Először is szeretném tisztázni veled, hogy mi az a Big Data és hogyan keletkezik?

Onnan indítanám, hogy mi az a "Small Data". Ugye, elég sokáig a piackutatás arról szólt, hogy a kutató cégek kitöltettek mondjuk 5.000 emberrel egy kérdőívet és azt elemezgették. Ezzel két probléma van. Az egyik a mintavétel - még a legkörültekintőbb mintavételezéssel sem tudunk úgy megkérdezni 5.000 embert, hogy az ő válaszaik képviseljék tízmillió ember véleményét. A másik a válaszok minősége. Az emberek akarva vagy akaratlanul hazudnak. Pl. én is - és szerintem mindenki ikszelt végig már kérdőívet össze-vissza, csak hogy túl legyen rajta. Mások meg ez alapján próbálnak üzleti döntéseket hozni. Vicces, nem?

A Big Data ehhez képest egy szemléletváltás. Két alappillére van. Nem megkérdezünk embereket, hanem a viselkedésüket figyeljük - így nem fárasztjuk őket kérdőívekkel és így nem mellesleg nem tudnak hazudni se. A másik pedig, hogy nem egy szűk mintát figyelünk, hanem az összes embert. Erre az IT és az ahhoz kapcsolódó világában minden lehetőség adott, hiszen minden kattintás és egérmozgás tud adatot generálni. Tudom, ez kicsit "nagy testvéresen" hangzik, de valójában semmivel sincs több benne, mint amikor bemész a cipőboltba és az eladó látja, hogy milyen cipőket nézegetsz és ehhez képest végül milyeneket veszel meg.

Mi a különbség a Big Data és a Smart Data között?

Az, hogy az egyik nagyobb "buzzword" mint a másik. :-)

A Big Data alapvetően egy technológiai fogalom és egy dologra vezethető vissza, ami pedig nem más, minthogy az elmúlt tíz-húsz évben nagyon olcsóvá váltak az adattárolók. Ezért az IT-ben és egyre több ehhez szorosan vagy kevésbé szorosan kapcsolódó területen lehetőség nyílik arra, hogy minden - és tényleg minden - adatot eltároljunk. Az okosabb cégek ezt meg is teszik, és egyszer csak azon kapják magukat, hogy van egy tíz, száz vagy ezer, vagy még több terabyte-os adathalmazuk és nem tudják feldolgozni.

Mert egy átlagos számítógép ekkora adatmennyiséggel már nem birkózik meg. Ilyenkor jön egy Big Data fejlesztő, aki létrehoz nekik egy Big Data infrastruktúrát (Hadoop, YARN, Spark és egyéb mindenféle izgalmas technológiák), ahol ugyanazon az elemzésen egyszerre akár 100 gép is tud dolgozni. Illetve egy Big Data elemző, aki pedig tudja, hogy hol kell el kezdeni az elemzést, hogy abból valóban üzletileg is hasznos információk szülessenek.

Kb. ez a Big Data, de sokan a Google Analytics projektjükre is azt mondják, hogy Big Data - pont azért, mert sok "szakértő" csak jó szlogenként használja ezt a szókapcsolatot. Ehhez képest még nagyobb bullshit a Smart Data. Érted, az adatelemzés 50 éve is arról szólt, hogy okosan elemezzük az adatokat, miért pont 2015-ben lenne ez egy új dolog?

Ezek az adatok milyen hatással lehetnek az üzleti döntéshozatalra, marketingre?

A lehetőségek tárháza végtelen. Én mindig azt mondom, hogy azt kell figyelni, hogy mit csinálnak a potenciális vásárlóink vagy a weblaplátogatóink és ha látjuk, hogy valamivel problémájuk van, akkor segíteni nekik.

Pl. egy webshop-nál csináltunk egy hőtérképes elemzést a termékoldalaikra és kiderült, hogy az emberek 15%-a csak azért nem tette a kosárba a terméket, mert kicsit lejjebb kellett volna görgetni a "Kosárba teszem" gombhoz, de erre nem jöttek rá. Felhoztuk a kosárgombot egy jobban látható helyre és máris nőtt az eladások száma.

Egy másik példa, amit egy startup-nál láttunk, hogy a Support oldalon őrült sokan keresnek egy olyan funkcióra, ami akkor még nem is létezett, csak az emberek feltételezték, hogy van. Úgyhogy gyorsan lefejlesztettük ezt a funkciót az emberek keresési kifejezései alapján és megint csak: elégedettebb felhasználók végül többet vásároltak.

De klasszikus marketinges példa, hogy ha manapság Facebook-on reklámoz az ember és adatvezérelt akar lenni, akkor általában nem 1 kreatívot csinál, hanem mondjuk 10-et és AB-teszteléses módszertannal vizsgálja, hogy melyik hozza a legjobb konverziót. Nem egyszer a legjobb és második legjobb kreatív között is láttunk akár 3-szoros különbséget is.

Általában elmondható, hogy egy vezetőnek vagy marketingesnek sokkal könnyebb dolga van, ha nem neki kell találgatnia, hogy mit kéne csinálnia, hanem a felhasználói és vásárlói viselkedések és igények alapján tud előre menni. Így a vevő is boldogabb és a cég is sikeresebb.

Sokan azt hiszik, mivel a Big Data azt jelenti, hogy nagy adathalmaz, ezért az valószínűleg, csak nagyvállalatoknál keletkezhet, igaz-ez, vagy mindenkinél jönnek létre ilyen adatok, csak éppen nem tudnak róla?

Igen is meg nem is. Technológiai értelemben tényleg kevés cégnél keletkezik Big Data - hiszen egyszerűen nincs akkor forgalmuk, hogy terrabájtos adatmennyiségekről beszéljünk. Viszont a Big Data-s gondolkodásmód - azaz, hogy minden adatot gyűjtsünk le és ne megkérdezzük, hanem megfigyeljük az embereket - a KKV-knál is iszonyatosan fontos (lenne). És meg is valósítható (lenne).

Mondjuk egy napi 5.000-es látogatottságú oldalon, ahol minden látogató átlagosan 100-at kattint, keletkezik 500.000 adatpont. Ha emellé betesszük, amit tudunk még a felhasználóról, pl. honnan talált az oldalunkra, milyen eszközön tekintette meg azt, férfi vagy nő a látogató és ezt az egészet nem 1 napra, hanem mondjuk egy évre vizsgáljuk, akkor azért már elég sok adatunk van, amit lehet elemezni. Ha ezt okosan csináljuk, találunk olyan trendeket és szűk keresztmetszeteket, amiből lehet üzletileg nagyon-nagyon hasznos információkat kiszedni, amelyeknek konverzió növelő hatása lehet.

Melyek azok az információk, adatok, amelyek minden cégnél keletkeznek, azonban nagyon kevés figyelmet kapnak, pedig jelentős értéket hordoznak magukban?

Erre így nehéz általánosan válaszolni. Mi jellemzően felhasználói interakciókkal dolgozunk, tehát amit mi mindenképpen javaslunk az ügyfeleinknek adatként tárolni, azok a ki-mikor-hogyan-mit csinált kérdésekre a válaszok. Ezek gyakran 50 oszlopos nagyon egyedi és személyreszabott táblák, log-ok. Ezért ebbe általánosságba nem tudok példát mondani.

Egyébként elemzési oldalról, amit nagyon kevésszer látok kisebb és nagyobb cégeknél is - pedig iszonyatosan hasznos lenne - az a hőtérképes elemzés, az AB-tesztelés, a visszatérés-elemzés és az onboarding-nak (azaz, hogy egy potenciális felhasználó mennyire volt elégedett és sikeres a termék első használatával) a mérése. Dehát nekünk, mint adatelemző cégnek meg pont az a feladatunk, hogy ezeket minél több cégnél meghonosítsuk és "terjesszük az igét".

Hogyan lehet ezeket az adatokat, információkat a marketing területén felhasználni pl. konverziónövelő céllal?

A fent említett példákon kívül még rengeteget tudnék hozni. Ha kifejezetten a konverziónövelést nézünk, akkor pl. a landing oldalak AB-tesztelése az egyik legalapvetőbb dolog, amire érdemes időt és energiát fordítani. Hiszen itt találkozunk először a felhasználóval és általában 5 és 10 másodperc közötti időnk van, hogy meggyőzzük.

Ha nem sikerül, elveszítettük - "nincs második első benyomás". Az, hogy mi a tökéletes egy mondatos üzenet egy ilyen landing oldalon, általában egy marketinges csapat több küzdelmes meeting-jének az eredménye.

Mi ehelyett inkább azt szeretjük, hogy az összes lehetséges ésszerű verziót feldobjuk (jellemzően 6-8 darab) egy AB-tesztbe. Ez azt jelenti, hogy szimultán egymás mellett fut ez a 6-8 verzió és a látogatók véletlenszerűen kapják egyiket vagy a másikat - és figyeljük, hogy melyik verzió hoz a legtöbb konverziót. Azaz a felhasználók döntenek helyettünk. És ugyanezt meg lehet csinálni a CTA gomb elhelyezésével, feliratával vagy a színével vagy a háttérkép megválasztásával, egy szóval mindennel.

Itt a legrosszabb és legjobb verziók között akár 2-3-szoros eltérések is vannak, ami nem kis különbség.

Csak egy példa. Volt olyan esetünk, ahol a kattintások elemzésével kiderült, hogy a webshop nyitóoldalán az óriási slider-re senki nem kattint, pedig az foglalja a képernyő 60%-át. Egyszerűen kiszedtük a slider-t és a helyére tettünk 4 terméket és máris nőtt az eladások száma 30%-kal.

A példákat végtelenségig lehetne sorolni - de a valóságban minden eset egyedi. Így a mérésekhez és az elemzésekhez is kell egy kis tapasztalat és kreativitás. De minél többet foglalkozik az ember vele, annál jobb lesz benne.

Mit gondolsz, mi lehet az oka annak, hogy ezekre az adatokra nem fordítanak a marketingesek kellő figyelmet?

2 oka lehet. Az egyik, hogy nem tudják, hogy vannak ezek a lehetőségek, és hogy ha vannak is, akkor hogyan kell kihasználni őket. Ez teljesen érthető, hiszen ezt alig tanítják valahol. A másik, amit gyakran látok, hogy nincs elég idejük rá - hiszen pl. a karácsony előtti szezonban akkora a hajtás a KKV szektorban, hogy mindenki szinte két ember helyett dolgozik. Ez csak azért ellentmondásos, mert az adatelemzés pont arról szól, hogy ugyanazzal a munkamennyiséggel, de okosabban célozva jobb eredményeket hozzunk tető alá.

Milyen megoldás létezhetne erre a problémára?

A hosszú távú megoldás az lenne, ha ezeket a módszereket az egyetemi tananyagokba is beépítenék és így az alapvető, könnyen megvalósítható módszerek a marketingesek alap eszköztárába kerülnének, egy-egy helyzetben rutinszerűen tudnák elővenni.

Persze az egyetemek mindig lassabban reagálnak a trendekre, úgyhogy azt hiszem, erre még várni kell egy darabig. Rövidtávon mi pont ezért indítottuk az Adatvezérelt Marketing Tréningünket, illetve a Big Data Képzésünket, hogy a projektjeink során megszerzett tapasztalatainkat és tudásunkat megosszuk.

Ezenkívül nagyon jó konferenciák (E-mail Marketing Konferencia, Crunch, BI Forum) is vannak a témában, ahol esettanulmányokon keresztül lehet ellesni a különböző trükköket olyan cégektől, akik a piac előtt járnak a témában. A különböző (ingyenes) meetup-okról pedig már nem is beszélve. Az adatelemzés a marketing és az IT határterülete és az a szerencse, hogy mindkét szakmában erős kultúrája van a tudásmegosztásnak. Így aki szakértővé akar válni valamelyik részterületen, annak nincs más dolga, mint a megfelelő forrásokat felkutatni, tanulni és aztán gyakorlatba ültetni a tanultakat.

Mester Tomi október 7-én a Kreatív és a Protopmail szervezésében a IV. E-mail marketing konferencián tart előadást a témában. (X)