Reshoper 2020 follow-up: Řízení investic nejen do marketingu pomocí prediktivní analytiky

Aktualizace: úno 21

Tento článek vznikl jako follow-up na mou přednášku na téma „Řízení investic nejen do marketingu pomocí prediktivní analytiky“, kterou jsem měl na Reshoper 2020. Vznikl především z důvodu, že se mi na samotném pódiu bohužel nepodařilo předat hlavní myšlenku případové studie, na které jsme více než rok pracovali s Radkem Pavlem z Autodoplnky-obchod.cz.


Jaká motivace vůbec obecně může vést někoho k vystoupení ze své komfortní zóny a prezentování myšlenky, o které věří, že dokáže pomoci lidem v publiku? Osobně tyto důvody dělím jednoduše na dvě základní skupiny:


1. „Superheroes“

  • Hlavní cíle: sláva, prachy, dosah.

  • Poznat se dají např. tím, že mluví nejčastěji o tom, co dokázali oni sami (hlavní pozornost směřována na ně samé, jak jsou dobří a úspěšní a co dokázali vytvořit).

2. „Teachers“

  • Hlavní cíle: motivovat ostatní překonat sebe sama, předat zkušenosti a znalosti, případně udělat slavným i někoho dalšího.

  • Poznat se dají např. tím, že mluví nejčastěji o tom, co dokázali ostatní (i když ve spolupráci s vámi jako prezentující) a navíc formou, kterou dokáže využít i „obyčejný smrtelník“ v publiku.

Kde se vidím v rámci 2 výše uvedených skupin? Nic není černobílé. Aktuální stav čehokoliv je vždy veličina, která se v čase mění. Zbytek svého profesního života jsem se rozhodl směřovat tak, aby si mě co největší skupina z lidí, kteří čtou mé články, chodí na naše školení a přednášky, spolupracuje se mnou na osobním rozvoji i rozvoji svého byznysu, zaškatulkovala právě do 2. skupiny. Zda se mi to skutečně podaří, ukáže až čas a především vaše zpětná vazba (za těch 5 min, které si kdokoliv z vás najde na to, aby napsal jeden odstavec zpětné vazby, předem děkuji).


Pojďme ale na to nejdůležitější -> Co jsem chtěl v rámci svého vystoupení na Reshoper 2020 předat publiku a co se mi dle mého osobního názoru z mnoha důvodů nepodařilo? Jako nápravu mě nenapadlo nic lepšího, než celou prezentaci formulovat jako článek, který právě čtete.


Jak bych svůj cíl prezentace shrnul?


„I když jste malý, pro obry na české e-commerce scéně (o kterých toho padlo na pódiu hodně) naprosto bezvýznamný e-shop, dokážete dělat zajímavé věci, a to jak na úrovni komunikace se zákazníky, prodeje svých služeb, tak i na poli chytrého zpracování dat a všech možných informací, které vám pomohou přežít v nelítostném byznysovém světě i ve chvíli, kdy do vašeho segmentu vstoupí e-commerce giganti. Vaše práce dává smysl, pokud ji nabízíte lidem, kteří ve vás věří a i vy věříte v to, co děláte.“


Obrovské poděkování patří Radku Pavlovi a celému týmu Autodoplnky-obchod.cz, kteří se nebojí vystoupit z řady, najít své věrné zákazníky (a tím své místo na trhu) a i přes veškerou nepřízeň aktuální doby a konkurence na trhu bojovat o přežití. A nejenom, že se jim to daří (= mají peníze na mzdy a dárky k Vánocům pro své blízké), ale také je to baví a z velké míry vnitřně naplňuje.


Video z přednášky

Prediktivní analytika a chytrá práce s daty obecně je skutečně mocný nástroj, jak řídit nejenom byznys, ale přemýšlet nad mnoha tématy, která ovlivňují váš život každý den. Častá bariéra, se kterou se setkávám, je představa, že je toto téma pouze pro pár vyvolených, a že na to potřebuji alespoň budget v rámci milionů (měnu si doplňte volitelně). Tato tvrzení neplatí a ať děláte cokoliv (od učitelky v mateřské školce až po manažery v super velkých korporacích), chytrá práce s informacemi, automatizace procesů (a eliminace těch nadbytečných), vám dokáže skutečně zlepšit život (ověřeno praxí i osobní životní zkušeností).


“The best way to predict the future is to invent it.” Alan Kay

Ne, nejsou. Pokud je dokážete prakticky uchopit, jako např. Radek z Autodoplňků a mnoho dalších obyčejných lidí, které potkávám každý den.

Konsolidace = úspory z rozsahu. To jste již asi slyšeli. A viděli jste někdy enormní náklady z rozsahu, které mají nulovou přidanou hodnotu a existují jen z důvodu nenažranosti? Já rozhodně ano. Neznamená to ale, že pokud jste velcí, tak jste špatní (naše práce je z velké části založena na tom, co firmy jako Google, Facebook, ale i český Seznam.cz dokázali nemalým úsilím vytvořit).


Osobně nakupuji velice často na Alza.cz (IT techniku a další spotřební zboží). Bez Rohlik.cz a Woltu bychom asi s Ivčou po narození Matěje hladověli. Nikdy si ale nedokážu představit, že bych si šel koupit kite místo na Kiteboarding.cz na Amazon nebo jakýkoliv jiný mega shop. Proč? Protože mi Lenka z KTB.cz vždy poradí přesně tak, jak potřebuji, a protože mě zná (a že vybrat ten správný kite, který vás nezklame v osmimetrové výšce nad třímetrovou vlnou 3 km daleko od břehu je sakra důležité - otázka života a smrti v danou chvíli).


“Idealistic as it may sound, altruism should be the driving force in business, not just competition and desire for wealth.” Dalai Lama

Začněte jednoznačně s daty z Google Analytics. Znalost objemu konverzí (tržeb) a nákladů, které vás bude predikovaný objem tržeb stát, je k nezaplacení. Forecasting na této úrovni bývá velice přesný i na webech, které mají měsíčně pouze desítky tisíc návštěvníků.


Další krok je vaše transakční databáze, díky které můžete predikovat, za kolik u vás vaši již aktuální zákazníci nakoupí v následujícím roce. Důležité je si uvědomit, že CLV (customer lifetime value) např. 20 mio neznamená, že vaši zákazníci u vás nakoupí sami od sebe -> je to nízko visící ovoce, které musíte získat za minimální náklady (ideálně z neplacených zdrojů jako je mailing, organické vyhledávání a další).


Data z trhu (např. Google Trends, případně další datové zdroje, jako Similarweb.com) vám pak mohou pomoci zpřesnit forecasting (fungují jako prediktory).

Jak taková predikce nějaké metriky z GA vlastně vypadá? Známá historie (levá část horního obrázku) jednoduše pokračuje do budoucnosti, která je predikována pomocí modelů, které v rámci forecastingu využíváte (vždy doporučuji používat více modelů a testovat jejich výkon a přesnost). Jednoduše tak víte, jaký objem návštěvnosti, transakcí, tržeb, ale i nákladů a profitu si využité modely myslí, že budete mít v následujícím období, mimo jiné díky znalosti historie.

Znalost celkového budoucího objemu návštěvnosti, tržeb a ostatních metrik je sice důležitá, ale daleko více actionable je predikce na úrovni jednotlivých marketingových zdrojů, které na web vedou návštěvnost (více o channel grouping na našem webu). Jednoduše pak ve vizualizacích vidíte, zda se vám bude poměr např. transakcí (a s tím spojené návratnosti investic) v rámci marketingových zdrojů v nejbližší budoucnosti měnit, a případně jak konkrétně.

Jak mohou být predikce přesné? Osobně velice pečlivě analyzuji jak přesnost dlouhodobého forecastingu, tak pak i tzv. extrapolace (což je v zásadě také forecasting, nicméně v naší terminologii ten krátkodobý, např. pro aktuální měsíc).


Na grafu výše je pak vizualizována přesnost extrapolace (tedy predikce výsledku aktuálního měsíce), kterou pozorujeme nejčastěji = cca od 8. - 10. dne v měsíci se dá skutečně velice přesně odhadovat výsledek celého měsíce (pokud nenastanou události, které modelace nedokáže zachytit, jako např. zavedení nové kategorie produktů, anebo je nedokáže zachytit zcela přesně, jako např. Black Friday, Vánoce atp. (pro tyto případy vždy umožňujeme v rámci plánování marketingového rozpočtu ruční korekci výsledků dlouhodobého forecastingu).


Přínos extrapolace? Představte si, že např. 10 ledna víte, které kampaně jsou ziskové a mají potenciál ke škále, a jaké kampaně jsou naopak ztrátové a kde se dají uspořit neefektivní investice, a to z pohledu celého výkonu aktuálního měsíce, který ještě neskončil!

Ať si kdo chce co chce říká o atribuci (málo dat, hodně dat, cross-device, problém XYZ), přemýšlet nad ní dává smysl (ne bez významu získal Shapley Nobelovu cenu za ekonomii). Z mých zkušeností dává smysl experimentovat s jiným pohledem na návratnost investic po kanálech v podstatě vždy. Proč? Protože se tím dá vydělat fakt balík peněz. Už se mi to díky atribuci a změně z pohledu např. na firstclick model podařilo? Ano (a nemyslím tím teď prodej školení) -> Jsem „superhero“ :-D, ale sem to stejně nikdo nedočte, takže pohoda :-).


Více se o atribučním modelování můžete dozvědět na našem školení „Atribuční modelování v marketingu I.“.

Tento slide imho nepotřebuje komentář nad rámec informací uvedených přímo v něm.

V jakých konkrétních případech dává smysl atribuční analýza? Vždy, u každého projektu. Co když máte málo konverzí? (= někdo neví, jak k atribučnímu problému přistoupit, tak se vymlouvá na malý objem dat.


Tvrzení: „Máte málo dat, takže atribuce může být zkreslená, tak se pojďme slepě řídit podle GA Last Click atribuce“ pro mě není dostatečný argument).


Ve vztahu k návratnosti investic a různým pohledům na atribuční modelování je pak důležité zamyslet se nad retrospektivou. Co si pod tímto pojmem představit a jaký dopad má na reálnou kvantifikaci návratnosti investic do marketingu jsme pro vás sepsali s Markem Kobulským na našem blogu.


Dává tedy změna modelu smysl? Velice často ano, ale to není až tak důležité. Důležité je vědět, jakou atribuční strategii mám a PROČ se řídím dle vybraného přístupu.

  1. Snížení nákladů na marketing (přísnější KPIs).

  2. Zvýšení hladiny pro dopravu zdarma.

  3. Zvýšení cen vybraných produktů a kategorií.

Proč jsme začali růst byznysu brzdit? Již v roce 2018 (tento use case je z roku 2019, pozn. autora) začal výkon Radkova e-shopu kolísat z důvodu vstupu nové konkurence do jeho odvětví (Alza, Mall a další velcí hráči). Vývoj počtu konkurenčních domén v aukcích můžete vidět na grafu níže:

Zároveň se vstup konkurence do aukcí potkal s obdobím vysokých investic do redesignu webu a KPIs, do kterých nebyly promítnuty provozní a veškeré další náklady v dlouhodobém kontextu. Bylo tedy nutné okamžitě reagovat na nastalou situaci z dvou různých úhlů pohledu:

  1. Provozní náklady: hlavní odpovědnost Radka, který díky agilním a rázným rozhodnutím dokázal jejich objem v řádů měsíců srazit. Klobouk dolů.

  2. Náklady na marketing: především bylo nutné snížit poměr objednávek, které byly ztrátové (= náklady na jejich akvizici a odbavení byly vyšší, než marže, kterou přinesly).

Výsledek ořezání nákladů?

  • Pokles návštěvnosti o 39 % meziročně (za tohle se v korporátech dává často okamžitá výpověď).

  • Pokles transakcí o 25 % meziročně (zde je patrný nárůst efektivity).

  • Růst gross profit o stovky % (není to bullshit - pozn. Radek, majitel e-shopu).

Ano, pokud máte hypotéku, děti a byznys vám vychází v červených číslech (vyhlídky na konec roku 2019 skutečně nebyly v Q1 a Q2 příliš pozitivní). Dlouhodobá růstová strategie je fáze 2 ve chvíli,

kdy nedotujete provoz bez vyhlídek na světlé zítřky.


A pokud nejste pračka :-)

....aneb jak na dlouhodobou strategii...

Mohou být výsledky prediktivní analytiky, případně pouze znalost časové řady pro vybranou sledovanou metriku (např. objem nově získaných zákazníků v čase), skutečně překvapující a přínosné?

V případě Radkova e-shopu a vývoje objemu opakovaných objednávek od stávajících zákazníků v čase tomu skutečně tak bylo. Nicméně důležité je zamyslet se nad celkovým byznysovým kontextem této informace = jaký je poměr opakovaných nákupů?

Radek: „Poměr opakovaných nákupů je desítky procent? No, tak to je bomba! Pak dává smysl strategie tvorby kvalitního obsahu, točení videí a zaměření naší služby na věrné zákazníky, což jsem chtěl vždycky dělat!

Paretovo pravidlo každý známe (osobně ho v zasedačkách slýchám velice často). Řídíme se dle něj ale někdo při rozhodování? Dává v jeho pojetí smysl nekonečná honba za co nejširší zákaznickou bází, nabídkou služeb a produktů? Nevím, ale pro mě osobně je to zajímavá filozofická úvaha.


Co tedy generuje zbylých 75 % zákazníků, když 25 % zákazníků generuje 80 % tržeb? Z mých zkušeností např. náklady (zbytečné).

Představte si, že máte v týmu člověka, který pro Vás:

  • zpracuje stovky milionů řádků dat

  • provede nad nimi nespočet matematických modelací

  • spočítá, jak bude vypadat průběh vašeho byznysu v následujícím období

  • řekne Vám, jakou skutečnou hodnotu měly investice a rozhodnutí provedené v minulosti

Každý den.

Budu rád za případné komentáře pod článkem.

Chuť překonat sama sebe a víra, že to dokážete. Krása prediktivní analytiky je především právě v tom, že dnešní forecast tržeb na příští měsíc může vypadat příští týden jinak. Jak docílit změny? Něco udělat, kopnout do vrtule, překonat statistiku a tvrdá data, která forecastují, že zkrachujete. Historická data nezměníte, budoucnost je pouze a jenom ve vašich rukou.


“You can't change the direction of the wind, but you can adjust your sails to always reach your destination.” Jimmy Dean


Pak už je to víceméně jednoduché :-)

Jestli jste to někdo dočetl až sem, napište, máte u mě zmrzlinu :-).


M.

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