Svi koji su pohađali neke statističke tečajeve sjećaju se da su u nekom trenutku čuli da “korelacija nije isto što i uzročnost”.
Korelacija vs. kauzalnost: Što marketinški stručnjaci trebaju znati
Zamisli da si proveo nekoliko tjedana pripremajući i provodeći kampanju na društvenim medijima, samo da bi otkrio da to zapravo nije uzrok visoke stope konverzije na tvojoj web stranici.
Umjesto toga, promjena u dizajnu web stranice poboljšala je korisničko iskustvo i potaknula konverzije. Sigurno se pitaš “Zašto sam se uopće trudio s tom kampanjom na društvenim medijima?”Pa, u stvari, nije sve izgubljeno.
Iako ta kampanja na društvenim medijima nije bila uzrok veće stope konverzija, možda je imala utjecaj na poboljšanje vjerodostojnosti tvoje web stranice.
Dakle, možeš se i dalje hvaliti svojom kampanjom na društvenim medijima, čak i ako je to samo bila dobra ilustracija korelacije, a ne uzročnosti.
U svakom slučaju, važno je da shvatiš da je ponekad potrebno malo dublje zagristi i logično razmišljati kako bi se utvrdila prava uzročnost promjena u konverzijama, umjesto da se oslanjamo samo na površinske pokazatelje.
U ovom ćemo članku malo dalje raspravljati o tome što “dublje zagristi” i “logičko zaključivanje” znači u praksi.
Osnove analize podataka
Jedan od osnovnih alata u marketingu je analiza podataka.
Često se koristi za istraživanje korelacija između dvije varijable, poput prometa na web stranici i prodaje. Međutim, nije uvijek dovoljno samo promatrati korelaciju kako bismo donijeli zaključak o uzročnosti. Ponekad postoji drugi faktori koji utječu na obje varijable.
Recimo da želite istražiti utjecaj promjene boje tipke “Kupi sada” na vašoj web stranici na prodaju.
Možda ste primijetili da su vaše prodaje porasle nakon što ste promijenili boju tipke u crvenu. Ali jeste li sigurni da je to promjena boje bila uzrok povećane prodaje ili postoji još neki faktor koji ste možda propustili uzeti u obzir?
Na primjer, možda ste istovremeno započeli kampanju oglašavanja na društvenim mrežama, što bi moglo objasniti povećanje prodaje.
Stoga je važno provesti dodatno istraživanje kako bismo dobili potvrdu o uzročnosti. To može uključivati testiranje s kontrolnom skupinom koja nije vidjela promjenu boje tipke, ili provjeru drugih mogućih faktora koji mogu utjecati na prodaju.
Samo na taj način možemo biti sigurni da smo pronašli uzročnu vezu, a ne samo korelaciju.
Podaci na primjerima su nasumično generirani, odnosno nisu iz nekog webshopa.
Primjer 1:
Korelacija između prodaje i broja posjetitelja je 0.98, što ukazuje na vrlo visok stupanj pozitivne korelacije između ta dva faktora.
Međutim, važno je razumjeti da korelacija ne podrazumijeva kauzalitet. U ovom slučaju broj posjetitelja može biti posljedica drugog faktora, poput promocije proizvoda, cijene ili veće potražnje na tržištu.
Stoga, ne možemo jednoznačno utvrditi koji je faktor više pridonio prodaji. Potrebno bi bilo provesti dodatne analize kako bi se utvrdio kauzalitet između ta dva faktora i njihov utjecaj na prodaju.
Ovisno o specifičnim uvjetima i zahtjevima istraživanja, analiza koju smo napravili možda nije dovoljna kako bi se potpuno razumio utjecaj mijenjanja boje gumba i prometa na prodaju te kauzalnost između njih.
Što ako postoji sezonska varijacija u prometu? Također, što ako postoje druge promjenjive varijable koje bi mogle utjecati na prodaju, poput cijene ili kvalitete proizvoda, “bolje slike” artikla, “boljeg” opisa artikla?
Kontrolirane metode regresije
Kontrolirane metode regresije su neke od najstarijih i najčešće korištenih metoda.
U marketingu, kontrolirana metoda regresije može se koristiti kako bi se bolje razumjelo kako različiti faktori utječu na rezultate marketinške kampanje.
Na primjer, ako tvrtka želi znati koji kanal oglašavanja najbolje djeluje na povećanje prodaje njenih proizvoda, mogu se koristiti kontrolirane metode regresije kako bi se izdvojio utjecaj svakog pojedinog kanala na ukupnu prodaju.
Korištenjem regresijskog modela i dodavanjem kontrolnih varijabli poput godišnjeg doba, različitih promocija ili cijena, moguće je procijeniti učinak svakog kanala oglašavanja.
Međutim, moramo biti oprezni i uzeti u obzir druge faktore koji mogu utjecati na prodaju, poput prirodnih katastrofa ili ekonomskih promjena.
Ovaj pristup je koristan jer pomaže u razumijevanju koji su faktori ključni za postizanje uspjeha marketinške kampanje.
Da bismo izveli kontroliranu metodu regresije, prvo moramo pripremiti podatke i stvoriti regresijski model.
CIE – Procjena protučinjeničnog utjecaja
Ovaj je postupak moderniji i ne zahtijeva ručno upravljanje svim pomoćnim varijablama. Neke od najvažnijih metoda u ovoj kategoriji su razlike u razlikama, fiksni efekti i sklonostni modeli. Pokušavaju implicitno iskoristiti karakteristike pojedinaca kako bi se kontrolirali nezapaženi faktori.
Neki marketinški primjeri korištenja kontrafaktualnih metoda su analiza učinka marketinških kampanja na prodaju proizvoda ili usluga.
Pretpostavimo da tvrtka lansira novu marketinšku kampanju i želi znati koliko je ta kampanja utjecala na rast prodaje.
Koristeći protučinjenične metode, tvrtka može usporediti prodaju tijekom kampanje s prodajom u razdoblju prije kampanje, te na taj način izračunati učinak kampanje na prodaju. Ova analiza pomoći će tvrtki utvrditi jesu li marketinški napori bili uspješni i jesu li bili vrijedni uloženog novca.
Drugi primjer bi mogao biti analiza učinka popusta na prodaju proizvoda.
Tvrtka želi znati koliko je popust utjecao na rast prodaje i hoće li ponovno korištenje popusta imati isti učinak. Korištenjem protučinjeničnih metoda, tvrtka može usporediti prodaju tijekom razdoblja kada je popust bio dostupan s prodajom u razdoblju kada nije bilo popusta. Na taj način tvrtka može izračunati stvarni učinak popusta na prodaju i donijeti odluku o tome hoće li se popust ponovno ponuditi u budućnosti.
Korištenje protučinjeničnih metoda u marketingu omogućuje tvrtkama da učinkovitije i preciznije procijene učinak svojih marketinških napora. Ova tehnika omogućuje marketinškim stručnjacima da izvuku vrijedne informacije iz povijesnih podataka i donesu bolje odluke o tome gdje ulagati marketinške resurse.
Zaključak
Svi statistički postupci koji se koriste u marketingu imaju svoje prednosti i nedostatke te ih treba pažljivo primijeniti i interpretirati. Korelacijske metode su brze i jednostavne, ali ne daju uvijek točnu kauzalnu povezanost između dvije varijable, što je ključno u digitalnom marketingu. Stoga se regresijske metode često koriste za kontrolu pomoćnih varijabli i kauzalnih veza.
Primjer primjene statističkih metoda u digitalnom marketingu može biti analiza utjecaja oglašavanja na povećanje prodaje.
- Korelacijske metode mogu pokazati povezanost između oglašavanja i povećanja prodaje, ali ne mogu pouzdano utvrditi da oglašavanje uzrokuje rast prodaje.
- Regresijske metode mogu kontrolirati faktore poput cijene proizvoda i sezonskih promjena kako bi se utvrdio kauzalni učinak oglašavanja.
- Protučinjenične metode mogu koristiti povijesne podatke o prodaji kako bi se stvorio sintetički kontrolni skup i procijenio učinak oglašavanja na prodaju.
Važno je imati na umu da nijedna statistička metoda nije savršena i da se u digitalnom marketingu često koristi kombinacija različitih metoda kako bi se dobili što precizniji rezultati.
