9. pravilo internetne ekonomike: Korelacija še ni vzročnost

Na zadnje sem podal "drzno" trditev, da je internetni analitik najpomembnejši člen vaše internetne ekipe.

S tem nisem mislil, da najprej v ekipi potrebujete analitika, preden sploh karkoli začnete producirati. Niti, da v malo internetno ekipo z 2 članoma zaposlite še internetnega analitika.

Bistveno je zlasti, da mora vsak internetni tržnik biti tudi analitik in da mora prav vsak član vaše internetne ekipe imeti vsaj osnovna internetna analitična znanja.

A sposobnost izvajanja internetne analitike ni zgolj znati uporabljati Google Analytics.

Internetni analitiki (torej, vsi internetni tržniki) morajo ne le znati uporabljati orodja, temveč predvsem razumeti podatke in nanje aplicirati zdravo kmečko logiko, ter še šcepec statistike.

Prvo, kar pričakujem od internetnih analitikov (torej še enkrat, vseh internetnih tržnikov), je razumevanje korelacije in vzročnosti.

Ali je Facebook oboževalec v povprečju res vreden $136,38?

Začnimo s klasičnim primerom zamenjevanja korelacije za vzročnost.

Podjetje Syncapse je pred nekaj meseci izdalo izsledke raziskave, ki so razveselili vse Facebook tržnike na širnem svetu:

• Facebook oboževalec znamke je v povprečju vreden $136,38
• V povprečju Facebook oboževalci znamke na znamki zapravijo dodatnih $71,84, ki jih sicer ne bi porabili za znamke, katerih oboževalci na Facebooku niso
• Oboževalci bodo z 28% večjo verjetnostjo nadaljevali z uporabo znamke, kakor pa ne-oboževalci
• Oboževalci bodo z 41% večjo verjetnostjo kot ne-oboževalci izdelek priporočili prijateljem

Na prvi pogled čudovito, a ne? Kaj še čakamo? Takoj na Facebook investirati težke tisoče EUR, saj bomo očitno s tem ustvarili tiste prave oboževalce naše znamke, ki bodo kupovali več, priporočali, in še zvesti bodo.

Khm. Ni čisto tako.

Pravzaprav gre za izjemen primer zamenjevanja korelacije za vzročnost.

Ali Facebook oboževalci znamke na znamki zapravijo dodaten denar zato, ker so oboževalci te znamke na Facebooku? Oz., ali je to, da so oboževalci znamke na Facebooku, vzrok za njihovo večjo porabo pri tej znamki?

To bi namreč bilo vzročno razmerje med oboževanjem znamke na Facebooku in porabo za določeno znamko.

In že samo uporaba čiste stare dobre kmečke logike to trditev neusmiljeno raztrga.

Namesto za vzročno razmerje gre za korelacijsko razmerje.

Oboževalci znamke na Facebooku postanejo porabniki, ki že tako obožujejo znamko in posledično za znamko porabijo več, so ji bolj zvesti in jo z večjo verjetnostjo priporočajo prijateljem.

Samo oboževanje znamke na Facebooku torej ni vzrok za večjo vrednost osebe za znamko.

Korelacija in vzročnost v internetni analiki

V internetni analitiki boste neštetokrat odkrili različna korelacijska razmerja med elementi, ki pa ne bodo nujno hkrati tudi vzročna razmerja.

Če se dva elementa (npr. prodaja in obisk) gibljeta korelacijsko, to še ni garancija, da tudi dejansko eden izmed njiju vpliva na drugega.

Zakaj je to pomembno?

Internetna analitika, kadar je osredotočena na konkretne poslovne izboljšave, je predvsem iskanje vzrokov.

• Zakaj je padla prodaja?
• Zakaj konverzija ni višja?
• Zakaj nam raste bounce rate?

Šele ko odkrijemo vzrok, lahko ustrezno spremenimo element, zaradi katerega prihaja do spremembe.

Če na podlagi opažene korelacije zmotno verjamete, da element A vpliva na element B, pri čemer dejansko med njima ni vzročnega razmerja, in nato skušate v upanju izboljšanja B spremeniti A, boste stran metali čas in denar.

Enostaven primer potencialnih zgrešenih odločitev

Zamislimo si sledečo situacijo:

• Avgusta Janez močno poveča internetno oglaševanje za svoj izdelek na internetu.
• Ker hoče doseči kar največjo populacijo, gre oglaševati na največje spletne medije (kjer pa se ne nujno zadržujejo njegova dejanska ciljna občinstva).
• Z večjo investicijo doseže tudi mnogo višji obisk spletne strani.
• Hkrati mu avgusta močno poskoči prodaja.

Takole bi npr. izgledal graf:

Kaj se na podlagi tega lahko odloči Janez?

Ker je korelacija precej očitna, lahko Janez takoj pomisli, da več kot investira v oglaševanje, večja bo njegova prodaja (kar je sicer teoretično res, a le če oglašuje pravilno).

Nato pa septembra ponovi akcijo v isti višini kot avgusta, prodaja pa mu pade nazaj na julijsko raven. Šok! Poraz! Kaj pa zdaj!

To bi se zgodilo v primeru, da bi Janez napačno precenil vzročna razmerja med spremenljivkami.

Je namreč npr. povsem možno, da je za rast avgustovske prodaje vzrok predvsem sezona, in ne povečana intenziteta oglaševanja, pa čeprav podatki kažejo drugo sliko.

Kako bi lahko Janez bolj zanesljivo ugotovil, ali je vzrok povečanja prodaje povečanje investicij in obiska?

Za začetek bi npr. lahko preko Google Analytics preveril, ali obiskovalci iz teh novih kampanj, dejansko tudi kupujejo, in v kolikšni meri kupujejo. Nato bi preveril, od kje so prišli obiskovalci, ki so kupovali. In tako naprej ...

Bistveno je zlasti, da bi Janez moral podatke poglobljeno raziskati in točno ugotoviti, kje je vzrok za rast prodaje, namesto sklepati o vzročnosti zgolj na podlagi enostavne korelacije.