Phân tích dữ liệu cho case study: Marketing trên nền tảng LinkedIn

data science in marketing

“Hãy thu thập tất cả dữ liệu có thể và chúng ta sẽ tìm ra cái gì đó sau.” Bạn đã từng nghe nói hay nghĩ đến nó bao giờ chưa?

Cách tiếp cận đó thật sự ít khi hiệu quả. Trong những trường hợp hiếm hoi có hiệu quả, tỷ lệ ROI sẽ rất thấp vì phải chi trả khối lượng lớn phí thu thập, xử lý và lưu trữ dữ liệu. Việc phân tích dữ liệu mang lại lợi nhuận tốt hơn khi bạn bắt đầu nó với một mục tiêu cụ thể.

Bên cạnh đó, không phải tất cả các phân tích đều như nhau. Việc thu thập các số liệu thống kê khá thú vị. Nhưng quan trọng là bạn dùng chúng ra sao, và đưa ra những hành động kinh doanh cụ thể còn giá trị hơn rất nhiều. 

Giải pháp để có được cách phân tích hiệu quả là Cách tiếp cận Drivetrain (video bài giảng). Nó cung cấp cho bạn phương pháp hệ thống để tạo ra những insights hữu ích. Nó có bốn bước:

  • Xác định Mục tiêu: Bắt đầu bằng cách xác định mục tiêu của bạn.
  • Làm rõ các yếu tố đòn bẩy: làm rõ các yếu tố đầu vào mà bạn kiểm soát, các đòn bẩy bạn có thể kéo để ảnh hưởng đến kết quả.
  • Thu thập dữ liệu: Tìm ra dữ liệu bạn cần thu thập để đo lường tác động của việc điều chỉnh các đòn bẩy đó.
  • Đề xuất Hành động: Phân tích dữ liệu và xây dựng các mô hình thống kê để tính toán cách điều chỉnh các đòn bẩy nhằm đạt được kết quả mong muốn.

Bài viết này sẽ áp dụng cách tiếp cận Drivetrain cho một vấn đề là Marketing bài viết trên LinkedIn: bắt đầu với một mục tiêu để thu thập và phân tích dữ liệu. Sau đó xác định các hành động để đạt được mục tiêu đó.

Xác định Mục tiêu

Hãy hình dung bạn đang cần giải quyết vấn đề này: Tôi muốn công việc viết blog của mình tiếp cận được nhiều người hơn thông qua mạng xã hội. Tôi muốn xây dựng khán giả trên trang LinkedIn. Để tối đa hóa kết quả của những nỗ lực của mình, tôi muốn tìm nội dung nào của mình hoạt động tốt nhất.

Mục đích tôi cần xác định là viết các bài đăng kỹ thuật để thu hút người theo dõi trên LinkedIn. Nói cách khác, mục tiêu cần xác định qua việc phân tích dữ liệu là các đặc điểm của bài đăng của tôi (trong lĩnh vực chuyên môn) để tạo ra mức tăng người theo dõi tối đa.

Các chỉ số hiệu suất (KPI)

Khi bạn đăng nội dung nào đó trên LinkedIn, nó sẽ hiển thị trong newsfeed của người theo dõi bạn. Nếu họ tương tác với bài đăng của bạn, LinkedIn sẽ hiển thị bài đăng đó cho những người theo dõi họ và kết quả là nhiều người theo dõi bạn hơn.

Các đối tượng điển hình cho một bài đăng như sau:

  • Người theo dõi: Đây là nguồn đầu vào của kênh. Nhiều người theo dõi hơn có nghĩa là nhiều người tiềm năng hơn sẽ xem và tương tác với bài đăng.
  • Lượt xem: Một số hoặc rất nhiều người theo dõi bạn nhìn thấy bài đăng trong newsfeed của họ.
  • Lượt thích: Một số người theo dõi có thể thấy bài đăng đủ thú vị để thích nó.
  • Chia sẻ và bình luận: Một số có thể thấy hữu ích khi chia sẻ với những người theo dõi của họ và nhận xét về bài đăng.
  • Người theo dõi mới: Khi có nhiều người tương tác với bài đăng, nhiều người bên ngoài vòng kết nối trực tiếp sẽ thấy bài đăng đó. Họ có thể kiểm tra hồ sơ của bạn và quyết định theo dõi bạn hay không.

Có ba chỉ số đánh giá nội dung có thật sự thành công: lượt xem, mức độ tương tác (thích, chia sẻ, bình luận) và những người theo dõi mới.

Lượt xem và mức độ tương tác đều có giá trị. Tuy nhiên, những người theo dõi mới sẽ mở rộng phễu cho bài đăng tiếp theo của tôi. Vì vậy, tôi coi đây là thước đo quan trọng nhất cho sự thành công của một bài đăng trên mạng xã hội đối với việc xây dựng khán giả.

Làm rõ các đòn bẩy

Trong trường hợp các bài đăng trên LinkedIn, các đòn bẩy mà tôi kiểm soát là:

  • Thời gian tôi đăng bài: Ngày và giờ của bài đăng.
  • Mức độ thường xuyên của bài đăng như thế nào: Tần suất của bài đăng.
  • Nội dung tôi viết trong bài: trong lĩnh vực, chủ đề, mức độ phức tạp của nội dung, độ dài, cấu trúc, phương tiện truyền thông (ví dụ, hình ảnh, video, tài liệu, liên kết).

Tôi tìm ra một số nghiên cứu về “thời gian tốt nhất để đăng bài” (từ Thứ Ba đến Thứ Năm, từ 9 giờ sáng đến trưa) và “mức độ thường xuyên tôi cần đăng bài” (tối đa một lần mỗi ngày trong tuần) để đăng trên LinkedIn. Một số nghiên cứu khuyên không nên đính kèm một liên kết trong bài đăng. Tất nhiên, có một số bài đăng cung cấp các mẹo để viết các bài đăng trên Linkedin.

Mặc dù các nghiên cứu này tập trung vào các bài đăng tiếp thị trên các trang của công ty, nhưng các kết quả và mẹo có vẻ hợp lý đối với các cá nhân. Tuy nhiên, khả năng ứng dụng của nó phụ thuộc vào chủ đề, đối tượng, địa lý, v.v. Vì vậy, trong khi tham khảo một số lời khuyên (ví dụ: tối đa một bài đăng mỗi ngày), tôi muốn tìm hiểu đòn bẩy nào sẽ phù hợp nhất với mình.

Thu thập dữ liệu

Tôi bắt đầu đi thu thập dữ liệu về:

  • Người theo dõi tại thời điểm đăng bài 
  • Lượt xem, lượt thích, lượt chia sẻ, bình luận và người theo dõi sau 24 giờ đăng.

Đối với mỗi bài đăng, KPI là một bộ khung như sau: (Người theo dõi_₀, Thích_₂₄, Chia sẻ_₂₄, Bình luận_₂₄, Người theo dõi_₂₄)

Trong thời đại Dữ liệu lớn, đây là một lượng dữ liệu nhỏ không đáng kể. Mặc dù tôi sẽ tiếp tục thu thập thêm dữ liệu, nhưng tôi sẽ không có “dữ liệu lớn” ngay khi tôi thực hiện tối đa một bài đăng mỗi ngày. Tôi muốn khám phá các vấn đề sau:

  • Có khả thi cho tôi khi muốn đề xuất những hành động cụ thể dựa trên tập dữ liệu nhỏ ban đầu?
  • Tôi có cần thu thập các đặc điểm khác (đòn bẩy) hoặc KPI mà tôi không nhận ra trước đó không?
  • Làm cách nào để thực hiện phân tích dữ liệu trong Excel hoặc Google Sheet? Nó có thể hoạt động như một bảng điều khiển với số liệu phân tích cập nhật mới nhất trong khi tôi ghi lại nhiều dữ liệu hơn hàng ngày.

Làm việc với một tập dữ liệu nhỏ cũng tạo điều kiện thuận lợi cho việc giải thích các sắc thái diễn giải phân tích.

4 Loại Phân tích Phân tích Dữ liệu

  • Descriptive analytics: Chuyện gì đã xảy ra?
  • Diagnostic analytics: Tại sao nó xảy ra?
  • Predictive analytics: Điều gì xảy ra nếu?
  • Prescriptive analytics: Làm thế nào để làm cho nó xảy ra?

Descriptive analyticsDiagnostic analytics là về việc kiểm tra dữ liệu trong quá khứ, còn Predictive analyticsPrescriptive analytics là về việc lập kế hoạch cho tương lai.

Descriptive analytics

Trong Descriptive analytics, chúng tôi tổng hợp dữ liệu từ các nguồn khác nhau và xác định các mẫu hoặc xu hướng cụ thể.

Hầu hết các doanh nghiệp đều có dashboard tổng quan để theo dõi các chỉ số cần thiết. Ví dụ:

  • Số lượng bán hàng tháng và hàng quý của các sản phẩm khác nhau ở các thị trường địa lý khác nhau là bao nhiêu?
  • Doanh số bán một sản phẩm đang tăng hay giảm?
  • Mức độ tồn kho ở các khu vực địa lý khác nhau là gì và những mức này đang tăng hay giảm?

Diagnostic analytics

Trong Diagnostic analytics, chúng tôi đi sâu và thực hiện Phân tích nguyên nhân gốc rễ. Chúng tôi muốn tìm ra điều gì đang thúc đẩy một xu hướng. Vì vậy, chúng tôi chia nhỏ dữ liệu để xác định các ngoại lệ, cô lập các mẫu và khám phá các mối tương quan.

Sản phẩm Business Intelligence (BI) là để làm điều đó. Ví dụ:

  • Xác định các đặc điểm của phân khúc khách hàng thúc đẩy việc bán một sản phẩm có lợi nhuận.
  • So sánh hiệu suất của một sản phẩm trong các phân khúc khách hàng khác nhau.
  • So sánh hiệu suất của các sản phẩm khác nhau trong một phân khúc khách hàng.
  • Giải thích tại sao nó xảy ra? Đó là do nhận thức về sản phẩm hay do cạnh tranh gay gắt? Hay đó là xu hướng chung cho toàn bộ danh mục sản phẩm đó?

Predictive analytics

Trong Predictive analytics, chúng tôi sử dụng phân tích hồi quy, dự báo chuỗi thời gian và các kỹ thuật lập mô hình thống kê đa biến khác. Mục đích là để ước tính một số biến có thể định lượng được tại một thời điểm nhất định trong tương lai.

Đây là một bước tiến lớn từ Phân tích chẩn đoán. Nó liên quan đến phân tích phức tạp hơn nhiều để dự báo:

  • Nhu cầu đối với dòng sản phẩm
  • Tiềm năng doanh thu của phân khúc khách hàng
  • Tăng trưởng doanh thu từ chiến dịch sắp tới
  • Dự báo lợi nhuận cho năm tài chính tiếp

Prescriptive analytics

Trong Prescriptive analytics, chúng tôi thực hiện phân tích “điều gì xảy ra nếu” để ước tính tác động đòn bẩy mà chúng tôi kiểm soát. Sau đó, chúng tôi so sánh các lựa chọn thay thế có sẵn và chọn cách hành động tốt nhất.

Đây là cấp độ khó nhất và yêu cầu kỹ năng phân tích và khoa học dữ liệu nâng cao. Nó là người thay đổi cuộc chơi trong việc quyết định phân phối tài nguyên để tối đa hóa lợi nhuận. Ví dụ: Cần tăng cường điều gì:

  • sản xuất những sản phẩm nào, và tăng bao nhiêu?
  • Nên dự trữ bao nhiêu sản phẩm ở các khu vực địa lý khác nhau?
  • Chọn chiến dịch sản phẩm nào và nhắm mục tiêu phân khúc khách hàng nào?
  • Sản phẩm hoặc dịch vụ nào cần điều chỉnh giá và điều chỉnh giá bao nhiêu?

Hầu hết các tổ chức bước đến mức độ trưởng thành về dữ liệu này. Nó đòi hỏi một nền văn hóa tổ chức đưa ra các quyết định dựa trên dữ liệu để hoạt động ở cấp độ này. Ngay từ đầu, bạn cần bắt đầu suy nghĩ về mục tiêu, dữ liệu nào được yêu cầu, cách thu thập dữ liệu đó và bố trí các cấp độ phân tích dữ liệu trước đó.

Đề xuất các hành động

  • Đòn bẩy: các kênh truyền thông, loại bài đăng, ngày trong tuần
  • KPI các: lượt xem, mức độ tương tác (thích, chia sẻ, nhận xét) và tăng trưởng người theo dõi.

Nếu bạn nhìn vào dữ liệu thô, hai khía cạnh của KPI sẽ nổi bật. Đó là:

  • KPI rất khác nhau ở các quy mô.
  • Khi lượng người theo dõi tăng lên, tất cả KPI cũng tăng theo, điều này khiến chúng không thể so sánh được theo thời gian.

Việc chuyển đổi KPI sang cơ sở chia cho “mỗi người theo dõi” và lấy tỷ lệ phần trăm cho lượt xem, lượt thích, lượt chia sẻ, nhận xét và tăng trưởng người theo dõi giải quyết được cả hai vấn đề nói trên đối với tập dữ liệu này:

  • Lượt xem trên mỗi người theo dõi (V / F): (Lượt xem_₂₄ / Người theo dõi_₀) Số lượt
  • Lượt thích trên mỗi Người theo dõi (L / F): 100 * (Thích_₂₄ / Người theo dõi_₀)
  • Chia sẻ cho mỗi Người theo dõi (S / F): 100 * (Chia sẻ_₂₄ / Người theo dõi_₀)
  • Nhận xét cho mỗi Người theo dõi (C / F): 100 * (Comments_₂₄ / Followers_₀)
  • Tăng trưởng người theo dõi (F +): 100 * (Người theo dõi_₂₄ – Người theo dõi_₀) / Người theo dõi_₀

Trang tổng quan bên dưới hiển thị một số Phân tích mô tả. Nó thể hiện sự phân bổ của đòn bẩy qua các bài đăng, tổng hợp các KPI cho các đòn bẩy khác nhau và một số đặc điểm theo thời gian.

Đối với tổng hợp, tôi chọn trung bình thay vì tổng vì đòn bẩy không được phân bổ đều trong các bài đăng.

Nếu nhìn theo hướng nhân quả thì ta nhận thấy:

  • GIF, bản xem trước URL (tức là bài đăng có liên kết) và PDF là những loại phương tiện truyền thông tốt nhất trên LinkedIn.
  • Chia sẻ về tầm nhìn, presentation, sách và tiếp thị là những bài đăng thu hút nhất.
  • Lập trình, startup và microservice là những lĩnh vực hot nhất.
  • Thứ Hai, Thứ Ba và Thứ Sáu là thời gian tốt nhất để đăng bài và Thứ Tư là ngày không tốt trong tuần để đăng bài.

Tuy nhiên, qua đánh giá cho thấy nhiều đặc điểm vượt trội trên chỉ đúng trong một vài bài viết. Ví dụ chỉ có:

  • Hai bài đăng có GIF và hai bài có bản xem trước URL
  • 1 bài đăng về tầm nhìn và tiếp thị.
  • 1 bài đăng về lập trình, khởi động và microservice.

Một nửa hoặc nhiều bài đăng về ML / DS / AI và có họa thông tin hình ảnh. Nếu người theo dõi tăng 65% trong khoảng nhiều ngày đó, những bài đăng đó chắc hẳn có tín hiệu tốt.

Có nghĩa là nếu tôi chỉ đăng ảnh GIF về vision, lập trình, thì tốc độ tăng trưởng người theo dõi sẽ tăng gấp đôi (vì các chỉ số cho mỗi ảnh là khoảng gấp đôi đồ họa hình ảnh ML / DS / AI)?

Hãy thử tìm một số câu trả lời từ Phân tích chẩn đoán.

Câu hỏi đầu tiên của tôi là:

  • Mối tương quan giữa các KPI là gì?
  • Tôi có nên chỉ tập trung vào Tăng trưởng người theo dõi không?
  • “Mỗi người theo dõi” có phải là cách tiếp cận phù hợp không? Hay tôi sẽ theo dõi kênh và xem xét Số lượt xem trên mỗi người theo dõi, Số lượt thích trên mỗi lượt xem và Chia sẻ trên mỗi lượt thích, v.v.?

Vì vậy, tôi đã vẽ biểu đồ của tất cả các tiềm năng của mô hình này và tính toán mối tương quan của chúng với Tăng trưởng người theo dõi (KPI quan trọng nhất).

Như bạn có thể thấy trong biểu đồ bên dưới, tất cả các tính năng này đều tuân theo Phân phối Thông thường. Lượt xem, Lượt thích và Lượt chia sẻ có mối tương quan chặt chẽ với Tăng trưởng người theo dõi (F +) và tương quan lẫn nhau. Mặt khác, các bình luận không có mối tương quan chặt chẽ với F +.

Tiếp theo, tôi muốn xác định các bài đăng có hiệu suất cao. Vì vậy, tôi đã tạo điểm số bằng cách thêm các giá trị chuẩn hóa của các KPI có tương quan chặt chẽ (tức là F +, V / F, L / F và S / F).

Đối với các giá trị chuẩn hóa, giá trị trung bình (𝞵) là 0 và độ lệch chuẩn (𝞼) là 1. Vì điểm là tổng của bốn KPI, giá trị từ 4 trở lên (tức là, 𝞵 + 𝞼) sẽ đặt một bài đăng trong 16% hoạt động tốt nhất.

Biểu đồ dưới đây có điểm của tất cả các bài viết. Các biểu đồ hộp bên phải là để xác định các ngoại lệ. Màu vàng vàng dành cho điểm tổng thể và màu xanh lam nhạt dành cho F +.

Có 7 bài đạt điểm 4 trở lên, nhưng hai trong số đó bị loại. Ngoại trừ một trong 7 điểm này, tất cả đều có điểm Tăng trưởng người theo dõi cũng nằm trong phạm vi hoạt động tốt hơn.

Có 3 bài đăng (A, B và C) có điểm Tăng trưởng người theo dõi tốt hơn nhưng có điểm tổng thể thấp hơn 4. Một trong số đó, C, có điểm tổng thể âm.

Bước tiếp theo là đi sâu vào Phân tích dự đoán. Nhưng dữ liệu hiện tại không đủ để tính Tương quan Điểm-Biserial giữa đòn bẩy và điểm số hoặc thực hiện hồi quy tuyến tính. Vì vậy, tôi quyết định kiểm tra 10 bài đăng: Người ngoài cuộc

Quan sát của tôi rút ra:

  • Outliers: Bài 1 và 2 có hình ảnh và tài nguyên có giá trị cao, tương ứng. Ngay cả Bài đăng 3 cũng là một ngoại lệ vì nó chia sẻ một URL, được biết là làm giảm lượt xem.
  • Wierd: Bài đăng C và Bài đăng B ghi nhận Mức tăng trưởng người theo dõi cao vì bài đăng trước đó là một bài ngoại lệ. Tôi đã quan sát thấy rằng LinkedIn liên tục hiển thị các bài đăng có hiệu suất rất cao trong tối đa 3 ngày.
  • Mức độ tương tác trung bình nhưng tăng trưởng người theo dõi tốt hơn: Đăng bài A chứa các trang trình bày về bài nói của tôi. Có vẻ như bộ bài hấp dẫn mọi người theo dõi nhưng không đủ hấp dẫn để thích hoặc chia sẻ. Lạ thật đấy.
  • Tương tác tốt hơn nhưng tăng trưởng người theo dõi trung bình: Bài đăng 7 là một bài đăng dài về một chủ đề phức tạp. Tôi có thể thấy tương tác tốt nhưng quá phức tạp để người xem theo dõi tiếp.
  • Điểm tốt hơn: Bài 4, 5, 6 (và cả Bài A nữa) ở mức tốt với độ dài trung bình (130–180 từ) và độ phức tạp trung bình.

Insights rút ra:

  • Đừng bao giờ bỏ lỡ việc đăng bài vào Thứ Hai, và làm bài viết gọn nhẹ, ngắn gọn vào Thứ Tư.
  • Tất cả các bài đăng hoạt động tốt hơn (và ngoại lệ) đều nằm trong các chủ đề về dữ liệu lớn và DS / ML / AI, vì vậy hãy tăng gấp đôi số bài đăng đó.
  • Hãy thử nhiều ảnh GIF hơn và xem liệu nó có kéo mức trung bình lên hay không, điều đó sẽ chuyển đổi những ảnh ngoại lệ thành hiệu suất tốt hơn.
  • Sử dụng nhiều đồ họa thông tin, cheat sheet và white paper vì những thứ này hoạt động tốt và có tần suất khá lớn trong dữ liệu.

Tôi cũng cần thu thập thêm dữ liệu và thử phân tích dự đoán và mô tả.

Lưu ý

  • Viết bài để cung cấp giá trị.
  • Sử dụng ngôn ngữ đơn giản.
  • Định dạng để dễ đọc.
  • Bao gồm các loại đa phương tiện trực quan.
  • Không nhúng liên kết vào bài viết.

 

Bài viết gốc: Actionable insights from 4 types of Data Analytics.

Link bài viết gốc.

Biên dịch & Biên tập: Mary

Bài viết có hữu ích không?

Các bài viết liên quan

how to see who likes you on tinder review

ten. Allow her to generate have confidence in you

love ru sign in

18 Wedding Class Games Your guests Would like

militarycupid-recenze Seznamka

six. Sign-up online dating sites and you can qualities one to target rich website subscribers

Escort escort orlando

Do not get myself wrong; I'm an individual guy who's towards the matchmaking

adventure-dating-nl MOBIELE SITE

There is no better method to finish your day instead of sharing that it meme gif with your loved ones?

fastflirting Zaloguj si?

The working platform are right for small hookups

puerto-rico-chat-rooms dating

Ways to get an effective screenwriting broker and you can manager action six: choose wisely

sites-de-rencontre-mexicains avis

Paree list acquisition habitation 2021 — au Top 10+ demande a placer quand d’achat d’une logement

quickflirt kosten

Lass mich daruber erzahlen ruhen Eltern, entsprechend Die leser man sagt, sie seien, Jedoch befinden Die Kunden, entsprechend Eltern schuften

writers-dating dating

Amid all this, Ghanaian ladies are nonetheless thought to be beautiful and you will classic

hot or not Zaloguj si?

Mom Necklace, Mother-in-laws Necklace, On my Date’s Mommy Necklace, Current To possess Boyfriend’s Mom Mommy’s Time

girlsdateforfree mobile site

Relationships versus. Relationships: 15 Differences You have to know In the

Bình luận của bạn

© Copyright 2021 - Công ty Đào tạo và Hướng nghiệp thông minh Miedu

Sign Up and Start Learning

Hạn sử dụng đến 20/01/2022

TÌM HIỂU khóa
Full Stack data Science
-30%

Bảo hành học tập trọn đời cho người chuyển đổi công việc!