Marknadsföringsprocessen för tillväxt: 5 steg för att köra ett experiment

vetenskapsbägare

Tillväxtmarknadsföring är en datadriven metod för att optimera specifika områden av ditt företag genom experiment. Tillväxtmarknadsförare fokuserar vanligtvis sina ansträngningar på de sex “pirat”-metriska områdena, medvetenhet, förvärv, aktivering, intäkter, retention och hänvisning (AAARRR).

Här är fem steg för att genomföra ett tillväxtmarknadsföringsexperiment på ditt företag.

Steg 1: Identifiera vilket område som behöver mest uppmärksamhet

Innan du kan starta ett experiment för tillväxtmarknadsföring måste du ha ett rapporteringssystem på plats som kan spåra effekten av varje förändring du gör. Du måste också ha en baslinje för hur ditt företag presterar inom de sex piratmätningsområdena.

När du har den basdatan kan du identifiera vilka områden du gör bra ifrån dig och var du behöver förbättra dig. När du väl har etablerat det högnivåområde du vill fokusera på, dela upp det i mikromöjligheter.

Till exempel, för ett par år sedan, märkte New Breed utrymme för förbättringar i våra förvärvsinsatser: specifikt var vår MQL-till-SQL-omvandlingsfrekvens lägre än den borde ha varit. Vi bestämde oss för att ytterligare undersöka potentiella orsaker till problemet och utveckla ett experiment för att förbättra våra omvandlingar.

Steg 2: Designa ett experiment runt ditt utsedda fokusområde

Det första steget för att designa ditt tillväxtmarknadsföringsexperiment är att utveckla en hypotes. När du vet vad du vill förändra måste du komma på sätt att göra den förbättringen. Den förändringen kan vara så liten som att skriva om en webbsidesrubrik eller så stor som att designa om hela sidan.

Bestäm vilken åtgärd du tror kommer att orsaka den största förändringen och skapa sedan din hypotes genom att fylla i dessa tomrum: “Med tanke på [our current data]tror vi att ta [this action] kommer att påverka [these results] förbi [this much].”

Ha SMART-målramverket i åtanke när du skapar din hypotes. Om din hypotes inte är specifik, mätbar, uppnåbar, relevant och läglig, kommer du inte att kunna erhålla genomförbara resultat från ditt experiment.

Beskriv sedan ett experiment som kommer att testa din hypotes. Ditt experiment kommer faktiskt att behöva påverka din hypotes och bör inkludera någon form av baslinje som du kan jämföra dina resultat mot.

Om du till exempel optimerar ett befintligt element eller en sida kan du A/B-testa den nya versionen mot den gamla versionen för att se vilken som presterar bättre. Om du implementerar en ny strategi kan du jämföra data som samlats in efter den ändringen med data som samlats in i förväg.

När vi utformade vårt experiment för att förbättra vår MQL-till-SQL-omvandlingsfrekvens märkte vi att vårt MQL-resultat baserades på både passform och intresse. Det ledde till att människor från okvalificerade företag blev markerade som MQLs på grund av deras engagemang i vårt innehåll.

Vi antog att vi kunde öka MQL-till-SQL-omvandlingarna genom att ändra våra MQL-kriterier så att de bara tar hänsyn till passform. Vi trodde att det skulle leda till att fler bra leads skickades till försäljning, vilket skulle göra det lättare för dem att konvertera dem.

Förutom att öka vår MQL-till-SQL-omvandlingsfrekvens, förväntade vi oss också att färre MQL:er skulle markeras som okvalificerade.

Steg 3: Implementera experimentet

Kör ditt experiment under en angiven tidsram eller tills dina resultat har statistisk signifikans. Genom att sätta riktlinjer på plats innan du startar ditt experiment kommer du att förhindra att du drar för tidigt slutsatser. Du måste ha tålamod.

Det är normalt att se drastiska skillnader direkt efter att en förändring genomförts, men dessa resultat kommer att jämnas ut med tiden.

Försök dessutom att testa en sak i taget. Ju fler variabler du lägger till, desto svårare är det att definitivt identifiera orsaken till resultaten du ser. Om du redan kör ett experiment i ett område, vänta tills det är över innan du påbörjar ytterligare tester.

I vårt experiment ändrade vi vårt ledningssystem. Vi delade upp passform och intresse i två separata kvalificeringsstadier. Under det nya systemet identifierades våra leads enbart på intresse. Sedan skapade vi en lista i vårt CRM med alla minimikrav för att passa oss. Alla som blev medlem i den listan var kvalificerade som MQL.

Vi genomförde detta experiment under loppet av ett år, och eftersom vi inte bara kunde ändra våra leadskvalifikationer för bara en del av vår databas, hade vi ingen kontroll utan jämförde istället resultaten efter årets slut med data som samlades in innan experimentet startade.

Steg 4: Analysera dina resultat

När ditt experiment är över, jämför dina resultat med din ursprungliga hypotes. Nådde du dina mål?

Om ditt experiment underpresterade, gick det så dåligt att du vill sluta sträva efter den vägen för förbättring? Eller såg du bara otillräckliga resultat som kräver ytterligare testning?

Om ditt experiment validerade din hypotes eller överträffade förväntningarna, hur kan du använda dina resultat för att förbättra ditt företags processer ytterligare?

När du analyserar dina resultat, se till att din kontroll eller baslinje är direkt relaterad till ditt experiment. Om det finns en säsongsvariation i ämnet för ditt experiment bör du jämföra dina resultat med motsvarande säsong.

Till exempel, ett företag som säljer och servar luftkonditioneringsaggregat kommer förmodligen att stänga flest affärer på sommaren när det är som varmast. Om de experimenterar med sin försäljningsprocess under den säsongen bör de jämföra resultaten med försäljningen under tidigare somrar i motsats till våren och vintern fram till sommaren.

Utöver det bör du titta på trender i branschen under experimentets varaktighet. Om alla i ditt område såg samma förändring, berodde dessa resultat förmodligen på andra faktorer.

I slutet av vårt experiment tittade vi på datapunkterna vi hade identifierat i vår hypotes: MQL-TO-SQL-omvandlingsfrekvens och antalet diskvalificerade MQL:er. Vi såg en drastisk minskning av antalet diskvalificerade MQL:er, men antalet SQL:er vi konverterade ökade inte som vi hade förväntat oss.

Steg 5: Starta ditt nästa experiment

Syftet med ett tillväxtmarknadsföringsexperiment är att påverka en nyckelprestandaindikator (KPI) som påverkar ditt övergripande piratmätområde. Om resultaten av ditt experiment tillräckligt förbättrade ditt företags resultat inom det området, kan du börja om från steg 1 och identifiera nästa område för förbättring.

Om ditt experiment inte fick dig helt till ditt mål bör du börja om från steg 2 och titta på olika sätt att påverka din KPI eller olika mätvärden som kan påverka din övergripande prestation inom området där du experimenterar.

Eftersom vår SQL-konverteringsfrekvens inte ökade som vi ville, bestämde vi oss för att undersöka andra faktorer som kunde vara inblandade, som uppföljning och svarstid.

Takeaway:

Tillväxtmarknadsföring är ett metodiskt, datadrivet sätt att förbättra prestandan för ett visst område inom ditt företag. Tillväxtmarknadsföring, eller “growth hacking” som det ibland kallas, har hjälpt många företag att optimera sina strategier – det är därför det är trendigt.

Men bara för att du arbetar med marknadsföring betyder det inte att du behöver göra tillväxtmarknadsföring. Det finns många delar av marknadsföring som du bara borde göra, och du behöver inte tillväxtmarknadsföring för att berätta vad de är. Om du inte har definierade köparpersonligheter behöver du inte köra ett experiment för att veta att att etablera en målgrupp hjälper dig att skapa mer effektivt marknadsföringsmaterial.

Du börjar inte med tillväxtmarknadsföring. Tillväxtmarknadsföring kommer till spel efter att du redan följer bästa praxis när du arbetar för att ta alla dessa ansträngningar ett steg längre.

Relaterade Artiklar

Back to top button