3 cara data dapat membuat Anda salah — dan cara mendapatkan wawasan yang lebih baik

Pemasar modern terobsesi dengan data — dan untuk alasan yang bagus. Ini memberi kami arahan dan menginformasikan strategi kami, di antara banyak manfaat lainnya. Tetapi tidak semua data sama-sama berguna atau membantu. Kumpulan data yang salah dapat merusak program pemasaran Anda sama seperti tidak memilikinya.

Sangat penting untuk mengetahui cara mengidentifikasi data yang tepat, sehingga wawasan Anda secara akurat memandu pengambilan keputusan Anda. Dalam artikel ini, saya akan membahas tiga cara penyalahgunaan data yang dapat membahayakan upaya pemasaran kami dan bagaimana metodologi pengujian holistik dapat membantu mendapatkan wawasan yang lebih baik.

Inti dari tren pemasaran yang signifikan adalah data

Lihatlah tren yang menyita perhatian pemasar selama tiga tahun terakhir:

• 2021: Munculnya fitur Perlindungan Privasi Surat Apple , yang menutupi data aktivitas pengguna. Pemasar panik memikirkan kehilangan harga terbuka.
• 2022: Data nol pihak dan pihak pertama, yang tiba-tiba disadari orang bahwa mereka perlu mengimbangi hilangnya informasi cookie pihak ketiga yang tertunda.
• 2023: Munculnya ChatGPT dan model pemrosesan bahasa alami lainnya yang digerakkan oleh AI (berarti data-driven).

Apakah itu melibatkan kehilangan akses ke data, kebutuhan untuk menemukan sumber data baru, atau memberinya kekuatan untuk membuat keputusan bagi kita, data adalah inti dari tren ini.

Data memiliki definisi teknologi dan filosofis. Ini bisa berupa informasi yang dapat digunakan komputer untuk diproses atau, seperti yang didefinisikan Google, "hal-hal yang diketahui atau diasumsikan sebagai fakta, menjadi dasar penalaran atau perhitungan" (penekanan dari saya).

Bagian "atau asumsi" itu adalah tempat kita bisa salah dengan data. Orang selalu berkata, "Angka tidak berbohong." Data mungkin tidak berbohong, tetapi mungkin juga tidak berarti apa yang Anda pikirkan.

Gali lebih dalam: Mengapa kami peduli dengan pemasaran berbasis data

Sisi baik dari data

Saya mungkin memberi tahu Anda hal-hal yang sudah Anda ketahui tentang data, tetapi dengarkan saya. Kami mengandalkan data setiap hari, baik dalam hal yang jelas maupun yang tidak jelas (meminjam istilah dari Rohit Bhargava).

Untuk pemasar email, yang jelas termasuk data pemasaran yang kami gunakan saat membuat dan menyusun kampanye, memilih audiens, mengukur kesuksesan, dan mengambil langkah selanjutnya. Inilah mengapa pemasaran email sangat berguna. Ini menghasilkan data yang dapat kami terapkan di seluruh ekosfer pemasaran.

Lalu, ada nilai yang tidak jelas. Data email kami dapat menginformasikan saluran pemasaran lain dan bahkan melampaui tim pemasaran untuk mendukung layanan pelanggan, operasi bisnis, dan lainnya di seluruh perusahaan.

Kampanye kami seperti sumber riset pasar yang berkelanjutan. Karena orang yang kami kirimi email adalah calon pelanggan dan pelanggan lama kami, kami memanfaatkan, melacak, dan mengukur basis pelanggan kami setiap hari.

Di atas semua itu, teknologi pemasaran saat ini memudahkan pengumpulan data. Kami menemukan data di mana pun kami berada — di ESP, platform otomasi, CRM, mesin e-niaga kami. Angka-angka beterbangan melewati kita begitu cepat sehingga kita tidak bisa menangkap semuanya.

Tapi itulah poin saya. Kami tidak membutuhkan semua angka yang datang kepada kami. Kita perlu tahu apa angka yang benar dan apa artinya - di mana kita sering salah.

Gali lebih dalam: Mengapa kami peduli dengan pemasaran email: Panduan pemasar

'Wawasan, wawasan, wawasan' bukan 'data, data, data'

Seperti yang dikatakan teman baik saya Chad S. White, penulis “Aturan Pemasaran Email,” dengan sempurna:

“Anda berbicara tentang 'data-data-data.' Saya bukan penggemar data. Tidak ada yang benar-benar menginginkan data. Apa yang sebenarnya mereka inginkan adalah wawasan dan analitik adalah cara Anda menemukan wawasan yang tersembunyi di dalam data Anda.

Data akan membuat Anda salah banyak. Anda perlu memastikan bahwa Anda membawa pengetahuan Anda tentang pelanggan Anda, pengetahuan Anda tentang bisnis Anda dan menganalisis data tersebut untuk mengeluarkan semua omong kosong dan mendapatkan barang-barang yang berharga.

Ada banyak penyesatan dalam data. Jadi wawasan, wawasan, wawasan. Itulah yang kami inginkan.”

– Chad S. White selama pidato utama di ANA-Email Evolution Conference di Washington, DC.

Anda dapat mengumpulkan semua data yang Anda inginkan, tetapi Anda juga harus mengurutkan data yang diperlukan dari yang asing, yang relevan dari yang tidak relevan, dan yang asli dari yang palsu untuk mempelajari apa artinya sebenarnya.

Kami mengumpulkan data bukan untuk mengisi silo data, danau, dan gudang, tetapi menggunakannya untuk memahami pelanggan kami dan mengukur seberapa baik program pemasaran kami bekerja. Semua hal lain yang kami lakukan sebagai pemasar bergantung pada upaya tersebut.

Oleh karena itu, dapat merusak ketika kita mengumpulkan data yang buruk atau mencari makna yang tidak dapat diberikan oleh data karena, seperti yang dikatakan White, itu membuat kita salah. Data yang salah sama buruknya dengan tidak ada data — mungkin lebih buruk karena dapat memberi Anda rasa aman dan pencapaian yang salah.

Jika Anda menggunakan data email untuk menginformasikan pemahaman merek Anda tentang audiens Anda dan mendorong pengambilan keputusan di luar departemen pemasaran, bayangkan kekacauan jika Anda mendasarkan wawasan Anda pada analitik yang salah.

Ketika data bagus menjadi buruk: 3 skenario yang harus diperhatikan

Biarkan saya mengoreksi diri saya sendiri: data tidak menjadi buruk. Begitulah cara kita menggunakan dan menafsirkannya yang menciptakan masalah. Saat Anda menyalahgunakan data Anda — sengaja atau tidak sengaja — Anda dapat membawa tim Anda dan bahkan perusahaan Anda ke jalan yang salah dan panjang. Ini mudah dilakukan, terutama jika Anda mencoba mengoptimalkan program email Anda dengan menguji berbagai bagian dan tidak hanya beroperasi berdasarkan insting.

Saya tidak dapat menghitung seberapa sering klien memulai dengan niat pengujian yang baik dan menyimpang dari jalur karena pengujian tidak disiapkan dengan benar atau karena tim sampai pada kesimpulan yang salah. Berikut adalah tiga skenario di mana data dapat mengarahkan Anda ke pengujian A/B yang salah.

1. Mengoptimalkan metrik kesuksesan yang salah

Email terkenal sangat mudah diukur. Terlalu sering, metrik yang kami pilih tidak menangkap kesuksesan atau kegagalan sebenarnya dari kampanye kami. Tapi jangan terlalu keras pada email. Pemasar di semua saluran, dari media sosial hingga pemasaran influencer, melakukan kesalahan yang sama.

Tingkat terbuka adalah penyebab yang jelas. Metrik ini memecahkan satu masalah yang sama-sama mengganggu pemasar digital dan tradisional — mengetahui apakah seseorang benar-benar melihat kampanye kami atau hanya menggulir melewatinya, membalik halaman, membuang katalog, atau bangun untuk ngemil selama iklan. Tidak heran kami melompat pada tarif terbuka yang cukup besar sebagai ukuran kesuksesan.

Tetapi tarif terbuka yang besar itu sering kali tidak diterjemahkan ke dalam metrik yang penting, seperti pendapatan kampanye, pesanan, ukuran keranjang, pembelian kembali, dan angka terkait kampanye lainnya. Jika Anda menggunakan baris subjek yang menarik untuk mengoptimalkan tingkat pembukaan yang lebih tinggi, banyak orang mungkin membuka email itu karena penasaran dan kemudian tidak mengklik. Jadi Anda mendapatkan tingkat terbuka yang luar biasa, tetapi kampanye Anda gagal.

Banyak pemasar panik ketika fitur MPP Apple diluncurkan pada tahun 2021 karena menyembunyikan data aktivitas email, seperti jam buka, waktu, dan lokasi. Mereka khawatir akan kehilangan metrik kinerja utama. Itu adalah pengingat tepat waktu bagi kami semua bahwa tarif terbuka tidak selalu sesuai dengan sasaran kampanye kami.

Namun, solusi MPP yang banyak disarankan — untuk fokus pada rasio klik — hanyalah saran yang sedikit lebih baik. Klik adalah bukti minat pelanggan yang lebih nyata daripada pembukaan. Tapi mereka juga bisa dipermainkan, dan mereka tidak selalu berkorelasi dengan konversi.

2. Mengubah arah berdasarkan pengujian satu kali

Kesalahan ini sejalan dengan pengoptimalan untuk metrik keberhasilan yang salah. Ini terjadi saat Anda menjalankan pengujian A/B tunggal pada satu fitur, seperti baris subjek, ajakan bertindak, penawaran, gambar, salinan isi, atau waktu.

Tes-tes ini mudah dilakukan. Banyak ESP memungkinkan Anda mengaturnya hanya dengan beberapa klik. Anda bahkan mungkin mendapatkan hasil yang terlihat jelas dan tidak dapat disangkal.

“Baris subjek A mendapat rasio buka 54% dan rasio klik 25%. Baris subjek B mendapat tingkat terbuka 24% dan tingkat klik 12%. Baris subjek A adalah pemenangnya! Ayo lakukan semua baris subjek kita seperti baris subjek A mulai sekarang!”

Ini mengasumsikan dua fakta yang tidak diberikan data kepada Anda:

• A mendapat lebih banyak bukaan daripada B, dan konversinya juga lebih baik.
• Audiens Anda akan selalu merespons baris subjek dengan lebih baik seperti A.

Pengujian A/B tunggal memberi Anda hasil hanya untuk kampanye tersebut, pada saat itu, dengan audiens tersebut. Tetapi audiens Anda terus berubah. Orang-orang yang membuka dan mengklik apa yang disebut versi pemenang Anda kali ini mungkin bukan orang yang melihat kampanye Anda berikutnya. Atau mereka akan melihatnya tetapi tidak menanggapi dengan cara yang sama.

Mengubah pendekatan email Anda berdasarkan satu pengujian dapat menyebabkan bencana. Anda harus terus menguji dan menguji berbagai komponen dan memastikan metrik kesuksesan Anda mencerminkan tujuan kampanye Anda.

Jika Anda ingin orang melihat pesan Anda, tingkat buka atau klik dapat bekerja. Tetapi jika Anda ingin mereka membeli, mendaftar, meningkatkan, mengunduh, membuat akun, atau melakukan tindakan terkait bisnis lainnya, Anda harus terus menguji untuk melihat apa yang berhasil dari waktu ke waktu.

Gali lebih dalam: Bagaimana pengujian dapat meningkatkan konversi pemasaran email Anda

3. Mengandalkan pengujian ad hoc daripada metode ilmiah

"Ad hoc" adalah istilah keren untuk "menebak". Anda pada dasarnya melempar barang ke dinding untuk melihat apa yang bertahan — menguji satu komponen alih-alih mengambil pendekatan holistik yang digerakkan oleh hipotesis yang mempertimbangkan semua aspek kampanye.

Saat Anda menguji dengan cepat, Anda membuka diri terhadap masalah yang dihadapi orang saat mereka menguji satu komponen dan kemudian mengubah arah berdasarkan data tersebut. Sekali lagi, datanya tidak salah, tetapi kesimpulan yang Anda ambil berdasarkan data itu bisa saja salah.

Pengujian ilmiah menggunakan hipotesis lebih mungkin memberikan data yang bermakna karena memberi Anda kerangka kerja untuk mendapatkan wawasan yang bisa diterapkan. Durasi pengujian adalah salah satu contohnya. Terlalu sering, banyak keputusan dibuat terlalu dini dalam pengujian A/B. Katakanlah fitur uji A/B platform email Anda memungkinkan Anda mengirimkan Versi A ke satu audiens sampel yang terdiri dari 10% daftar Anda dan Versi B ke 10% lainnya dari daftar Anda, tunggu beberapa jam dan kirim pemenang ke sisanya 80%.

Metode ini mungkin memberikan hasil yang berguna jika Anda menguji buka atau klik. Tetapi ketika konversi adalah yang terpenting, itu tidak berhasil. Tes 50/50 lebih cocok untuk menghitung kesuksesan berdasarkan konversi. Ini memungkinkan Anda menunggu tiga hari hingga seminggu sebelum mengumumkan pemenang dan menyatakan kesimpulannya.

Metrik yang bermakna seperti konversi tidak selalu terjadi dalam 2 jam pertama, dan mengoptimalkan hasil cepat tersebut dapat berarti mengoptimalkan hasil yang salah. Tes 50/50 juga memberi Anda ukuran sampel yang lebih besar, sehingga juga membuat tes lebih kuat.

Menggabungkan metode ilmiah dengan metodologi pengujian holistik memberi Anda pemahaman yang lebih luas tentang audiens Anda dan apa yang memotivasi mereka. Baca lebih lanjut tentang masalah pengujian dan pendekatan pengujian holistik saya di kolom MarTech ini, "7 masalah umum yang menggagalkan keberhasilan pengujian email A/B/n."

Apakah data Anda menceritakan kisah yang benar? Coba tes lakmus ini

Klien baru sering merasa skeptis ketika saya menunjukkan (secara diplomatis, tentu saja!) bahwa kinerja kampanye atau data pengujian mereka tidak mendukung kesimpulan yang mereka ambil darinya. Mengapa email tidak menghasilkan uang meskipun mereka mendapatkan rasio buka atau klik yang bagus?

Jika Anda bertanya-tanya hal yang sama, tes lakmus saya dapat mengungkapkan apa yang terjadi jika Anda menggunakan metrik yang salah untuk menyatakan keberhasilan atau kegagalan.

Buat tiga daftar:

• 10 kampanye teratas dengan rasio terbuka tertinggi.
• 10 kampanye teratas dengan rasio klik tertinggi.
• 10 kampanye teratas dengan konversi tertinggi atau sasaran kampanye lainnya.

Dengan asumsi perhitungan konversi Anda tidak terkait dengan tingkat pembukaan Anda tetapi berdasarkan email yang dikirimkan, Anda akan melihat sedikit tumpang tindih di antara ketiga set kampanye. Sekarang, lihat kampanye di setiap kategori. Seperti apa kampanye konversi teratas Anda dibandingkan dengan kampanye yang paling banyak dibuka atau diklik?

Apakah Anda menggunakan baris subjek yang lebih panjang yang bertindak seperti penyortir kotak masuk, yang menarik bagi pelanggan Anda yang paling termotivasi? Apakah konten pesan menggunakan salinan yang lebih panjang atau lebih pendek, ajakan bertindak khusus atau umum? Apakah satu jenis kampanye, seperti obral kilat, berkonversi lebih baik daripada kampanye koleksi baru?

Saat Anda mempelajari data dengan cara ini, dengan memperhatikan hasil yang penting, bukan data yang paling mudah dikumpulkan, Anda akan dapat mencapai tujuan White untuk "menganalisis data tersebut untuk menghilangkan semua omong kosong dan tertinggal dengan hal-hal yang emas.