Myten om at være datadrevet

Søg på “datadrevet bureau” på Google og masser af resultater vil dukke op. Før “AI” blev det helt store var “datadrevet” og “machine learning” de helt store buzzwords i den digital branche. Alle bureauer brystede sig af af være datadrevne og gør det stadigvæk. Man kan jo prøve at Google “datadrevet bureau” og se hvad der dukker op! Men hvad betyder det rent faktisk at være datadrevet og hvorfor har det af være datadrevent ret trange kår for right mange virksomheder i 2024? Kan man ligesom tale om myten om at være datadrevet? “Datadrevet” beskrives af Ordnet som dette og dækker således over beslutninger foretaget på baggrund af = drevet af data i modsætning af beslutninger drevet af subjektivitet.

“baseret på indsamling og analyse af data frem for fx erfaring eller personlig vurdering“

Lad os se på et eksempel hvor det besværlige i at være datadrevet udstilles. Man kan forestille sig en mindre virksomhed, måske en håndværker, eller en aktør inden for et snævert B2B marked. Det der kendetegner sådanne virksomheder er små med trafik og lave konverteringsgrader.  

Case 1 – konverteringsoptimering og splittesting

Lad os antage at den virksomhed har en konverteringsgrad på 5% på eks. en landingsside. Det vil være ret naturligt. Man ønsker at splitteste en ny landingside men får at kunne påvise at den side faktisk konverterer med 10% kræves det faktisk 2×500 besøgende for at kunne konkludere det med 95% sandsynlighed og statistisk signifikans.

Alle der har arbejdet med digital marketing ved at det ikke sådan lige er muligt at fremskaffe 1.000 kvalitetsbesøgende til en website. Taler vi om konverterende trafik vil det umiddelbart gøre det svært og det vil naturligvis være en bekostelig affære hvis vi taler eksempelvis Google Ads. Det vil sikkert være muligt at hente den slags trafik fra Facebook annoncering men det vil næppe holde en konverteringsgrad på 5% som man er vant til. Så i casen ville man skulle gå på kompromis med de ønskede 10% i konverteringsgrad eller måske lade eksperimentet løbe i månedshvis hvorved dets validitet naturligvis bliver problematisk da alle mulige andre faktura vil influere dets udfald. Og som alle ved der har arbejdet med den slags splittesting så vil det i praksis låse setuppet i testperioden.  

Case 2 – afvikling af kampagner

En anden case kunne være virksomheden der tester Google Ads i en periode og specifikt udvælger en række generiske søgeord til formålet. Kampagnen giver 8 leads over en måned da det er et ret snævert produkt. Det er generelt en svær case med lang konverteringsrejse og flere touchpoints. Man stiller sig det spørgsmål om man havde fået de eller flere af konverteringer alligevel? man har været opmærksom på ikke at byde på brandnavne men mener alligevel at der kan være tale om kannibalisering af organisk trafik. Det giver ikke rigtigt mening at sammenholde med den forrige periode pga. sæsonudsvingninger og slet ikke mening af sammenholde med sidste år for der har været så mange ændringer på websitet og i konkurrentbilledet. Igen en case hvor det kan være svært at være datadrevet. Det samme kunne gælde en Facebook kampagne. Der kan måske ikke direkte attribueres konverteringer til selve kampagne men man har da godt nok oplevet en del flere telefonopkald end normalt uden man dog er sikker på om Facebook kampagnen er kilden eller det beror på noget andet. Selv i situationer hvor man har et stort datagrundlag kan det være svært at fortolke data og lade dem være styrende i et beslutningsgrundlaget. Tag eksempelvis Performance Max kampagnetypen i Google Ads. En kampagnetype som tillader Google Ads at kannibalisere bredt ud over andre kampagner og tage æren for brandkampagner og meget andet. Selvom Google stiller visse værktøj til rådighed til splittesting er fortolkning ofte vanskeligt.

Kan man så ikke være datadrevet i analysen af mikrokonverteringer?

Jo, sagtens. Man kan med data vurdere hvilken annonce der klikkes mest på. Sikkert hvilken side der scrolles mest på, hvilke bløde KPI’er (mikrokonverteringer) der har højest målopfyldelse men data sætter deres begrænsninger på primære KPI’er og det er generelt en udfordring og besværliggør det at være “datadrevet”. Jeg har eksempelvis beskrevet i denne case om Google Ads og lejeboliger hvor svært det kan være at være datadrevet.

Hvad gør vi så?

Data er aldrig ligegyldige men mange vil opleve at det er svært for ikke at sige umuligt at være datadrevet. Måske man skal introducere begrebet datainspireret hvor data er en vigtig del af et beslutningsgrundlag og andre faktorer som erfaring og best practice også tæller ind. Det vigtige er i hvert fald at man anerkender at der i mange digitale cases ikke er et korrekt grundlag for at foretage rene datadrevne beslutninger,