Adatvezérelt marketing: mérési terv és gyakorlati példa

Az adatvezérelt marketing az üzleti célokhoz kapcsolja a vevőkről, a kampányokról és az értékesítésről gyűjtött adatokat. Segít megvizsgálni, melyik döntés milyen eredménnyel jár, és hol hiányzik még információ. A több kattintás, az olcsóbb érdeklődő vagy a magasabb bevétel önmagában kevés egy kampány megítéléséhez: a költség, az ügyfélminőség és a mérés megbízhatósága együtt számít. Ebben az útmutatóban egy ajánlatkérő kampány számpéldáján mutatom meg, hogyan használd a mutatókat. Végigveszem az adatforrásokat, az attribúció és az inkrementalitás különbségét, majd egy rövid mérési tervvel segítek alkalmazni a leírtakat.

Mit jelent az adatvezérelt marketing?

Először meghatározod az üzleti kérdést. Például: melyik kampányhoz kapcsolódnak olyan új ügyfelek, akiknek a kiszolgálása és megszerzése után megfelelő fedezet marad? Ehhez kiválasztod a mutatókat, ellenőrzöd az adatforrásokat, elemzed az eredményt, majd döntesz a következő lépésről. Az adatvezérelt működéshez hozzátartozik az is, hogy leírod, mikor és milyen okból bizonytalan a következtetésed.

Különböztesd meg az üzleti célt és az azt jelző mérőszámot. Új ügyfél szerzése lehet üzleti cél; a kattintási arány, az ajánlatkérési arány vagy az egy érdeklődőre jutó költség egy-egy részfolyamatot mutat. Ezeket együtt érdemes értékelni. Ha az olcsó érdeklődőkből kevés fizető ügyfél lesz, akkor a hirdetési riport kedvező száma mellett is lehet rossz az üzleti eredmény.

Milyen adatokat gyűjts és ellenőrizz?

Egy ajánlatkérő kampánynál kezdésként három adatforrást kapcsolj a döntéshez: a hirdetési rendszer költését, a weboldalon beérkező ajánlatkéréseket és az értékesítési nyilvántartás eredményét. Webáruháznál ehhez a teljesült rendelések, a visszáruk és a termékhez kapcsolódó költségek adatai is szükségesek lehetnek. A vizsgálatodhoz szükséges mezőket előre írd össze.

Egységes jelentés: rögzítsd, mit tekintesz érvényes érdeklődőnek, új ügyfélnek vagy teljesült rendelésnek. Ugyanazt a személyt vagy rendelést ne számold többször.
Összevethető időszak: ellenőrizd az időzónát, a pénznemet, az értékesítési késést és a kampányhoz rendelés időablakát.
Adatminőség: keresd a spamet, a teszteseményeket, a duplikációkat és a hiányzó értékeket. A hiányzó adatot jelöld hiányzónak; ne kezeld automatikusan nullaként.
Felelősség: legyen gazdája az eseménymérésnek, az érdeklődők minősítésének és a rendszeres egyeztetésnek. Írd le a mérés változásait, hogy később értelmezni tudd az eltéréseket.

A napi ellenőrzés alkalmas lehet egy hibás mérőkód vagy megszakadt adatkapcsolat felismerésére. A kampány üzleti megítélésének gyakoriságát a vásárlási folyamathoz és az összegyűlt adatok mennyiségéhez igazítsd. Egy hosszú értékesítési ciklust néhány napnyi eredményből csak korlátozottan lehet értékelni.

Webanalitikai grafikonok egy laptop kijelzőjén. — Webanalitikai felületet ábrázoló illusztráció. Fotó: Goumbik / Pixabay.

Attribúció és inkrementalitás: két külön kérdés

Az attribúció azt mutatja meg, milyen szabály vagy modell szerint rendeli a mérőrendszer az eredményt az egyes marketingérintkezésekhez. A modell kiválasztásakor írd le, mely csatornákat, milyen időablakot és milyen üzleti eseményt vizsgálsz. A GA4 attribúciós jelentéseiben jelenleg adatvezérelt, fizetett és organikus utolsó kattintásos, valamint Google fizetett csatornákra vonatkozó utolsó kattintásos modell érhető el. Az első kattintásos, lineáris, időalapú és pozícióalapú modellek 2023 novembere óta kivezetettek. A last-click továbbra is használható; a kiválasztott modell korlátait minden esetben ismerni kell. Forrás: Google Analytics: attribúciós modellek.

Az inkrementalitás a beavatkozás többlethatását vizsgálja: mennyi eredmény keletkezett ahhoz képest, ami nélküle történt volna? Ehhez megfelelően kialakított kontrollcsoportos vizsgálatot is használhatsz. A kezelésbe vont és a kontrollcsoport eredményét összehasonlítható feltételek mellett kell mérni. A kampányhoz rendelt konverziók száma önmagában nem bizonyít ugyanennyi többletvásárlást. A Google Ads is külön kezeli az attribútált és az inkrementális konverziókat.

Az attribúciós riport a hozzárendeléshez és a kampányműködés elemzéséhez ad támpontot. A költségkeret nagyobb átcsoportosításánál különösen értékes lehet egy jól megtervezett hatásvizsgálat. A módszert a rendelkezésre álló adatokhoz és a döntés súlyához válaszd; egy kis vállalkozásnak sem kell minden mérési módszert egyszerre bevezetnie.

Gyakorlati példa: melyik kampány hoz jobb érdeklődőket?

Az alábbi számok kizárólag kitalált szemléltető adatok. Két ajánlatkérő kampányt hasonlítunk össze azonos hosszúságú időszakból, azonos utókövetési idővel. Az érdeklődőket és az új ügyfeleket mindkét kampánynál ugyanazzal az előre rögzített hozzárendelési szabállyal számoljuk. Az érvényes érdeklődőből kiszűrtük a spamet és a duplikált jelentkezéseket; a minősített érdeklődő megfelel a vállalkozás előre leírt ügyfélfeltételeinek.

Az A és B kampány kitalált adatai. A pénzösszegek ezer forintban szerepelnek.
Mutató	A	B
Hirdetési költés	200	200
Érvényes érdeklődők	50	25
Minősített érdeklődők	10	10
Új fizető ügyfelek	2	4
Költség / érvényes	4	8
Költség / minősített	20	20
Költség / új ügyfél	100	50

A képlet minden költségmutatónál ugyanaz: hirdetési költés / az adott eredmény darabszáma. Az A kampány olcsóbb érdeklődőket mutat, miközben a példában a B kampánynál feleakkora hirdetési költség jut egy új fizető ügyfélre: 200 000 / 4 = 50 000 Ft. Nulla eredménynél a hányados nem számítható; ilyenkor a költést és a nulla eredményt külön tüntesd fel.

Ezek a számok kizárólag a hirdetési költséget tartalmazzák. A teljes ügyfélszerzési költséghez a megszerzéshez kapcsolódó további marketing- és értékesítési költségeket is számításba kell venni. A két és négy ügyfél kis minta. A következő döntés előtt vizsgáld meg az ügyfelek várható fedezetét, a visszamondásokat és azt, hogy az eltérés további adatokon is fennmarad-e. A táblázat a hozzárendelt eredményt mutatja; a kampányok többlethatását külön vizsgálat tudja megbecsülni.

Így készíts hozzá rövid mérési tervet

Üzleti cél: több olyan új ügyfél, akinek a várható fedezete indokolja a megszerzési költségét. Előre határozd meg az időszakot és az elfogadható költséget a saját adataidból.
Webes esemény: sikeresen elküldött ajánlatkérés. A gombkattintás külön esemény lehet, mert az űrlap hibával is végződhet. A GA4 erre ajánlott eseményneve a generate_lead; beállítását a Google eseménydokumentációja ismerteti.
Üzleti ellenőrzés: az ügyfélkezelő rendszerben vagy a meglévő nyilvántartásban külön jelöld az érvényes, a minősített és a fizető ügyféllé vált érdeklődőket. Rögzítsd, ki felel a minősítésért és a kampányadatok egyeztetéséért.
Adatellenőrzés és döntés: próbáld végig az űrlap sikeres és hibás elküldését, ellenőrizd a duplikált eseményeket, majd teljes, összevethető időszakot értékelj. A GA4 adatfeldolgozása 24–48 órát is igénybe vehet, ezért a friss riport még változhat. A következtetésnél vedd figyelembe az értékesítés késését is.

Hogyan egészíti ki a marketingkutatás a viselkedési adatokat?

Az analitika megmutathatja, melyik lépésnél maradnak el az ajánlatkérések. A lehetséges okokat interjúval, megfigyeléssel vagy célzott kérdőívvel is vizsgálhatod. Ha sokan kezdik el az űrlapot, de kevesen küldik el, ellenőrizd először a technikai működést. Ezután kérdezz rá a bizonytalan pontokra: érthető-e az ajánlat, szükségesnek érzik-e a kért adatokat, világos-e a következő lépés?

A kutatási válaszokból fogalmazz meg ellenőrizhető feltételezést. Például: egy fölösleges mező eltávolítása növeli az érvényes ajánlatkérések arányát. Figyeld a beküldések mellett az érdeklődők minőségét is. A több kitöltés kedvezőnek tűnhet, miközben az értékesítés számára kevesebb használható megkeresés érkezik. A megkérdezettek beszámolói segítik a magyarázatot; a viselkedési adatokkal együtt értékeld őket.

Milyen tesztet érdemes elindítani?

Válassz egy olyan kérdést, amelynek megválaszolása konkrét döntéshez vezet. Lehet ez a céloldal ajánlatának érthetősége, az űrlap egyszerűsítése vagy egy meglévő ügyfélcsoportnak szánt ajánlat. A tesztek darabszámát a forgalomhoz és a mérési kapacitáshoz igazítsd.

Hipotézis: írd le, mi változik, melyik csoportnál és milyen eredményt vársz.
Elsődleges mutató: válassz egy üzletileg értelmezhető eredményt, például az érvényes ajánlatkérések arányát. Mellé rendelj minőségi ellenőrzést, például az érdeklődők minősítési arányát.
Minta és idő: a szükséges mintanagyságot a kiinduló eredményhez és a kimutatni kívánt legkisebb változáshoz tervezd. Rögzítsd a futási időt és az értékelés módját.
Döntés: előre határozd meg, milyen eredménynél vezeted be a változatot, és mikor kell további adat. A kedvező köztes eredmény miatt ne módosítsd utólag a döntési szabályt.

Ha kevés adat gyűlik össze, az eredmény lehet bizonytalan. Ezt írd le, és válassz a helyzethez illő következő lépést: folytasd az előre megtervezett adatgyűjtést, keress nagyobb hatású módosítást, vagy előbb vizsgáld meg a folyamatot interjúval és megfigyeléssel. A két kampányt összevető fenti táblázat megfigyelt eredményeket mutat; ebből oksági bizonyítékot még nem kapunk.

Személyre szabás és mesterséges intelligencia

A személyre szabást konkrét felhasználói helyzethez kösd. Egy korábbi vásárlás, egy választott termékkategória vagy egy aktív szolgáltatási igény adhat alapot relevánsabb ajánlat megtervezéséhez. Minden felhasználásnál ellenőrizd az adat rendelkezésre állását és a felhasználás feltételeit. A hatást a választott üzleti mutatón és az ügyfélvisszajelzéseken is vizsgáld. A kitalált ügyfélprofil hipotézisalkotásra használható; kutatási eredményként csak ellenőrzött adatot kezelj.

Az MI alkalmazásánál is az üzleti feladatból indulj ki: például az érdeklődők rangsorolásából, egy visszatérő ügyfél ajánlatának megtervezéséből vagy az ügyfélérték becsléséből. Hasonlítsd az eredményt egy egyszerű, már működő szabályhoz. Előrejelző modellnél külön értékeld a korábban nem látott időszak adatait, a hibás besorolások költségét és azt, mely csoportoknál gyengébb a teljesítmény. Jelöld ki az emberi felülvizsgálat pontjait. A becsült ügyfélértéket kezeld becslésként, és rendszeresen vesd össze a tényleges eredménnyel.

Adatvédelem: a mérési terv része

A személyes adatok kezelésénél előre tisztázd a célt és a jogalapot, adj érthető tájékoztatást, és csak a célhoz szükséges adatokat kezeld. Határozd meg a megőrzés idejét, a hozzáféréseket és az adatok védelmét. Ezek az Európai Bizottság által összefoglalt GDPR-alapelvekhez kapcsolódnak. Az adatvédelmet már a folyamat tervezésekor figyelembe kell venni.

A gyakorlati adatleltárban legyen látható, melyik adat milyen célból kerül az analitikába, a hirdetési rendszerbe és az ügyfélnyilvántartásba. Ellenőrizd az adott adatfelhasználáshoz szükséges hozzájárulást, az érintetti kérelmek kezelését és a szolgáltatók beállításait. Az adatkezelési megfelelés több feladatból áll; egy tájékoztató közzététele önmagában nem rendezi az összeset.

Mit tegyél a saját kampányoddal?

Válassz ki egy kampányt és egy olyan időszakban beérkezett érdeklődői csoportot, amelyet már megfelelő ideig utánkövettél. Írd mellé az érdeklődők megszerzéséhez tartozó időszak költését, az érvényes érdeklődők számát, a közülük fizető ügyféllé váltak számát, valamint a hozzárendelési szabályt és az utánkövetés zárónapját. A korábbi időszakok érdeklődőiből most létrejött vásárlásokat külön kezeld. Számítsd ki a két költségmutatót a fenti példához hasonlóan. Jelöld, melyik adat hiányzik vagy bizonytalan, és döntsd el, mi legyen az első ellenőrzés.

Szerintem egy marketingriport akkor segíti a vezetői munkát, ha világos belőle a következő döntés és annak bizonytalansága. Ha csak számokat gyűjtesz, még kevés az alapod a költés módosításához. Ha az érdeklődőt végig tudod követni a fizető ügyfélig, és a költséget is érted, már pontosabb kérdéseket tehetsz fel a kampányodról.

Mini teszt: tudsz dönteni a marketingadatokból?

Válassz minden kérdésnél egy választ, majd nyisd le a megoldást. Minden helyes válasz 1 pont, az üresen hagyott vagy hibás válasz 0 pont. A négy kérdés a cikk mérési alapelveinek megértését ellenőrzi.

A számpéldában melyik kampánynál alacsonyabb a hirdetési költség egy új fizető ügyfélre?
A) Az A kampánynál, mert olcsóbb az érdeklődő. B) A B kampánynál, mert 200 000 Ft költéshez 4 ügyfél tartozik. C) Azonos, mert ugyanakkora a költés.
Egy kampány riportja 100 konverziót rendel a hirdetésekhez. Mit állíthatsz ebből?
A) A hirdetés nélkül mind a 100 elmaradt volna. B) A mérési szabályok szerint ennyi eredmény kapcsolódik a kampányhoz; a többlethatáshoz további vizsgálat kell. C) A teljes vállalkozásnak összesen 100 új ügyfele lett.
Tegnap módosult az eseménymérés, és a mai GA4-riportban feleannyi ajánlatkérés látszik. Mi legyen az első lépés?
A) A kampány leállítása. B) A költés megduplázása. C) Az események, a duplikációk és az adatfeldolgozás állapotának ellenőrzése.
A cél az érvényes ajánlatkérések növelése. Melyik legyen az elsődleges webes esemény?
A) Az ajánlatkérő gomb minden kattintása. B) A sikeresen elküldött ajánlatkérés. C) Az oldal megnyitása.

Megoldások, pontozás és következő lépés

1. B. A B kampánynál 200 000 / 4 = 50 000 Ft, az A kampánynál 200 000 / 2 = 100 000 Ft jut egy új fizető ügyfélre. Ez a kis mintás, hipotetikus összehasonlítás a jövedelmezőséget még nem igazolja. Ha elrontottad, nézd át a gyakorlati példa költségmutatóit.

2. B. A hozzárendelés és az okozott többleteredmény külön fogalom. A kampányhoz rendelt vásárlások egy része a kampány nélkül is megtörténhetett volna. Ha elrontottad, térj vissza az attribúcióról és inkrementalitásról szóló részhez.

3. C. A mérési változás és a feldolgozási késés is befolyásolhatja a friss riportot. Előbb ellenőrizd a mérés működését, majd teljes, összevethető időszak alapján dönts. Ha elrontottad, olvasd újra a mérési terv adatellenőrzési pontját.

4. B. A gombkattintás után lehet hibás vagy megszakadt űrlapkitöltés. A sikeres beküldés után az üzleti nyilvántartásban még az érvényességet és az ügyfélminőséget is ellenőrizni kell. Ha elrontottad, pontosítsd a saját mérendő eseményed feltételét.

0–1 pont: kezdd az eseménydefiníció és a hozzárendelési szabály leírásával; ezek nélkül a kampányok összevetése bizonytalan. 2–3 pont: nézd át a hibás válaszhoz tartozó részt, majd tölts ki egy mérési tervet a saját kampányodra. 4 pont: a négy alapelvet helyesen alkalmaztad. Következő lépésként ellenőrizd egy saját kampány költését, a vizsgált időszakban beérkezett érvényes érdeklődőket és a közülük fizető ügyféllé váltakat, rögzített utánkövetési idővel.