VIMột trong những đặc điểm điển hình của Performance Marketing mà các bài viết trước mình có giới thiệu, chính là data analytics, bao gồm việc hiểu rõ những chỉ số mình cần thu thập và đo lường, từ đó sử dụng các dữ liệu này như là xương sống cho mọi hoạt động và mọi quyết định trong quá trình lên kế hoạch, thực thi, tối ưu các hoạt động marketing.
Kỹ năng phân tích dữ liệu (data analysis) nhìn chung không hề khó, tuy nhiên cũng không hề đơn giản để có thể hiểu đúng và vận dụng hiệu quả. Vậy nên, tiếp nối chuỗi bài viết về Performance Marketing trước, trong phần này chúng ta sẽ cùng đi sâu vào thế giới dữ liệu (data analytics) của Performance Marketing, cách ứng dụng dữ liệu để bóc tách được vấn đề, thậm chí là giải pháp để mang lại hiệu quả tối ưu cho chiến dịch quảng cáo của mình.
Contents
- 1 Các loại dữ liệu thường gặp trong Data Analytics cho Performance Marketing.
- 2 Data Analytics – Quy trình phân tích dữ liệu marketing (data analysis)
- 3 Lời kết chuyên mục Data Analytics dành cho Performance Marketing.
Các loại dữ liệu thường gặp trong Data Analytics cho Performance Marketing.
Đối với các chiến dịch marketing đặc biệt là trên môi trường kỹ thuật số (Digital), dữ liệu bạn có thể thu thập về là rất nhiều và rất dễ dàng. Tuy nhiên lúc này, chúng ta cũng thường hay bị choáng ngợp giữa rất nhiều con số mà không biết mình phải bắt đầu từ đâu và làm gì với các nguồn dữ liệu đó.
Tải Ebook chiến lược “Performance Marketing #9 – Data Analytics” ngay tại đây!
Để mọi người có cái nhìn tổng quan hơn, chúng ta hãy bắt đầu từ các loại dữ liệu chính mà chúng ta thường gặp khi thực hiện các chiến dịch performance marketing:
#1. Dữ Liệu Quảng Cáo (Advertising Data):
Dữ liệu quảng cáo là toàn bộ thông tin liên quan đến các chiến dịch quảng cáo, được đo lường và thu thập từ các nền tảng quảng cáo như Google, Facebook, TikTok… hoặc từ những kênh thứ 3 hỗ trợ đo lường quảng cáo (3rd party tracking) như Atlas, Doubleclick,… Một số ví dụ về các chỉ số bạn thường gặp đó là: Reach, impression, click, engagement, view, lead,…
#2. Dữ Liệu Hiệu Quả Kinh Doanh (Business Data):
Business Data là tất cả dữ liệu liên quan đến việc vận hành hay kết quả kinh doanh của doanh nghiệp. Dữ liệu này được đo lường bằng các hệ thống nội bộ của doanh nghiệp như CRM, OMS,… hoặc các bên thứ 3 như Google Analytics, Appsflyer, Adjust,… Một số ví dụ về các chỉ số bạn thường gặp chính là: Lượt truy cập website, đơn hàng, khách hàng tiềm năng, doanh số, khách hàng mới, ROI,…
#3. Dữ Liệu Khách Hàng (Customer Data):
Chính là tất cả các dữ liệu liên quan đến khách hàng doanh nghiệp như: Thông tin cá nhân (tên, tuổi, số điện thoại, email…), dữ liệu mua sắm (mua bao nhiêu lần, mua gì, giá trị bao nhiêu,…) cho đến hành vi của khách hàng trên các nền tảng digital của doanh nghiệp (số lần truy cập website, xem sản phẩm gì, xem bao lâu,…).
Đó chính là 3 loại dữ liệu mà chúng ta thường nhắc đến nhất trong Performance Marketing. Tuy nhiên dù đến từ những nguồn nào hay thuộc loại hình dữ liệu nào, thì các bảng biểu về dữ liệu cũng sẽ được tạo thành bởi 2 khái khái niệm Dimension và Metric. Và những công cụ phân tích quảng cáo phổ biến như Google Analytics, Meta Business, Adwords, Appsflyer, Adjust, … đều được xây dựng dựa trên khái niệm căn bản này.
Việc nắm vững kiến thức về Dimension và Metric sẽ không chỉ giúp chúng ta hiểu được dữ liệu mà có thể tự xây dựng hệ thống quản lý, phân tích dữ liệu riêng cho bản thân mình. Hãy cùng xem định nghĩa của hai khái niệm này bên dưới:
- METRIC: Metric là chỉ số hoặc các dữ liệu dạng số dùng để thể hiện định lượng. Các dữ liệu ở dạng Metric có thể dễ dàng tính toán bằng các phép tính thông thường. Một số ví dụ về metric là: Số lượng truy cập website, doanh số, lợi nhuận, số lượng khách hàng, số đơn hàng, …
- DIMENSION: Dimension là thuộc tính, giúp mô tả dữ liệu, hoặc nói dễ hiểu hơn là các lớp cắt. Ví dụ như: Tên, ngày tháng năm, vị trí, loại chiến dịch, giới tính,… chính là các dimension để làm các lớp cắt trong quá trình báo cáo hoặc phân tích.
Để dễ hình dung hơn về hai khái niệm Metric và Dimension, hãy quan sát ví dụ dưới đây:
Trong hình thì những kênh “Default channel grouping” chính là dimension – tức là lớp cắt theo từng loại kênh; Số lượng “User” chính là metric đang thể hiện rằng có 54,886 users đến từ kênh Organic search, 32,067 users đến từ kênh Paid search,… và tương tự.
Tóm lại, mọi bảng biểu hay dữ liệu đều phải được cấu thành từ dimension và metric. Tùy thuộc vào người sử dụng dữ liệu muốn xem chỉ số nào, hay muốn cắt theo những lớp cắt nào mà dữ liệu sẽ được thu thập hay thể hiện ra một cách tương ứng.
Data Analytics – Quy trình phân tích dữ liệu marketing (data analysis)
Sau khi hiểu được các khái niệm và thuật ngữ trên, chúng ta sẽ cùng đến với quy trình phân tích dữ liệu để hiểu rõ hơn về cách làm đúng và hiệu quả với vô vàn nguồn thông tin thu thập được.
Quy trình data analytics sẽ gồm có 5 bước như sau:
#1. Xác định mục tiêu, vấn đề cần phân tích
#2. Thu thập dữ liệu.
#3. Xử lý & xác minh dữ liệu.
#4. Phân tích dữ liệu.
#5. Trực quan hóa và diễn giải kết quả.
Quy trình data analytics này được ứng dụng rất nhiều trong các trường hợp, đặc biệt là giai đoạn đưa ra báo cáo và phân tích để quyết định hành động tiếp theo cho việc tối ưu quảng cáo. Việc phân tích và đưa ra đúng insight từ dữ liệu sẽ giúp chúng ta tiết kiệm rất nhiều thời gian và công sức, đồng thời cũng không phải thử nghiệm quá nhiều lần mà chỉ cần tập trung vào yếu tố trọng điểm (áp dụng theo thuyết 80/20). Còn bây giờ, hãy cùng đi sâu vào từng bước trong quá trình phân tích dữ liệu nhé.
1. Xác định mục tiêu, vấn đề cần phân tích:
Bước này cực kì quan trọng, bởi nó như là kim chỉ nam cho mọi hoạt động tiếp theo của chúng ta. Đầu tiên, trước khi chìm sâu vào vũ trụ data thì chúng ta cần phải xác định rõ bài toán cần giải là gì, và phải đặt ra được những câu hỏi mà chúng ta có khả năng giải đáp rõ ràng bằng dữ liệu.
Đây cũng chính là yêu cầu của việc phân tích dữ liệu (data analytics), bởi vì yêu cầu càng rõ ràng, càng chi tiết thì việc phân tích sẽ càng cụ thể và chính xác. Việc không xác định rõ được yêu cầu sẽ khiến chúng ta đi lan man, đôi khi sẽ đi quá xa vấn đề và tiêu tốn rất nhiều thời gian, công sức, nguồn lực nhưng không mang lại nhiều kết quả, hay nói cách khác là đang đi ngược lại với tư duy tối ưu.
Ví dụ về việc xác định mục tiêu: Khi phân tích hiệu quả hoạt động Performance Marketing cho chiến dịch 11.11 trên sàn thương mại điện tử Lazada, cần xác định nguyên nhân, kết quả, bài học và rút ra kinh nghiệm cho chiến dịch 12.12 tiếp theo.
2. Thu thập dữ liệu:
Sau khi xác định rõ ràng được mục tiêu cần phân tích, chúng ta sẽ phải xác định các dữ liệu cần thu thập. Trong thế giới số, có hàng trăm, thậm chí là hàng ngàn loại dữ liệu khác nhau, và chúng ta không thể nào thu thập hết tất cả những dữ liệu về được. Việc này không chỉ làm cồng kềnh thêm quá trình thu thập mà còn phải tiêu tốn nhiều công sức hơn cho phần xử lý dữ liệu sau đó.
Vì vậy, để tối ưu nhất chúng ta sẽ cần phải xác định theo trình tự sau:
- Xác định Key Metrics: Là các chỉ số chính để xác định tính hiệu quả của chiến dịch, cả trên phương diện hiệu quả về mặt chi phí hay là hiệu quả về mặt quy mô.
- Xác định Sub-Metrics: là các chỉ số phụ cấu thành nên chỉ số chính, các chỉ số phụ này sẽ cho chúng ta biết được nguyên nhân hay vấn đề gì đã tạo nên kết quả của các chỉ số chính.
- Xác định các Dimension: Tiếp đến là xác định các lớp cắt dữ liệu mà chúng ta cần bóc tách để phân tích, các lớp cắt này có thể kết hợp với nhau để cùng đưa ra insight cần thiết.
Cùng theo ví dụ bên trên về nhu cầu phân tích hiệu quả performance marketing, chúng ta sẽ cần có các chỉ số và lớp cắt như sau:
- Key metrics: Doanh số (quy mô) và ROAS (hiệu quả về chi phí quảng cáo)
- Sub-metrics: Impression > Click > Add to card (ATC) > Đơn hàng và CPM > CPC > Cost per ATC > CPO > ROAS
- Dimension: chia theo các lớp cắt về tập đối tượng người dùng, kênh quảng cáo, nhóm sản phẩm, creative,…
3. Xử lý và xác minh dữ liệu:
-
Xử lý dữ liệu.
Tại sao cần phải xử lý dữ liệu sau khi thu thập? Nguyên nhân là do khi chúng ta thu thập dữ liệu sẽ từ nhiều nguồn khác nhau (VD: Trên hệ thống google, trên hệ thống Facebook, trên hệ thống CRM, trên hệ thống offline store, …) dẫn đến việc các dữ liệu sẽ rời rạc không thống nhất. Bên cạnh đó, định nghĩa về metrics trên các hệ thống này cũng sẽ khác nhau nên ta sẽ cần phải xác định rõ các loại metrics để xử lý phù hợp.
Đầu tiên, cần phải đấu nối các dữ liệu từ nhiều nguồn khác nhau lại để có được một bức tranh toàn cảnh về dữ liệu chiến dịch. Để làm được việc này bắt buộc chúng ta cần phải có ít nhất 1 trường thông tin chung trên các kênh hệ thống, để có thể dựa vào đó mà đấu nối dữ liệu. Đối với ví dụ đã đề cập phía trên, thì chúng ta sẽ sử dụng trường thông tin trong UTM để làm chiếc “cầu” đấu nối giữa các hệ thống lại với nhau.
-
Xác minh dữ liệu.
Sau khi xong phần xử lý dữ liệu, chúng ta cần phải có bước xác minh để kiểm tra lại mức độ chính xác và hợp lý của dữ liệu. Bước này thường rất hay bị bỏ qua, tuy nhiên nó lại đóng vai trò vô cùng quan trọng và có thể ảnh hưởng trực tiếp đến thông tin phân tích cuối cùng. Bởi chỉ cần dữ liệu không chính xác thì gần như các quyết định được đưa ra sẽ không hợp lý và mang lại hiệu quả, đôi khi còn làm tệ hơn so với tình trạng hiện tại.
Vì vậy, để xác minh dữ liệu, chúng ta cần phải so sánh dữ liệu sau khi được xử lý với thực tế mà chúng ta có. Ví dụ như tổng doanh số ghi nhận được là 10 tỷ VND, tuy nhiên sau khi xử lý dữ liệu thì tổng doanh số chỉ có 8 tỷ VND thì chúng ta cần kiểm tra lại. Hoặc là nếu chúng ta nhận thấy chỉ số đơn hàng lớn hơn chỉ số traffic, tức là đang thể hiện sai so với phễu marketing thì cần phải kiểm soát lại xem có bị sai sót trong quá trình xử lý hay không.
4. Phân tích dữ liệu
Đây là bước phân tích để có thể đưa ra được câu trả lời đã đặt ra ở bước đầu tiên. Nếu đã nắm rõ về mục tiêu và KPI của chiến dịch, thì sẽ rất đơn giản để xác định campaign có đạt được mục tiêu ban đầu đặt ra hay không.
Ví dụ như khi ta đặt mục tiêu cho chiến dịch 11.11 là đạt được 10 tỷ doanh thu với ROAS là 4. Nhưng trên thực tế, ta đạt được 10 tỷ doanh thu với ROAS là 3. Như vậy có thể thấy chúng ta đã đạt được mục tiêu quy mô về doanh số nhưng lại không đạt được mục tiêu hiệu quả về mặt chi phí khi mà ROAS chỉ đạt đc 3 so với mục tiêu là 4. Lúc này, câu hỏi khó hơn mà chúng ta sẽ cần trả lời sẽ là: Lý do tại sao chúng ta không đạt được mục tiêu về ROAS? Kinh nghiệm và bài học rút ra cho chiến dịch tiếp theo sẽ là gì?
Chúng ta sẽ có hai cách phân tích cơ bản như sau: Phân tích theo chiều chỉ số (metric) và phân tích theo chiều lớp cắt (dimension).
-
Phân tích theo chiều chỉ số metrics
Để phân tích theo chiều này, việc đầu tiên cần làm là chúng ta cần hiểu rõ chỉ số chính được cấu thành bởi các chỉ số nào, từ đó đi sâu vào vấn đề của từng chỉ số. Lấy ví dụ bên trên ta sẽ có công thức như sau:
ROAS = Revenue/ Advertising spend
= (Order x AOV) / (CPM * Impression/1000)
= Click x CR x AOV/ (CPM * Impression/1000)
= CTR x CR x AOV x 1000 / CPM
So sánh các chỉ số này so với mục tiêu ban đầu đặt ra, chúng ta sẽ thấy ROAS không đạt như target chủ yếu là vì CPM tăng quá cao và AOV giảm quá nhiều. Từ đây, chúng ta có thể đưa ra một vài giải thuyết cũng như các giải pháp cho chiến dịch sắp tới như sau (lưu ý đây chỉ là ví dụ nên chỉ đưa ra các giả thuyết cơ bản nhất, các bạn hoàn toàn có thể đưa ra nhiều lập luận và giải thuyết hơn):
- CPM tăng cao có thể do vấn đề cạnh tranh giữa các đối thủ tăng mạnh mẽ trong thời điểm diễn ra chiến dịch 11/11, bởi vì hầu như tất cả các thương hiệu đều sẽ đầu tư chi tiền nhiều hơn trong giai đoạn này. Hoặc, CPM tăng cao có thể do tỷ lệ cân đối giữa chi phí quảng cáo quá cao so với quy mô tập khách hàng nhắm tới thì quá nhỏ, v.v… Nhìn chung, chúng ta nên kiểm tra lại về nhóm đối tượng, từ đó cân nhắc việc mở rộng đối tượng mục tiêu hoặc chọn thời điểm chạy chiến dịch khác để hạn chế sức cạnh tranh của thị trường.
- AOV giảm có thể đến từ việc chúng ta chọn các sản phẩm để đẩy quảng cáo có giá trị thấp hơn so với các chiến dịch trước, v.v… Lúc này chúng ta có thể cân nhắc lựa chọn lại các sản phẩm có giá trị cao hơn để đẩy, hoặc đưa ra các khuyến mãi theo dạng bundle (kết hợp bán nhiều sản phẩm cùng lúc) hay khuyến mãi cho đơn hàng có giá trị từ 1 mức nhất định trở lên…
-
Phân tích theo chiều lớp cắt (dimension)
Để phân tích theo chiều này đòi hỏi chúng ta phải thể hiện kết quả ở nhiều lớp cắt khác nhau để tìm kiếm insights. Ví dụ như với đề bài bên trên, chúng ta có thể cắt lớp kết quả chiến dịch dưới nhiều góc nhìn từ nhóm khách hàng, nhóm sản phẩm, nhóm creative, kênh quảng cáo,…
Nhìn vào các bảng biểu trên, có thể thấy có sự khác biệt rõ ràng giữa các nhóm khách hàng và kênh quảng cáo cụ thể:
- Nhóm khách hàng đã từng ATC, đã từng mua hàng, đã từng tương tác với fanpage của Brand mang lại ROAS tốt hơn rất nhiều so với nhóm khách hàng mới. Vậy, để cải thiện được ROAS chúng ta có thể cân nhắc phân bổ thêm ngân sách cho các tập khách hàng này mang lại hiệu quả cao.
- Kênh quảng cáo: Cần tận dụng nhiều hơn các kênh về onsite search trên các nền tảng E-commerce như Shopee, Tiki, Lazada,… để cải thiện về chỉ số ROAS.
Ở trên là một vài các ví dụ rất là cơ bản về việc tận dụng dữ liệu trong phân tích vấn đề, một lần nữa mình muốn nhấn mạnh là các bạn hoàn toàn có thể đi sâu hơn bằng việc kết hợp nhiều lớp cắt cùng với nhau, đi sâu vào từng chỉ số, hay kết hợp với các yếu tố ngoại cảnh để đưa ra được các giả thuyết của mình, đồng thời kiểm định các giả thuyết đó.
5. Trực quan hóa và diễn giải kết quả data analytics:
-
Trực quan hóa kết quả data analytics:
Để tìm kiếm được vấn đề hay giải pháp cho vấn đề nào cũng sẽ cần rất nhiều sự phân tích và dữ liệu, để có thể đưa ra các giả thuyết và kiểm chứng các giả thuyết của mình. Nhưng ngược lại, ko phải dữ liệu nào và bản phân tích nào cũng sẽ thể hiện được kết quả/ ý nghĩa với vấn đề mà chúng ta cần giải quyết.
Chính vì vậy chúng ta cần phải trực quan hóa và diễn giải kết quả phân tích, để có thể giúp người đọc, người nghe (đồng nghiệp, sếp, khách hàng, nhân viên…) dễ dàng nhìn ra được thông tin, xu hướng, insight cần thiết, đồng thời nắm bắt được thông tin mà chúng ta muốn truyền tải.
Hình ảnh Dashboard dưới đây chính là một ví dụ cụ thể cho việc trực quan hóa dữ liệu:
-
Diễn giải kết quả data analytics:
Đây là bước cuối cùng và cũng sẽ được xem như là bước đơn giản nhất trong quy trình data analytics, nếu như chúng ta thực hiện tốt bước 4 “Phân Tích Dữ Liệu”. Việc của chúng ta lúc này sẽ là đưa ra các yếu tố phân tích có ý nghĩa (đưa ra được lập luận đã được kiểm định hay cần được cân nhắc) với sự backup bởi dữ liệu cụ thể. Từ đó, ta có thể rút ra được vấn đề đang tồn tại và đề xuất được những phương hướng hành động hoặc bài học kinh nghiệm cho các chiến dịch tiếp theo. Thậm chí, chúng ta cũng hoàn toàn có thể ước tính được kết quả tương ứng với từng sự thay đổi/ hành động mà chúng ta dự định triển khai.
Lời kết chuyên mục Data Analytics dành cho Performance Marketing.
Sự phát triển nhanh chóng của internet và các thiết bị điện tử chính là cánh cổng thần kì giúp chúng ta tiếp cận với thế giới thông tin – dữ liệu quý giá cho mỗi doanh nghiệp. Giữa muôn trùng các loại dữ liệu và thông tin, hãy trau dồi hơn nữa các kỹ năng đánh giá, chọn lọc, phân tích và sử dụng dữ liệu để có thể nắm bắt và tăng trưởng tốt trong thời đại này.
Những marketers/ doanh nghiệp biết cách tận dụng tốt những kỹ năng này có thể đóng góp rất nhiều vào quá trình thúc đẩy hiệu suất hoạt động, đưa ra những quyết định chính xác và giảm thiểu các rủi ro phát sinh, không chỉ trong các hoạt động marketing mà còn trong tất cả các hoạt động vận hành của doanh nghiệp. Hy vọng rằng, bài viết trên sẽ góp phần giúp mọi người hiểu rõ hơn về tầm quan trọng của việc phân tích dữ liệu (data analytics), và cách áp dụng nó vào công việc thật hiệu quả.
(*) Bài viết được viết bởi Hạnh Lê và Duy Phạm, dựa trên kinh nghiệm 10 năm thực chiến trong lĩnh vực Performance Marketing của bản thân.
FACEBOOK 
LINKEDIN 
![[WEBINAR] GROWTH SERIES - INSIDE FMCG, Chủ đề “Tăng trưởng doanh số TMĐT 2023”-featured](https://pmax.com.vn/wp-content/uploads/2023/03/Webinar-Chia-khoa-tang-truong-doanh-so-TMDT-2023-featured-428x225.jpg)
