Bias Pelaporan SEO: Cara Tetap Objektif Tentang Data Pemasaran Online

Manusia bukanlah pemikir yang sempurna. Kami suka membayangkan diri kami sebagai pemecah masalah yang logis dan lugas, tetapi kenyataannya adalah, sebagian besar waktu kami dirundung bias dan kesalahpahaman tersembunyi yang sepenuhnya mendistorsi interpretasi kami bahkan terhadap data yang paling objektif. Ketika kita melihat satu set data, atau mengamati sesuatu di lingkungan alaminya, kita membentuk penilaian konkret yang kemudian membentuk interaksi kita dengan item tersebut. Dan dari sudut pandang praktis, kami baik dalam hal itu; otak manusia telah berevolusi untuk mendeteksi pola dengan mudah sebagai mekanisme bertahan hidup.

Mekanisme ini terlalu sensitif dan cacat, menghasilkan banyak bias yang akan saya bahas. Dalam kehidupan kita sehari-hari, mereka mungkin tidak membawa banyak dampak, tetapi dalam bidang pemasaran dan periklanan, data objektif sangat penting. Jika bias ini memengaruhi interpretasi Anda terhadap kumpulan data yang objektif, Anda dapat menyajikan informasi yang salah kepada klien Anda, atau lebih buruk lagi, menyesuaikan kampanye Anda untuk tumbuh ke arah yang salah.

Mengapa Kompensasi Bias Penting

Untungnya, Anda tidak harus menjadi budak bias Anda. Tidak ada cara untuk memprogram ulang otak Anda dan menghindarinya sama sekali, tetapi ada strategi yang dapat Anda terapkan untuk mempersulit bias ini memengaruhi pekerjaan Anda. Anggap saja sebagai semacam sistem handicap atau penyesuaian; misalnya, jika Anda tahu angin bertiup ke timur di lapangan golf, Anda dapat mengarahkan pukulan Anda ke barat tempat Anda ingin bola benar-benar pergi. Ini tidak menghilangkan angin sebagai faktor, tetapi membantu Anda mendapatkan hasil yang Anda butuhkan hanya dengan sedikit penyesuaian. Jika tidak, tembakan Anda akan berakhir jauh ke timur dari tempat Anda membutuhkannya untuk mendarat.

Ada satu masalah besar dengan metafora golf ini, dan itulah fakta bahwa Anda akan menyadari bahwa bidikan Anda melenceng begitu Anda menyelesaikannya; di bidang pemasaran, jika Anda salah menafsirkan metrik Anda, Anda mungkin tidak akan pernah mempelajari fakta ini.

Lihatlah ilusi optik ini sebagai demonstrasi efektif tentang bagaimana bias dapat mengacaukan pikiran Anda:

(Sumber Gambar: Nerdist)

Bandingkan kotak tengah panel samping dengan kotak tengah panel atas. Kebanyakan orang akan berpendapat bahwa alun-alun samping tampak berwarna oranye terang, sedangkan alun-alun atas tampak berwarna cokelat kusam. Jika saya berhenti menulis di sini, banyak dari Anda akan terus percaya itu.

Namun, kenyataannya adalah bahwa kedua kotak itu memiliki warna yang persis sama. Jika Anda menutupi kotak berwarna di sekitarnya, yang menipu otak Anda untuk mengompensasi kondisi pencahayaan secara berlebihan, Anda akan melihat bahwa ini benar. Proses ini adalah jenis "koreksi bias" yang saya bicarakan; tanpa itu, Anda akan salah menafsirkan data Anda, tetapi dengan itu, Anda bisa sampai pada kesimpulan yang lebih akurat.

Jenis-Jenis Bias

Ada dua jenis bias yang akan saya bahas dalam panduan ini, meskipun yang kedua secara teknis bukanlah “bias” dalam definisi formal. Keduanya dapat memiliki efek dramatis pada cara Anda melihat dan menafsirkan data, jadi Anda harus memperhitungkan keduanya setiap kali Anda mengukur atau melaporkan metrik untuk kampanye tertentu.

• Bias Kognitif. Tipe pertama adalah bias kognitif klasik. Ini melekat pada sebagian besar populasi, meskipun mereka menawarkan tingkat pengaruh yang berbeda tergantung pada individu dan skenario. Anggap ini sebagai situasi yang mengeksploitasi proses alami dan berharga di otak; pada contoh warna di atas, ada baiknya otak kita secara alami dapat menjelaskan keberadaan cahaya dan bayangan. Namun, itu menghasilkan persepsi yang miring. Hal yang sama berlaku untuk contoh berikut—baris mana yang lebih pendek?

(Sumber Gambar: Brain Bashers)

Ada banyak sub-jenis bias, dan saya akan menjelajahi beberapa yang paling relevan untuk pemasar modern.

• Kesalahpahaman dan Salah Tafsir. Saya juga menganggapnya sebagai semacam bias yang membuat kita salah menafsirkan "makna" sebenarnya dari sebuah metrik. Berkat teknologi modern, kami memiliki akses ke data yang jauh lebih banyak daripada yang kami kira mungkin hanya satu dekade lalu. Itu tidak berarti bahwa setiap titik data memiliki definisi yang jelas, atau mudah dipahami. Banyak metrik serupa memiliki nama yang mirip, namun menawarkan tampilan yang sangat berbeda pada kampanye Anda. Demikian pula, satu miskomunikasi antara anggota tim dapat menyebabkan interpretasi yang sangat berbeda dari ide yang sama:

(Sumber Gambar: Connexin)

Mari kita mulai dengan melihat beberapa bias kognitif paling umum yang dapat memengaruhi interpretasi metrik Anda.

Bias Kognitif

Daftar ini tidak lengkap; ada sejumlah bias kognitif yang mengejutkan yang dapat memengaruhi penalaran, perilaku sosial, dan bahkan ingatan Anda. Namun, saya telah menangkap sebagian besar bias yang dapat memengaruhi cara pikiran Anda menemukan, membedah, dan menafsirkan hasil pemasaran. Di setiap subbagian, saya akan menjelaskan bias dan strategi detail yang dapat Anda gunakan untuk mengimbanginya.

Bias Konfirmasi

Pertama adalah bias konfirmasi, salah satu bias kognitif yang paling umum dikenal. Fenomena ini menyatakan bahwa begitu seseorang telah menetapkan keyakinan tertentu, mereka akan mencari dan/atau mendukung informasi apa pun yang mengarahkan mereka untuk “mengkonfirmasi” keyakinan itu, dan menghindari dan/atau mengabaikan informasi apa pun yang bertentangan dengan keyakinan itu. Misalnya, gaun aneh yang menjadi sensasi di media sosial beberapa waktu lalu:

(Sumber Gambar: LinkedIn)

Gambar tengah adalah yang asli, dengan dua di kedua sisi menampilkan gaun dengan pencahayaan dan filter yang berbeda. Gambar tengah menghasilkan tanggapan yang menggambarkannya sebagai emas dan putih atau biru dan hitam. Pengguna yang menemukan satu definisi sering melihat gaun itu sebagai warna-warna itu, tanpa menyadari bahwa informasi visual dalam foto itu ambigu.

Dalam konteks kampanye pemasaran, ini bisa terjadi ketika Anda telah membuat kesimpulan sebelumnya tentang salah satu strategi Anda. Misalnya, Anda mungkin berasumsi bahwa strategi konten baru Anda berjalan dengan baik karena Anda telah menginvestasikan banyak waktu dan uang ke dalamnya. Anda mungkin hanya melihat titik data yang mengkonfirmasi asumsi ini; katakanlah Anda mendapatkan lebih banyak komentar dan memicu percakapan baru. Tetapi Anda mungkin mengabaikan atau mengabaikan titik data yang kontradiktif, seperti angka lalu lintas organik yang lebih rendah.

Untuk mengimbanginya, pilih metrik mana yang akan Anda ukur untuk menentukan keberhasilan bahkan sebelum Anda menyempurnakan strategi. Kemudian, tetap konsisten dengan rangkaian metrik ini dan tetap seobjektif mungkin dalam analisisnya—bahkan jika jumlahnya bertentangan dengan naluri Anda.

Bias Seleksi

Bias pemilihan biasanya diturunkan ke survei, yang bergantung pada sampel peserta yang banyak dan acak agar dianggap tidak bias dan efektif. Bias seleksi akan menjadi beberapa prosedur yang tidak tepat yang menyebabkan kumpulan peserta memiringkan hasil ke satu arah atau lainnya. Misalnya, jika Anda hanya mewawancarai orang di Idaho untuk survei tingkat nasional, Anda akan menerima jawaban yang secara tidak proporsional mewakili penduduk Idaho.

Jika Anda melakukan survei untuk kampanye pemasaran Anda (seperti mengumpulkan data tentang preferensi konten audiens Anda), kemungkinan efek di sini jelas—jika Anda memilih kumpulan peserta yang sempit atau tidak seimbang, data Anda secara inheren tidak dapat diandalkan. Tetapi ini juga berlaku untuk data yang mungkin Anda tarik di Google Analytics.

Misalnya, jika Anda melihat-lihat bagian yang berbeda, Anda mungkin menemukan bahwa lalu lintas "umum" Anda mengunjungi rata-rata tiga halaman internal sebelum keluar. Dari sini, Anda dapat menyimpulkan bahwa situs Anda efektif untuk menarik orang lebih jauh—tetapi bagaimana dengan lalu lintas sosial Anda? Jika pengunjung sosial Anda sering terpental setelah halaman pertama, itu bisa menjadi indikasi bahwa posting blog Anda (atau tautan sosial lainnya) tidak seefektif memancing rasa ingin tahu itu.

Penahan

Efek penahan semuanya berkaitan dengan apa yang Anda temui sebelum menghadapi peristiwa tertentu (atau dalam hal ini, metrik tertentu). Karena pikiran kita terhubung untuk perbandingan, setiap kali kita mendengar nilai numerik, kita langsung membandingkan nilai numerik masa depan dengannya—bahkan jika angka itu sama sekali tidak berhubungan.

Perhatikan gambar kartun berikut sebagai contoh:

(Sumber Gambar: Informatika Kekayaan)

Kedua peserta pada dasarnya menghasilkan angka acak—digit terakhir dari SSN mereka. Ketika ditanya apa yang mereka perkirakan untuk sebotol anggur yang identik, orang dengan jumlah yang lebih tinggi umumnya akan memperkirakannya sebagai nilai yang lebih tinggi.

Hal ini juga dapat terjadi dalam pelaporan metrik Anda. Misalnya, Anda baru-baru ini membaca artikel yang membanggakan peningkatan ROI 300 persen setelah melakukan perubahan sederhana pada kampanye pemasaran. Jika Anda melihat tingkat pertumbuhan 30 persen dalam lalu lintas Anda sendiri, Anda mungkin berpikir itu cukup rendah. Sebaliknya, jika Anda mendengar seseorang mengeluh tentang tingkat konversi yang sangat rendah—seperti sepersekian persen—angka pertumbuhan 30 persen itu mungkin mulai terlihat cukup bagus.

Eskalasi Irasional

Eskalasi irasional, terkadang dikenal sebagai eskalasi komitmen, adalah bias yang tidak terlalu berkaitan dengan cara Anda melaporkan atau menafsirkan metrik, dan lebih banyak lagi tentang apa yang Anda lakukan dengan kesimpulan dari sana. Di bawah bias ini, individu memiliki kemungkinan lebih besar untuk mengambil beberapa tindakan kuat jika mereka telah mengambil beberapa tindakan lemah terkait di masa lalu.

Contoh tipikal adalah permainan "pelelangan dolar", di mana uang satu dolar dilelang di depan kelompok. Siapa saja dapat menawar jumlah yang mereka inginkan untuk dolar. Di akhir permainan, pemenang mendapatkan tagihan satu dolar untuk jumlah berapa pun yang mereka tawar untuk itu, tetapi ada satu putaran—pemenang tempat kedua harus membayar tawaran terakhirnya kepada juru lelang tanpa mendapatkan dolar sebagai imbalannya. Selalu, tawaran meningkat jauh melampaui nilai dolar dari uang satu dolar; ini karena begitu Anda berkomitmen pada ide tertentu, atau strategi tertentu, mudah untuk berinvestasi secara bertahap hanya "sedikit lebih banyak", bahkan jika itu menjadi tidak rasional di beberapa titik.

Apa takeaway praktis di sini? Katakanlah Anda telah berinvestasi dalam strategi pemasaran tertentu selama berbulan-bulan sekarang, dan Anda telah melihat hasil yang layak, tetapi beberapa bulan terakhir berjalan lambat hingga Anda hampir tidak mencapai titik impas. Bias eskalasi irasional akan membuat Anda terus berinvestasi di dalamnya, karena Anda sudah sampai sejauh ini, bahkan jika tidak ada bukti manfaat di masa depan. Satu-satunya cara untuk mengalahkan bias ini adalah dengan menimbang pro dan kontra dari setiap strategi, bahkan yang biasa Anda gunakan, dengan bukti numerik yang objektif, lebih disukai.

Efek Terlalu Percaya Diri

Kita semua sangat percaya diri dan terlalu percaya diri. Saya tidak berbicara tentang harga diri Anda atau tingkat kenyamanan Anda dalam berbagai situasi sosial; Saya berbicara tentang kecenderungan Anda untuk memperkirakan persepsi Anda sendiri. Semua orang percaya bahwa mereka lebih baik daripada rata-rata dalam membuat keputusan dan menjawab pertanyaan, di hampir semua skenario.

Karena itu, pemasar sering percaya bahwa mereka tahu lebih banyak tentang analisis data daripada yang sebenarnya mereka lakukan, dan percaya diri mereka sebagai pembuat keputusan yang lebih baik daripada yang sebenarnya. Yang terjadi adalah: seorang pemasar akan melihat data, membuat kesimpulan tentangnya, dan kemudian berpegang pada kesimpulan itu tanpa mengeksplorasi kemungkinan lain. Secara umum, ada terlalu banyak hal yang tidak diketahui untuk dipegang oleh satu kesimpulan definitif.

Untuk mengimbangi ini, bawa lebih banyak pikiran ke dalam analisis dan diskusi Anda. Setiap orang akan terlalu percaya diri tentang kemampuan analisisnya sendiri, tetapi bersama-sama, Anda akan dapat menutupi kelemahan satu sama lain dan mencapai kesimpulan yang lebih seragam.

Esensialisme

Esensialisme adalah bias kognitif kompleks yang meresapi hidup kita dengan cara yang mendalam, dan terkadang mengerikan. Namanya berasal dari akar kata "esensi" karena mencerminkan kecenderungan alami manusia untuk mereduksi topik dan ide yang kompleks hingga ke esensinya yang paling sederhana. Ini penting selama tahap awal pembelajaran dan pengembangan, di mana abstraksi sulit dan akuisisi sangat penting, tetapi di kemudian hari, ini memberi kita kecenderungan buruk untuk mengkategorikan hal-hal, tempat, dan orang berdasarkan apa yang kita ketahui tentang hal-hal lain, tempat, dan orang. Setidaknya sebagian bertanggung jawab atas stereotip dan prasangka.

Dalam pelanggaran yang jauh lebih ringan, esensialisme juga bertanggung jawab menyebabkan pemasar menggeneralisasi atau mengkategorikan jenis metrik tertentu secara berlebihan. Misalnya, mereka mungkin percaya bahwa rasio pentalan secara inheren "buruk" dan oleh karena itu, rasio pentalan harus selalu lebih rendah—meskipun orang yang terpental mungkin merupakan hal yang baik jika mereka bukan bagian dari target demografi Anda.

Tidak ada cara mudah untuk menghentikan pikiran Anda mengembara ke arah ini, tetapi Anda dapat mengupayakan netralitas dengan memperlakukan setiap metrik sebagai memiliki sifat positif dan negatif; lihat setiap metrik apa adanya tanpa mencoba menguranginya ke posisi "baik" atau "buruk" secara universal. Ini sangat penting untuk ciri-ciri yang berkaitan dengan perilaku pengguna, yang bersifat kualitatif dan terkadang tidak dapat diprediksi.

Bias Optimisme

(Sumber Gambar: Masmi)

Saya pikir kita semua tahu seperti apa bias optimisme itu. Kita semua pernah merasakannya dalam satu aplikasi atau lainnya, dan kebanyakan dari kita masih mengalaminya sepanjang kehidupan kita sehari-hari. Tidak, ini tidak ada hubungannya dengan apakah Anda menganggap diri Anda "optimis" atau "pesimis" secara umum—sebaliknya, ini adalah fenomena psikologis yang terdokumentasi dengan baik yang berlaku untuk kebanyakan orang.

Efek terbesar di sini adalah bahwa orang secara inheren percaya bahwa mereka lebih kecil kemungkinannya daripada rata-rata untuk mengalami peristiwa buruk, terutama jika itu jarang terjadi. Kebanyakan orang tidak pernah berpikir bahwa mereka akan dirampok, atau bahwa rumah mereka akan terbakar, atau bahwa mereka akan kehilangan pekerjaan. Tetapi orang-orang masih melakukannya.

Dalam dunia pemasaran, ini biasanya mengacu pada bencana PR. Sebagian besar merek tidak pernah memikirkan gagasan bahwa statistik media sosial mereka menurun karena komentar bodoh yang mereka buat beberapa waktu sebelumnya, atau percaya penurunan lalu lintas organik mereka bisa jadi karena hukuman serius. Faktanya adalah, hal-hal ini terjadi, bahkan pada merek dan strategi yang cerdas dan terencana. Jangan menghitung diri Anda dari kemungkinan di sini.

Kesalahan Atribusi Grup

Kesalahan atribusi kelompok mendasar terjadi ketika Anda melihat perilaku satu orang, dan segera memproyeksikan sifat orang itu ke seluruh kelompok. Misalnya, di sebuah bar Anda mungkin melihat sekelompok orang di meja terdekat dan salah satunya sangat menjengkelkan, berteriak dan menjerit. Banyak yang kemudian akan segera berasumsi bahwa seluruh kelompok itu menjengkelkan, bukan hanya satu individu.

Dalam arti pelaporan, ini juga dapat berlaku, tergantung pada seberapa luas pengukuran Anda dan apakah Anda menggunakan contoh bukti anekdotal. Misalnya, katakanlah Anda menulis sepotong konten dan segelintir pengguna mulai mengomentarinya secara aktif. Umumnya, komentar adalah pertanda baik bahwa karya Anda menarik atau cukup berharga bagi pembaca Anda untuk terlibat, tetapi dapatkah Anda membuat asumsi ini untuk seluruh kelompok, atau hanya segelintir orang aneh yang kebetulan Anda tangkap?

Ini bukan untuk mengatakan bahwa sampel populasi kecil pada dasarnya tidak berguna—mereka bisa berharga, dan mereka bisa mewakili keseluruhan. Yang penting untuk diingat adalah bahwa mereka tidak selalu mewakili keseluruhan, dan Anda perlu mengimbanginya dengan melihat sampel yang lebih besar.

(Sumber Gambar: Grup Rad)

Intinya untuk sebagian besar bias ini adalah bahwa Anda tidak boleh mengambil apa pun dengan nilai nominal, atau terlalu mempercayai insting Anda. Sebagian besar naluri Anda didasarkan pada fungsi kognitif yang menguntungkan secara evolusioner, yang berarti jika menyangkut logika dan matematika analisis statistik, pikiran kita tidak dapat dipercaya. Perlakukan semuanya dengan tingkat pengawasan sekunder.

Kesalahpahaman dan Salah Tafsir

Seolah-olah semua bias kognitif itu tidak cukup, ada kasus di mana kami bahkan tidak mendefinisikan metrik kami secara akurat. Lupakan bias konfirmasi—jika Anda melihat satu metrik dan mengira itu metrik lain, angka Anda tetap salah. Bagian ini dirancang untuk menjernihkan beberapa titik kebingungan yang paling umum untuk lalu lintas web dan metrik media sosial, tetapi jangan salah—ini jauh dari komprehensif. Anda berhutang pada diri sendiri untuk memeriksa ulang interpretasi Anda atas setiap metrik yang Anda ukur; bahkan satu kata yang berbeda dapat membahayakan keseluruhan konstruksi.

Google Analytics

Google Analytics gratis, mudah dinavigasi, dan andal, tetapi itu tidak berarti selalu mudah. Lihatlah beberapa perbedaan yang mungkin Anda temukan di sini.

• Tingkat bouncing dan tingkat keluar. Jika Anda mencoba memikirkannya secara konseptual, rasio pentalan dan rasio keluar terdengar identik. Mereka bahkan bersebelahan di dasbor default Analytics, tetapi seperti yang Anda lihat di bawah, keduanya bisa sangat berbeda. Pada dasarnya, tingkat keluar hanya berlaku untuk pengguna yang halaman yang dimaksud adalah sesi terakhir mereka. Rasio pentalan mengacu pada pengguna yang halaman yang dipermasalahkan adalah yang pertama dan satu-satunya sesi mereka.

• Pengunjung, kunjungan, dan tampilan halaman. Apa perbedaan antara kunjungan dan tampilan halaman? Bisakah Anda memberi tahu saya tanpa pada dasarnya mengulangi diri Anda sendiri? Ternyata, "kunjungan" terjadi saat pengguna mengakses situs web Anda dari URL eksternal, dan berakhir saat pengguna tersebut tidak aktif selama 30 menit atau lebih (atau jika mereka meninggalkan situs Anda). Tampilan halaman, di sisi lain, dihitung setiap kali seseorang memuat—atau memuat ulang—halaman di situs Anda. Oleh karena itu, satu pengalaman dapat dihitung sebagai satu kunjungan dan beberapa penayangan. Kunjungan juga disebut sebagai "sesi."

• Segmentasi. Metrik yang ditentukan juga mudah disalahartikan saat Anda mengelompokkan lalu lintas dengan tidak benar (atau belum menyegmentasikannya sama sekali). Terkadang, Anda ingin melihat "audiens umum", dan di lain waktu Anda ingin menelusuri sesuatu yang lebih spesifik, seperti pengguna yang menemukan Anda melalui penelusuran atau media sosial—tetapi penting untuk mengetahui perbedaannya. Lihat perbedaan hasil lalu lintas Langsung dan Organik:

• Lalu lintas internal. Anda juga dapat mengubah angka Anda dengan mengizinkan lalu lintas internal dilaporkan di Google Analytics. Secara teknis, Anda tidak salah menafsirkan arti metrik di sini, tetapi Anda mungkin terlalu melebih-lebihkan berapa banyak orang yang benar-benar datang ke situs Anda. Untungnya, mudah untuk menyiapkan filter yang akan mencegah Anda melacak semua rekan kerja dan mitra Anda yang mengakses situs setiap hari (tetapi bukan bagian dari demografi target Anda).

Untuk memulai, buka tab admin dan pilih "Filter."

Ini akan memberi Anda kesempatan untuk "membuat" filter baru; ada beberapa jenis filter untuk dipilih, tetapi biasanya Anda akan memilih yang menyaring pengguna berdasarkan alamat IP atau informasi ISP. Ini akan mencegah Analytics melacak informasi dari pengguna mana pun yang Anda tentukan.

• Permainan angka. Terakhir, ingatlah bahwa angka hanyalah angka. Rasio pentalan Anda mungkin tinggi, tetapi itu tidak berarti semua orang yang keluar tidak tertarik dengan halaman Anda. Rasio klik-tayang Anda dari sosial mungkin bagus, tetapi itu tidak berarti orang-orang menyukai konten Anda. Sangat menggoda untuk mengurangi semuanya menjadi metrik objektif, tetapi penting untuk mengenali metrik objektif tersebut apa adanya.

Media sosial

Selanjutnya, ada beberapa metrik media sosial yang memerlukan eksplorasi.

• Suka (atau mengikuti). Apa pun platform Anda, ada beberapa metrik yang memberi tahu Anda berapa banyak orang yang tertarik dengan merek Anda. Sebagian besar merek berkembang dengan angka ini, baik membual tentang berapa banyak pengikut yang mereka miliki atau mengeluh bahwa mereka membutuhkan lebih banyak "suka". Namun, jangan biarkan metrik ini menipu Anda; itu tidak secara akurat mencerminkan bagaimana perasaan orang terhadap merek Anda, yang jauh lebih penting dalam jangka panjang.
• Wawasan Halaman. Sebagian besar platform sosial menawarkan wawasan halaman, atau yang serupa, yang akan memberi tahu Anda berapa banyak orang yang telah melihat atau mengklik materi Anda. Hati-hati di sini; sebuah "kesan" tidak selalu berkorelasi dengan seseorang yang benar-benar melihat postingan Anda—itu hanya berarti postingan tersebut terisi di umpan berita mereka. "Klik" yang tidak jelas dapat berarti interaksi apa pun, bahkan melaporkan kiriman. Cari tahu apa arti sebenarnya dari metrik yang ambigu ini sebelum menarik kesimpulan penting darinya, dan ingat, setiap platform sosial akan sedikit berbeda—itulah sebabnya saya tidak menggali metrik platform tertentu di sini.

(Sumber Gambar: Facebook)

• Pertunangan. Terakhir, keterlibatan—seperti suka pos, bagikan, dan komentar, semuanya penting dan berharga, tetapi jangan mencoba dan menguranginya menjadi nilai kuantitatif murni. Misalnya, sebuah artikel yang menghasilkan 1.000 saham dapat dianggap populer, tetapi ini tidak mencerminkan seberapa berani kesan yang dibuatnya pada orang-orang yang membagikannya—mereka bisa saja membagikannya hanya karena judulnya yang cerdas. Demikian pula, jangan menganggap komentar sebagai indikasi pasti bahwa orang-orang ini adalah penggemar merek Anda, dan jangan berasumsi bahwa setiap "suka" berarti seseorang membaca dan menikmati karya Anda. Ambil metrik keterlibatan ini dengan sebutir garam.

Kesalahan Perbandingan

Sebagai aturan umum, cara Anda membandingkan metrik satu sama lain memiliki banyak kekuatan atas kesimpulan yang akhirnya akan Anda capai. Misalnya, sangat penting bagi Anda untuk melakukan pengukuran "apel ke apel". Jika Anda akan mengevaluasi kemajuan Anda di area tertentu, Anda perlu mereplikasi kondisi pengukuran Anda setepat mungkin; misalnya, jika Anda melihat rasio pentalan untuk pengunjung organik selama sebulan, Anda tidak dapat membandingkannya dengan rasio pentalan pengunjung sosial selama bulan yang berbeda. Ini mirip dengan membandingkan apel dengan jeruk. Izinkan hanya satu variabel di antara metrik yang dibandingkan, seperti bulan yang bersangkutan atau jenis lalu lintas—saat Anda memasukkan dua, perbandingan akan hancur.

Komunikasi

Ketahuilah bahwa kemampuan komunikatif Anda memiliki pengaruh kuat pada cara orang lain menafsirkan metrik. Satu kata yang salah atau menyesatkan tentang bagaimana metrik tertentu harus dibaca dapat membahayakan interpretasi seseorang tentang metrik tersebut di masa mendatang. Hal ini sangat penting dengan klien; Anda ingin mereka memiliki pandangan yang paling jelas dan seobjektif mungkin, jadi tetaplah rajin dan konsisten sejak awal untuk memberi mereka gambaran lengkap dan akurat tentang metrik pemasaran Anda.

Utilitas dan Nilai

Ada dua takeaways penting mengenai utilitas dan nilai pengukuran dan analisis yang perlu saya bahas. Sejauh ini, panduan saya mungkin membuat Anda percaya bahwa pengukuran secara inheren tidak akurat, atau bahwa mereka tidak layak dilakukan, tetapi ini jauh dari kasusnya. Pengukuran dan analisis sangat penting jika Anda ingin bisnis Anda tetap hidup. Yang benar-benar penting adalah bagaimana Anda mendekati mereka:

Pertama, pengukuran Anda hanya bermanfaat jika objektif . Dan untuk memperburuk keadaan, sangat sulit untuk bersikap objektif (seperti yang Anda lihat dalam daftar bias kognitif saya). Jika Anda membiarkan insting atau prasangka Anda mengambil alih, metrik Anda menjadi seperti cermin—Anda hanya melihat apa yang ingin Anda lihat. Data harus menjadi alat bagi Anda untuk menjawab pertanyaan penting, bukan sarana penegasan diri.

Kedua, jangan mendasarkan semuanya pada angka . Angka-angkanya objektif, itu benar, tetapi berkat teknologi modern, ada terlalu banyak angka. Data dapat dimanipulasi untuk memberi tahu Anda hampir semua hal, dan berkat ketidaksempurnaan manusia, hampir tidak mungkin untuk menghasilkan kesimpulan objektif yang sepenuhnya tidak bias tentang apa pun. Yang penting di sini adalah menjaga tingkat kepercayaan diri yang sehat; jangan ragu untuk menggunakan metrik dan angka Anda untuk membuat kesimpulan, tetapi di benak Anda harus selalu ada bayangan keraguan. Analytics tidak sempurna; Terima itu.

Takeaways Akhir

Meskipun harapan saya adalah membuat panduan yang terperinci dan berharga, saya tahu ini pada dasarnya bukan panduan yang komprehensif. Untuk membuat panduan yang benar-benar komprehensif tentang bias manusia dan kecenderungan kesalahan dalam pemasaran akan membutuhkan jauh lebih banyak sumber daya daripada yang saya miliki dan, sangat mungkin, lebih banyak pengetahuan tentang pikiran manusia daripada yang kita miliki saat ini.

Jika ada satu kesimpulan dari panduan ini, ini dia: tidak peduli seberapa andal data Anda, itu masih membutuhkan pikiran manusia untuk interpretasi, dan pikiran manusia bisa salah. Anda dapat mengurangi kesalahan ini (sebagaimana seharusnya), tetapi Anda tidak dapat menghilangkannya, jadi alih-alih mengharapkannya, mengimbanginya, dan jangan biarkan hal itu membahayakan kampanye pembuatan tautan SEO Anda.