Yleisön ymmärtäminen & analytiikka

Examples – How to Turn Data into Actionable Insight in a Newsroom

These 18 slides are a presentation I gave in Helsinki Wednesday in an event organized by EzyInsights, titled ”How Magazines and Broadcasters Succeed on Digital”. I’ll put the slides here in my blog so that the internet can find them. To be clear: actionable insight in this context simply means any concrete way that data can help make better content. And to be more clear: least consumed content does not mean you should not do it – but you should maybe try and do it differently.

Näyttökuva 2017-11-28 kello 17.29.57

Näyttökuva 2017-11-29 kello 14.43.04

Näyttökuva 2017-11-28 kello 18.02.53Näyttökuva 2017-11-28 kello 17.30.44Näyttökuva 2017-11-28 kello 17.30.51Näyttökuva 2017-11-28 kello 17.30.57Näyttökuva 2017-11-28 kello 17.31.05Näyttökuva 2017-11-28 kello 17.31.13Näyttökuva 2017-11-28 kello 17.31.23

Näyttökuva 2017-11-29 kello 9.24.03.pngNäyttökuva 2017-11-28 kello 17.31.35Näyttökuva 2017-11-28 kello 17.31.43Näyttökuva 2017-11-28 kello 17.31.50Näyttökuva 2017-11-28 kello 17.31.57Näyttökuva 2017-11-28 kello 17.32.04Näyttökuva 2017-11-28 kello 17.32.10Näyttökuva 2017-11-28 kello 17.32.18Näyttökuva 2017-11-28 kello 17.32.25

 

Normaali
Yleisön ymmärtäminen & analytiikka

Analytiikan tulevaisuus on siinä, kenen elämään oikeasti vaikutit, sanoo blogivieras Jaakko Lempinen

Jaakko_Lempinen-photo

Lempisen Jaakko.

Se on täällä! Nimittäin Numeroiden takaa -blogin kolmekuukautisen historian ensimmäinen henkilöhaastattelu. Jututin kollegoideni parissa analytiikkaguruksikin tituleerattua Jaakko Lempistä, joka työskentelee Ylessä tittelillä Head of Customer Experience. Jaakko vastaa asiakaskokemuksesta eli miettii, miten asiakkailla eli sisältöjen katselijoilla, kuuntelijoilla ja lukijoilla olisi mahdollisimman hyvät oltavat. Hän tuli Yleen viime vuonna A-lehdistä, missä vastasi konsernin datan ja analytiikan kehityksestä.

Kerrotko hieman työnkuvastasi?

– Hahmotan sen arvon ympärille. Hyvä asiakaskokemushan muodostuu siitä, kun asiakkaan odotukset ylitetään. Esimerkiksi Applen on nykyään vaikea ylittää asiakkaiden odotukset, koska iPhonelta odotetaan niin valtavasti. Jotta odotukset voidaan ylittää, pitää tietää, mitä asiakas odottaa eli mitä asioita hän arvottaa. Jos tiedämme mitä asiakas arvostaa, voimme purkaa osiin asiat, jotka siihen vaikuttavat. Sen jälkeen tiedämme, mitkä asiat meidän pitää tehdä hyvin, jotta onnistuisimme ylittämään nämä asiakkaan odotukset.

Jotkut puhuvat datasta, jotkut analytiikasta ja jotkut data-analytiikasta, mutta puhutaan me nyt selkeyden vuoksi analytiikasta. Mitä analytiikka sinulle määritelmällisesti tarkoittaa?

– Analytiikan tehtävä on arvon luominen asiakkaalle. Mitä analytiikka sitten käsitteenä on, niin minulle se jakautuu kolmeen osaan eli deskriptiiviseen, prediktiiviseen ja preskriptiiviseen

Eli suomeksi?

Deskriptiivinen on sitä tutuinta eli operatiivisen toiminnan kuvaamista analytiikan keinoin. Katsotaan tehtyä työtä ja mikä tieto hyödyttää, jotta voidaan luoda paremmin arvoa asiakkaalle, tai ylipäätään tehdä työtä helpommin. Tällä hetkellä kovassa nousussa on prediktiivinen puoli eli ennustava tieto, jossa ihmisiä eli asiakkaita katsomalla pyritään selvittämään, mihin he ovat suunnilleen menossa, jotta voisimme paremmin ymmärtää esimerkiksi, millaisia tuotteita he tulevaisuudessa aikovat käyttää. Pitää siis katsoa vähän pidemmälle kuin nykyhetkeen, esimerkiksi puolen vuoden päähän. Preskriptiivinen taas on autonomista ihmisestä riippumatonta analytiikkaa. Esimerkiksi robottijournalismissa robotti voi tiedostaa, että tietynlaisia juttutyyppejä, vaikka jääkiekkotuloksia tietyltä alueelta, pitäisi olla enemmän. Robotti osaa kirjoittaa jutun, tarjoilla sen ja lähettää vielä notifikaation.

Markkinoinnin automaatio on myös tätä preskriptiivistä analytiikkaa?

– Kyllä, täydellisessä maailmassa. Nykyään vielä liian usein deskriptiivisen analytiikan jatke.

Miten sisältötaloissa on mielestäsi kehitytty onnistumisen mittaamisessa?

– Oma historiani mediataloissa ulottuu vuoteen 2006 eli 11 vuoden taakse. Haluaisin sanoa, että kehitys on ollut tasaista kuin eteenpäin vievä virta, mutta kyllä se on enemmän ollut vaihtelevaa: on tullut äkillisiä muutoksia esimerkiksi johtamismalleihin tai lehden levikkiin tai ohjelmien katsojamääriin, mikä on pakottanut sisällöntuottajat ja organisaatiot miettimään uudestaan, miten asioita pitäisi tehdä ja tässähän analytiikka on ollut kuin lähde janoiselle tai pullo, mihin on viimeisillä voimilla tartuttu. Enenevässä määrin käännytään nykyään kuitenkin analytiikan puoleen jo aikaisessa vaiheessa, että mitä oikeastaan pitäisi tehdä. Siinä on se isoin muutos. Alkuvaiheessa iso osa työstä kului ihan vain sen selittämiseen, miksi se analytiikka on tärkeää. Sellaista ei onneksi enää niin paljon ole.

Selittäminen on ehkä muuttunut sellaiseksi, jossa kerrotaan, miten analytiikkaa pitäisi tulkita oikein?

– Joo. Jos puhutaan rooleista, mistä hyvä analytiikkatiimi muodostuu, niin nykyäänhän kovassa nosteessa ovat data scientistit ja data engineerit. Kyllä mä enenevässä määrin tahtoisin puhua myös sinunkin tyyppisistä rooleista (Ylen uutis- ja ajankohtaistoiminnan audience editor, joka on ison osan ajasta läsnä sisällöntekijöiden arjessa), joissa ollaan hyvin lähellä toiminnan muuttamista. Joku muistaakseni eilen käytti termiä intervention consultant tai vastaava, jonka tehtävä on keskeyttää toimintamalli, muuttaa toiminta ja poistua. Uskon itse enemmän sellaiseen tavallaan vierihoitomalliin.

Eli käytännössä niin, että tullaan, tehdään jotain ja tullaan viisi kertaa uudestaan? Toistetaan, toistetaan, toistetaan…(naurua).

– Joo. Sitä se on, toistoa.

Ylessäkin on aikaa sitten siirrytty klikkien tuijottamisesta palveluissa käytetyn ajan tuijottamiseen, mikä on trendi maailmalla. Sinun lempisanontojasi on, että ”it is not about the time spent but about the time well spent”. Mitä sillä tarkoitat?

– Se johtaa juurensa vaikuttavuuteen. Kaupallisella puolella minua hieman häiritsi mainoskontakteista puhuminen. Yhtäkkiä kaikki oli liidejä (potentiaalisia asiakkaita), ja vieläkin se mua vähän riivaa. Jos lasketaan yhden tuotteen kohdalla sujuvasti yhteen esimerkiksi kaikki katsojamäärät eri alustojen videoista ja puhutaan miljoonien katsojamääristä, niin se on ihan ok ja ymmärrän miksi näin tehdään, mutta ongelma on se, että mikä on ollut sen sisällön vaikuttavuus. Mihin olet oikeasti vaikuttanut? Montako ihmistä siellä toisessa päässä on, joiden elämä on jollain tapaa muuttunut?

– Minua häiritsee ajatus, että lasketaan hienonkuuloisilla termeillä kontakteja, kun pitäisi laskea arvoa. Vähän aikaa sitten kuuntelin podcastia, jossa puhuttiin siitä miksi tavoitteet on perseestä. Se on hieno ajatus, koska ne on! Kun ihmisille antaa tavoitteita, ne tekevät niitä tavoitteita. Tarkoitan, että on väärin sanoa että tee juttu, jota luetaan keskimäärin viisi minuuttia. Siinä unohtuu, mikä sen jutun merkitys on lukijalle. Siksi toivoisin, että keskustelisimme enemmän siitä, miten voisimme todentaa sisällön arvoa ja millaisilla tavoitteilla saavutetaan suurempi arvo.

Kai sen arvonkin täytyy olla tarkkaan mitattavissa?

– Totta kai, kaiken pitäisi olla. Mutta tavoitteet ja mittarit olisi ylipäänsä hyvä mieltää välineurheiluksi, ne ovat vain väline parempaan lopputulokseen.

Jotta onnistumista voidaan mitata, tavoitteiden täytyy olla ylipäänsä mitattavissa ja sellaisia, että mahdollisimman moni voi niihin aidosti sitoutua. Tämä yhtälö ei välttämättä ole simppelein mahdollinen kun tehdään luovia sisältöjä. Miten sisältötaloissa osataan mielestäsi asettaa tavoitteita ylipäänsä?

– Me olemme menneet tässä paljon eteenpäin ja erityisesti meillä halutaan mennä eteenpäin. Se on hirveän tärkeää. Oikeaa vastausta ei ole, vaan pitää ymmärtää, mikä tukee parhaalla mahdollisella tavalla sekä sisällöntuotantoa että arvon muodostumista siellä vastaanottavassa päässä. Nyt me ajattelemme vielä aika paljon, mitä meidän omassa päässä tapahtuu. Tavoitteiden ei niinkään tarvitse olla isoja kuin vaikuttavia.

Miten arvoa voi mitata tulevaisuudessa?

– Riippuu kontekstista. Tulevaisuuden mittaaminen on sekoitus uudentyyppisen käytösdatan ja laadullisen datan mittaamista. Käsitys arvosta muodostetaan sitä kautta. Meidän pitää tietää nykyistä enemmän sisällönkulutuksen motiiveista ja konteksteista ja yhdistää se dataan, jota saamme sisältöjen käytöstä.

Laadullinen tarkoittaa, että ihmisiltä kysytään, mitä mieltä he ovat, mikä tuntuu joskus hassulta, koska kaikki eivät vastaa läheskään sen mukaan, mikä heidän todellinen käyttäytymisensä on (”en lue iltapäivälehtiä” —> oikeasti luet). Eikö nykyään jo aika hyvin osata verrata kysyttyä ja mitattua dataa toisiinsa?

– Suurin ongelma on, että ne ovat kauhean kaukana toisistaan. Kyselydata liittyy toiseen kohderyhmään, toisiin käyttäjiin ja toisiin tilanteisiin. Eli jos sinulta kysytään syytä johonkin jota olet tehnyt kuukausi sitten, vastaus saattaa olla nyt aivan toinen kuin tapahtumahetkellä. Kyse ei ole pelkästään tietojen yhdistelemisestä, vaan myös tiedonkeruusta. Ne pitäisi tuoda yhteen, jotta voisimme seurata, miten ihmisten vastaukset alkavat muuttua, kun muutamme omaa toimintaamme.

Onko se mielestäsi hyvin tuotettua arvoa sisältötalossa, jos on X määrä porukkaa, joka aina vaan jaksaa palata takaisin? Tapakäyttö siis.

– Kyllä. Mutta se voi olla myös huonoa arvoa. Jos palaa useasti, johtuuko se siitä että asiakas ei ole ensimmäisellä kerralla löytänyt etsimäänsä? Vai onko se niin, että se on hänen tapakäyttöään? Meidän on pyrittävä koko ajan ymmärtämään, miksi ihmiset käyttäytyvät niin kuin käyttäytyvät. Tämä liittyy myös palvelussa käytettyyn aikaan. Onko viisi minuuttia jutussa vietettyä aikaa huonompi kuin 10 minuuttia? Entä jos on hitaampi lukija? Keskiarvojen sijaan pitäisi kyetä puhumaan ihmisistä.

Tuo on hyvä pointti. Buzzfeedin datapomo totesi hiljattain, että väestön tuijottamisesta meni teho, yksilö on nyt kuuminta hottia. Ihmisiä ei voi keskiarvoistaa. Pystyykö analytiikka koskaan huomioimaan sitä, että ihmiset ovat yksilöitä?

– Kyllä, uskon niin.

Usein tuntuu, että yritetään oppia onnistumisista pikemminkin kuin epäonnistumisista, vaikka jälkimmäinen olisi hedelmällisempää. Vaikkapa Facebook-sisällöissä epäonnistumisista oppiminen tuntuu korostuvan. Miten hyvin osaamme oppia epäonnistumisistamme?

– Kun puhutaan sosiaalisesta mediasta, monesti tulee mieleen että siinä tekemisessä on sisäänrakennettuna kulttuuri, että on ok epäonnistua. Ehkä muussa mediassa se tahtoo mennä niin, että lähtökohtaisesti onnistutaan ja jos ei onnistuta, kyllä data kertoo meille, miksi onnistuimme. Meidän pitäisi rohkeammin myöntää, mitä ei ainakaan ensi kerralla kannata tehdä. Tämä on vaikea aihe siksi, että onnistumisen pakko on juurtunut aavistuksen liian syvälle.

Mitä pitäisi tehdä, että datasta oppimisesta tulisi luonteva osa yrityskulttuuria?

– Jos puhutaan visiotason työstä, se vaatii sitoutumista koko organisaatiossa ihan ylintä ja alinta kerrosta myöten. Samalla pitäisi ymmärtää uudella tapaa myös tavoitteiden ja mittareiden roolit toiminnan ohjaamisessa. Ja tietenkin sitä, että ymmärretään tavoitteiden ja dataohjautuvuuden välinen symbioosi. Läpinäkyvyys ja tiedonkulku on todella tärkeää.

 

 

 

Normaali