Disclaimer: esej jsem psal jako součást předmětu "webová a datová analytika" na základě volného zadání od Zbyňka Hyráka - optimalizovany-web.cz
Když se dva různí lidé zamyslí, co pro ně znamená slovo "analytika" nebo "analytické myšlení" zjistíme, že každý dojde k něčemu jinému. Což je poměrně úsměvné, když si vezmeme v úvahu, že "analytika" se pyšní svou exaktností.
Někdo o druhém řekne "ten má ale analytické myšlení" ve skutečnosti říká, že umí hledat vzorce v číslech nebo, že si dokáže udělat úsudek na základě analýze dat.
Přijde mi fascinující, že je možné se naučit přemýšlet jako webový analytik. Jak? To bude cílem této eseje. Richard Feynman byl geniální fyzik, který mimo jiné úspěchy obdržel Nobelovu cenu. Feynman měl jednu zajímavou myšlenku, kterou budu parafrázovat. “Jestli si myslíte, že něčemu rozumíte, zkuste to popsat dítěti.” V tomto duchu budu stylizovat svoji práci. Jak popsat základy analytiky, aby to pochopilo dítě nebo kdokoliv kdo se s oborem webové analytiky nesetkal.
Vezměme si, když nás učili ve škole násobilku. Učili nás, že 1*2 se rovná dvěma. Stejně jako s násobilkou, tak i webová analytika má jistá pravidla. A pravidla jsou od toho aby se dodržovala.
První pravidlo je jednoduché. Měřit, meřit, meřit. Pokud neměříte, nemůžete vědět co se na vašem webu děje a tudíž pracujete pouze s domněnkami, které jsou pravděpodobně mylné. Navíc pokud chcete cokoliv vylepšit, musíte to první změřit. Představte si, že byste chtěli dostat samé jedničky na vysvědčení a díky tomu jste se mohli hlásit na prestižní školu. Nuže kdyby školský systém známky neuděloval tak jako to dělá, nebyli byste schopni posoudit jestli se vám cíle podařilo dosáhnout. Stejně je to s webovou analytikou. Pokud neměříte, okrádáte sami sebe.
Druhé je pravidlo konverzního poměru. Dovolím si použít přirovnání. Představte si vaši maminku, která k vám přichází a říká vám "Pepíčku, prosímtě jdi vyskládat čisté nádobí z myčky" a vy odpovíte "Ne, maminko já nejdu" na to maminka se stoickým výrazem neodpoví a odkráčí nazpět do obýváku. Po 5 minutách je zpátky ve vašem pokoji a s vřelým hlasem vám říká "Pepíčku, vyskládáš prosímtě čisté nádobí z myčky?" takový tón se těžko odmítá, problikne vám v hlavě a začnete nad tím přemýšlet. Po chvíli dumání dojdete k závěru, že se vám natolik nechce a proto maminku podruhé odmítnete. V ten moment je zřejmé, že maminka není spokojená, ale stále si drží kamenou tvář a odchází. Dvě hodiny uplynou a maminka se po třetí zjeví ve dveřích a říká vám "Pepíčku, mohl bys pro mě udělat laskavost a vyklidil čisté nádobí z myčky?" první reakce je, že se vám nechce, ale začněte zpytovat svědomí. Po chvíli na maminčinu žádost kývnete a jdete vyklidit myčku.
Pojďme si v kontextu analytiky shrnout co se tedy vůbec stalo. Maminka po vás chtěla, ať vyklidíte myčku a dvakrát slyšela "ne" a jednou "ano". Z toho nám vyplývá, že její úspěsnost vás přesvědčit je 33%. Slovy analytika to znamená, že vaše maminka má konverzní poměr 33%. A to je očima analytika sen. Velmi kvalitní konverzní poměr se totiž pohybuje okolo 2%.
Jinými slovy konverzní poměr se rovná počet žádaných akcí (maminka chce abyste vyklidili myčku) děleno celkový počet pokusů (maminka vás prosí o vyklizení myčky).
Když se bavíme o datech, tak dojdeme k závěru, že nejsou data jako data. A tedy je nutno rozlišovat mezi dvěma druhy dat. Prvními jsou tvrdá data a druhými jsou měkká data. Jaký je mezi nimi rozdíl?
Tvrdá data jsou velmi zjednodušeně jedničky a nuly. Jinými slovy čísla vyjadřující určitou zastupovanou hodnotu. Například kolik stojí rohlík. Na rozdíl od měkkých dat, které si zakládají na názorech či pocitech jsou tvrdá data jasně prokazatelná. Rohlík v Kauflandu stojí 2 koruny a důkazem je cenovka, která je u nich vystavená. Naopak příkladem měkkých dat je se domnívat, že rohlíky na Slovensku jsou levnější než rohlíky u nás.
Pro lepší představu se pokusme vcítit se do role analytika. Zjistíme, že taková osobnost klade důraz právě na tvrdá data. Proč? Hlavním důvodem může být právě jejich exaktnost. Tudíž se dá říci, že člověk, který je zaměřený na tvrdá data bude schopen lepšího úsudku než člověk co pracuje s měkkými daty.
Z toho vyplývá, že není důležité ptát se jaká data jsou lepší, nýbrž si odpovědět na jinou otázku. K čemu data potřebujeme?
Vezmu si příklad této eseje. Potřebuju tvrdá data k tomu, abych napsal kvalitní esej? Možná. Záleží na tom o čem píšu a co je mým cílem. Řekněme, že cílem je napsat srozumitelný text o analytice, který kdokoliv pochopí a vybarví podstatu webové analytiky. Pokud se znovu zeptám, potřebuju k tomu tvrdá data? Nikoliv. V tomto případě se budu přiklánět spíše k datům měkkým. Proč? Protože podstatou kvalitní eseje je formování myšlenek či názoru na konkrétní téma.
Argumentem ze strany měkkých dat může být majitel firmy, který je v denním kontaktu se svými zákazníky. Tento majitel bude z velké míry ovlivněn názory jeho zákazníků. Předpokládejme, že majitel nemá přístup k alternativním informacím o jeho klientech. Pracuje tedy jen s názory či pocity zákazníků se kterými je v kontaktu. Z toho vyplývá, že názor majitele bude z velké míry formován právě těmito pocity, včetně jeho vlastních pocitů a domněnek.
A otázka zní: chcete abyste dělali businessové rozhodnutí na základě pocitů? Ve většině případů pravděpodobně ne. Proto měřte, měřte, měřte.`
Buďte zdrávi.