Chúng ta cùng quay trở lại với Series: Marketing cho App, Website dịch vụ và đây là bài viết cuối cùng Tracking, Analytics & Report.

Lĩnh vực digital – số hóa giúp nghành Marketing rất nhiều, dữ liệu ngày càng nhiều và là nguồn tài nguyên đắt giá nhất. Một nghề mới cũng được sinh ra là Data Sciences, trông có vẻ đáng sợ nhưng không đến nỗi như vậy đâu các bạn. Chỉ cần nắm được tư tưởng là chúng ta có thể dựa theo để làm.

Hôm nay tôi sẽ hướng dẫn các bạn theo một hướng làm chính thống bài bản chứ không chỉ sự vụ như việc một chuyên viên chạy ads gắn mã tracking vào landing page và lấy thông kê qua GA để theo dõi. Chúng ta sẽ đi bài bản theo các bước của Data Sciences kế hợp với quá trình App/web Marketing từ lúc Pre Launching đến lúc Scale Up.

1) Bài toán nào cần giải khi đi theo phễu Marketing/Sale?

Như chúng ta đã đề cập ở bài 4 về Scale Up với phần quản lý các chỉ số, mỗi giai đoạn trong App Marketing chúng ta tìm được lời giải cho các bài toán khác nhau; và đi sâu hơn trong các giai đoạn đó lại có bài toán nhỏ khác.

Các bài toán của chuỗi phếu Marketing/Sale bao gồm:

1.1 Chân dung khách hàng / Product Market-fit

  • Câu hỏi:
    • Thị trường mục tiêu muốn nhắm đến là gì?
    • Phân khúc tiếp cận?
    • Tập khách hàng tiềm cần phục vụ?
    • User Persona (chân dung khách hàng): hồ sơ khách hàng gồm nhân khẩu + hành vi chi tiết?
    • Nhu cầu về sản phẩm: Liệt kê các nhu cầu chung của khách và ngành?
    • Underserved Needs (Pain Points) là gì?
    • Product Market-Fit là gì?
    • Value Proposition là gì?
    • Product; Feature set:
      • Sản phẩm gì phù hợp với khách hàng?
      • Tính năng chi tiết của sản phẩm phù hợp với khách hàng?
    • User Experience:
      • Mức độ hài lòng của khách ở các điểm chạm?
      • Vấn đề nhức nhối của người dùng có được giải quyết?

Còn nhiều cầu hỏi nữa sẽ được đặt ra nhằm trả lời cho nhu cầu của team, tốt nhất nó nên được trả lời trước khi hoàn thành thiết kế sản phẩm.

Mục tiêu là: Sản phẩm chuẩn để có hơn 50% tỷ lệ thành công.

  • Tracking: tự đặt tracking hay mua dữ liệu từ đâu?
  • Analytics: Phân tích dữ liệu để trả lời các câu hỏi trên khi đã có thống kê dữ liệu
  • Report: Báo cáo lại những insight được tổng kết; cũng chính là đầu vào cho các team đưa ra quyết định thiết kê và làm kế hoạch.

1.2 Testing Beta

Mục tiêu: Gồm testing vận hành sản phẩm ở thị trường thật với quy mô thử nghiệm, các kênh truyền thông và phễu chuyển đổi Marketing/Sale.

  • Sản phẩm:
    • Thực tế giải quyết pain point khách như thế nào?
    • Các điểm chạm UX có điểm số ra sao?
    • Cân bằng tải lượng user nhất định như thế nào?
  • Marketing và sale:
    • Đâu là kênh phân phối hiệu quả?
    • Mỗi kênh cho insight như thế nào?
    • Phễu sẽ hoạt động như thế nào và tỷ lệ chuyển đổi cần thiết?
    • Team chạy tốt với lượng khách bao nhiêu?
    • Điều gì cần cải thiệt trong trải nghiệm của khách?
  • Tracking: Bắt đầu gắn mã tracking sự kiện vào web/app
  • Analytics: Design phần thống kê về nhân khẩu/ hành vi để theo dõi
  • Report: Báo cáo lại cho các bộ phận các chỉ số và insight để họ làm việc

Tất nhiên quá trình tracking, analytics và report nó không chỉ nêu lên đơn giản như vậy; data sciences cần làm việc với các team rất nhiều để lấy yêu cầu và câu hỏi thiết yếu từ đó tiến hành công việc của mình. Công việc này được tiến hành một cách khoa học tôi sẽ trình bày ở mục (2).

1.3 Growth 0 – 1000 users

Tương tự phần 1.2, chúng ta lại giải quyết vấn đề của mục 1.3 với quá trình launching sản phẩm đạt mục tiêu 0-1000 users đầu tiên.

Câu hỏi:

  • Đối tượng khách “dân túy” làm ngòi nổ là ai? ở đâu?
  • Kênh nào để chạy 1000 users hiệu quả?
  • Phếu chuyện đổi vận hành real time như thế nào?
  • Tỷ lệ chuyển đổi ntn là ok?
  • Tỷ lệ viral loop trong phễu ntn là ok?
  • Cần làm gì để cải thiện trước khi Scale Up?
  • Tracking: Đã gắn mã tracking sự kiện vào web/app
  • Analytics: Design phần thống kê cần thiết để theo dõi
  • Report: Báo cáo lại cho các bộ phận các chỉ số và insight để họ làm việc

1.4 Scale Up

Phần 1.4 là phần quan trọng tiếp theo, nó nhằm mục đích vận hành để vượt qua điểm hòa vốn của doanh nghiệp. Các chỉ số bây giờ chú trọng vào độ sâu của chuyển đổi và quy mô.

Câu hỏi:

  • Kênh marketing nào đang hiệu quả?
  • Chiến dịch nào đang ok? không ok?
  • Nhóm ads nào đang ok? không ok?
  • Tỷ lệ chuyển đổi ok/ không ok ở bước nào?
  • Có ngách thị trường nào muốn thâm nhập thêm?
  • Trải nghiệm khách có đang được đáp ứng tốt?
  • Khả năng vận hành của sản phẩm ở quy mô khách lớn?
  • Tracking: Đã gắn mã tracking sự kiện vào web/app và UTM theo chiến dịch
  • Analytics: Design phần thống kê cần thiết để theo dõi
  • Report: Báo cáo lại cho các bộ phận các chỉ số và insight để họ làm việc

Tóm lại, tư duy của tracking, analytics, report cần đi từ câu hỏi và nhu cầu của các bộ phận, chúng ta cần giải quyết vấn đề gì? câu hỏi cốt yếu? dữ liệu lấy ntn ở đâu? mô hình thông kê phân tích là gì? insight cần bàn giao lại cho ai và là gì?

Chỉ cần bám theo các bước của App Marketing là chúng ta có tư duy logic cần thiết để thực hiện công việc này.

2) Các bước triển khai theo Data Sciences để giải quyết bài toán đó?

Bây giờ chúng ta cùng đi sâu hơn vào việc sử dụng Data Sciences vào công việc của Digital Marketing.

Đầu tiên Data Scientist là người tại ra giá trị từ data. Họ là người phân tích, mô hình hóa, diễn giải để cung cấp đầu vào cho các team hoạt động.

Doanh nghiệp hoạt động theo Data Driven, do đó họ sử dụng Data Sciences để có thể đưa ra các quyết định dựa trên dữ liệu.

Data Sciences Workflow – Business Science

Một người làm về khoa học dữ liệu sẽ có flow công việc như sau:

  • Nhận vấn đề và câu hỏi của các team để lên đầu việc cần làm
  • Sử dụng kỹ thuật định lượng và thông kê để phân tích dự đoán
  • Phân tích data và đưa ra insight
  • Tìm kiếm và xác định dữ liệu mới
  • Tìm kiếm các phương pháp phân tích và công nghệ mới
  • Thiết kế các bảng báo cáo cần thiết
  • Gửi lại insight (trình bày) và giải pháp idea đến các bộ phận liên quan

Một người phân tích dữ liệu làm việc với team Marketing có thể làm như sau:

  • Nhận vấn đề và câu hỏi: Cải thiện tỷ lệ mua hàng lần 2
  • Sử dụng kỹ thuật định lượng và thông kê để phân tích dự đoán: Xây dựng mô hình thống kê và phân tích theo Cohort Analytics để phân tích nhân khẩu và hành vi của tập khách mua lần 1, lần 2, lần n…
  • Phân tích data và đưa ra insight: Chỉ ra các tập khách khác nhau có hành vi khác nhau và insight như thế nào? Ví dụ khách mua lần hai giữ lại thông tin mua hàng, được remarketing qua email và zalo.
  • Tìm kiếm và xác định dữ liệu mới: Tìm thêm dữ liệu bổ sung để phân tích các tập khách
  • Tìm kiếm các phương pháp phân tích và công nghệ mới: Tìm thêm phương pháp phân tích mới và công nghệ như mechine learning để recomment cho khách up sale, cross sale qua các kênh.
  • Thiết kế các bảng cáo cáo cần thiết: Làm việc với đội Dev để xây dựng các bảng thống kê, báo cáo online và sử dụng phần mềm báo cáo.
  • Gửi lại insight (trình bày) đến các bộ phận liên quan: Gửi lại thống kê và báo cáo lại cho team Marketing/Sale và ý tưởng mới để họ cùng giải quyết vấn đề Cross Sale, tăng lượng khách mua hàng lần thứ 2 trở lên.

Có rất nhiều câu hỏi sẽ được đặt ra và cần trả lời dựa trên phân tích dữ liệu, do đó để có thể triển khai App/Web marketing thành công chúng ta cần bám theo tư duy Data Driven mà cốt lõi là Data Sciences để giải quyết được các vấn đề trong từng giai đoạn để thành công trong việc chinh phục khách hàng.

Hi vọng bài viết cung cấp cho các bạn được cái nhìn tổng quan về Tracking, Analytics, Report để có thể làm App/web Marketing một cách tốt nhất.

Đây là nội dung cuối cùng trong chuỗi bài viết về Marketing cho App, Website dịch vụ, cảm ơn các bạn đã theo dõi.