post
Data Analyst
Kinh nghiệm học tập
1165

Quy trình phân tích dữ liệu trong Marketing - Công cụ và các kỹ năng cần thiết

Nếu bạn đang tìm hiểu và muốn khai thác giá trị của dữ liệu vào trong các hoạt động marketing, hãy cùng tham khảo quy trình phân tích dữ liệu trong marketing được chia sẻ trong bài viết dưới đây.

Tại sao phân tích dữ liệu lại rất quan trọng trong các hoạt động Marketing?

“Data is fact" là câu nói nổi tiếng tóm gọn giá trị của dữ liệu trong mọi lĩnh vực, ngành nghề hiện nay, đặc biệt có ảnh hưởng rất lớn đối với các công việc có liên quan tới chuyển đổi số như Digital Marketing. Phân tích dữ liệu trong Marketing nhằm tìm ra các vấn đề, giải pháp có căn cứ từ nguồn dữ liệu khách hàng đã có, giúp loại bỏ đi các yếu tố cảm tính, chủ quan, gia tăng sự chính xác của các quyết định và hiệu quả của các chiến lược tiếp thị.

 

Ngoài việc tìm ra nguyên nhân của các vấn đề hay góp phần vào việc đưa ra những chiến lược marketing có tính hiệu quả cao, thì phân tích dữ liệu chuyên sâu còn có thể giúp doanh nghiệp hoặc các marketer tạo ra các mô hình thống kê, tự động hóa các hoạt động marketing. Ví dụ như:

  • Marketing Mix Modeling: Kỹ thuật đo lường hiệu suất quảng cáo không cần sử dụng bất kỳ dữ liệu cấp người dùng nào bằng cách xác định các mối tương quan trong dữ liệu chi tiêu quảng cáo thông qua công nghệ Machine Learning, mô hình giúp bạn dự đoán ROAS và tối ưu hóa ngân sách cho tương lai.
  • Marketing Attribution: kỹ thuật phân bổ ngân sách và tối ưu hoá tại từng điểm chạm trong hành trình khách hàng tự động. 

Như vậy có thể thấy, nếu biết phân tích dữ liệu, bạn có thể khai thác được nguồn sức mạnh vô tận của dữ liệu để phục vụ cho công việc Marketing của mình, bao gồm cả việc tăng hiệu suất performance và tự động hoá quá trình làm việc thông minh hơn.

 

Trên thực tế, người làm Digital Marketing vẫn đang làm công việc phân tích dữ liệu hàng ngày trên một số công cụ hỗ trợ phổ biến như Google Analytics, Google Tag Manager, Tiktok Analytics, Facebook Analytics,... Tuy nhiên, việc phân tích này chỉ có thể thực hiện trên từng kênh tiếp thị, dữ liệu phân bổ rời rạc và quy trình phân tích không được tối ưu khiến các marketer dễ đi sai hướng, không thể đưa ra một báo cáo cụ thể cho một chiến dịch marketing tổng thể. 

 

Vậy quy trình phân tích dữ liệu trong marketing hoàn chỉnh sẽ như thế nào? Cùng đi chi tiết dưới đây nhé. 

Quy trình phân tích dữ liệu trong Digital Marketing

Quy trình phân tích dữ liệu trong Digital Marketing thông thường sẽ trải qua 5 bước: 

 

Bước 1: Xác định đúng câu hỏi cho bài toán phân tích dữ liệu. 

Bước 2: Thu thập và kéo dữ liệu về nơi xử lý dữ liệu trung tâm. 

Bước 3: Xử lý, làm sạch dữ liệu. 

Bước 4: Tiến hành phân tích.

Bước 5: Trực quan hoá dữ liệu. 

Bước 6: Tìm ra insight và trình bày. 

 

Bước 1: Xác định câu hỏi để thu thập dữ liệu chính xác 

 

Xác định vấn đề là bước đầu tiên và rất quan trọng cho quá trình phân tích. Bạn phải xác định được bài toán phân tích của mình là để trả lời cho câu hỏi gì, từ đó mới biết nên lấy những dữ liệu nào và cách phân tích ra sao. 

 

Một số người khi phân tích dữ liệu quên mất end user (có thể là manager, CEO, bộ phận sale, kế toán….) cần điều gì. Nếu không xác định được mục tiêu phân tích, bạn sẽ dễ bị đi sai hướng hoặc làm quá nhiều thứ không liên quan. Ví dụ, sếp của bạn muốn một báo cáo phân tích dữ liệu hành vi khách hàng trên website để làm cơ sở cho các hoạt động inbound marketing, mà bạn lại đi thu thập dữ liệu từ nguồn social thì kết quả phân tích đem lại không phù hợp với yêu cầu trên. 

 

Dưới đây là một số câu hỏi bạn có thể đặt ra trước khi bước vào thu thập, phân tích dữ liệu: 

  • Bạn cần phân tích dữ liệu để trả lời cho câu hỏi gì? 
  • Ai sẽ là người cần xem báo cáo phân tích dữ liệu của bạn?
  • Đâu là những dữ liệu có liên quan đến vấn đề mà bạn cần tìm kiếm? 
  • Nguồn của dữ liệu sẽ là gì? 
  • Phương pháp phân tích dữ liệu của bạn sẽ là gì? 
  • Phần mềm/Công cụ bạn sẽ sử dụng là gì?
  • Bạn cần trình bày kết quả phân tích dữ liệu của bạn như thế nào cho phù hợp?

 

Một công cụ hữu ích cho bước này bạn có thể tham khảo là User Story. 

 

Bước 2: Thu thập dữ liệu 

 

Sau khi xác định được mục tiêu, bước tiếp theo cần làm chính là thu thập dữ liệu. Trong Marketing, có những loại dữ liệu chủ yếu sau: 

 

  • Dữ liệu quảng cáo (Advertising Data): là toàn bộ các thông tin liên quan đến chiến dịch quảng cáo, được đo lường từ các nền tảng quảng cáo như Facebook, Google, Tik Tok,... Ví dụ như: Reach, Impression, Click, Engagement, View, Lead,…
  • Dữ liệu khách hàng (Customer Data): Là tất cả dữ liệu liên quan đến khách hàng như: Nhân khẩu học (Tên, tuổi, địa chỉ), hành vi (số lần mua hàng, số lần truy cập website, click vào đâu, xem gì nhiều nhất,...). 
  • Dữ liệu kinh doanh (Business Data): Là tất cả dữ liệu liên quan đến việc vận hành hay kết quả kinh doanh của doanh nghiệp. Dữ liệu này được đo lường bằng các hệ thống nội bộ của doanh nghiệp như CRM, OMS,… hoặc các bên thứ 3 như Google Analytics, Appsflyer, Adjust,… Ví dụ như: Lượt truy cập Website, đơn hàng, khách hàng tiềm năng, doanh số, khách hàng mới, ROI,…

 

Tuy nhiên, dù đến từ những nguồn nào hay thuộc loại hình dữ liệu nào thì các bảng biểu dữ liệu cũng sẽ được xây dựng dựa trên 3 khái niệm: metric, sub-metric và dimension

 

METRIC: Metric là chỉ số hoặc các dữ liệu dạng số dùng để thể hiện định lượng. Các dữ liệu ở dạng Metric có thể dễ dàng tính toán bằng các phép tính thông thường. Một số ví dụ về metric là: Số lượng truy cập Website, doanh số, lợi nhuận, số lượng khách hàng, số đơn hàng,…

 

DIMENSION: Dimension là thuộc tính, giúp mô tả dữ liệu, hoặc nói dễ hiểu hơn là các lớp cắt. Ví dụ như: Tên, ngày tháng năm, vị trí, loại chiến dịch, giới tính,… chính là các Dimension để làm các lớp cắt trong quá trình báo cáo hoặc phân tích.

 

Khi thu thập dữ liệu, bạn sẽ dựa theo 3 khái niệm này. 

 

Ví dụ, khi muốn phân tích hiệu quả của chiến dịch Performance Marketing trên Facebook, bạn sẽ cần thu thập các loại dữ liệu sau: 

  • Key metrics: Doanh số (quy mô) và ROAS (hiệu quả về chi phí quảng cáo);
  • Sub-metrics: Impression > Click > Add to card (ATC) > Đơn hàng và CPM > CPC > Cost per ATC > CPO > ROAS;
  • Dimension: Chia theo các lớp cắt về tập đối tượng người dùng, kênh quảng cáo, nhóm sản phẩm, Creative,…

 

Với những loại dữ liệu này, bạn có thể thu thập trên các công cụ phân tích quảng cáo như Google Analytics, Meta Business, Adwords, Appsflyer, Adjust,... 

 

Sau khi đã thu thập xong các dữ liệu cần thiết, bạn cần phải tập hợp chúng vào cùng một nơi để dễ xử lý và phân tích. Với các công ty vừa và nhỏ, thì có thể sử dụng các công cụ có sẵn trên Internet như Looker Studio hoặc Google Sheet, SuperMetrics,zapier, Funnel,... Với những doanh nghiệp lớn có team Data hoặc Business Intelligence thì thường có data warehouse - bộ lưu trữ dữ liệu điện tử, cho phép truy vấn và xử lý dữ liệu ngay trên đó. Một số ứng dụng data warehouse được sử dụng phổ biến như: snowflake, Google Bigquery, Azure,... 

 

Bước 3: Xử lý và xác minh dữ liệu

 

Sau khi thu thập dữ liệu từ nhiều nguồn, bạn sẽ có một núi thông tin dữ liệu khổng lồ. Và sự sai sót trong dữ liệu là điều không thể tránh khỏi. Vì thế bạn cần phải lọc và làm sạch dữ liệu. 

 

Một số công việc bạn cần lưu ý trong quá trình này như: 

  • Loại bỏ những dữ liệu trùng lặp và sai định dạng. 
  • Chỉnh sửa trường dữ liệu bị bỏ trống. 
  • Nhóm các loại dữ liệu cùng định dạng hoặc cùng mục tiêu. 
  • Xác minh nguồn dữ liệu. 

 

Những công cụ bạn có thể thực hiện ở bước này là Excel, Google Sheet, Looker Studio. Mình có thể sử dụng để lọc, xóa những dữ liệu trùng, thay đổi định dạng dữ liệu, nhóm dữ liệu để dễ dàng cho quá trình phân tích. Tuy nhiên, khi bạn có quá nhiều dữ liệu (hàng nghìn tới hàng triệu dữ liệu) cần phải xử lý, thì những công cụ phân tích chuyên nghiệp sẽ hỗ trợ các marketer tốt hơn trong quá trình này như ngôn ngữ truy vấn SQL hay ngôn ngữ lập trình Python.

 

Bước 4: Phân tích dữ liệu

 

Sau khi đã có trường dữ liệu được xử lý, bạn tiến hành vào bước phân tích. Có 4 phương pháp phân tích chính như: 

 

Phân tích mô tả (Descriptive Analysis): Sử dụng dữ liệu thô trong quá khứ để trả lời câu hỏi "Điều gì đã xảy ra?" 

Phân tích chẩn đoán (Diagnostic Analysis): Trả lời câu hỏi "Tại sao nó xảy ra?" 

Phân tích dự đoán (Predictive Analysis): Trả lời cho câu hỏi "Điều gì có thể xảy ra?"

Phân tích đề xuất (Prescriptive Analysis): Trả lời cho câu hỏi “Chúng ta nên làm gì tiếp theo?”. 

 

Ví dụ, để tìm ra nguyên nhân chiến dịch Marketing đa kênh của tháng này thấp hơn so với KPI đặt ra, bạn áp dụng phương pháp phân tích mô tả và phân tích chẩn đoán. Bạn thực hiện các bước phân tích như sau: 

 

Phân tích theo Metrics

Để phân tích theo chiều này, việc đầu tiên cần làm là cần hiểu rõ chỉ số chính được cấu thành bởi các chỉ số nào, từ đó đi sâu vào vấn đề của từng chỉ số. Lấy ví dụ bên trên ta sẽ có công thức như sau:

ROAS = Revenue/ Advertising spend

= (Order x AOV) / (CPM * Impression/1000)

= Click x CR x AOV/ (CPM * Impression/1000)

= CTR x CR x AOV x 1000 / CPM

 

ROAS không đạt như Target chủ yếu là vì CPM tăng quá cao và AOV giảm quá nhiều

ROAS không đạt như Target chủ yếu là vì CPM tăng quá cao và AOV giảm quá nhiều.

 

So sánh các chỉ số này so với mục tiêu ban đầu đặt ra, ROAS không đạt như Target chủ yếu là vì CPM tăng quá cao và AOV giảm quá nhiều. Từ đây, có thể đưa ra một vài giải thuyết cũng như các giải pháp cho chiến dịch sắp tới như sau (lưu ý đây chỉ là ví dụ nên chỉ đưa ra các giả thuyết cơ bản nhất, các bạn hoàn toàn có thể đưa ra nhiều lập luận và giải thuyết hơn):

  • CPM tăng cao có thể do vấn đề cạnh tranh giữa các đối thủ tăng mạnh mẽ trong thời điểm diễn ra chiến dịch 11.11, bởi vì hầu như tất cả các thương hiệu đều sẽ đầu tư chi tiền nhiều hơn trong giai đoạn này. Hoặc, CPM tăng cao có thể do tỷ lệ cân đối giữa chi phí quảng cáo quá cao so với quy mô tập khách hàng nhắm tới thì quá nhỏ,… Nhìn chung, doanh nghiệp nên kiểm tra lại về nhóm đối tượng, từ đó cân nhắc việc mở rộng đối tượng mục tiêu hoặc chọn thời điểm chạy chiến dịch khác để hạn chế sức cạnh tranh của thị trường;
  • AOV giảm có thể đến từ việc chọn sản phẩm để đẩy quảng cáo có giá trị thấp hơn so với các chiến dịch trước,… Lúc này có thể cân nhắc lựa chọn lại các sản phẩm có giá trị cao hơn để đẩy, hoặc đưa ra các khuyến mãi theo dạng Bundle (kết hợp bán nhiều sản phẩm cùng lúc) hay khuyến mãi cho đơn hàng có giá trị từ 1 mức nhất định trở lên.

 

Phân tích theo Dimension

Để phân tích theo chiều này đòi hỏi phải thể hiện kết quả ở nhiều dimension khác nhau để tìm kiếm Insights. Ví dụ như với đề bài bên trên, có thể cắt lớp kết quả chiến dịch dưới nhiều góc nhìn từ nhóm khách hàng, nhóm sản phẩm, nhóm Creative, kênh quảng cáo,…

Quy trình phân tích dữ liệu trong Digital Marketing 2.png

Phân tích theo các lớp cắt từ nhóm khách hàng

 

Quy trình phân tích dữ liệu trong Digital Marketing 3.png

Phân tích theo các lớp cắt từ kênh quảng cáo

 

Nhìn vào các bảng biểu trên, có thể thấy có sự khác biệt rõ ràng giữa các nhóm khách hàng và kênh quảng cáo cụ thể:

  • Nhóm khách hàng: khách hàng đã từng ATC, đã từng mua hàng, đã từng tương tác với Fanpage của Brand mang lại ROAS tốt hơn rất nhiều so với nhóm khách hàng mới. Vậy, để cải thiện được ROAS chúng ta có thể cân nhắc phân bổ thêm ngân sách cho các tập khách hàng này mang lại hiệu quả cao;
  • Kênh quảng cáo: Cần tận dụng nhiều hơn các kênh về Onsite search trên các nền tảng Ecommerce như Shopee, Tiki, Lazada,… để cải thiện về chỉ số ROAS.

 

Ngoài ra, với những bài toán phân tích phức tạp để trả lời cho các câu hỏi khó hơn. Ví dụ: “Làm thế nào để đánh giá xem mức KPI giao cho team trong năm nay có phù hợp hay không” thì bạn cũng có thể áp dụng một số kỹ thuật phân tích dữ liệu chuyên sâu như: 

Phân tích tổ hợp (Cohort Analysis)

Phân tích hồi quy (Regression Analysis)

Phân tích chuỗi thời gian (Time Series Analysis)

 

Để thực hiện được các kỹ thuật phân tích này, đòi hỏi người thực hiện phải có kiến thức về technical, thường sẽ được làm bởi các bạn Data Analyst hay Business Intelligence Analyst. Tuy nhiên, Marketer cũng nên tìm hiểu và nên có hiểu biết cơ bản về kiến thức này để tận dụng vào công việc chuyên môn của mình. 

 

>>> Xem thêm: Khoá học Data Analyst - Đào tạo toàn diện kiến thức, kỹ năng phân tích dữ liệu trong 6-8 tháng

 

Bước 5: Trực quan hoá dữ liệu 

 

Trực quan hoá dữ liệu là biến những dữ liệu thô thành bảng, biểu khoa học để người xem có thể dễ dàng nhìn ra được thông tin, xu hướng, Insight cần thiết, đồng thời nắm bắt được thông tin muốn truyền tải.

 

Với bước này, bạn cần có về biểu đồ cơ bản để sử dụng phù hợp với từng loại dữ liệu. Các phần mềm bạn có thể sử dụng tính năng mô hình hoá dữ liệu trong Google Sheet, Looker Studio. Bên cạnh đó, bạn có thể sử dụng các phần mềm trực quan hoá dữ liệu chuyên dụng như Tableau hay Power BI,... với kho template biểu đồ đa dạng và cho phép trực quan hoá được đa dạng các loại dữ liệu và có nhiều tính năng nâng cao khác. 

 

Trực quan hóa dữ liệu

 

Bước 6: Kết luận và trình bày

 

Đây là bước cuối cùng và được xem là bước đơn giản nhất trong quy trình Data analytics, nếu thực hiện tốt bước 5 “Phân Tích Dữ Liệu”. Lúc này, cần đưa ra các yếu tố phân tích có ý nghĩa (đưa ra được lập luận đã được kiểm định hay cần được cân nhắc) với sự Backup bởi dữ liệu cụ thể.

 

Từ đó, có thể thấy được vấn đề đang tồn tại và đề xuất được những phương hướng hành động hoặc bài học kinh nghiệm cho các chiến dịch tiếp theo. Thậm chí, doanh nghiệp cũng hoàn toàn có thể ước tính được kết quả tương ứng với từng sự thay đổi/ hành động như dự định.

 

Công cụ bạn có thể sử dụng trong bước này là Jupier Notebook

Kết luận

Trên đây là quy trình phân tích dữ liệu chi tiết trong Marketing. Với sự ảnh hưởng ngày càng lớn của dữ liệu trong Marketing thì việc trang bị kỹ năng phân tích và rất cần thiết với Marketer. Hy vọng với những thông tin trên đây, sẽ giúp ích cho bạn trong quá trình tìm hiểu và có thể ứng dụng thực tế trong công việc chuyên môn của mình. 

 

Nếu bạn muốn trau dồi kỹ năng phân tích dữ liệu, tham khảo ngay KHOÁ HỌC DATA ANALYST tại MindX, giúp bạn sử dụng thành thạo các công cụ và các kỹ năng phân tích dữ liệu cơ bản, phục vụ cho công việc chỉ sau 2 tháng học. 

Chinh phục phân tích dữ liệu chỉ 6 - 8 tháng cùng MindX

Xem chi tiết chương trình học TẠI ĐÂY

Đánh giá bài viết

0

0/5 - 0 lượt bình chọn
Data Analyst