Även om information från internet är bra är den inte kraftfull på egen hand. Den måste masseras och analyseras om den ska bli till kunskap. Det vet nog alla idag.

Och det är också målet med ”Business Intelligence”. Business Intelligence består av strategier och teknik som används av företag för dataanalys av företagsinformation. BI-tekniken ger historiska, aktuella och prediktiva vyer på affärsverksamheten (Wikipedia).

Ett verktyg för BI är Google Analytics. Ett gratisverktyg som kan hjälpa verksamheter i alla storlekar att bättre förstå hemsidebesökare och identifiera vilka åtgärder som leder till önskade resultat. Rätt implementerat levererar Google Analytics obegränsat med Business Intelligence värde inom marknadsföring och försäljning för alla typer av verksamheter.

Men om inte Google Analytics masseras på rätt sätt blir det överväldigande och ger egentligen ingenting.

Kraften i datadrivna beslut

De flesta av oss har en bra uppfattning om affärslandskapet och har utvecklat erfarenhet kring vad som är ”bra arbete”. Samtidigt finns det tillfällen när våra kognitiva fördomar eller ”bias” grumlar vårt beslutsfattande.

En kognitiv bias är en typ av fel i tänkande som uppstår när människor bearbetar och tolkar information i världen runt dem. Kognitiva fördomar är ofta ett resultat av hjärnans försök att förenkla informationsbehandling. De är tumregler som hjälper dig att skapa mening i världen och nå beslut med relativ hastighet.

När du gör bedömningar och fattar beslut om världen runt dig tycker du att du är objektiv, logisk och kan ta in och utvärdera all information som är tillgänglig för dig. Tyvärr försvårar dessa fördomar ibland oss, vilket leder till dåliga beslut och dåliga bedömningar.

Det finns över 100 olika kognitiva fördomar. Infografiken sist i inlägget från Business Insider beskriver 20 av de vanligaste som påverkar vårt beslutsfattande i såväl arbets- som privatliv.

Och bästa sättet att minska kognitiv bias är att lita på data för att fatta beslut. Även om det finns risk att bias kan smitta data genom det sätt data samlas in och struktureras.

Datadrivna organisationer är tre gånger mer sannolika att rapportera betydande förbättringar i beslutsfattandet, enligt PwC Global Data and Analytics Survey genomförd 2016. Ju mer ett företag betecknar sig som datadrivet, desto bättre blir det på objektiv mätning av finansiella och operativa resultat säger undersökningen.

Samtidigt svarade 62 procent av cheferna i PwC: s globala undersökning att de fortfarande litar mer på erfarenhet och råd än på data för att ta affärsbeslut.

Google Analytics och datadrivna beslut

En kognitiv bias som mycket enkelt kan påverka insikterna från Google Analytics heter Observationsförskjutning eller strålkastareffekt. Observationsförskjutning uppträder när forskare bara tittar där de tror att de kommer att hitta positiva resultat eller där det är lätt att spela in observationer.

Enkelt uttryckt, när vi letar efter något där det är lättare att titta, inte nödvändigtvis på bästa stället. Detta är ett vanligt oavsiktligt problem som människor har när de använder Google Analytics, särskilt när de arbetar i standardkonfigurationer.

Om man jämför Google Analytics med gränder i en stad, har Google Analytics många mörka gränder som måste lysas upp om inte strålkastareffekten ska inträffa, det vill säga man letar bara där det är upplyst.

Ett exempel:

Varukorgen – Som standard spårar inte Google Analytics transaktioner på hemsidan. Då kan man fråga sig hur insikter erhålls om hemsidan hjälper eller stjälper försäljningen om inte intäkterna spåras? Här är det väldigt mörkt.

Och även om e-handelsspårning är aktiverat är den mörka gränden inte slut. Transaktioner som mål i Google Analytics är inte uppsatta eller visualisering av kanaler (funnel visualization) med olika steg i konverteringsprocessen.

Här är ett exempel på visualisering av kanaler i Google Analytics.

Det här kan se ut som en upplyst parkeringsplats, inte riktigt. Kassan visar det sig innehåller Ajax-kod med två olika interna sidor, leveransinformation, etc. Så dessa steg måste separeras med virtuella sidvisningar för att tända lamporna. Sedan lägga till de i visualisering av kanaler.

Från början var det kolsvart utan någon data till tända lampor där vi upptäcker att framförallt mobila användare lämnar i kassan med 5 gånger lägre konverteringsgrad än användare via stationära datorer. Vi kan också identifiera att det beror på tekniska problem i kombination med användargränssnittet.

Andra exempel på mörka gränder som är lätta att lysa upp är: