Cách phân tích dữ liệu hành vi cho tìm kiếm — Whiteboard Friday

Tôi nghĩ rằng việc xem xét dữ liệu hành vi để thông báo chiến lược tìm kiếm của bạn là điều mà một bác sĩ cần làm khi khám bệnh nhân:

• Bạn lắng nghe những lời phàn nàn và triệu chứng
• Bạn phân tích dữ liệu để chẩn đoán nguyên nhân gốc rễ
• Bạn kê đơn một phương pháp điều trị

Các triệu chứng này rất dễ nhận biết, vì chúng tương đối dễ nhận biết và thường khá khó xử lý từ góc độ kinh doanh, nên chúng là những triệu chứng mà các bên liên quan sẽ quan tâm nhất và sẽ báo cáo cho bạn.
Những triệu chứng này có thể là: Mất lưu lượng truy cập/lượt nhấp chuột vào trang web thấp, lượt hiển thị thấp hơn, khối lượng đơn hàng trung bình hoặc tỷ lệ chuyển đổi thấp hơn. Nhìn chung, đây chỉ là biểu hiện bên ngoài của một vấn đề tiềm ẩn bên trong, vì vậy bạn cần tìm hiểu sâu hơn một chút.   

Khi phân  tích nguyên nhân gốc rễ , chúng ta có một số  công cụ chẩn đoán có thể sử dụng, và chúng nằm trên  ba cấp độ dữ liệu khác nhau mà chúng ta có thể thu thập được: dữ liệu hành vi cơ bản, dữ liệu cấp độ tiếp theo và dữ liệu dự đoán. Hãy cùng tìm hiểu từng cấp độ này.

Dữ liệu cơ bản

Dữ  liệu cơ bản đến từ các công cụ mà bạn không cần phải mua hoặc thiết lập. Một trong số đó là Google Search Console (GSC), công cụ có thể phát hiện ra sự trùng khớp ý định kém khi chúng ta xem xét CTR từ cả góc độ có thương hiệu và không có thương hiệu. Hầu hết các dữ liệu khác trong nhóm này đều mang tính định tính và cho phép chúng ta xác định những điểm chung gây khó chịu cho cả hành trình trước và sau khi mua hàng, chẳng hạn như  khảo sát, nhật ký trải nghiệm khách hàng (CX), lượt đề cập trên mạng xã hội và đánh giá, vì vậy hãy đảm bảo bạn hợp tác liên phòng ban để nắm bắt được những gì người dùng yêu cầu. Ngoài ra còn có thử nghiệm trực tiếp, đây là lựa chọn tốn thời gian nhất, nhưng cũng có khả năng là một trong những lựa chọn mang lại nhiều lợi ích nhất vì không có nhiều dữ liệu để suy luận.

Dữ liệu cấp độ tiếp theo

Dữ liệu cấp độ tiếp theo chủ yếu mang  tính định lượng và có thể thu được bằng các công cụ cần thiết lập theo dõi, chẳng hạn như  phân tích web và bản đồ nhiệt. Các công cụ này  ghi lại hành vi của người dùng, vốn có thể ít rõ ràng hơn do họ không chủ động bày tỏ sự thất vọng, do đó, chúng ta cần áp dụng một mức độ suy luận nhất định cho những phát hiện của mình. Từ phân tích web, bạn có thể tìm kiếm các ví dụ liên quan đến thời gian tương tác và các phiên tương tác, hoặc tỷ lệ thoát và điểm thoát. Các công cụ lập bản đồ nhiệt tương tác có thể tích hợp thông tin đó với mọi thứ chúng ta đã thấy từ phân tích web, không chỉ phát hiện ra những khu vực có thể chưa được chú ý đầy đủ mà còn cả những yếu tố thực sự không hiệu quả (ví dụ như nhấp chuột chết, nhấp chuột tức giận hoặc nhấp chuột lỗi).

Nhìn chung, mặc dù chúng ta có thể suy ra lý do tại sao một số hành trình bị cắt ngắn hoặc không kết thúc như mong đợi thông qua các công cụ theo dõi này, tôi luôn khuyên bạn nên kết hợp nó với dữ liệu định tính để thực sự hiểu những gì đang diễn ra.

Dữ liệu dự đoán

Cuối cùng, còn có  dữ liệu dự đoán . Đây là dữ liệu khó thu thập nhất, vì cần thiết bị chuyên dụng và đào tạo để diễn giải chính xác, nhưng lại có khả năng phát hiện ra sở thích và hành vi mà ngay cả người dùng cũng không nhận ra. Ví dụ, theo dõi chuyển động mắt vượt xa dữ liệu bản đồ nhiệt và có thể cho chúng ta thấy các mô hình chú ý và các khu vực bị bỏ sót. Điều này có thể định hướng cho việc thiết kế trang, điều rất quan trọng vì sự chú ý là một yếu tố quý giá trong thế giới của các kích thích 24/7. Mặt khác, hoạt động điện da, EEG và fMRI đo lường hoạt động thần kinh để đáp ứng với các kích thích tiếp thị có thể giúp chúng ta hiểu và dự đoán sở thích trong nội dung ngay cả trước khi người dùng nhận ra chúng.

Ưu tiên và điều trị