Suurin osa yrityksistä hyödyntää dataa puutteellisesti tai jopa olemattomasti. Olen nähnyt urani aikana paljon dataa kuvailevaa niin sanottua analysointia. Se, että numeroiden pohjalta kerrotaan, mitä on tapahtunut, ei tuota yritykselle minkäänlaista lisäarvoa. Se on raportointia, ei analysointia – ja valitettavasti turhaa numeroraportointia on maailma pullollaan.

Numeroraportoinnin lisäksi pitää ymmärtää, miksi ja miten jotakin on tapahtunut. Kvantitatiivisen klikkausdatan lisäksi tarvitaan siis kvalitatiivista dataa ja menetelmiä, kuten asiakas- ja kävijäkyselyitä, kuumakarttoja sekä videoita asiakaskokemuksen parantamiseksi. Silloin metsä alkaa hahmottua puilta.

Pelkästään datalähteiden ja datan määrän kasvattaminen ei tee kenestäkään viisaampaa. Joskus enemmän dataa saattaa tarkoittaa jopa vähemmän toimintaa – ainakin, jos data on isännän asemassa. Datan yhdistämisen haasteet ovat oma lukunsa, mutta pienempääkin datamäärää pitäisi pystyä analysoimaan niin, että siitä voi tehdä konkreettisia havaintoja. 

Datan analysoinnin tarkoitus on päätösehdotusten tai testausideoiden tuottaminen. Huomioi, että analysointia voi tehdä usealla tavalla. Toisessa äärilaidassa on subjektiivinen, analyytikon omalla kokemuksen ja osaamisen perusteella tehty heuristinen analysointi. Toista ääripäätä edustaa koneoppiva malli, joka voi tehdä myös itsenäisesti päätöksiä tietyissä rajoissa.

Jos et uskalla tehdä rohkeita muutoksia markkinoinnissa, ei datakaan muutu eikä oppimista ja optimointia tapahdu.

Varo kuitenkin heureka-havaintoja, sillä niillä ei välttämättä ole mitään tekemistä matemaattisen, kehittyneemmän analysoinnin kanssa. Kehittyneessä analysoinnissa ja mallintamisessa toisen analyytikon tai datatieteilijän tulisi pystyä toistamaan tulos. Luottamus- ja merkitsevyystasot sekä todennäköisyydet ovat niitä termejä, jotka vilahtelevat kehittyneessä analytiikassa. 

Kaikkein tärkeintä on saada datasta ruokaa päätöksentekoon, kun markkinointi ponnistelee kohti sille asetettuja tavoitteita. Mikäli liiketoiminnallisia tavoitetasoja ei ole määritelty, jäät lähtötelineeseen kuin äkillisen krampin saanut aitajuoksija. Jos taas optimoit tekemistäsi yhdessä algoritmien kanssa, teet jatkuvasti dataohjautuvia päätöksiä ja testaat uusia asioita, olet saanut datasta liiketoimintaa palvelevan rengin. 

Varmaa on se, että vanhoihin uriin ja poteroihin ei kannata jäädä. Jos et uskalla tehdä rohkeita muutoksia markkinoinnissa, ei datakaan muutu eikä oppimista ja optimointia tapahdu. Jos data ei aiheuta toimintaa, on se isännän eikä rengin asemassa.

Datanisti Petri Mertanen jakaa mietteitä markkinoinnin mittaamisesta ja erityisesti digitaalisen analytiikan hyödyntämisestä sekä kipukohdista. Mertanen työskentelee toimitusjohtajana sekä analytiikan kouluttajana ja hands on -konsulttina.