Дигиталната агенција Tivius во периодот од 27 март до 09 мај, вкупно 43 дена, анализираше како неколку фактори влијаат врз продажбата на е-продавницата на нивниот клиент Флорео преку која се врши продажба на мед и медни производи. Заклучоците и моделот според кој анализираа ги споделија со нас, за ние да ги споделиме со Вас :)
Пишува: м-р Благој Ѓелевски, Tivius
–
Факторите кои ги анализиравме се следниве:
- посети на е-продавницата,
- потрошена сума за спонзорирање на социјалните мрежи (фејсбук и инстаграм), и
- ден од неделата.
Секако свесни сме дека има и многу други фактори кои би имале потенцијално влијание врз продажбата, како на пример перцепцијата кон брендот, просечниот приход на купувачите, потрошувачките навики за онлајн купување, други надворешни фактори итн., но ние се фокусиравме на податоците кои релативно полесно можевме да ги собереме.
Целта ни беше со еден оптимален пристап и со што помалку потрошени ресурси, да креираме модел кој ќе ја дефинира варијабилноста на продажбата преку е-продавницата која ја анализиравме.
При статистичката анализа беше користен софтвер IBM SPSS v.23, и беше тестирана корелацијата помеѓу горенаведените променливи т.е. беше анализирано нивното влијание врз продажбата. Понатаму, беше креиран линеарно-регресивен модел со неколку променливи кои заедно објаснуваат 60% од варијабилноста (R2=0,604), што покажува на релативно високата експликативна моќ на моделот.
За нивоа на значајност беа земени следниве вредности: 0,05, 0,01 и 0.001, т.е. одредена корелација ја сметавме за значајна доколку вредноста на p беше помала од 0,05, 0,01 или 0.001.
Посетите на веб страната се клучни
Од статистичката анализа прво што забележавме беше силната позитивна корелација помеѓу продажбата и посетите на веб страната/е-продавницата. Пирсоновата корелација помеѓу двете променливи е 0,687 и врската е значајна на ниво од 0,001 или R (N=43) = 0,687 p < 0,001.
Овој наод и не е за изненадување и значи дека колку повеќе луѓе ја посетуваат онлајн продавницата, толку поголема е веројатноста дека ќе купат од истата. Нашата анализа покажа дека има многу висока позитивна врска помеѓу тие две променливи.
Потребно е помудро, а не поголемо спонзорирање на социјалните мрежи
Како втор фактор кој го анализиравме и кој сметавме дека влијае врз продажбата, беше сумата потрошена за спонзорирање на социјалните мрежи (фејсбук и инстаграм). Од статистичката анализа откривме дека има одредена позитивна корелација помеѓу спонзорирањето и продажбата, и тоа: R (N=43) = 0,417 p < 0,01.
Сепак, иако постои позитивна корелација помеѓу сумата потрошена на спонзорирање на социјалните мрежи и онлајн продажбата, сепак таа корелација не е толку силна и треба да се земе со одредена резерва. Зошто?
Прво, на почетокот и воопшто немаше статистички значајна корелација (после 3 недели спонзорирање), бидејќи фокусот беше ставен на фејсбук кампањи од типот (engagement ads и messaging ads). Така до 25-тиот ден, не постоеше статистички значајна врска помеѓу сумата потрошена за спонзорирање на фејсбук и продажбата на е-продавницата. R (N=25) = 0,230 p = 0.269.
Од друга страна, за компарација, уште во тој период забележавме силна позитивна врска помеѓу посетите на веб страната и продажбата на онлајн продавницата, и тоа: R (N=25) = 0,632 p < 0,01
Некаде после 25-тиот ден фокусот го ставивме на фејсбук спонзорирани кампањи каде се потикнуваат кликови (website clicks) со што и се промени ситуацијата.
Значи спонзорирањето на фејсбук и инстаграм е статистички значајно и е во позитивна корелација со продажбата, само доколку кампањите се од типот (website clicks) и на тој начин потикнуваат повеќе посети на е-продавницата, а нема статистички значајна корелација доколку кампањите се од типот (boost engagement или increase messaging).
Токму затоа, потребно е помудро спонзорирање и фокусот да биде ставен на кампањи кои потикнуваат посети на е-продавницата. Во следна фаза планираме да тестираме и кампањи кои потикнуваат конверзија (conversion ads) т.е. кампањи со ретаргетирање користејќи Facebook pixel.
Во однос на таргет публиката, пробавме неколку варијации со три таргет публики (варијациите се однесуваа на географскиот опсег, на интересите и на возраста), но не најдовме статистички значајни варијации. Сепак, мора да напоменеме дека и сите три таргет публики беа многу слични една на друга.
Денот од неделата е важен за е-продажбата
Иако на почетокот не го сметавме за некој голем фактор, од статистичката анализа дојдовме до заклучок дека денот од неделата влијае врз продажбата.
Пронајдовме статистички значајна врска помеѓу тоа дали денот е понеделник и постигнатата продажба преку е-продавницата: R (N=43) = 0,363 p < 0,05
Врската беше позитивна што значи дека доколку денот бил понеделник, имало поголема продажба преку е-продавницата. Значи веројатноста некој да купи преку е-продавницата е поголема доколку е понеделник, за разлика од друг ден во неделата.
Уште еден ден, за кој пронајдовме дека е статистички значаен и влијае врз продажбата, беше петок. Влијанието на петок беше негативно, т.е. доколку денот бил петок, имало помала продажба преку е-продавницата: R (N=43) = -0,383 p < 0,05. Значи веројатноста некој да купи преку е-продавницата е помала доколку е петок, за разлика од друг ден во неделата.
За останатите денови не беше продајдена статистички значајна врска со продажбата преку е-продавницата.
Опис на моделот, заклучок и препораки
Целта на секој статистички модел е да создаде што попрецизна претстава на реалноста т.е. да даде решение за тоа како од набљудуваните/анализираните податоци да извлечеме заклучоци за целата популација.
Во ова истражување беше креиран линеарно регресивен модел со повеќе променливи (поточно 4 за кои претходно беше пронајдена статистички значајна врска со продажбата).[1]
Y = 1156,1 + 16,6*x1 + 1,2*x2 + 3351,5*x3 + (-2308,9)*x4 + [+error]
Модел: Статистички модел на продажба преку онлајн продавница за храна
R: 0,777
R Square: 0.604
Std. error of the estimate: 3053.203
Вредноста (R2) е мерка која покажува колкава е експликативната моќ на моделот, т.е. колкав дел од варијабилноста е објаснета со факторите кои се земени во моделот. Кај нас тие се: посети на е-продавницата (x1), сума потрошена за спонзорирање на фејсбук и инстаграм (x2), дали е понеделник (x3) и дали е петок (x4).
R2 во нашиот случај е 0,604, што значи дека околу 60% од варијабилноста е објаснета со овие 4 променливи.
Главниот заклучок од истражувањето е дека посетите на е-продавницата (како независна променлива) се клучна детерминанта во моделот и само со нив се објаснува околу 47% од вкупната варијабилност на продажбата.
Препорака од овој наод е да се најде начин да се зголемува бројот на посети на е-продавницата. Тоа зголемување може да биде и на органски начин, а не само со спонзорирање, бидејќи на тој начин се зголемува и профитната маржа. Органското зголемување на посетите може да биде преку ПР статии и линкови до други портали, со SEO (подобрен ранк на Google), како и со емаил маркетинг.
Понатаму, во однос на спонзорирањето на фејсбук и инстаграм, важен заклучок е дека треба да се носат мудри одлуки. Фокусот да биде на потикнување кликови и конверзија, а не толку на engagement и messaging. Исто така, да се спонзорира можеби поголема сума во понеделник, а помала во петок, со цел амплифицирање на ефектот на денот од неделата.
Секој модел, така и овој презентиран овде, не е совршен, туку е обид за објаснување на одреден феномен, (во нашиот случај на е-продажбата како зависна променлива), преку одредени фактори (независни променливи). Ние со нашиот модел објаснивме околу 60% од варијабилноста на онлајн продажбата.
Сепак останува за понатамошна анализа влијанието и на други фактори (променливи). Како пример, може да тестираме фактори како: перцепцијата кон брендот, дали се нудат попусти и акции, просечниот приход на купувачите, потрошувачките навики за онлајн купување, други надворешни фактори итн. За собирање на овие податоци може да се искористат онлајн анкети, фокус групи и сл.
Интересно за анализа би било и тоа што повеќе влијае врз зголемување на посетите на веб страната. Тука може да се анализираат варијации од различни постови (варијации на неколку текстови и варијации на различни типови на фотографии/креативи).
Сепак, оставаме простор за идна подетална и поопсежна анализа, каде би се агрегирале податоци од повеќе онлајн продавници и од подолг временски период.
