• František Rajtmajer

Prezentujte data správně

Často věnujeme nezměrné úsilí sběru dat, jejich čištění, ukládání, reportování a vyhodnocování. Co když ale data prezentujeme špatně a nejde se na jejich základě rozhodnout? Co když je příjemci dat jen kvůli chybné prezentaci interpretují zcestně?


Tento článek pomůže hlavně těm, kteří připravují reporty a analýzy.

Pokud připravujete report, analýzy či obecně máte za úkol odprezentovat data někomu druhému, občas narazíte na některou z následujících záludností, kterou jde považovat za chybu.


Nerozebírám zde chyby ve vizualizaci dat. O tom třeba někdy příště.


Zbytečná přesnost


Prezentace čísel s několika desetinnými místy budí dojem přesnosti, který ale může být zavádějící a zbytečně ztěžovat pochopení.


Např. míra okamžitého opuštění je už ze své podstaty vágnější metrika a nemá smysl ji řešit na úrovni desetinných míst.


Podstatnou informací je totiž to, zda je vysoká nebo ne a v porovnání s čím. Zda její skutečná výše byla

66,7 % nebo 66,9 % nehraje při její interpretaci žádnou roli.


Obdobně je nesmysl ukazovat vysoká čísla s přesností na jednotky (např. tržby 862 898 Kč) a úplně stačí prezentovat čísla zaokrouhlená na vhodný řád (tržby 863 tis. Kč).


Přesnost lze využít i ve svůj prospěch. Například když práci naceníte na 14,2 tis, působí to dojmem výpočtu a tudíž přesnosti, než když jen vypálíte 10 tis.


Nestejné jednotky

Zaokrouhlování na vyšší řády sice řeší předešlý problém zbytečné přesnosti, přináší ale problém jiný. Pokud v rámci jednoho bloku dat použijeme různé řády, ztížíme tak porovnání jednotlivých řádků mezi sebou.



Podobná chyba může nastat i při srovnávání sloupců jedné tabulky mezi sebou.



A dokonce i v textu.




Průměry

Průměr je fajn. Snadno se počítá a ukazuje. Jeho nebezpečí ale spočívá v tom, že nic neříká o rozložení hodnot, z kterých se počítá.



Průměrná doba trvání návštěvy 2:20 nevypadá špatně. Zjištění, že 57 % návštěv ale trvá méně než 10 sekund, již tak pozitivní není. Do úvahy je samozřejmě nutno vzít, jak Google Analytics počítají průměrnou dobu trvání návštěvy.




Například u jednoho klienta se výstup analýzy meziročního srovnání tržeb podstatně změnil, když jsme v loňském červnu objevili chybnou objednávku na částku 13,8 mil. Kč. Běžné ale byly objednávky za několik tisíc Kč. Kvůli chybné objednávce byla průměrná hodnota objednávky za celý rok o třetinu vyšší. A přišli jsme na to jen díky pohledu na největší a nejmenší objednávky v daném roce.


Abstraktní ukazatele

Abstraktní ukazatele jako PNO či ROAS používáme v online marketingu často. Nicméně bez znalosti jejich významu může jít jen o vágní číslo, které nepomáhá se rozhodnout.


Pro majitele e-shopu je totiž informace, že u Facebooku je cena za objednávku 153 Kč, mnohem představitelnější, než že PNO je 29,6 %.


Abstraktní čísla také skrývají velikost svého základu. Vezměme si následující dvě kampaně. Která z nich je lepší?


Podle PNO samozřejmě ta na Seznamu. Co když ale doplníme ještě další neabstraktní údaje?



A nebo ještě lépe si spočítáme rovnou Marketingové tržby (Tržby - Marketingové náklady). Zde bychom ideálně měli do nákladů počítat i ostatní Marketingové náklady (správa kampaní, grafika…).


A nebo se posunout až na úroveň Marketingové zisku, který vypočteme jako (marže x tržby)-marketingové náklady. Při marži 20 % by tak tabulka vypadala takto.


Která kampaň je nyní lepší?



Procenta bez základu

Změny a podíly na celku vyjádřené procenty jsou fajn. Zavádějící ale bývá neuvedení základu, z kterého se procento počítá.


Proto mne vždy pobaví konstatování typu “Díky naší práci jsme klientovi zvýšili tržby o 80 %”. Co když to ale bylo z 5 na 9 tis Kč?


Změny jen v absolutních číslech

Protipólem procent bez základu je uvádění u změn jen absolutních hodnot.



To zní dobře, ne? Co když doplníme i procentní změnu?


Vynechaný kontext

Vezměme si větu z příkladu výše.


Ok, opravme ji na.


Jenže co když to bylo díky reklamám za 10 tis Kč a dalších 15 tis Kč stála práce agentury? To je kontext, bez kterého data neprezentujeme správně.



Závěr

Popsané příklady chyb nemusejí být chybou vždy. Pokud pracujete ve zkušeném marketingovém týmu, je použití abstraktního ukazatele naprosto v pořádku. Za předpokladu, že mu všichni zúčastnění rozumí.


Cílem tohoto článku je poukázat na možné pasti v prezentaci dat tak, aby výstupy byly všem jasné a dalo se na jejich základě rozhodnout.



Tak co, dopouštěli jste se některých z chyb? Dejte mi vědět.


A díky za tipy na další příklady chyb.










©2019 Ecommerce-academy.cz, created with love by Milan, Marek & Ivča