrivere un dato, ma non significa raccontarlo. Se volessimo essere pignoli, dovremmo chiamarle analisi descrittive. Sono un buon punto di partenza ma ci aiutano poco a rendere il dato veramente utile.
- Insight: è la capacità di cominciare a raccontare una storia con il dato. Secondo i principi della data visualization, un buon dato per essere tale deve sempre avere un contesto (trend e raffronto tra lui e il totale) una variazione (benchmark o di tempo) e una segmentazione. Per tirare fuori gli insight è necessario utilizzare tutta la nostra conoscenza (dato), la nostra empatia per capire cosa guardare e la nostra intelligenza per riuscire a fare i collegamenti tra le cose. Nel nostro esempio potremmo dire così: il target 25-34 rappresenta il 50% delle sessioni, ha un bounce rate minore rispetto alla media del sito, così come il tasso di conversione. Quindi in termini di acquisizione, comportamento e conversione, rappresenta il nostro target di riferimento. Vedete come abbiamo reso più umano il dato? In questa fase la data visualization è fondamentale.
- Action: questa è la parte della verità. Con quell’insight cosa ci facciamo? Se non dà luogo ad un’azione di marketing, quel dato diventa inutile. Per trasporlo nel nostro esempio, individuato il target possiamo consigliare di realizzare campagne social mirate, poiché quelle attualmente attive non puntano su quel target (altra analisi aggiuntiva), e testare le performance su quell’audience specifica.
Ogni volta che avete il dato, provate a scomporre il ragionamento in questi termini. Piano piano ,più passerà il tempo e più riuscirete a bypassare la parte descrittiva ed andare subito sugli insight.
Per costruire il ragionamento in questi termini però avete bisogno di 2 elementi alla base.
- Costruire una buona storia
- Leggere bene il dato per trovare insight ed action.
Come trovare le action?
Negli anni di lavoro ho capito che per arrivare a trovare le action è necessario costruire una buona storia e una buona visualizzazione dei dati. La piramide Analysis Insight Action funziona solo se ci chiediamo le giuste cose. Sarà la piramide a farti notare se devi approfondire qualcosa ma dovrai essere tu capire come farlo. Ecco alcuni concetti che ti possono aiutare in questo:
- Il ragionamento propedeutico: ogni KPI è collegata ad un altra (KPI tree). Se le sessioni calano, forse sono calate le impressions, o forse è diminuito il CTR. Se sono calate le impressions forse è calato il budget e così via. Questo tipo di ragionamento è fondamentale per identificare i problemi. Trovate una spiegazione dettagliata qui nella guida alle KPI.
- Il metodo scientifico e il valore dei bias: lo scienziato sa che deve guardare le anomalie (bias). I designer lo sanno ancora meglio, dentro le anomalie è nascosta l’innovazione. Così dobbiamo cercare non solo i dati negativi ma anche quelli anomali ed investigarli meglio, sviscerarli e scoprirne le cause. Il nostro cervello cerca la risposta veloce e corretta quindi tenderà a non farci vedere queste piccole cose. Fate attenzione. Guardate bene. Il dato anomalo corrisponde alla provocazione di un pensiero laterale, ci obbliga insomma ad essere più creativi. Il dato singolo non va scartato ma osservato. Da qui l’importanza dei cari “small data”
- Il funnel con la tecnica di Awareness – Engagement – Conversion: descrivere sempre i dati digitali in termini di acquisizione, comportamento, conversione. Il customer journey degli utenti è un percorso a step. Questi step rappresentano le fasi del funnel. Ed il funnel così viene descritto in termini di KPI. Questa classificazione è necessaria perché gli obiettivi saranno diversi in base al canale e alle campagne. Inoltre un business che funziona ha bisogno di alimentare tutti e tre gli stadi. All’interno di questo modello, che chiameremo customer journey, è fondamentale inserire le KPI specifiche per ogni stadio (no bounce, product view, add to cart, transazioni). Questa tecnica (AEC) di Avinash Kaushik è essenziale per leggere il metodo AIA. All’interno di ogni racconto seguiremo questo il metodo per leggere i dati.
P.s chiaramente la tua piattaforma di analisi deve avere tutti i set up che ti permettono di rispondere alle tue domande.
- Il super potere dell’empatia e delle domande: la capacità di collegare gli elementi tra di loro si coniuga con la capacità di mettersi nei panni degli utenti e capire come mai è successa quella cosa. Ad esempio scopriamo che il bounce rate della home è molto alto. Come mai? Per capire quali dati cercare devi immedesimarti nell’utente e parlare la sua lingua. Non parlare solo in termini di dati quindi, ma sforzati di porre domande umane. Perché me ne dovrei andare? Possibili cause: il sito non carica, il sito non si vede bene da mobile, non ho trovato quello che cercavo. Allora da qui puoi cominciare a tradurre le domande in metriche e dimensioni e a cercare le risposte nei dati. Ricordati che il modo in cui noi vediamo la realtà (che secondo i buddisti è vuota, cioè priva di polarità) dipende da come noi impostiamo le domande che dovrebbero guidarci. Prima di risolvere un problema, dovremmo definire bene i confini di quel problema. Per questo motivo si dice che prima di fare problem solving dobbiamo fare problem setting
Se pensiamo solo in termini di numeri, scordiamo che dietro ai numeri ci sono delle persone, perdendo la giusta chiave di lettura.
Un’analista che impara ad essere empatico (che sarà anche la cosa più difficile per lui considerando l’opposta direzione di vita intrapresa) sarà un analista migliore.
Adesso non ti resta che provare. Da oggi in poi prova ad inserire in tutte le tue analisi i 3 elementi e vedrai crescere esponenzialmente la qualità del tuo lavoro!