A marketingkutatás ma már nem arról szól, hogy „érzésre” megkérdezel száz embert, majd a tapasztalatodra bízod az értelmezést. Az adatvezérelt korszakban a statisztika a marketingkutatás technikai gerince lett: nélküle a kérdőívek, webanalitika, kampányriportok csak színes zajt jelentenek. A legtöbb vállalkozó – különösen a magyar KKV-szektorban – ma is úgy áll a statisztikához, mint valami félelmetes egyetemi tantárgyhoz: „Az a matekosok dolga.” Csakhogy ha te, mint marketinges vagy döntéshozó, nem érted, mit jelentenek a számok, akkor más fog helyetted dönteni – a statisztikus, az ügynökség, vagy a platform algoritmusa. A statisztika a marketingben nem absztrakt matematikai játék: nagyon is gyakorlati fegyelmező erő. Segít elválasztani a véletlen zajt a tényleges mintázatoktól, megmutatja, hogy egy kampány javulása valódi eredmény-e vagy csak szerencsés hónap, és segít megérteni, hogy a fogyasztói magatartás mögött milyen rendszerszintű összefüggések húzódnak. Ebben a cikkben végigvesszük, hogyan használhatod ésszel a statisztikát a marketingkutatásban, milyen típusú módszerekkel találkozol a gyakorlatban, hol szoktak elcsúszni a vállalkozók és marketingesek, és hogyan tudsz úgy gondolkodni az adatról, hogy az valóban üzleti döntéseket támogasson – ne csak szép jelentéseket gyárts. Közben nem matematikusnak akarlak képezni, hanem olyan marketingesnek, aki érti, mit csinál az elemzője, és ha kell, maga is le tud futtatni egy korrekt alap-elemzést.
Mit jelent valójában a statisztika a marketingkutatásban?
A statisztika a marketingkutatásban két nagy feladatra szolgál: egyrészt rendszerezi és összefoglalja az adatokat (ez a leíró rész), másrészt segít következtetni egy nagyobb csoportra egy kisebb minta alapján (ez a következtető rész). Az első szinten arról beszélünk, hogy képes vagy-e átlátni, kik válaszoltak a kérdőívedre, milyen arányban férfiak, nők, mely korosztály dominál, hogyan oszlanak meg a válaszok egy ötfokú elégedettségi skálán. A második szinten már azt vizsgálod, hogy a mintában látott különbségek mennyire tekinthetők valósnak, és mekkora eséllyel jelentenek általánosítható tendenciát a teljes célcsoportodra nézve. A statisztika tehát kockázatkezelés: eszközt ad a kezedbe, hogy számszerűsítsd a bizonytalanságot. A marketingkutató számára ez azért fontos, mert soha nem látja az „egész piacot”, csak annak egy szeletét. Ha pedig nem érti, hogyan működik a mintavétel, a szórás, a konfidenciaszint, akkor könnyen belecsúszik abba, hogy egy néhány tucat fős kérdőívet úgy kezel, mintha az egész ország véleményét tükrözné. Dajka Gábor tapasztalata szerint a hazai vállalkozók jelentős része nem azért hoz rossz döntéseket, mert nincs adatuk, hanem azért, mert nincs módszerük az adatok józan értelmezésére. A statisztika ebben nem elvont elmélet, hanem olyan gondolkodási keret, amely megtanít különbséget tenni a kivételes eset és a stabil tendencia között, az anekdota és a reprezentatív információ között.
Adattípusok és mérési szintek: amin nagyon sok marketingkutatás elcsúszik
Mielőtt bármilyen statisztikai módszert választanál, értened kell, hogy milyen adattal dolgozol. A marketingben a leggyakoribb mérési szintek a nominális, ordinális, intervallum- és arányskálák. Nominális skálán mérsz például nemet (férfi/nő), várost, márkanevet: itt nincs sorrend, csak kategóriák. Ordinális a rangsor jellegű adat, például amikor megkéred a válaszadót, hogy sorolja kedvenc márkáit fontossági sorrendbe, vagy ötfokú Likert-skálán jelölje, mennyire ért egyet egy állítással – a sorrend adott, de a távolság a kategóriák között nem feltétlenül egyenlő. Intervallum-skála esetén már értelme van különbségekről beszélni (pl. hőmérséklet Celsius-fokban), míg arányskála esetén a nullapont is értelmes, így van értelme olyan állításnak, hogy „kétszer annyit költött”. A marketingkutatásban klasszikus vitatéma, hogy az ötfokú vagy hétszintű elégedettségi skálákat szabad-e úgy kezelni, mint intervallum-adatot (átlagot számítani, t-próbát futtatni rá). A szakirodalom erre megosztott választ ad, de a gyakorlatban a legtöbb marketingkutatás intervallumként kezeli őket, miközben legalább tudatában kellene lennie annak, hogy ez közelítés, nem pedig „tiszta” megoldás. Ha nem veszed komolyan a mérési szinteket, könnyen olyan következtetéseket fogsz levonni, amelyek szépek a prezentációban, de statisztikailag gyengék. A helyes eljárás az, hogy már a kérdőív tervezésekor átgondolod, milyen típusú változót hozol létre, és ehhez igazítod később a próbákat: arányok összehasonlítására más módszer kell, mint átlagok vizsgálatára, és másra, mint rangsorok elemzésére. Sok pénzt lehet spórolni azzal, ha egy marketinges legalább ezen a szinten tisztában van az adattípusokkal – mert így kevesebb lesz a rosszul mérő kérdés, a félreértelmezett grafikon, és a feleslegesen „túlelemzett” adat.
Leíró statisztikák: a piacod alapvető képének megrajzolása
A leíró statisztika a marketingkutató első barátja. Ide tartoznak az olyan egyszerű mutatók, mint az átlag, a medián, a módusz, a szórás, valamint a gyakorisági táblák és százalékos megoszlások. Ezek segítségével tudod gyorsan megragadni, „mi történik” a piacodon: mennyi az átlagos kosárérték, mennyit költenek havonta a vevők, melyik korosztály adja a forgalom legnagyobb részét, hogyan oszlik meg az elégedettség. Ha csak annyit csinálsz, hogy a webshopod rendelési adataira és a Google Analytics, illetve más analitikai rendszerek forgalmi számaira rendszeresen készítesz egyszerű leíró statisztikákat, máris fényévekkel előrébb jársz, mint az a vállalkozó, aki „érzésre” dönt. Fontos azonban, hogy a leíró statisztikát se használd gondolkodás nélkül: egy átlag például könnyen torzul, ha az adataid között vannak extrém értékek (például néhány nagyon nagy rendelés), ilyenkor a medián sokkal reálisabb képet ad. A szórás és a percentilisek segítenek megérteni, mennyire szóródnak az értékek, vannak-e jól elkülönülő csoportok. A vizualizáció itt nem csupán esztétikai kérdés: egy jól megrajzolt hisztogram vagy boxplot pillanatok alatt rámutat azokra az eltérésekre és hibákra (outlierekre), amelyeket puszta táblázatból nehezen vennél észre. Dajka Gábor tapasztalata szerint a magyar KKV-k jelentős hányada úgy hoz marketingdöntéseket, hogy még az alap leíró statisztikákat sem nézi rendszeresen – pedig ezek azok a mutatók, amelyek nélkül egyszerűen nem lehet megérteni a saját vevőköröd szerkezetét és viselkedését.
Hipotézisvizsgálat: valóban működik az új marketingstratégiád?
Amikor A/B tesztet futtatsz egy hirdetésnél vagy landing oldalon, valójában hipotézisvizsgálatot végzel – akkor is, ha ezt nem így nevezed. A nullhipotézis tipikusan az, hogy nincs különbség a két verzió teljesítménye között (például az átkattintási arány vagy a konverzió szempontjából), az alternatív hipotézis pedig az, hogy van érdemi eltérés. A statisztikai próba (például khi-négyzet, t-próba vagy nemparaméteres eljárás) azt segít eldönteni, hogy a mintában látott különbség mekkora eséllyel magyarázható pusztán véletlennel. A p-érték nem „nyereményjegy”, hanem annak valószínűsége, hogy a nullhipotézis fennállása mellett a tapasztalt vagy annál szélsőségesebb eredményt látjuk. Ha a p-érték egy előre rögzített szint (például 0,05) alá esik, akkor a gyakorlatban úgy döntünk, hogy a különbség elég kicsi eséllyel véletlen, tehát az új verzió nagy valószínűséggel tényleg másképp teljesít. A marketingben azonban legalább ennyire fontos beszélni a hatás nagyságáról (effektusméret) és a konfidenciaintervallumokról. Lehet statisztikailag „szignifikáns” az eredményed, miközben a hatás annyira kicsi, hogy üzletileg alig számít. Különösen nagy minták esetén (például több tízezer felhasználó egy kampányban) a p-érték könnyen „lenyomódik”, miközben a gyakorlati különbség elenyésző. Fordítva is igaz: egy magyar KKV gyakran csak pár száz konverzióval dolgozik, ilyenkor a statisztikai erő gyenge, a különbség nagyobbnak tűnik, mint amilyen valójában. A korrekt hipotézisvizsgálat ezért nem csak annyiból áll, hogy lefuttatsz egy próbát, hanem abból is, hogy előre megtervezed a mintaméretet, definiálod az elfogadható kockázati szintet, és az eredményt üzleti mutatókra fordítod le („ha ezt a kreatívot futtatjuk, ennyivel több bevétel várható adott költség mellett”).
Regresszió és korreláció: mi mozgatja valójában az értékesítést?
A regresszióelemzés és a korrelációszámítás a marketingkutatásban arra szolgál, hogy feltárd, mely tényezők vannak kapcsolatban az értékesítéseddel, a márkaismertséggel vagy más célváltozókkal. A korreláció megmutatja, milyen erős a lineáris kapcsolat két változó között (például reklámköltés és forgalom), de nem mondja meg, hogy az egyik okozza-e a másikat. A regresszió ennél tovább megy: egyszerre vizsgál több magyarázó változót, és becslést ad arra, hogy az egyes tényezők milyen irányban és nagyságrendben hatnak a kimeneti változóra. Egy egyszerű lineáris regresszió segítségével például megbecsülheted, hogy a Google Ads költés, a Facebook hirdetési büdzsé és a szezonális index együttesen hogyan hat a havi árbevételre. Logisztikus regresszióval pedig azt vizsgálhatod, hogy mekkora eséllyel konvertál egy látogató, ha bizonyos tulajdonságok együttese fennáll (például visszatérő látogató, mobilról jött, bizonyos landoló oldalról érkezett). A regresszió nem csodafegyver: ha rosszul modellezed az adatot, figyelmen kívül hagyod a multikollinearitást (amikor a magyarázó változók egymással is erős kapcsolatban állnak), vagy egyszerűen túl kevés megfigyelésed van a sok változóhoz képest, akkor a modell hamis biztonságérzetet ad. Ugyanakkor, ha józanul használod, segít tisztábban látni, hogy egy-egy marketingcsatorna vagy árpromóció mennyit tesz hozzá a teljesítményhez, és hol érdemes finomhangolni a rendszert. A nagyvállalati marketing mix modellek (MMM) lényegében sokváltozós regressziókra épülnek, de egy magyar webáruház vagy szolgáltató cég is profitálhat már abból, ha egyszerű lineáris regresszióval elkezdi vizsgálni, hogyan függ össze az ár, a kampányintenzitás és az értékesítés.
Klaszterelemzés és szegmentáció: amikor a piac nem homogén tömeg
A marketing alaptétele, hogy nem létezik „átlagos vevő”. Mégis, a gyakorlatban sokszor úgy kommunikálunk, mintha egy egységes tömeghez beszélnénk. A klaszterelemzés ennek az ellentéte: arra törekszik, hogy az adataid alapján olyan csoportokat (szegmenseket) találjon, amelyek belül viszonylag homogének, egymáshoz hasonlóak, egymáshoz képest viszont jól elkülönülnek. Tipikus input lehet demográfiai adat (kor, nem, lakóhely), pszichográfiai jellemző (értékek, attitűdök, motiváció), illetve viselkedési változók (vásárlási gyakoriság, kosárérték, termékkategóriák). A k‑means klaszterezés például úgy próbál csoportokat képezni, hogy minimalizálja a klasztereken belüli eltéréseket, míg a hierarchikus klaszterezés fát épít a hasonlóságok alapján, amelyből utólag vághatod le a számodra értelmes szintet. A gyakorlatban a klaszterelemzés ott szokott félremenni, hogy rosszul előkészített adatra futtatják: keverednek a skálák, nincsenek standardizálva a változók, hiányoznak adatok, vagy túl kevés megfigyeléshez próbálnak túl sok klasztert rendelni. A másik hiba, hogy a létrehozott szegmenseket nem fordítják le érthető buyer personákra, és nem épül rájuk valós kampánystratégia, csupán egy kutatási riportban szerepelnek. Egy jól elvégzett klaszterelemzés viszont kézzelfogható üzleti lépéseket alapozhat meg: más üzenettel szólhatsz az árérzékeny, akcióvadász vevőhöz, mint ahhoz, aki ritkán vásárol, de magas kosárértékkel és prémium termékekkel jelenik meg. A statisztika itt nem elszigetelt elemzői játék, hanem annak módja, hogy strukturáltan értsd a piacod belső sokféleségét.
Statisztikai szoftverek a marketingkutatásban: SPSS, R, Python és társai
A modern marketingkutatás elképzelhetetlen olyan szoftverek nélkül, amelyek gyorsan és megbízhatóan futtatják a statisztikai elemzéseket. A klasszikus vállalati közegben a leggyakrabban az SPSS-szel találkozol: menü-alapú, kérdőíves kutatásokra optimalizált rendszer, amely jól illeszkedik a „kattintgatós” gondolkodáshoz, és rengeteg kész eljárást kínál kereszttáblázatoktól a faktorelemzésig. Az R és a Python ezzel szemben programozás-alapú eszközök: meredekebb a tanulási görbéjük, viszont sokkal rugalmasabban kombinálhatók, automatizálhatók, és jobban illenek ahhoz a világhoz, ahol a marketingadat már nem csak kérdőív, hanem eseménynapló, CRM, webanalitika, hírlevél-rendszer, e‑kereskedelmi adatbázis együttese. Dajka Gábor tapasztalata szerint egy magyar marketingesnek ma legalább három szinten érdemes gondolkodnia: haladó Excel/Google Sheets használat (pivot, függvények, alap vizualizáció), egy speciális statisztikai szoftver (SPSS vagy R) kérdőíves projektekhez, illetve valamilyen script-alapú eszköz (R vagy Python) arra az esetre, amikor a standard riportok már nem elég rugalmasak. Nem az a cél, hogy minden marketinges adat-tudós legyen, de azt el kell érni, hogy a szakember ne akadjon el egy t-próbánál vagy egy egyszerű regressziónál, és ne legyen kiszolgáltatva egyetlen ügynökségnek vagy analitikusnak. A szoftver valójában csak eszköz: ha érted a statisztikai gondolkodást, akkor bármelyik programot meg tudod tanulni kezelni, ha viszont nem érted, mit csinálsz, akkor a legdrágább eszköz is csak látványos hibagyár lesz.
Gyakori statisztikai kihívások a marketingkutatásban és megoldási irányok
A marketingkutatás valós adatai ritkán viselkednek „tankönyvszerűen”. Az egyik tipikus probléma a kis mintaméret: egy magyar KKV-nál gyakran csak néhány tucat vagy pár száz válasz áll rendelkezésre, miközben a vállalkozó ugyanazokat az eszközöket szeretné használni, mint egy több ezer fős nemzetközi felmérésben. Ilyenkor a klasszikus szignifikanciapróbák ereje gyenge, nagy a véletlen ingadozás szerepe, ezért különösen fontos a hatás nagyságára és a konfidenciaintervallumokra figyelni, nem csak a p‑értékre. Másik gyakori gond a nem normális eloszlás: bevétel, kosárérték, látogatásszám rendszerint ferde eloszlású, sok kicsi és kevés nagyon nagy értékkel. Ilyenkor vagy transzformációt alkalmazol (például logaritmus), vagy olyan eljárást választasz, amely kevésbé érzékeny az eloszlás alakjára (nemparaméteres próbák, robusztus statisztikák). A hiányzó adatok kezelése szintén neuralgikus pont: ha egyszerűen kiszórod azokat, akik valamire nem válaszoltak, torzíthatod a mintát, mert könnyen lehet, hogy pont egy meghatározott csoport hajlamos nem válaszolni (például az idősebb vagy kevésbé képzett válaszadók). Léteznek imputációs technikák, de ezeket is csak akkor érdemes használni, ha érted, milyen feltételezésekre épülnek. Külön említést érdemelnek a Likert-típusú skálák: gyakran úgy használják őket, mintha „tökéletesen egyenlő lépcsőfokokból” állnának, miközben a válaszadók szubjektív érzete nem biztos, hogy így működik. Emiatt bizonyos helyzetekben szerencsésebb mediánt, kvartiliseket és nemparaméteres próbákat használni, különösen, ha erősen asszimmetrikus az eloszlás vagy kevés az adat. A lényeg nem az, hogy minden speciális módszert fejből tudj, hanem az, hogy felismerd, mikor problémás a helyzet, és ilyenkor vagy alaposabban utánanézz, vagy bevonj egy szakembert.
Az eredmények kommunikálása: hogy a statisztika ne csak az elemző asztalán maradjon
A statisztikai elemzés nem a számításokkal ér véget, hanem azzal, hogy az eredményt valaki megérti és döntés lesz belőle. Ezért a marketingkutató egyik legfontosabb feladata a kommunikáció: hogyan fordítja le az elemzés technikai részleteit a döntéshozók nyelvére. A legtöbb vezetőt nem érdekli, hogy pontosan melyik próbát használtad és mennyi lett a test-statisztika; azt akarja tudni, hogy „mit csináljunk máshogy jövő hónaptól” és „mekkora kockázattal jár ez a lépés”. Jó gyakorlat, ha az elemzés elején röviden, érthetően összefoglalod a fő megállapításokat: melyik célcsoport reagált a legjobban, mely üzenet hozott mérhetően magasabb konverziót, milyen tényezők állnak a lemorzsolódás mögött. Ezt követheti a részletesebb metodikai rész azoknak, akik mélyebben is bele akarnak nézni. A vizualizáció itt többet ér, mint száz sor táblázat: bar chart, line chart, boxplot, heatmap – mind segít abban, hogy a döntéshozó ne számsorokat lásson, hanem struktúrát, trendet, összefüggést. Ugyanakkor nem szabad elrejteni a bizonytalanságot sem: ha egy eredmény csak gyenge bizonyítékot ad egy hipotézis mellett, ezt világosan kommunikálni kell. A jó marketingkutató nem „eladni” akarja az eredményét, hanem reálisan bemutatni, mire elég az adat, és mire nem.
Ha statisztikát használsz, nem az a dolgod, hogy minden kérdésre választ adj, hanem az, hogy pontosan elmondd, mely kérdésekre tudsz megbízható választ adni az adott adathalmaz alapján. – Dajka Gábor
Ha így gondolkodsz, nőni fog irántad a bizalom, és a statisztika nem ijesztő matek, hanem döntéstámogató rendszer lesz a cégben.
Hogyan tanuljon statisztikát egy marketinges? Gyakorlati tanulási út
Sokan ott rontják el a statisztika tanulását, hogy egyszerre akarnak mindent: bonyolult eljárásokat, mesterszintű programozást, miközben az alapfogalmak még nincsenek a helyükön. Én háromlépcsős tanulási utat látok reálisnak egy marketinges számára. Az első szint az alapfogalmak és a leíró statisztika: átlag, medián, szórás, gyakorisági tábla, konfidenciaintervallum, mintavétel. Ezt már egy jól megválasztott könyv vagy egyetemi jegyzet is meg tudja adni, de a lényeg az, hogy valós adatain gyakorolj: a saját kampányaid, kérdőíveid, webshopod számai sokkal többet érnek, mint bármilyen mesterséges példa. A második szint a klasszikus következtető statisztika: hipotézisvizsgálatok, alapvető paraméteres és nemparaméteres próbák, egyszerű regresszió, korreláció, varianciaanalízis. Itt már érdemes legalább egy statisztikai szoftvert használni, hogy ne a kézi számolás vigye el az energiát. A harmadik szint a speciális marketing-alkalmazások: klaszterelemzés, faktor- és főkomponens-elemzés, idősorelemzés, komplex modellek. Ide nem jut el mindenki, és nem is kell, hogy minden marketinges ilyen szintű szakértő legyen, de jó, ha a csapatban van valaki, aki tud ezekről a módszerekről gondolkodni. Dajka Gábor tapasztalata szerint azok a vállalkozók és marketingesek fejlődnek a leggyorsabban, akik hajlandók pénzt és időt tenni a módszertan megtanulásába, nem csak az aktuális eszközök kipróbálásába. A statisztika itt nem cél, hanem eszköz: ahhoz, hogy értelmesen tudj vitatkozni egy ügynökséggel, hogy megértsd, mit csinál a „data team”, és hogy ne dőlj be a szépen kirajzolt, de rosszul értelmezett grafikonoknak.
Online marketing, pszichológia és statisztika kapcsolata
A statisztika a marketingben soha nem önmagában érdekes, hanem azért, mert emberi viselkedést, döntéseket, motivációkat próbálunk számszerűsíteni. Az online marketingben a legtöbb mérés mögött pszichológiai mechanizmusok állnak: figyelem, emlékezet, bizalom, szorongás, társas összehasonlítás. Ha nem érted ezeket az alapokat, akkor lehet, hogy formailag korrekt statisztikai elemzést végzel, de rossz kérdéseket teszel fel. Éppen ezért tartom erős párosításnak a pszichológiai szemléletet és a statisztikát. Az „Online Marketing és Pszichológia” című könyvem kifejezetten arra épít, hogy megértse az olvasó, hogyan gondolkodik a magyar fogyasztó, milyen torzítások, hiedelmek, félelmek mozgatják, hogyan működik a figyelme, és milyen üzenetekre rezonál. Ha ez a háttér a helyén van, akkor a statisztika már „csak” azt segít megmondani, hogy az általad felépített pszichológiai logika a valóságban mennyire működik. A kvalitatív eszközök (interjúk, fókuszcsoportok, megfigyelés) adják a hipotéziseket és a mélyebb megértést, a kvantitatív kutatások és a statisztikai elemzés pedig azt, hogy ezek a hipotézisek mennyire állják meg a helyüket nagyobb mintán. Egy érett vállalkozó nem választ a két megközelítés között, hanem integrálja őket: az emberi történet és a számszerű adatok együtt adják ki a valóságot.
A statisztika nem veszi el a marketing lelkét, hanem arra kényszerít, hogy őszintén szembenézz azzal, ami a fejedben ötlet, a fogyasztó fejében pedig valóság. – Dajka Gábor
Ha így gondolkodsz, akkor a táblázatok nem korlátok, hanem visszajelző rendszerek lesznek a stratégiádhoz.
Dajka Gábor marketingszakértő, business coach és befektető szerint
Ha egy gondolatot kellene kiemelnem az egész témából, az ez lenne: statisztika nélkül ma már nem marketinget csinálsz, hanem szerencsejátékot. Lehet egy ideig érzésből dönteni, megnyerni pár kört, de hosszú távon az fog nyerni, aki jobban érti az adatot – és ezzel együtt jobban érti a saját piacát. Nem azt állítom, hogy minden marketingesnek regressziókat kell írnia R-ben vagy Pythonban, és azt sem, hogy ne lenne helye az intuícióknak. Azt állítom, hogy intuíció nélküli statisztika vak, statisztika nélküli intuíció pedig veszélyesen önámító. A magyar piacon ráadásul különösen fontos a józanság: tőkehiányos, sokszor pesszimista közegben dolgozunk, ahol minden elrontott kampány, félreértett adat nagyon sokba kerül. Én abban hiszek, hogy egy vállalkozó és egy marketinges akkor lép szintet, amikor saját magát is fegyelmezi azzal, hogy nem hisz el mindent elsőre, hanem megnézi: mit mondanak a számai. Ha ezt a szemléletet összekötöd azzal, hogy folyamatosan fejleszted a pszichológiai, közgazdasági és statisztikai tudásodat, akkor olyan kombináció jön létre, amellyel a következő években is versenyképes maradsz – akár automatizált, AI‑vezérelt hirdetési rendszerek, akár gyorsan változó platformok között dolgozol. A statisztika nem „extra dísz” a marketingedben, hanem annak a jele, hogy komolyan veszed a vállalkozásodat, a pénzedet és az ügyfeleid bizalmát. Ha ezt elfogadod, onnantól minden egyes diagram és tábla nem nyűg lesz, hanem lehetőség arra, hogy okosabban lépj a következő szintre.
Szakértő válaszol – gyakori kérdések
Elég, ha „nagyjából” értem a statisztikát, vagy mélyen bele kell ásnom magam?
Marketingesként vagy vállalkozóként nem az a cél, hogy statisztikus legyél, hanem az, hogy értelmesen tudj kérdezni és dönteni. Ehhez egy erős alap kell: értsd a mintavétel logikáját, tudd, mi az átlag, medián, szórás, konfidenciaintervallum, p‑érték, hipotézisvizsgálat, és nagy vonalakban legyen fogalmad arról, mit csinál egy regresszió vagy egy klaszterelemzés. A mély, módszertani részleteket rá lehet bízni szakemberre, de ha az alapfogalmak hiányoznak, akkor gyakorlatilag vakon bízol minden riportban. Dajka Gábor tapasztalata szerint azok a vállalkozók hoznak jó döntéseket, akik legalább ezen az alapszinten hajlandók tanulni, és nem hárítanak mindent az ügynökségre vagy az „adatfelelősre”.
Mekkora mintánál van értelme statisztikát alkalmazni egy magyar KKV-ban?
Technikailag már néhány tucat megfigyelésnél is használhatsz egyszerű leíró statisztikákat és óvatos hipotézisvizsgálatot – de minél kisebb a minta, annál óvatosabbnak kell lenned a következtetésekkel. Magyar KKV-k esetében gyakori, hogy egy-egy kampány, kérdőív vagy időszak csak 80–150 válaszadót, illetve konverziót ér el. Ilyenkor is érdemes átnézni az átlagokat, megoszlásokat, legalább alapvető próbákat futtatni, de mindig tartsd szem előtt, hogy a bizonytalanság nagyobb. Ha rendszeresen gyűjtesz adatot és össze tudsz fűzni több időszakot, akkor egy év távlatában már sokkal stabilabb képet kapsz. A lényeg: ne várd meg, amíg „tökéletes” mintád lesz, mert az soha nem jön el; inkább tanulj meg kis mintánál is óvatosan, mégis tudatosan gondolkodni.
Mely statisztikai módszerrel érdemes kezdenie egy kezdő marketingesnek?
Gyakorlati szempontból a legtöbbet az adja, ha a leíró statisztikában és az egyszerű összehasonlításokban (kereszttáblák, átlagok összehasonlítása) erősödsz meg. Ha ez stabilan megy, lépj tovább az A/B tesztek és a hozzájuk kapcsolódó hipotézisvizsgálatok világába: itt azonnali üzleti haszna lesz annak, ha jobban érted, mikor tekinthető „valódinak” egy különbség. Ezután jöhet az egyszerű lineáris vagy logisztikus regresszió, amellyel azt kezdheted feltérképezni, hogy mi befolyásolja leginkább az értékesítést vagy a konverziót. A klaszterelemzést és a bonyolultabb modelleket ráérsz később megtanulni – előbb legyen stabil az alap, hogy ne módszertanból, hanem üzleti kérdésekből indulj ki.
Van-e valami sajátossága a magyar piac adatainak értelmezésében a nemzetközi példákhoz képest?
Igen, több szempontból is. Egyrészt a magyar piac mérete miatt gyakran kisebb mintákkal dolgozol, így nagyobb a véletlen ingadozás szerepe, és fontosabb a józan óvatosság. Másrészt kulturális és gazdasági sajátosságok is befolyásolják a válaszadási hajlandóságot: az emberek bizalmatlanabbak lehetnek kérdőívekkel, adatgyűjtéssel szemben, és érzékenyebbek bizonyos kérdéskörökre (jövedelem, politika, egészség). Harmadrészt a tőkehiány miatt sok vállalkozás olcsó vagy félkész kutatási megoldásokat választ, amelyeknél már a kérdőív felépítése sem optimális. Mindez nem azt jelenti, hogy ne lehetne Magyarországon magas színvonalú marketingkutatást végezni, hanem azt, hogy a nemzetközi best practice-ek átvételekor mindig figyelembe kell venned a hazai realitásokat: kevesebb adat, több torzítási forrás, nagyobb felelősség az értelmezésben.
Nem öli meg a kreativitást, ha ennyire statisztikára építjük a marketinget?
A jó marketingben a kreativitás és a statisztika nem egymás ellenfelei, hanem egymás ellenőrző mechanizmusai. A kreatív ötlet adja a hipotézist: „Mi lenne, ha így szólnánk a célcsoporthoz?” A statisztika pedig azt mutatja meg, hogy a valóságban ez az ötlet mennyire működik. Ha nincsenek számaid, olyan, mintha vaksötétben próbálnál kreatív lenni: talán eltalálsz valamit, de nem tudod megismételni a sikert, és nem tudod kiszűrni a rossz irányokat. Ha csak statisztika van, kreatív gondolkodás nélkül, akkor steril, unalmas üzeneteket fogsz gyártani, amelyek számszerűen kioptimalizáltak, de emberileg üresek. A cél az, hogy a kreativitást ne félelemből, hanem adatokkal együtt használd: merj merészet lépni, de utána nézd meg, mit mondanak róla a vevőid – és legyél hajlandó módosítani, ha a számok mást jeleznek, mint amit szerettél volna hallani.
Ajánlott magyar videó/podcast
Ha a statisztika marketingbeli használatáról gondolkodsz, érdemes megnézned egy rövid anyagot arról is, hogyan érdemes beszélni az esettanulmányokról és statisztikákról, hogy ne csapd be se magad, se a közönséged.
Források
Naresh K. Malhotra: Marketingkutatás. (Magyar nyelvű szakkönyv, részletek elérhetők online is, például a MeRSZ felületén.) https://mersz.hu/kiadvany/marresz01
Susan Jamieson (2004): Likert scales: how to (ab)use them. Medical Education, 38(12), 1217–1218. DOI: https://doi.org/10.1111/j.1365-2929.2004.02012.x
Alan W. Sawyer – J. Paul Peter (1983): The Significance of Statistical Significance Testing in Marketing Research. Journal of Marketing Research. Elérhető PDF formában: https://bauer.uh.edu/jhess/documents/Sawyer%20and%20peter.pdf
