Hakumainontakampanjanne käynnistyi maaliskuussa. Konversiot nousivat 18 %. Tiimi juhlii. Kaksi kuukautta myöhemmin sama budjetti ei tuota juuri mitään nousua. Mikä muuttui?
Todennäköisin vastaus: mittasitte korrelaatiota, ette syy-seuraussuhdetta. Konversiot nousivat sesongin, tuotelanseerauksen ja orgaanisen vauhdin takia — ei mainosten. Kun nuo myötätuulet loppuivat, loppui myös ”vaikutus”.
Juuri tätä ongelmaa varten kausaalianalyysi on olemassa, ja markkinoinnin, myynnin ja asiakkuuksien tiimeille se on yksi arvokkaimmista muutoksista, joita mittaamiseen voi tehdä.
Korrelaation ja syy-seuraussuhteen ero
Kaksi asiaa korreloi, kun ne liikkuvat yhdessä. Mainosbudjetti nousee, liikevaihto nousee. Se ei kerro miksi. Liikevaihto voi nousta mainosten takia, koska on Q4, koska kilpailija oli poissa pelistä — tai kaikkien kolmen takia yhtä aikaa.
Syy-seuraussuhde on vahvempi väite: muuta tätä, niin tuo muuttuu seurauksena. Uskottava väite vaatii vaihtoehtoisten selitysten poissulkemista — muut samaan aikaan liikkuneet asiat, se ettette valinneet kohderyhmää satunnaisesti, ja mahdollisuus että nuoli osoittaakin toiseen suuntaan.
Yleisin ansa on piilotekijä, joka ajaa molempia puolia yhtä aikaa. Sesonki nostaa sekä mainosbudjetteja että liikevaihtoa. Jos sitä ei huomioi, sesonki kirjautuu kampanjan ansioksi.
Miksi tavallinen analytiikka menee tässä pieleen
Raporttinäkymät, attribuutiomallit ja vakioraportit on rakennettu näyttämään, mikä tapahtui yhtä aikaa. Siinä ne ovat hyviä. Niitä ei koskaan suunniteltu kertomaan mikä aiheutti minkäkin, ja niiden käyttäminen kuin ne kertoisivat johtaa tuttuun virhesarjaan.
- —Budjetti valuu kanaviin, jotka korreloivat konversioiden kanssa mutta eivät aiheuta niitä — brändihaku on klassinen tapaus, koska jo ostopäätöksen tehneet hakevat nimeänne matkalla kassalle
- —Hanke näyttää toimivan kokonaisuutena ja piilottaa sen, että se toimii vain yhdelle asiakasviipaleelle eikä tee muille mitään
- —Testit sotkeutuvat uutuudenviehätykseen, ryhmien väliseen vuotoon tai siihen vuodenaikaan, jolloin ne sattuivat pyörimään
- —Pysyvyysohjelmat ottavat kunnian asiakkaista, jotka eivät olleet lähdössä mihinkään
Mitä kausaalianalyysi oikeasti tekee
Se vastaa tiettyyn kysymykseen: jos muutamme tätä yhtä asiaa emmekä mitään muuta, kuinka paljon lopputulos muuttuu? Siihen pääseminen sisältää kolme ajatusta, joista yksikään ei vaadi tilastotiedettä.
Muuttamasi asia ja asia, josta välität
Jokaisella analyysilla on kaksi ankkuria. Muuttamasi asia — mainosbudjetti, sähköpostien tiheys, alennus, käyttöönottopuhelu. Ja lopputulos, josta välität — liikevaihto, konversioaste, poistuma. Vastaus on ensimmäisen aiheuttama ero jälkimmäisessä, rehellisen vaihteluvälin kera yhden itsevarman luvun sijaan.
Vaikutuskaavio
Vaikutuskaavio on kuva siitä, mikä vaikuttaa mihin: laatikot mitattaville asioille, nuolet niiden väliselle vaikutukselle. Se näyttää yksinkertaiselta, ja sen tehtävä on pakottaa oletukset näkyviin. Mitkä tekijät ovat ylävirrassa sekä muuttamastasi asiasta että lopputuloksesta? Mitkä ovat välissä? Mitkä ovat asian vierestä?
Sen päättäminen, mitä vakioidaan
Kun kaavio on olemassa, se kertoo mitkä tekijät pitää vakioida jotta vertailu on reilu ja — yhtä tärkeänä — mitä ei saa vakioida, koska niiden vakiointi pyyhkisi pois osan juuri siitä vaikutuksesta, jota yrität mitata. Tämän listan saaminen oikein on suurin osa työstä, ja se erottaa oikean vastauksen itsevarmalta näyttävästä.
Esimerkki markkinoinnista
Sanotaan että haluat tietää, nostaako siirtyminen kahdesta sähköpostista neljään viikossa ostoja seuraavan kuukauden aikana. Ilmeinen tapa on verrata neljä saaneita kahden saaneisiin — mutta ryhmät eivät ole samanlaisia. Jo valmiiksi sitoutuneet asiakkaat ovat yleensä niitä, jotka ovat tilanneet enemmän sähköpostia, ja he olisivat ostaneet enemmän muutenkin.
Kausaalianalyysi vertaa samanlaisia samanlaisiin: sitoutumishistoria, asiakkuuden kesto ja viimeisimmän oston ajankohta vakioidaan, jolloin jäljelle jäävä ero on sähköpostien tiheyden ansiota. Vastaus tulee käyttökelpoisessa muodossa — esimerkiksi 8,3 prosenttiyksikön nousu 30 päivän ostoasteessa, vaihteluvälillä 5,1–11,4, keskittyneenä asiakkaisiin jotka ovat olleet passiivisina kahdesta neljään viikkoa.
Se on jotain, minkä pohjalta voi toimia. Korrelaatioon perustuva versio olisi antanut suuremman ja imartelevamman luvun ilman mitään keinoa tietää, kuinka suuri osa siitä oli totta.
Miten CausoAI tekee tästä käytännöllistä
Tällainen analyysi on perinteisesti tarkoittanut asiantuntijan palkkaamista. CausoAI hoitaa mekaaniset osat puolestasi: se profiloi tiedostosi, piirtää vaikutuskaavion, pisteyttää riittääkö datasi johtopäätökseen, valitsee sopivan menetelmän, ajaa sen ja kirjoittaa tuloksen selkokielellä.
Yksi vaihe jää sinulle. Tarkistat kaavion ennen kuin mitään mitataan, koska mikään algoritmi ei pysty päättelemään jokaista syy-seuraussuhteen suuntaa pelkästä datasta — ja se arvio koskee liiketoimintaasi, ei tilastotiedettä.
Mihinkään tästä ei tarvita satunnaistettua koetta. Se toimii datalla, joka teillä jo on, kunhan olennaiset tekijät ovat tiedostossa.
Yhteenveto
Korrelaatioon perustuva analytiikka näyttää aina kuvioita, eivätkä kuviot ole vipuja. Kausaalianalyysi kertoo, mitkä niistä vastaavat jotain, mitä voit oikeasti vetää, ja mitä tapahtuu kun vedät. Kenelle tahansa, joka päättää budjetin suunnasta, se on ero itsevarman käyttämisen ja kalliin arvailun välillä.