Tổng quan về Marketing analytics (P.2)

Bigdatauni.com Follow Fanpage Contact

Tiếp tục với topic ngắn về ứng dụng phân tích dữ liệu trong marketing ở bài viết phần 1 chúng ta đã tìm hiểu qua một số khái niệm liên quan, cũng như phân biệt giữa chúng bao gồm Marketing analytics, Data-driven marketing, Database marketing, Algorithmic marketing, các mục đích, lợi ích chính của phân tích dữ liệu trong marketing ở nhiều góc độ khác nhau. Trở lại với phần 2, BigDataUni và các bạn sẽ cùng tìm hiểu qua nguồn dữ liệu phổ biến được dùng trong Marketing analytics, và lợi ích; sau đó là quy trình triển khai Data analytics trong marketing tập trung đánh giá mức độ hiệu quả của những chiến dịch Marketing thông qua việc sử dụng các metrics – chỉ số đo lường phổ biến.

Dành cho các bạn chưa tham khảo bài viết đầu tiên:

Ứng dụng Data analytics trong marketing (P.1)

Dữ liệu trong marketing

Dữ liệu trong marketing cũng giống như dữ liệu ở bất kỳ mảng và lĩnh vực khác trước tiên sẽ được phân làm 2 loại cơ bản nhất đó là Structured data (dữ liệu có cấu trúc) và Unstructured data (dữ liệu không có cấu trúc).

Dữ liệu có cấu trúc là loại dữ liệu mà chục năm trước đây rất phổ biến, là dữ liệu có mức độ tổ chức cao, chẳng hạn như bảng cân đối kế toán (tiền mặt, các khoản phải trả), dữ liệu thống thiết bị y tế (nhịp tim, huyết áp) hoặc dữ liệu từ hồ sơ điều tra dân số (sinh, việc làm). Mỗi thông tin có cấu trúc trong tập dữ liệu đều được thu thập với mục đích nhất định, và thông qua các mục đích đó để sau khi dữ liệu được lấy về, nó sẽ được sắp xếp vào một trường dữ liệu có tên cụ thể.

Ví dụ giám đốc công ty muốn biết nguồn tài chính có sẵn cho việc phục vụ kinh doanh, sẽ yêu cầu bộ phận kế toán thu thập dữ liệu về tiền mặt hiện có ở mọi nguồn thống kê vào mỗi tháng, chúng ta sẽ có trường dữ liệu “Tiền mặt”, với mỗi quan sát là thông tin về số tiền mặt công ty có trong tháng đó. Nếu các bạn hình dung và đưa ví dụ vừa rồi trên 1 sheet trên Excel, thì những gì bạn thấy được chính là Structured data. Dữ liệu có cấu trúc thường là dữ liệu số, hoặc dữ liệu chữ/ dữ liệu định tính đã được xử lý theo các cấu trúc, định dạng nhất định hỗ trợ quá trình thu thập, lưu trữ, truyền tải, phân tích và quản lý dễ dàng trong các cơ sở dữ liệu (database) phổ biến như Excel, SQL.

Trong marketing, ví dụ về Structured data có thể kể đến như dữ liệu lấy từ form thông tin khách hàng khảo sát (với các câu hỏi có các câu trả lời đã được định dạng trước đó, và giới hạn để chọn lựa) như dữ liệu số về ngày, tháng, năm sinh, thu nhập, dữ liệu chữ về nghề nghiệp, tình trạng hôn nhân; dữ liệu lịch sử tương tác được thống kê dạng số liệu trên các nền tảng mạng xã hội như số lượt like, phản hồi tích cực nội dung quảng cáo; dữ liệu lịch sử giao dịch như tên sản phẩm, số lượng, giá trị giao dịch, số lần mua hàng,… Tất cả những dữ liệu này đều có thể thu thập, và quản lý đơn giản trong một file Excel hay bất kể cơ sở dữ liệu nào cho phép bạn lưu trữ chúng dưới dạng bảng, có cột/ dòng/ ô đơn giản thì gọi là dữ liệu có cấu trúc. Bạn nào đang hoạt động trong lĩnh vực thương mại điện tử hay Digital marketing chắc sẽ dễ hiểu được nếu từng tự tay quản lý các chiến dịch quảng cáo, bán hàng một cách chi tiết.

Ngược lại với Structured data, là dữ liệu phi cấu trúc Unstructured data và có thể cả bán cấu trúc Semi-structured data, là những thông tin không cho phép chúng ta dễ dàng đưa vào các cơ sở dữ liệu như Excel rồi nghĩ mình có được “vàng” rồi, tiến hành khai thác thôi! Dữ liệu phi cấu trúc gồm rất nhiều loại từ text (dữ liệu chữ, văn bản), hình ảnh, video, âm thanh hoặc bất kỳ dữ liệu nào thô khác thu thập từ các thiết bị có kết nối mạng, thiết bị I.o.T, các thiệt bị cảm biến, thiết bị đo lường,… Tất cả những dữ liệu này có điểm chung là không thể lưu trữ trong những cơ sở dữ liệu dạng bảng tính như Excel, SQL database mà thuật ngữ gọi chung là RDBMS – Relational Database Management System (Hệ thống quản lý cơ sở dữ liệu quan hệ). Ngược lại chúng được lưu trữ trong các Non-relational database (cơ sở dữ liệu phi quan hệ) ví dụ No-SQL database, và chúng ta phải những dụng nhiều công cụ, phương pháp, kỹ thuật xử lý, phân tích trong lĩnh vực Data mining, Machine learning, Big Data để tiến hành khai thác. Ngày nay với công nghệ phát triển vượt bậc, cũng như Data science, cơ hội để các công ty gặt hái được nhiều giá trị từ Unstructured data là ngày càng nhiều, khác với những năm trước đây, Unstructured data không được đầu tư nghiên cứu, trở thành nguồn tài sản “phải lãng phí” dù biết chúng là vô giá.

Trong marketing, dữ liệu phi cấu trúc có thể ví dụ như là dữ liệu phản hồi dạng text của khách hàng về các sản phẩm, dịch vụ, các nội dung quảng cáo. Các bạn có thể thấy ngay khi đọc những bình luận của khách hàng, tích cực có, tiêu cực có, bạn có thể tham khảo một vài khách hàng thì biết được ngay liệu họ có thỏa mãn với những gì mình cung cấp hay công. Nhưng khi hàng ngàn khách hàng bình luận, thì làm cách nào? Các công cụ phân tích như Sentiment analysis (phân tích xúc cảm/ quan điểm), Text analysis, NLP (Natural language processing) sẽ hỗ trợ bạn.

Trong phần Unstructured data này có nhiều thuật ngữ mới trong Data science mà nhiều bạn có thể chưa biết? Thật vậy, khác với Structured data, để lưu trữ, quản lý, phân tích Unstructured data đòi hỏi phải có chuyên môn thực vững và có kinh nghiệm trong lĩnh vực dữ liệu, và hiển nhiên đây không dành cho marketers, người làm marketing. May mắn trên thị trường ngày nay vẫn có nhiều nền tảng công nghệ tích hợp sẵn các công cụ, kỹ thuật, phương pháp cho phép marketers không cần trang bị quá nhiều kiến thức dữ liệu vẫn có thể khai thác thông tin, tìm ra các insights mình cần để xây dựng các chiến dịch tiếp thị hiệu quả.

Ví dụ khác về dữ liệu phi cấu trúc trong marketing như dữ liệu phản hồi sản phẩm, dịch vụ thu thập qua khảo sát, các email, form thu thập feedback với các câu hỏi mở, và khách hàng trả lời theo dạng text, văn bản. Những thông tin này cũng cần được phân tích, vì chúng rất có giá trị, hỗ trợ nhiều trong quá trình hoàn thiện sản phẩm, dịch vụ đáp ứng tốt hơn nhu cầu khách hàng.

Dữ liệu hành vi lướt web chi tiết, khách hàng rê chuột vào phần nào trên web, vào hình ảnh nào, hình ảnh sản phẩm hay hình ảnh nào khác bắt mắt, mật độ nhiều hay ít,… các loại hành vi trên web thể hiện nhu cầu tiềm ẩn của khách hàng mà chúng ta không thể biết nếu chỉ dựa vào các công cụ tracking bình thường, phải dùng đến những công cụ kỹ thuật cao cấp hơn để tìm hiểu. Đây cũng là một ví dụ Unstructured data, hữu ích vô cùng trong việc khám phá quy trình nghiên cứu sản phẩm và ra quyết định của khách hàng. Ví dụ, một khách hàng nữ xem đi xem lại hình ảnh về một túi xách mang thương hiệu quốc tế nhưng lại không mua. Điều này có thể là do giá cao, hay khách hàng nữ này chưa tin tưởng sản phẩm này là thật, hàng “fake”. Nếu là do giá cả, công ty có thể giới thiệu đến khách hàng nữ này sản phẩm tương tự về loại, hình dạng, chất liệu,… với giá thấp hơn có thể khách hàng nữ này sẽ mua. Nhưng nếu là về thương hiệu, khách hàng nữ này muốn người khác nhìn mình là người sành điệu, tuy nhiên lại không tin tưởng công ty cho lắm, lúc này chính công ty phải nghĩ ra giải pháp khác.

Dữ liệu thu thập từ các cuộc gọi trao đổi với khách hàng, dữ liệu dạng âm thanh, đây cũng là ví dụ phổ biến của Unstructured data. Nói chuyện trực tiếp với khách hàng dễ đánh giá được cảm xúc, mức độ thỏa mãn của họ đối với các sản phẩm, dịch vụ hơn là các comment bình luận đôi lúc ẩn ý, khó hiểu. Giống như các dữ liệu khác, dữ liệu cuộc gọi rất quan trọng để phân tích. Unstructured data trong marketing còn rất nhiều nhưng bài viết có hạn nên chúng tôi tạm ngưng ở đây, chúng ta cùng đi tiếp sang phần khác.

Loại dữ liệu thì đã bàn xong, tiếp đến nói về hình thức sỡ hữu, hay nguồn dữ liệu có thể sử dụng để phân tích

Có 3 loại nguồn dữ liệu marketing:

First-party data: dữ liệu của bên thứ nhất tập trung vào các khái niệm về quyền sở hữu, quyền kiểm soát và quyền riêng tư. Bao gồm dữ liệu từ quá trình vận hành các chức năng kinh doanh và đặc biệt là dữ liệu khách hàng sẵn có để chính công ty thu thập, do công ty sở hữu, kiểm soát và bảo mật. Đây là nguồn dữ liệu vô giá để giúp công ty khai thác thông tin chi tiết về người tiêu dùng vì đó là thông tin mà nhà tiếp thị đã tự thu thập từ chính khách hàng. Dữ liệu khách hàng dạng này tập trung mô tả về các hành động trong quá khứ mà khách hàng đã thực hiện, nên chỉ giới hạn về khác hàng hiện tại hoặc trong quá khứ.

Ví dụ về dữ liệu của bên thứ nhất bao gồm danh sách email, dữ liệu khách hàng trong CRM quản lý quan hệ khách hàng, dữ liệu mua hàng được lưu trữ trong cơ sở dữ liệu nội bộ, dữ liệu khách hàng (thông tin, hành vi)trên các kênh truyền thông xã hội, chẳng hạn như trang Facebook, LinkedIn, Instagram, Tiktok hay Zalo, dữ liệu khách hàng thu thập từ websites, apps. Có thể bao gồm cả loại dữ liệu không có trên nền tảng trực tuyến như dữ liệu khảo sát,…

Các nhà tiếp thị sử dụng dữ liệu First-party để nhắm mục tiêu tiếp thị lại những khách đã truy cập vào trang web của công ty hoặc được kết nối trên các fanpage thông qua những chiến dịch quảng cáo. Nguồn dữ liệu này đóng vai trò quan trọng trong việc cá nhân quá hoạt động sales, và marketing.

Ngoài ra nguồn dữ liệu này hỗ trợ công ty đưa ra các dự báo hành vi mua hàng, nhu cầu khách hàng ứng với các sản phẩm cụ thể dựa trên các yếu tố khác nhau, với mức độ tin cậy cụ thể.

Ví dụ nếu người xem của bạn hiếm khi nhấp vào quảng cáo hình ảnh nhưng thường xuyên tương tác với quảng cáo video, bạn sẽ biết họ thích quảng cáo video hơn và sẽ tiếp tục thích chúng trong tương lai.

Dữ liệu còn cho phép công ty đạt được những insights quan trọng về chân dung những khách hàng tiềm năng dựa trên những đặc điểm của nguồn khách hàng ở hiện tại.

Second-party data: dữ liệu của bên thứ hai là dữ liệu được thu thập thông qua các tổ chức, công ty hoặc cá nhân khác và được chia sẻ với các nhà tiếp thị khác không chỉ riêng công ty. Dữ liệu có thể từ đối tác kinh doanh, hoặc các công ty liên kết. Công ty có thể có, có ít hoặc không có quyền kiểm soát dữ liệu cũng như các thông tin liên quan. Second-party data cũng giống như First-party data nhưng mà là của tổ chức, công ty khác, nên nó cũng có thể là những loại dữ liệu giống như First-party data vừa nói ở trên.

Second-party data có thể làm giàu nguồn dữ liệu khách hàng ở First-party data nếu công ty xác định được đúng loại dữ liệu từ bên thứ 2 mà mình cần. Ví dụ công ty cần chạy một chiến dịch quảng cáo thử nghiệm nhưng nguồn khách hàng hiện tại là quá ít để thực hiện, cần thêm nguồn dữ liệu tương tự để test, thì sẽ liên hệ bên thứ 2 trao đổi dữ liệu

Chính vì dữ liệu khách hàng tương tự từ bên thứ 2 có thể thu thập nên công ty có nhiều cơ hội để tiếp cận những khách hàng mới tiềm năng.

Giống như với dữ liệu của bên thứ nhất, công ty cũng có thể sử dụng thông tin của bên thứ hai để dự đoán các hành vi trong tương lai của khách hàng mới này và xây dựng mô hình phân tích tương tự đối với những khách hàng hiện tại của công ty. Thông qua kết quả có được, công ty có thể triển khai các hoạt động sales, marketing.

Third-party data: dữ liệu của bên thứ ba là dữ liệu mà công ty mua từ các nguồn bên ngoài không phải là tổ chức thu thập dữ liệu ban đầu. Thay vào đó, công ty mua nó từ các bên tổng hợp dữ liệu lớn, lấy dữ liệu từ nhiều nền tảng và trang web khác nơi chúng được tạo ra. Những công ty tổng hợp này sẽ trả tiền cho công ty và chủ sở hữu khác để mua dữ liệu bên thứ nhất của họ, sau đó tập hợp lại và xử lý.

Cụ thể sau khi tổng hợp dữ liệu, các nhà cung cấp, bên thứ 3 này sẽ sắp xếp chúng thành các danh mục dựa trên các khía cạnh như ngành, hành vi và sở thích của khách hàng và các đặc điểm nhân khẩu học như độ tuổi và giới tính. Sau đó, mỗi danh mục được chia thành các phân khúc cụ thể và các công ty sẽ chọn phân khúc cụ thể mà họ muốn. Các phân khúc dữ liệu của bên thứ 3 sẽ khác nhau dựa trên sự khác biệt từ các nhà cung cấp (bên thứ nhất), vì vậy công ty cần hiểu những gì cần mua và nguồn gốc của nó trước khi giao dịch để tăng chất lượng nguồn dữ liệu và góp phần thúc đẩy chất lượng các chiến dịch.

Một số provider nổi tiếng như OnAudience, Lotame, Oracle, Nielsen.

Dữ liệu của bên thứ 3 cũng cho phép công ty phát triển nguồn khách hàng của mình, tìm kiếm những khách hàng tiềm năng mới, những phân khúc khách hàng mới theo đặc điểm nhân khẩu học, theo hành vi, sở thích và nhiều yếu tố khác. Đặc biệt khi dữ liệu Third-party kết hợp với các dữ liệu First & Second – party, công ty sẽ phân tích được các yêu tố khách quan bên ngoài có thể tác động lên hành vi của khách hàng, hỗ trợ đắc lực cho việc dự báo, xây dựng các chiến lược sales, marketing cá nhân hóa và nhắm mục tiêu tốt hơn. Đây cũng chính là mục đích cốt lõi khi nhiều công ty tiến hành mua Third-party data.

Ví dụ

Công ty bạn bán lẻ áo thể thao, và qua những dữ liệu khách hàng từ thông tin đến hành vi làm gì trên web, socidal media công ty bạn sẽ biết và dự báo được khi nào cần thúc đẩy sản xuất, cung ứng sản phẩm, cần đưa ra các chiến dịch quảng báo, ưu đãi đặc biệt. Để chắc chắn hơn, đảm bảo các chiến dịch là thành công, công ty bạn kết nối trao đổi dữ liệu với bên thứ 2 là các công ty đối tác, công ty con liên kết để kiểm tra xu hướng mua hàng của khách hàng trong giai đoạn ưu đãi.

Tuy nhiên liệu công ty bạn có muốn biết các yếu tố nào khác tác động lên quyết định mua hàng của khách hàng không.

Giả sử bạn mua dữ liệu của công ty thứ 3 như Nielsen, dữ liệu bán áo đấu của các câu lạc bộ, ví dụ như Manchester United. Nhận thấy rằng khi đội bóng này thắng thì số lượt mua áo đấu tăng rất mạnh và ngược lại khi đội bóng này hòa và thua. Cái khác là khi đội bóng tham gia các trận cầu lớn, doanh số áo đấu bán ra cũng tăng.

Công ty bạn sẽ dựa trên các cơ sở này sẽ ra các chiến dịch quảng cáo ưu đãi rầm rộ. Ví dụ giảm giá áo đấu trước các trận cầu tâm điểm có Manchester United.

Trước khi kết thúc phần này chúng ta cùng điểm qua một số dữ liệu khách hàng, dữ liệu web, mạng xã hội phục vụ cho phân tích marketing

Dữ liệu khách hàng:

Dữ liệu định danh: ID, tên, tuổi, ngày sinh, địa chỉ nơi ở, số điện thoại, email, nghề nghiệp, thu nhập,…
Dữ liệu nhân khẩu học: giới tiến, vùng miền/ khu vực địa lý, tình trạng hôn nhân gia đình, quy mô gia đình, bao nhiêu con, thời gian cư trú tại khu vực sinh sống, trình độ học vấn, sở hữu hoặc thuê nhà, loại nhà ở,…
Dữ liệu tâm lý học, lối sống: dữ liệu hành vi hay thông tin liên quan đến sở thích, du lịch khám phá, giải trí, là thành viên câu lạc bộ, thể thao, thời trang, ẩm thực, truyền thông mạng xã hội,… ý kiến về chính trị, kinh doanh, kinh tế, giáo dục, sản phẩm ưa thích, văn hóa,…
Dữ liệu giao dịch: dữ liệu giao dịch bao gồm ngày mua, các mặt hàng đã mua với danh mục sản phẩm cụ thể, kích cỡ và giá cả, số lượng mua, phương thức thanh toán, chiết khấu, thuế bán hàng, trả lại hàng, hậu mãi, ID nhân viên bán hàng,…

Dữ liệu hoạt động Marketing: dữ liệu hoạt động tiếp thị gồm 2 loại chủ động và thụ động. Chủ động sẽ bao gồm số lượng thông tin liên lạc được gửi đến khách hàng (hoặc khách hàng tiềm năng), các loại khuyến mại đã được gửi, thời điểm nhân viên bán hàng liên hệ với khách hàng, thời điểm gửi thư cảm ơn và bất kỳ hoạt động theo dõi nào do bộ phận chăm sóc khách hàng thực hiện hoặc bởi đại diện bán hàng. Dữ liệu thu về từ khách hàng là dữ liệu thụ động như thông tin khách hàng từ định danh, nhân khẩu học, đến hành vi trên website, trên các trang mạng xã hội như browsing sản phẩm, nội dung, comment, like, dislike, share,…, hoặc ở bất kỳ kênh tương tác nào khác
Dữ liệu khác về khía cạnh tài chính của khách hàng: dữ liệu đánh giá điểm tín dụng của khách hàng, mức độ tin cậy trong việc thanh toán/ trả góp các dịch vụ, sản phẩm ở các công ty khác của những khách hàng sẽ được đánh giá, và dữ liệu đánh giá này được chia sẻ bởi chính các tổ chức tín dụng hoặc bên thứ 3 cung cấp. Dữ liệu này thường phải được bảo mật tối đa theo nguyên tắc, điều luật được đưa ra bởi các bên liên quan. Dữ liệu về khía cạnh tài chính cho phép công ty thúc đẩy các chiến dịch marketing, cross/ up selling hiệu quả dựa trên việc tính toán CLV (customer lifetime value), RFM,…

Dữ liệu Web: dữ liệu về địa chỉ IP khách hàng, dữ liệu cookie, các dữ liệu khác về hành vi của từng khách hàng trên website, dữ liệu đánh giá hiệu quả hoạt động chung của web như tổng lượt truy cập, thời gian truy cập trung bình, số khách truy cập mới so với cũ, tỷ lệ thoát web, thoát page, tổng lượt truy cập mỗi page, hành vi trên mỗi page, các dữ liệu khác đánh giá hiệu quả SEO (Search Engine Optimization) trên web (SEO on-page)

Dữ liệu Social media: dữ liệu về thông tin khách hàng (account của khách hàng) trên các trang mạng xã hội Facebook, Twitter, Zalo, TikTok, Instagram, Youtube; dữ liệu về hành vi như like, dislike, share, comment, điền vào form; dữ liệu hoạt động của khách trên các group, community; dữ liệu đánh giá hiệu quả của các backlink, hyperlink khi tích hợp vào nội dung chiến dịch quảng cáo như số lượt click vào liên kết – đây là một trong số dữ liệu cần thiết để đánh giá SEO off-page.

Dữ liệu địa lý: một số dữ liệu khác như dữ liệu định vị GPS, mã code khu vực sinh sống, dữ liệu IP,…

Dữ liệu trên các Mobile app/ Mobile web : dữ liệu về thông tin của khách hàng để lại trên các ứng dụng, truy cập web trên smartphone, dữ liệu hành vi mà khách hàng thực hiện trên những nền tảng này. Tùy vào mỗi công ty sẽ có app riêng, web mobile riêng nên dữ liệu thu thập và phân tích có thể sẽ khác nhau

Dữ liệu trên các nền tảng E-commerce/ app shopping online: dữ liệu về thông tin khách hàng trên các trang thương mại điện tử hoặc các app shopping trực tuyến nếu công ty được quyền truy cập bao gồm cả dữ liệu hành vi, tra cứu sản phẩm, lịch sử thanh toán, giao dịch,… Ngoài ra còn có các dữ liệu đánh giá hiệu quả hoạt động của kênh bán hàng, hiệu quả chiến dịch khuyến mãi,…

*Tất cả những nguồn dữ liệu kể trên thường được các công ty có tiềm lực về tài chính, công nghệ thu thập, tổng hợp và tích hợp vào một nền tảng quản lý dữ liệu khách hàng chung gọi là Data management platform, được quản lý, đảm bảo chất lượng, hỗ trợ hiệu quả cho quá trình khai thác và phân tích

Trong bài viết này chúng tôi không nói đến khía cạnh Data management. Các bạn có thể tham khảo các bài viết của chúng tôi về chủ đề này.

Tầm quan trọng của quản lý dữ liệu (P.1)

Tầm quan trọng của quản lý dữ liệu (P.2)

Marketing analytics trong đánh giá hiệu quả chiến dịch tiếp thị, quảng cáo

Quy trình phân tích marketing để đánh giá hiệu quả chiến dịch tiếp thị, quảng cáo thực chất là phân tích các chỉ số, các số liệu KPI về hoạt động marketing ở các kênh khác nhau từ offline đến online.

Cụ thể gồm 3 bước đơn giản và cơ bản nhất:

Bước 1: xác định các chỉ số quan trọng, cần quan tâm, và những chỉ số này phải đánh giá một cách đầy đủ, chi tiết hiệu quả hoạt động của chiến dịch marketing. Các chỉ số phải tuân thủ các quy tắc như S.M.A.R.T hay đánh giá được cả năng suất, hiệu suất các chiến dịch marketing, và có sự liên kết phù hợp với các chỉ số trong sales. Marketing analytics hay bất kỳ quy trình Data analytics hay Data mining đều bắt đầu với Business understanding: hiểu được mục tiêu chiến lược kinh doanh, cơ sở đó để đối chiếu với mục tiêu, mục đích phân tích trong marketing. Nếu không hiểu công ty bạn thực sự muốn gì thì bạn sẽ không thể tìm ra các chỉ số hoàn hảo nhất. Lưu ý thêm, các chỉ số cũng cần tham khảo hay Benchmark với các công ty đối thủ, công ty cùng ngành hoặc trái ngành để đánh giá khả năng cạnh tranh, tốc độ của công ty mình trong việc thỏa mãn các yêu cầu của khách hàng.

Bước 2: thu thập và phân tích các chỉ số. dữ liệu được lấy từ các kênh, nền tảng tiếp thị nào, cách công ty sẽ đo lường chất lượng, lưu trữ, quản lý, xử lý và phân tích như thế nào, kết quả đi đôi với các giải pháp là gì, làm cách gì để đưa chúng thành các chiến dịch marketing mang lại. Phải so sánh và tìm ra được sự khác biệt giữa kết quả hiện tại và kết quả lý tưởng, đánh giá những mục tiêu đề ra đã hoàn thành được bao nhiêu %, khác biệt những lý tưởng và thực tế là nhưng thế nào, vấn đề xung quanh việc không đạt được mục tiêu, phải hiểu được hoàn cảnh hiện tại, đối chiếu với đích đến mong muốn.

Bước 3: cải thiện, cải thiện và cải thiện. Mỗi một vấn đề tìm được, mỗi một nguyên nhân, sai sót tìm được cần có giải pháp khắc phục, và quan trọng phải theo dõi liên tục quá trình áp dụng các giải pháp cũng như quá trình triển khai chiến dịch để kịp thời cải thiện nếu có sai sót. Nguyên tắc là luôn luôn thay đổi, luôn luôn hoàn thiện, đạt được mục tiêu thì phải có các mục tiêu khác cao hơn và quyết tâm theo đuổi, đặc biệt phải luôn trong trạng thái kiểm soát, theo dõi, đánh giá, và giải thích được các nguyên nhân của việc thất bại.

Từ 3 bước lớn trên chúng ta còn có thể chia nhỏ hơn nữa các bước như sau:

Bước 1: xác định chức năng, mục đích chính của Marketing analytics

Bước 2: kết nối thu thập dữ liệu ở tất cả các nguồn mà tổ chức đang có: dữ liệu từ CRM, dữ liệu từ Paid media – các kênh truyền thông trả phí, các Owned media – như fanpage, website, landing page, trang e-commerce các Earned media – các group, cộng đồng do chính công ty đạt được, dữ liệu từ các phòng ban khác,… lưu ý do đang nói ở góc độ đánh giá hiệu quả, nên dữ liệu thường tập trung là dữ liệu hỗ trợ việc đo lường, thường là dữ liệu thống kê, chứ không phải dữ liệu mô tả hành vi khách hàng.

Bước 3: đưa ra các nguyên tắc trong việc xử lý, quản lý, phân tích, và truyền tải dữ liệu, thông tin, kết quả phân tích

Phân tích dữ liệu áp dụng linh hoạt cả các phương pháp thống kê đơn giản, đến các phương pháp data mining phức tạp để thấy được xu hướng phổ biến, và cả xu hướng tiềm ẩn của sự vận động của các đối tượng trong dữ liệu, các đối tượng nói đến ở đây có thể là các chỉ số đánh giá.
Phân tích triệt để nguồn dữ liệu quá khứ, tức tận dụng tối đa nguồn dữ liệu quá khứ về hiệu quả hoạt động các chiến dịch marketing sẽ giúp chúng ta dễ thấy được bức tranh xu hướng rõ hơn
Kết hợp với phân tích thực trạng ở hiện tại, và dự báo cho tương lai. Như chúng tôi đã nói ở trên, luôn kiểm soát, theo dõi. Dữ liệu quá khứ chỉ cho chúng ta biết được vấn đề mình từng mắc phải, điều gì đã xảy ra. Bạn cần kết hợp với phân tích dữ liệu của chiến dịch hiện tại và kết hợp xem xét kết quả phân tích trong quá khứ để dự báo liệu vấn đề tương tự có xảy ra trong tương lai hay không.
Tiếp tục, khi bạn có các kết quả mình cần bạn cần làm gì để đưa ra các giải pháp hành động tốt hơn, phân tích, chọn lựa các giải pháp phù hợp. Marketing analytics cũng giống như quy trình data analytics thông thường gồm 3 giai đoạn sau.

Sau khi có những mô hình, phương pháp phân tích tối ưu, phù hợp, việc tiếp theo là đưa vào hệ thống phân tích tự động, và xây dựng các dashboard, báo cáo trực quan, truyền đạt những tất cả thông tin mình có đến các phòng ban khác. Công ty không chỉ có mỗi phòng marketing, và phòng marketing không phải là bộ phận độc lập, tự làm, tự thân gánh sinh, cần sự phối hợp với các phòng ban khác.

Bước 4: xây dựng một chiến lược, quy trình phân tích marketing tổng thể cũng như các giải pháp tiêu chuẩn, các bước hành động cụ thể

Xây dựng sẵn một quy trình hoàn chỉnh cũng như lên sẵn các bước hành động, giải pháp marketing để tự động hóa, hay nhanh chóng phản ứng kịp thời với các vấn đề luôn là điều cần thiết. Tuy nhiên trước đó chúng ta cũng cần nhiều lần kiểm tra, đánh giá hiệu quả từng hoạt động. Vì thế nhiều bạn sẽ hiểu lầm ở bước 4 này nghĩ rằng bước 3 là đã hết rồi mà!.

a) Thu thập dữ liệu: liên kết hệ thống, nguồn dữ liệu, thu thập, xây dựng DMP

b) Xây dựng mô hình phân tích: descriptive, predictive, prescriptive analytics

c) Lập kế hoạch chiến dịch: các chiến dịch tiếp thị sẽ triển khai sắp tới

d) Phát triển các chỉ số đo lường và KPI đánh giá các chiến dịch và benchmark với công ty đối thủ, các công ty trong ngành và trái ngành

e) Data visualization & Data storytelling: báo cáo trực quan, trình bày các vấn đề

f) Tối ưu hóa tỷ lệ chuyển đổi và các chỉ số quan trọng khác: thử nghiệm chiến lược marketing tăng trải nghiệm khách hàng, cá nhân hóa và thúc đẩy sự tương tác của khách hàng. Sáng tạo đa dạng những giải pháp khác nhau

g) Thiết lập chiến dịch quảng cáo định hướng dữ liệu: dựa trên mục đích thử nghiệm chiến lược marketing mới, giải pháp mới mà xây dựng nhiều chiến dịch quảng cáo Digital marketing kết hợp phân bổ ngân sách, tính toán ROAS mong muốn, đặt giá thầu và nhắm mục tiêu sao cho hiệu quả. Đối với marketing truyền thống cũng làm tương tự, cũng phân bổ ngân sách, và tính toán ROI. ROI và ROAS chúng tôi sẽ nói ở phần cuối bài viết.

h) Phân tích tối ưu đầu tư: chiến dịch nào quảng cáo hiệu quả, kênh nào marketing tốt hơn, nội dung, hình thức tiếp thị nào tốt hơn sẽ được ưu tiên đầu tư ngân sách và ngược lại.

Tại bước này, chúng ta có thể sẽ quay lại bước 3 nhiều lần vì chúng ta cần phân tích tìm xem cái chiến lược nào là hiệu quả nhất ở hiện tại, và tương lai.

i) Nghiên cứu tiếp các nền tảng công nghệ mới, các giải pháp phân tích mới: thay đổi hoặc “chết” chắc các bạn cũng nghe quá nhiều nên chúng tôi sẽ không giải thích lại.

Bước 5: học từ các sai lầm, và liên tục tối ưu các chiến lược marketing. Không có gì là hoàn hảo mãi mãi, kể cả khi bạn có một quy trình marketing analytics “sừng sỏ” thì sai lầm vẫn có thể xảy ra như chúng tôi đã nói ở trên, khách hàng thay đổi hành vi nhu cầu của mình ngày nay với tốc độ rất chóng mặt, chúng ta không thể dự báo chính xác mọi tình huống, vì thế các chỉ số, KPI lên hoặc xống là chuyện bình thường, tích cực thì sẽ mang lại nhiều lợi nhuận, tiêu cực thì không chỉ không tăng được lợi nhuận mà còn dẫn đến chi phí sẽ bị lãng phí. Chủ động learning là chìa khóa duy nhất. Không chỉ dữ liệu của công ty, mà còn learning ở những dữ liệu từ bên thứ 3, từ nguồn thông tin ngoài thị trường.

Bước 6: Xây dựng một tiềm lực, năng lực “Capability” của đội ngũ Marketers và của chính công ty. Các marketer không thể làm việc nếu thiếu các chuyên gia về Data science, các chuyên gia IT, những người sẽ mang dữ liệu về cho họ, và dạy họ các phân tích, báo cáo khi hầu hết các marketers sẽ không có kiến thức chuyên môn về Data science. Xây dựng một nền tảng kiến thức chuẩn nhất để đào tạo cho các marketers cũng là hướng đi phát triển lâu dài.

Chúng ta đã nói quá nhiều về quy trình Marketing analytics tổng quát, tiếp theo sẽ là phần cuối cùng bài viết kỳ này, đánh giá hiệu quả chiến dịch marketing sẽ cần những chỉ số gì, thông tin gì.

Các Metrics, chỉ số đo lường cần nắm trong marketing

Tại sao chúng tôi lại đề cập các chỉ số đo lường mà không nói đến các phương pháp phân tích dữ liệu ví dụ như thống kê ở đây? Đối với các metrics khi thu thập có thể là các metrics đã được tính sẵn hoặc có thể chúng ta sẽ tự tính sau khi đã thu thập các số liệu liên quan, nhưng đều có cùng điểm chung là chính các kết quả metrics sẽ cho chúng ta biết một chiến dịch quảng cáo hay một chiến lược marketing tổng thể thành công hay thất bại khi so sánh với KPI được đưa ra trước đó hoặc so sánh với các chiến dịch, chiến lược trong quá khứ. Phương pháp thống kê giúp chúng ta tóm tắt, trực quan dữ liệu, tìm các giá trị đại diện để đánh giá tổng quan, thực hiện các kiểm định để khẳng định các kết luận hay phân tích xu hướng,… chứ không giúp chúng ta đánh giá hiệu quả.

Phương pháp thống kê chỉ mô tả lại những gì đã xảy ra, nguyên nhân là gì, và chúng ta vẫn phải có các mục tiêu marketing trong đầu để phân tích liệu các chiến dịch marketing đã đáp ứng yêu cầu đề ra. Bài viết phần 2 tạm thời dừng lại tìm hiểu các metrics đo lường, sang phần 3 chúng tôi sẽ giới thiệu một số phương pháp thống kê, cả Data mining trong việc tìm hiểu các chiến dịch marketing đã vận hành như thế nào.

Những chỉ số quan trọng đánh giá hiệu quả của marketing. Các bạn chắc cũng biết mục tiêu sau cùng của marketing là thu hút được bao nhiêu khách hàng mới, giữ chân được bao nhiêu khách hàng cũ, bao nhiêu khách hàng sẽ biết đến mình, bao nhiêu khách hàng sẽ phản hồi lại các chương trình ưu đãi, khuyến mãi, tăng giá trị kinh doanh mỗi khách hàng mang lại, phải thúc đẩy được lợi nhuận kinh doanh.

Độ nhận biết thương hiệu: có nhiều phương pháp đánh giá độ nhận biết thương hiệu đối với các sản phẩm, thương hiệu công ty bạn. Không đánh giá được độ nhận biết thương hiệu bạn sẽ không biết có bao nhiêu khách hàng biết đến mình và nhớ đến mình. Điều này cản trở cho quá trình xây dựng các chiến lược marketing. Một số giải pháp có thể giúp bạn đánh giá nhanh độ nhận biết thương hiệu: thực hiện khảo sát trên một mẫu khách hàng nhất định và tìm xem tỷ lệ % khách hàng nghe đến công ty mình theo những cách nào; nhìn vào lượt truy cập (Traffic) website hàng tháng, số lượt khách hàng cũ và mới truy cập vào web; tìm xem có bao nhiêu khách hàng search về mình trên Google hay các công cụ tìm kiếm (search volume) theo từ khóa sản phẩm, tên công ty; tìm hiểu xem bao nhiêu lần khách hàng nhắc đến sản phẩm công ty trên mạng xã hội – volume of mentions (có nhiều công cụ phân tích từ các công ty công nghệ cho phép làm điều này)
Thử nghiệm sản phẩm, dịch vụ, thông điệp marketing (test-drive): bao nhiêu khách hàng công ty cho trải nghiệm sản phẩm và bao nhiêu trong số đó sẽ ra quyết định mua hàng. Đối với các công ty dịch vụ triển khai các chiến dịch marketing ưu đãi thử dịch vụ của họ trong 1 ngày, hoặc 1 tuần thì chỉ số này cực kỳ quan trọng. Chúng ta có thể thay bằng thông điệp marketing, sử dụng chỉ số này để đánh giá liệu chiến dịch nào khách hàng sẽ phản hồi
Churn: cái này chắc quá quen thuộc với các bạn, tỷ lệ bao nhiêu khách hàng sẽ rời dịch vụ, bao nhiêu khách hàng nào sẽ hết trung thành với công ty bạn trên tổng số khách hàng, tính theo từng năm. Để đánh giá tỷ lệ khách hàng rời dịch vụ thì cần tính toán thêm RFM, và Customer lifetime value, cũng như kết hợp phân tích sống sót Survival analysis.
Customer lifetime value (CLV): Có nhiều cách tính giá trị vòng đời của khác hàng, giá trị kinh doanh trung bình một khách hàng mang lại trong suốt vòng đời của họ, dưới đây là một ví dụ. Marketing hiệu quả sẽ thu hút được khách hàng cũ ở lại, họ sẽ mua thêm nhiều sản phẩm, tiếp tục tương tác, phản hồi với các chương trình hậu mãi, khuyến mãi, và có thể bỏ tiền ra nhiều hơn nữa. Nói không ngoa, khi nhiều công ty cho rằng CLV tốt trên 1 khách hàng sẽ cho thấy sự tăng trưởng trong dài hạn.

Nguồn hình: Clevertap

Mức độ hài lòng của khách hàng: đánh giá mức độ hài lòng của khách hàng chúng ta có thể đánh giá cho từng chiến dịch quảng cáo ví dụ tỷ lệ % khách hàng like, share, comment tích cực vào bài viết của bạn trên tổng số khách hàng tiếp cận; hoặc theo dữ liệu khảo sát tỷ lệ % bao nhiêu khách hàng sẵn lòng giới thiệu các sản phẩm, dịch vụ hay các chương trình khuyến mãi của công ty
Tỷ lệ phản hồi chương trình khuyến mãi (take rate): bao nhiêu khách hàng sẽ chấp nhận các ưu đãi mà bạn đưa ra. Tính theo số khách hàng phản hồi ưu đãi trên tổng số khách hàng nhận được ưu đãi.
Lợi nhuận thu về (ROI – return on investment hoặc ROMI – return on marketing investment) đây là chỉ số đánh giá không thể thiếu trong mọi chiến lược marketing hay chiến dịch quảng cáo đơn thuần, đanh là chỉ tiêu đánh giá tổng quát lợi ích kinh doanh sau cùng đạt được sau khi bỏ ra chi phí đầu tư vào các hoạt động tiếp thị. Cách tính đơn giản là lấy doanh thu tăng được sau khi triển khai hoạt động marketing trừ cho chi phí bỏ ra = lợi nhuận, sau đó chia lại cho chi phí.

ROAS (Return on Ad Spend): lợi nhuận thu về trên chi phí quảng cáo công ty bạn bỏ ra, nói dễ hiểu, bạn bỏ ra 1 đồng cho quảng cáo thì sẽ thu về bao nhiêu đồng lợi nhuận, tính bằng cách lấy tổng lợi nhuận chia cho tổng chi phí. ROAS thường dùng cho các chiến dịch marketing tăng tỷ lệ chuyển đổi, mục đích sau cùng là tăng doanh số chứ không hẳn là tăng độ nhận biết thương hiệu. Nếu ROI đánh giá tổng thể chiến lược marketing, còn ROAS thường được dùng để nói đến độ hiệu quả các chiến dịch quảng cáo đưa ra, hay có trong chiến lược marketing đó

Customer Acquisition Cost (CAC): hiểu đơn giản là chi phí mà công ty phải bỏ ra để có một khách hàng mới thực sự. Để có một khách hàng thường bạn phải chạy nhiều hơn một chiến dịch quảng cáo, có thể là cả quá trình khách hàng mua hàng, mỗi điểm khách hàng tương tác sẽ có hành động tiếp thị cụ thể, nuôi dưỡng hình ảnh thương hiệu trong trí óc khách hàng cho tới khi khách hàng ra quyết định. Nhưng nếu chi phí quá cao, và ngày càng tăng theo thời gian chứng tỏ công ty đang kém hiệu quả trong marketing, thông điệp, nội dung tiếp thị chưa thực sự thu hút,… Cách tính CAC có thể lấy tổng chi phí marketing chia cho tổng khách hàng mới có được từ chiến dịch đó.
Cost per click (CPC), Cost per mile (CPM), Cost per action (CPA), Cost per lead (CPL): chi phí trên 1 lượt click đánh giá độ hiệu quả chi phí trong việc thu hút khách hàng click đến trang sản phẩm để tìm hiểu, hay form mua hàng, trang đích,…, của thông điệp marketing, nội dung quảng cáo, chi phí trên 1000 lượt hiển thị đánh giá độ hiệu quả chi phí trong việc tiếp cận khách hàng của các thông điệp marketing, nội dung quảng cáo, xét tương tự như CPA, CPL (lead là khách hàng để lại thông tin, khách hàng tiềm năng như chưa phải khách hàng thực sự). Các chỉ số này càng giảm chứng tỏ các chiến dịch quảng cáo của bạn đang tỏ ra hiệu quả. Cách tính đơn giản, sẽ lấy tổng chi phí chia cho số click đạt được, số nghìn khách hàng tiếp cận, số khách hàng đưa ra hành động, số khách hàng đưa lại thông tin
Conversion rate (TCR – Transaction conversion rate): tỷ lệ chuyển đổi, đây cũng là chỉ số quan trọng khác để đánh giá hiệu quả marketing. Ví dụ bao nhiêu khách hàng truy cập vào website sẽ mua hàng của công ty, bao nhiêu khách hàng click vô banner quảng cáo sẽ mua hàng,… CR hay TCR càng cao chứng tỏ chiến dịch quảng cáo target đúng khách hàng mục tiêu, và nội dung mang lại cho khách hàng là phù hợp với nhu cầu của họ. Cách tính
Web-analytics metrics: phân tích hiệu quả của website bao gồm các chỉ số đánh giá hiệu quả của SEO web, độ phù hợp, thu hút của nội dung các trang trên web khi khách hàng click vô các banner quảng cáo, các link trỏ về web (backlink), các nội dung có thu hút khách hàng ra quyết định không, hành vi của khách hàng trên web như thế nào,… phân tích website còn cho thấy hiệu quả hoạt động ở các kênh khác như Facebook, và các nền tảng mạng xã hội khác. Một số chỉ số quan trọng có thể lấy từ Google analytics

+ Total traffic: tổng số lượt truy cập. Một khách hàng có thể truy cập nhiều hơn 1 lần

+ Total unique visitors/ new/ old vistors: tổng số khách hàng duy nhất, tổng số khách hàng mới, cũ

+ Page views: tổng số lượt xem trang của tất cả khách, một khách có thể xem nhiều trang trên web

+ Page views per section: số trang một khách trung bình sẽ xem trong một phiên (trong thời gian từ lúc vào web và rời web)

+ Retention rate: số khách cũ/ tổng số khách xem web

+ Conversion rate: tỷ lệ chuyển đổi, tương tự như đã nói ở trên

+ Average session duration: thời gian trung bình một khách hàng ghé thăm web tính từ lúc vào web và ra khỏi web

+ Time on page: thời gian trung bình xem 1 trang, để đánh giá độ phù hợp, thu hút của nội dung trên các trang khi khách hàng đọc.

+ Bounce rate/ exit rate: tỷ lệ thoát web ngay lần đầu vào web, và tỷ lệ thoát trang. Bounce rate đánh giá khách hàng vô đúng trang web mình cần hay không. Nếu không có thể các chiến dịch quảng cáo ở facebook, hay các social media đã target nhầm đối tượng. Exit rate đo lường mức độ thu hút khách hàng, bao nhiêu khách hàng sẽ rời web, và rời ở trang nào sau khi vào web và tìm hiểu nội dung trên web bất kể thời gian là bao lâu.

Email marketing: tỷ lệ mở thư, tỷ lệ click vào các link có trong thư, tỷ lệ khách hàng phản hồi lại thư,…

Như vậy đến đây kết thúc bài viết phần 2. Hẹn gặp các bạn ở các bài viết sau.

Về chúng tôi, công ty BigDataUni với chuyên môn và kinh nghiệm trong lĩnh vực khai thác dữ liệu sẵn sàng hỗ trợ các công ty đối tác trong việc xây dựng và quản lý hệ thống dữ liệu một cách hợp lý, tối ưu nhất để hỗ trợ cho việc phân tích, khai thác dữ liệu và đưa ra các giải pháp. Các dịch vụ của chúng tôi bao gồm “Tư vấn và xây dựng hệ thống dữ liệu”, “Khai thác dữ liệu dựa trên các mô hình thuật toán”, “Xây dựng các chiến lược phát triển thị trường, chiến lược cạnh tranh”.