Što je Martech i kako je nastao?
Miroslav Varga
Miroslav Varga, 09/12/2020, 8.2 minuta, 2268 pregleda
Blog kategorije: Blog, Zanimljivosti

Danas je vrijeme raznih kovanica. Moramo koristiti kovanice jer u vrijeme kada smo išli u školu ili studirali neka zanimanja nisu postojala. Danas smo shvatili da su neke profesionalne aktivnosti spoj nekoliko raznih disciplina pa je jedini način da to opišemo korištenje nekih kovanica.

Primjerice, ako se fizika i biologija trebaju sastati da objasne zašto i kako ptice uspjevaju tisućama kilometara daleko doći do istog mjesta na kojem su bili lani - sastanu se stručnjaci i kažu da se bave Kvantnom biologijom (zanimljiv video o tome je na https://www.youtube.com/watch?v=ADiql3FG5is). Tako se dogodilo marketingu, internetu, statistici i tehnologiji.

Da bi opisali danas osobu koja se bavi ponešto psihologijom prodaje odnosno marketingom, a pri tome koristi povratne podatke koji se prikupljaju na tehnološki razvijenim platformama (e-commerce sajtovi, razni analitički alati) korištenjem statističkih alata upotrebljavamo kovanicu Mar-tech.

Prvi dio te kovanice opisuje marketinški dio, a drugi onaj tehnološki. Pri tome se koristi puno matematičkih alata poznatih iz statističke analize. Tako martech osoba mora znati nešto o ponašanju ljudi (psihologija), nešto o ciklusu prodaje (kako stvoriti i zadovoljiti potrebu odnosno nešto o marketingu), nešto o načinu funkcioniranja i prikupljanju podataka s web stranica (malo SEO, malo html, malo js.) i nešto o statističkim alatima (razne razdiobe, korelacije, matematička predikcija). I kad to sve sklopite u cjelinu, dobijete osobu koja je Martech stručnjak, Ali, taj posao nosi svoje zamke.

Štene i pas - projekcija rasta temeljena na trenutnim podacima

Najviše zamki koje sam uočio kod kolega koji su djelatni u Martech području kriju se u nerazumijevanju ili nedovoljnoj edukaciji u obradi statističkih podataka.

REICHENBACHOV princip uzjamne uzročnosti ili korelacija nije kauzalnost

Prvi veliki problem je da se često poistovjećuje korelacija s kauzalnošću. Ako dva skupa podataka imaju isto ili slično ponašanje, ne znači da jedan podatak uzrokuje promjenu kod drugog podatka. To je poznato kao Reichenbachov princip uzajamne uzročnosti. Puno takvih zanimljivih primjera je objavio Tyler Vigen.

Razvodi u državi Maine koreliraju sa potrošnom margarina per capita

SIMPSONOV paradoks ili treba analizirati intervalnu distribuciju po segmentu

Drugi veliki problem je odabir ispravnog skupa podataka za donošenje relevantnog zaključka. Često ljudi analiziraju ukupne podatke, a ne analiziraju po segmentima. Segmenti su ključ razumijevanja publike. Tko je čuo za Simpsonov paradox zna da je riječ o intervalnoj distribuciji. Jedan od čestih primjera je analiza koja se koristi za bolje razumijevanje ima li neki lijek djelotvoran učinak. 

Primjerice: Je li lijek djelotvoran ako su rezultati uzimanja lijeka imali ove pokazatelje uspješnosti?

Da li je uzimanje lijeka djelotvorno uz ove pokazatelje uspješnosti

Vidljivo je da ukupno gledano bez lijeka ozdravi 83% osoba, a uzimajući lijek 78%. Tako bi zaključak bio da lijek nije djelotvoran. Ali, analiza po segmentu pokazuje da je više njih ozdravilo ako su uzimali lijek. Analizom intervalne distribucije može se izračunati je uzimanje lijeka korisno, bez obzira na rezultate u ukupnoj populaciji. 

Slične rezultate ćete dobiti analizirate li uspješnost search i display kampanja na konverzije. Matematičkim izračunima ili testiranjem lako ćete ustanoviti da su display oglasi doprinjeli prodaji iako rezultati to ne pokazuju tako očito.

WALDOVA sekvencijalna analiza ili znamo li dovoljno o kupcima

Treća i možda najčešća greška na koju nailazim je nedovoljno poznavanje tržišta, uz istovremenu uvjerenost da se tržište dobro poznaje. Možda bi tu trebalo malo više uvoda da se shvati sekvencijalna analiza ili analiza na skupu podataka koji nije zatvoren nego se svakodnevno nadopunjuje. Osnivač te teorije je Abraham Wald.

Abraham Wald je bio mađarski matematičar židovskog podrijetla koji je za vrijeme Drugog svjetskog rata radio u SRG (Statistical Research Group) pri sveučilištu Columbia na rješavanju raznih problema vezanih uz ratna djelovanja. Između ostalog, zadatak grupe je bio da riješe problem povrata aviona u bazu nakon vojnih misija. Velik broj aviona bi stradao u svakoj misiji i zadatak je bio smanjiti gubitke i povećati povrat aviona u bazu nakon vojnog djelovanja. Avioni su bili vrlo skupi i tada jedan od najranjivijih dijelova vojnih snaga.

Vojni stručnjaci su analizom aviona koji su se vratili u bazu ustanovili mjesta gdje su avioni najčešće pogađani. Zaključili su da ta mjesta treba ojačati jer trpe najviše oštećenja.

Wald je pojačao onaj dio aviona za koji nisu imali podatke da su pogođeni

Wald je tada iznio teoriju koja bila u potpunoj suprotnosti sa zaključcima vojnih stručnjaka. Tvrdio je da su mjesta koja su bila pogođena, bez obzira na učestale pogotke na te dijelove aviona, ipak omogućili da se ti avioni vrate u bazu.

Zaključio je da je problem u onim dijelovima aviona za koje nemaju podatke da su pogođeni. Avioni koji su se vratili u bazu, vratili su se bez obzira što su bili pogođeni u neke dijelove. Oni koji se nisu vratili vjerojatno su pogođeni na mjesta koja su bila sačuvana na povratničkim avionima.

Stoga je predložio da se ojačaju oni dijelovi zrakoplova koji su bili neoštećeni na avionima koji su se uspjeli vratiti. Tako se značajno povećala stopa povrata aviona nakon vojnih akcija.

Preslika te priča na martech je uvijek zabavna.

Na pitanje poznajete li svoje tržište, klijenti mi uglavnom odgovore da znaju svoje mušterije. Primjerice: To su žene, iz urbanih sredina, 34 - 50 godina starosti uglavnom srednje ili više stručne spreme koje rade na iznad-prosječno plaćenim poslovima.

Tada pitam ok, a koliko imate mušterija? 

Obično mi odgovore s nekim brojem od par stotina do par tisuća. Ono što ih zbuni je obično drugo pitanje koje glasi otprilike: Ok, onda sigurno znate zašto ostalih cca 150.000 žena koje spadaju u tu skupinu, ne kupuju od vas.

U tom grmu leži problem. Klijenti obično dobro poznaju svoje mušterije, ali jako malo znaju o onima koji bi rado kupili njihov proizvod ili uslugu, ali (još) nisu mušterije. Mušterija rijetko koji klijent ima iznad nekoliko do desetak posto ukupnog potencijala. A što je s ostalih 90% koji bi rado kupili, a još nisu?

Nadam se će spoznajom o Reichenbachu, Simpsonu i Waldu postati bolji martech stručnjaci. I još se nadam iako je blog post o statistici, da nije dosadan, niti da je prepao nekog tko nema izobrazbu s matematičkom podlogom.

Da li vam je ovaj članak bio koristan?

Idemo u projekt skupa!