Les 20 principales raisons pour lesquelles les gens interprètent mal les données et les rapports en webmarketing

Les 20 principales raisons pour lesquelles les gens interprètent mal les données et les rapports en webmarketing

Voici les principales raisons pour lesquelles la plupart des gens interprètent mal les données et les rapports concernant l’analytique ;

1. Manque de contexte

Différentes personnes interprètent différemment les mêmes données/graphiques. Tout dépend du contexte dans lequel ils analysent les données et comment ils les interprètent.

Une meilleure compréhension du contexte vous aidera à interpréter les données avec plus de précision.

Le contexte vous permettra d’interpréter plus facilement les données d’analyse avec précision.

Ce n’est qu’en acquérant une bonne compréhension de votre entreprise que vous pourrez réellement connaître le contexte dans lequel vous devez analyser et interpréter les données analytiques.

Il est important de comprendre le contexte afin de tirer le meilleur parti de vos analyses. Vous risquez de gaspiller beaucoup d’argent avec des analyses sans intérêt.

Les optimistes qui ne comprennent pas leur entreprise comprennent moins le contexte dans l’analyse et l’interprétation des données. Ils souffrent de difficultés directionnelles.

Les difficultés directionnelles sont l’incapacité d’aller dans la bonne direction au bon moment. C’est l’incapacité à déterminer :

  • Comment collecter et analyser les données, et quand.
  • Quelles sont les données à examiner ?
  • Quelles données doivent être négligées.
  • Où regarder dans les rapports d’analyse.
  • Transformer les objectifs commerciaux en objectifs tangibles.

Ce n’est pas parce que vous avez accès à des données que vous devez automatiquement les analyser. La pierre angulaire de toute analyse réussie est “d’aller dans la bonne direction”.

La direction que prendra votre analyse déterminera l’orientation de vos campagnes de marketing et, en fin de compte, la manière dont votre entreprise évoluera pour obtenir le meilleur rendement.

Pour trouver la bonne direction pour vos données analytiques, vous devez comprendre le contexte.

Pour comprendre le contexte, vous devez avoir une bonne compréhension de votre entreprise et de votre secteur d’activité, du marché cible, de la concurrence et des objectifs commerciaux.

Si vous n’avez pas une compréhension profonde ou un contexte pour analyser et interpréter les rapports d’analyse, alors vous êtes déjà dans une mauvaise direction. C’est ainsi que vous obtiendrez presque toujours des résultats sous-optimaux pour votre entreprise.

2. Ne pas comprendre l’intention

Si vous ne comprenez pas l’intention derrière les données, les informations, les visualisations ou les interprétations, vous ne serez pas en mesure de reconnaître les biais cognitifs (comme le biais de confirmation, le biais de sélection et le biais d’attribution) dans l’interprétation des données/les rapports.

Quelle est la différence entre des fenêtres d’attribution de clics de 7 jours et de 28 jours ?

Ou pourquoi les rapports de marketing sont dominés. Quelle est leur intention ?

3. Biais d’attribution

Le biais d’attribution se produit lorsque vous faites une supposition, un jugement ou une décision sur la base d’une quantité très limitée d’informations, de contexte et d’intention.

Sauter aux conclusions, faire rapidement des recommandations, juger la couverture d’un livre, se battre pour quelque chose que l’on ne comprend pas en sont autant d’exemples.

Posez des questions, et vous serez en mesure de surmonter le biais d’attribution.

4. Ne pas comprendre l’importance statistique

L’importance statistique signifie “signification statistique”.

Un résultat statistiquement significatif est un résultat qui a peu de chances d’être le fruit du hasard. Si le résultat statistiquement significatif est peu susceptible d’être le fruit du hasard, les résultats statistiquement non significatifs sont plus susceptibles d’être le fruit du hasard.

Le terme “signification statistique” est souvent utilisé dans l’optimisation de la conversion, et notamment dans les tests A/B.

Si le résultat du test A/B n’est pas acceptable,il n’est pas statistiquement significatif. Toute augmentation des résultats d’un test A/B ne se traduit pas par une augmentation des ventes.

Il est facile de tirer des conclusions à partir d’un petit échantillon lorsque l’on ne comprend pas bien la signification statistique.

Les spécialistes du marketing qui ne comprennent pas l’importance et la signification des statistiques dans le marketing sont presque tous des ratés dans la publicité payante.

Voici comment se déroulent la plupart des conversations dans le monde du marketing :

“Nous avons lancé la campagne depuis 3 jours. Elle a donné lieu tout au plus à 30 clics, 3000 vues, 90 euros de dépenses publicitaires jusqu’à présent et aucune vente. Cela ne fonctionne pas. Nous ne pouvons pas nous permettre un CPA de 90 euros. Cette campagne doit être interrompue.

Voici les erreurs que commet le spécialiste du marketing :

  • Il ne faut que 3 jours pour évaluer les performances d’une campagne marketing, puis en tirer des conclusions. Vous avez besoin d’au moins 7 jours de données.
  • Le responsable marketing a décidé de mettre en pause la campagne qui est très probablement encore en phase d’apprentissage. Une campagne en phase d’apprentissage a peu de chances de ne pas produire les meilleurs résultats. C’est comme jeter à la poubelle de la nourriture à moitié cuite parce qu’elle n’est pas savoureuse. Vous devez d’abord cuire correctement la nourriture avant de la goûter.
  • Un CTR de 1% signifie qu’il y a 30 clics pour 3000 impressions. Ce n’est pas considéré comme mauvais en marketing. Avant de pouvoir mesurer le succès d’une campagne, vous devez être en mesure d’identifier les données de référence de votre secteur.
  • Un taux de conversion de commerce électronique doit être de 3,33 % pour obtenir une vente sur trente clics. Est-ce possible pour votre site web, votre niche ou votre secteur d’activité ? Êtes-vous en mesure d’atteindre des taux de conversion similaires grâce à des publicités payantes ?
  • Un CPA de 90 euros est-il élevé ? Tout d’abord, lorsqu’un adset est en phase d’apprentissage, il a tendance à avoir un CPA élevé. Deuxièmement, vous attendez-vous à ce que votre publicité soit rentable dès le début et ce, alors que votre campagne n’a même pas quitté la phase d’apprentissage ?

Votre CPA pourrait baisser si votre campagne est menée suffisamment longtemps. Comme votre pixel publicitaire dispose de plus de données pour trouver le public le plus susceptible de se convertir, il est probable qu’il baissera. Mais, jusqu’à ce que cela se produise, vous aurez probablement un retour sur investissement négatif.

Les statistiques de marketing sont statistiquement insignifiantes. 30 clics publicitaires, 3000 impressions et 3 jours de délai ne sont que quelques exemples.

“La campagne a a généré 10 conversions mais la campagne B n’en a généré que trois, donc la campagne a est plus performante”. La petite taille de cet échantillon ne nous permet pas de tirer de telles conclusions.
Mais les spécialistes du marketing continuent de peaufiner les campagnes sur la base de 50 clics publicitaires ou de 2 conversions, de 1000 impressions, etc.

5. Le paradoxe de Simpson

Le paradoxe de Simpson se produit lorsqu’une tendance qui apparaît dans plusieurs groupes de données différents disparaît ou s’inverse lorsque les groupes sont combinés.

Il se produit lorsque vous ne pouvez pas voir la forêt pour l’arbre. C’est lorsque vous êtes incapable de voir l’ensemble du tableau.

Le paradoxe de Simpson se produit également lorsqu’il y a un manque d’approches multidisciplinaires pour résoudre les problèmes de l’entreprise.

Vous ne pouvez pas établir de liens inattendus entre différentes disciplines (comme le marketing ou l’analytique) et toutes vos recommandations semblent biaisées et cloisonnées. Cela les rend moins utiles.

6. Réductionnisme causal (simplification excessive des causes)

Le réductionnisme causal est une façon de réduire un résultat à une cause unique et claire. Exemple : X entraîne Y. Par conséquent, X est la seule cause de Y.

Vous pouvez également voir d’autres exemples

“Nos ventes n’ont jamais augmenté malgré des mois d’affichage sur LinkedIn”.

Mais qu’en est-il si vous n’avez pas proposé une bonne offre, si vous n’avez jamais lancé de messages sur Linkedin ou si vos messages n’étaient pas conformes à vos objectifs commerciaux.

“Nos ventes ont augmenté de 20% depuis que nous avons commencé à faire de la publicité sur Facebook”.
Mais que faire si l’augmentation de 20% des ventes est principalement due à l’augmentation de 10% du trafic de recherche organique et d’une baisse de 2% du trafic de recherche payante ?

“La campagne A a généré 100 commandes. La Campagne A est donc la seule cause de ces 100 commandes.
Mais que se passe-t-il si la Campagne A a obtenu une aide aux ventes de la part de la Campagne C et de la Campagne D ?

Lorsque vous supposez qu’il n’existe qu’une seule et unique cause pour un résultat, vous tombez dans le “minimalisme causal” (le sophisme selon lequel il n’existe qu’une seule cause).

Cette fausse hypothèse rend difficile la compréhension des véritables schémas d’achat des clients et l’attribution des conversions.

Les rapports d’analyse ne sont pas ce qu’ils disent. Ils sont ce que votre interprétation est. Il y a presque toujours plusieurs causes possibles pour un résultat final.

Tous les problèmes liés à l’attribution peuvent être attribués à l’échec du réductionnisme causal.

7. L’effet Dunning Kruger

Il s’agit d’un type de biais cognitif selon lequel les gens se croient plus intelligents ou plus capables qu’ils ne le sont réellement.

Cela se traduit par le fait de ne pas poser de questions ou de ne pas en poser suffisamment, de faire beaucoup d’hypothèses, de sauter aux conclusions et de parler en termes absolus, ainsi que d’assumer toute la charge de la preuve.

Il y a un problème avec de nombreuses personnes qui ont eu beaucoup de choses dans leur vie professionnelle et qui se considèrent comme des spécialistes en la matière.

En posant trop de questions, ils sapent leurs capacités professionnelles et passent pour des ignorants. Soit ils ne posent pas assez de questions, soit ils ne veulent pas en poser.

Mais voici la vérité. Il est impossible d’être aussi certain des affaires d’une autre personne. Vous ne savez pas ce qui se passe dans leur entreprise.

Vous ne devez pas être certain à 100% que les recommandations que vous faites fonctionneront.

8. L’effet réverbère (ou le principe de recherche de l’ivrogne).

Il s’agit d’un type de biais d’observation qui vous permet d’obtenir vos informations à partir des endroits où il est le plus pratique de chercher.

Par exemple,

  • Ne regarder que les 10 premiers résultats de vos rapports d’analyse.
  • Toujours regarder un ensemble spécifique de tableaux de bord
  • Pas assez de segmentation des données
  • Ne vous fiez pas aux rapports ou aux modèles.

La mauvaise interprétation des données et des rapports analytiques est l’une des principales raisons pour lesquelles les gens font des erreurs.

L’effet réverbère peut vous amener à oublier des détails. Au fil du temps, les performances de votre campagne et de votre site web pourraient devenir superficielles.

Si vous avez l’habitude de regarder toujours le même ensemble de rapports ou de tableaux de bord, il est temps d’en changer.

Jetez un coup d’œil à différents ensembles de mesures. Segmentez les données d’une manière différente. C’est ainsi que vous découvrirez des informations cachées.

9. Biais de confirmation

On parle de biais de confirmation lorsque vous recherchez activement des informations et des schémas dans les données pour confirmer vos théories ou vos croyances existantes.

Il se peut que vous commenciez à voir un modèle ou un schéma dans les données, que vous vérifiiez une hypothèse et qu’elle soit vraie, ou que vous accordiez trop d’importance aux données qui confirment vos croyances.

10. Biais de sélection

On parle de biais de sélection lorsque vous choisissez un échantillon qui ne représente pas toutes les données. Il peut conduire à des conclusions erronées.

Le biais de sélection entraîne souvent de fausses augmentations des ventes en biaisant les résultats des tests A/B.

11. Biais d’observation

Le biais d’observation fait référence à la tendance à prendre les choses au premier degré. Cela conduit souvent à des erreurs d’observation.

La campagne A a un taux de conversion de 5 %, tandis que la campagne B a un taux de conversion de 10 %.
taux.

Sur la base de vos observations, il est possible de supposer que le taux de conversion de la campagne “B” est le plus élevé. Mais il est fort possible que le taux de conversion de la campagne B ne soit pas statistiquement significatif.

12. Erreur cumulée

L’erreur cumulative est une erreur qui augmente avec la taille de l’échantillon de données qui la révèle.

Ainsi, une seule conclusion erronée peut conduire à plusieurs conclusions erronées, ce qui pourrait finalement rendre l’ensemble de votre analyse erronée.

Voici un exemple d’erreur cumulative :

  • Vous avez soumis un rapport sur les performances de vente à votre responsable. Mais le chiffre des ventes figurant dans ce rapport est incorrect.
  • Votre responsable a présenté votre rapport au conseil d’administration en pensant qu’il était exact.
  • Le conseil d’administration a utilisé ce rapport pour prendre une décision commerciale. Tous les membres de votre entreprise ont alors été invités à donner leur avis.
  • Comme la décision était basée sur un rapport erroné, tout employé de votre entreprise qui prend cette décision augmentera la gravité de l’erreur.

Une petite erreur peut rapidement conduire à un échec catastrophique pour toute l’entreprise.

13. S’appuyer uniquement sur des preuves anecdotiques

Il est possible de s’appuyer sur des preuves anecdotiques dans les décisions et les recherches futures. Cela peut conduire à un test défectueux, à une mauvaise interprétation ou à une mauvaise affectation des ressources, voire à des pertes financières.

Par exemple,

Supposons que vous puissiez doubler le taux de conversion de votre client en changeant ses boutons CTA en rouge.

Sur la base de cette preuve anecdotique, vous pourriez donc tirer la conclusion que le fait de changer la couleur du CTA en rouge est une bonne pratique et qu’il est le plus susceptible d’entraîner une augmentation du taux de conversion.

Il est important de se rappeler qu’un seul ou quelques exemples (éventuellement isolés) ne peuvent être considérés comme la preuve définitive d’une thèse plus large.

14. Ne pas comprendre le principe de Pareto Règle des 80/20

Pareto dit que 80 % proviennent de 20 % des données. Cela signifie que seulement 20% des données dont vous disposez sont suffisantes pour produire le résultat que vous souhaitez. Le reste est de la camelote.

Les optimisateurs se concentrent souvent sur l’analyse de 20 % des données. Et cela se produit parce qu’ils sont incapables de mener une analyse hautement ciblée et significative dès le départ.

15. L’effet Woozle

L’effet Woozle est la preuve par citation. C’est lorsqu’une affirmation est fréquemment citée sans preuve à l’appui et est donc considérée comme vraie/factuelle au fil du temps.

Par exemple,

Un blog appelé “A” a affirmé qu’un taux de rebond élevé est une mauvaise nouvelle pour votre site Web, mais sans citer aucune preuve.

Dix autres blogs ont affirmé la même chose au fil du temps en citant le blog “A”. Vous finirez par constater que le secteur accepte l’affirmation d’un taux de rebond élevé comme un mauvais signe.

Si vos rapports montrent un taux de rebond élevé, vous pourriez en conclure que ce n’est pas bon.

Sachez que les données présentées ne sont pas factuelles. Faites vos propres recherches et tirez vos propres conclusions.

Ne vous fiez pas aux études de cas pour interpréter les données ou pour prendre des décisions commerciales et marketing.

16.  Le sophisme de la corrélation et de la causalité

Deux choses peuvent sembler liées, mais cela ne signifie pas nécessairement qu’elles sont irréfutablement liées.

Par exemple,

Votre client : “Le trafic de notre site Web a chuté de 50 % la semaine dernière.” Nous sommes également passés du commerce électronique à l’amélioration la même semaine.

Maintenant, si vous tirez la conclusion suivante, vous êtes probablement la proie de l’erreur de corrélation et de causalité :

“Le trafic de leur site a chuté de 50% mercredi dernier parce qu’ils sont passés au suivi amélioré du commerce électronique.”

Si vous souhaitez vraiment trouver une relation entre deux événements/variables, vous le pouvez. Cependant, la simple présence d’une relation entre deux variables n’implique pas que l’une cause l’autre.

En d’autres termes, cela n’implique pas la causalité.

17. Dépendance excessive à l’égard des rapports d’analyse

Les rapports d’analyse ne devraient pas être la première chose que vous regardez.

Je demande souvent à mes clients, par exemple : “Où vivent la plupart de vos clients ?”

Cette question peut facilement trouver une réponse dans Google Analytics.

Mais je continue à poser cette question parce que je ne suis pas sûr que le rapport GA que je regarde me donne un aperçu précis. Il se peut qu’il y ait un problème dans la collecte des données ou dans l’échantillonnage des données, ce qui fausse les données d’analyse.

Je veux que mon client ait la même compréhension que mon rapport analytique. Cela me permet de détecter rapidement les anomalies et les données.

Si mon client me dit que ses produits les plus vendus sont “X” mais que mon rapport de commerce électronique me dit que les produits les plus vendus sont “Y”, alors mon client ou mes données analytiques sont erronés.

Dans les deux cas, je dois faire un travail de détective.

L’un des plus gros problèmes lorsqu’on essaie de tout comprendre par soi-même, c’est que nous avons tendance à faire plus d’hypothèses sur les problèmes auxquels nos clients sont confrontés.

Nous formons alors des hypothèses autour d’eux et échouons souvent de manière spectaculaire.

Poser beaucoup de questions aux personnes qui dirigent une entreprise est le meilleur moyen d’acquérir une solide compréhension de celle-ci.

Vous devez comprendre que les questions relatives à l’entreprise ne peuvent jamais être répondues avec précision par quelqu’un d’autre que les personnes qui la dirigent réellement.

Vous devez comprendre que l’analyse des données et les tests A/B ne peuvent remplacer les connaissances acquises par votre client au fil des années de gestion d’une entreprise prospère.

Quel est l’intérêt de passer des heures et des jours à chercher des informations et des idées qui sont déjà connues de quelqu’un dans votre organisation ?

Votre temps serait mieux employé à trouver des réponses aux questions auxquelles personne ne peut répondre.
Mais pour cela, vous devez connaître les questions qui ont déjà reçu une réponse.

18. Ne pas être au courant des activités/événements qui peuvent avoir un impact significatif sur vos données.

Chaque activité, nouvelle, événement ou changement qui pourrait avoir un impact significatif sur vos données, quotidiennement ou hebdomadairement, doit être pris en compte.

Ces changements peuvent inclure, mais ne sont pas limités à :

  • Une refonte majeure du site.
  • Lancement d’un nouveau produit, ou d’une campagne promotionnelle.
  • Abandon ou modification d’un produit/processus/campagne.
  • Un changement important dans la gestion ou les politiques de l’entreprise, les budgets marketing, et/ou les processus.
  • Toute modification de votre compte d’analyse numérique, comme l’ajout ou la soustraction de filtres, l’ajout ou la suppression de vues, etc. ).
  • Toute modification de la manière dont les données sont collectées, analysées et intégrées.
  • Un changement marqué dans le comportement des consommateurs.
  • Un changement important dans le paysage concurrentiel (comme l’entrée d’un concurrent puissant et important).
  • Toute nouvelle positive ou négative concernant votre entreprise et vos concurrents.
  • Des changements dans l’économie, les conditions du marché, etc. qui peuvent tous affecter vos données.

En étant dans la boucle, vous pouvez être informé de ces changements.

Être dans le coup signifie être conscient et en contact avec ce qui se passe autour de vous, de votre organisation ou de celle de votre client.

Être “dans le coup” signifie être présent dans tous les domaines de votre organisation et de celle de votre client.

Cela signifie que vous devez être présent à chaque réunion de l’équipe de marketing, à chaque réunion du conseil d’administration et à chaque courriel dans lequel des décisions importantes sont prises.

votre :

  • Société
  • Site(s) web
  • Campagne(s) promotionnelle(s)
  • Processus commerciaux
  • Budgets de marketing
  • La collecte et l’intégration des données actuelles.

19. Ne pas maintenir une base de données à jour des changements importants qui peuvent affecter vos données de manière significative

Vous devez tenir à jour une base de données de tous les changements qui ont un impact significatif sur vos données, chaque jour.

Prenons l’exemple suivant :

  • Notez la date et l’heure auxquelles vous avez installé le code Facebook sur votre site web.
  • Notez la date, l’heure et la durée de toute interruption du serveur si le site web était en mode maintenance.
  • Notez le jour et l’heure où vous avez lancé ou arrêté une campagne de marketing.
  • Gardez une trace de toutes les modifications apportées à votre site.
  • Informez votre équipe marketing de toute modification du budget marketing, ou de tout changement dans la manière dont les données sont actuellement recueillies ou intégrées.
  • Notez tous les changements qui pourraient avoir un impact immédiat ou significatif sur vos données.

#20 Ne pas comprendre les mathématiques et les statistiques qui sous-tendent l’analyse Web et l’optimisation de la conversion

L’analyse des données sans une compréhension de base des mathématiques et des statistiques aboutira très probablement à des conclusions erronées et à des pertes d’argent.

L’utilisation correcte des statistiques et des mathématiques est l’une des meilleures façons d’interpréter les données.

L’apprentissage des statistiques et des mathématiques vous permet d’aiguiser votre esprit critique et logique. Cela fera de vous un meilleur spécialiste du marketing ainsi qu’un analyste.

Les connaissances en mathématiques et en statistiques vous permettront d’interpréter les données avec précision et de repérer rapidement les anomalies.

Par exemple, si vous voyez que le taux de conversion rapporté est composé d’un très petit échantillon de données, vous savez instantanément qu’il ne peut pas être statistiquement significatif (c’est-à-dire qu’il est statistiquement significatif).

Les rapports de Google Analytics contiennent de nombreuses moyennes. Il est facile de mal interpréter les moyennes si votre connaissance des moyennes n’est pas complète.

Les rapports GA peuvent vous donner un aperçu médiocre ou inférieur à la moyenne.

Par exemple, le ratio est l’une des mesures les plus mal comprises.

De nombreux optimisateurs ne savent pas que les taux de conversion peuvent avoir une corrélation négative avec les ventes et les bénéfices parce qu’ils manquent de compétences en statistiques.

Ils croient que les conversions ont une corrélation positive avec le taux de conversion (c’est-à-dire qu’ils pensent que le taux de conversion est toujours en corrélation avec les ventes, de sorte que les ventes augmentent et que le profit augmente également. Ce n’est pas toujours vrai.

L’utilisation de mauvaises données analytiques ne fera qu’aggraver la situation.

Voici quelques questions à considérer :

  • Q1. Lorsque le taux de conversion de votre site Web passe de 10 % à 12 %. S’agit-il d’une augmentation de 2 % du taux de conversion ou d’une hausse de 20 % du taux de conversion ?
  • Q2. Si le temps moyen passé sur votre site Web est de dix minutes. Cela signifie-t-il que les visiteurs ont passé dix minutes en moyenne à naviguer sur votre site Web ?
  • Q3. Si le taux de conversion de la campagne A est de 1% et celui de la campagne B de 5%, cela signifie-t-il que la campagne B est plus performante que la campagne A ?

Le monde de l’entreprise n’est pas très indulgent envers les erreurs commises par les optimisateurs. Si nous rapportons que

Toute notre analyse est maintenant remise en question par le saut du taux de conversion de 10% à 12%.

Instantanément, nous jetons une ombre sur le reste de notre analyse. La première pensée qui viendra immédiatement à l’esprit du destinataire sera.

De nombreux analystes web ne sont pas sûrs du rôle des statistiques ou des mathématiques dans le monde de l’analyse web. De nombreuses personnes ne connaissent pas le rôle des statistiques et des mathématiques en matière d’optimisation de la conversion.


Laisser un commentaire