Et eksempel på hvordan vi arbejder med ClickDimensions-data gennem Power BI

En af vores kunder havde udfordringer med, at de modtog mange formularindsendelser i deres ClickDimensions-løsning uden at kunne se afsenderen. At kende afsenderen var essentielt for at kunne bruge disse formularer, da vores kunde ellers ikke vidste, hvem de kunne kontakte, hvilket resulterende i en tabt salgsmulighed.

Vi skræddersyede en Power BI rapport for at løse udfordringerne hvor vi:

Først kvantificerede og tydeliggjorde problemets omfang for at vide præcis, hvad vi havde med at gøre:

Her kan vi hurtigt konstatere at der er en udfordring idet 89% af de totalt 248 indsendte formularer er indsendt uden en afsender.
* Al data der vises er fiktive data.

Vi gjorde informationen tilgængelig på en måde, så vores kunde nemt kan agere på baggrund af den – vi gjorde det muligt at gå fra de overordnede tal til detaljerede lister over:
Hvilke formularer fejler på denne måde – så kunden kunne rette op på disse og minimere fejlen fremadrettet:

Det fremgår tydeligt at der hovedsageligt er udfordringer med formularen ”Download ROMI Dashboard”.
* Al data der vises er fiktive data.

De specifikke indsendelser med fejl, inklusiv information som gjorde kunden i stand til at afkode afsenderen af formularerne og dermed genvinde den tabte salgsmulighed:

Ved at åbne tabellen i forstørret visning får vi yderligere detaljer med som gør det muligt at fremsøge afsenderen i ClickDimensions.
* Al data der vises er fiktive data.

Endeligt inkluderede vi en række KPI’er baseret på vores kundes arbejdsgange, så kunden nu kan følge deres generelle performance på formularer, samt dykke ned i hver enkelt og se hvordan den performer over tid. Kunden kan nu nemt og hurtigt til enhver tid svare på spørgsmål såsom:
Hvilke formularer virker? Hvilke gør ikke? Hvordan udvikler det sig?

Ved at krydsfiltrere kan vi se at ud af alle vores 30 forskellige formularer, er der 7 specifikke som har haft indsendelser med fejl på – én af disse står bag langt de fleste fejl.
* Al data der vises er fiktive data.

Hvilke af vores formularer bliver brugt? Hvilke gør ikke? Hvordan udvikler det sig?
     
Vi kan se hvilke formularer der er blevet indsendt over tid, dermed udviklingen i hvilke formularer der anvendes…
* Al data der vises er fiktive data.

     
… samt hvor mange indsendelser der har været for formularer totalt i den periode vi har angivet i vores filter.
* Al data der vises er fiktive data.

Hvilke kampagner genererer formularindsendelser? Hvordan udvikler det sig?
     
Her ser vi en god blanding af, hvilke kampagner der genererer formularindsendelser…
* Al data der vises er fiktive data.

     
… mens vi på den overordnede historiske total nemt kan se, at der er en enkelt kampagne, ”Market research 2021”, som genererer markant flere formularindsendelser end de resterende.
* Al data der vises er fiktive data.

Hvor mange formularer indsender hver enkelt besøgende? Hvordan udvikler det sig?

Her kan vi se at der for det meste kun indsendes én formular for ét besøg, om end der i juni 2021 (se grafen til venstre) blev indsendt en større mængde formularer fra få besøg.
Ligeledes kan vi se (se grafen til højre) at de samme 120 ip adresser står bag samtlige af de 248 formularindsendelser, betydende at mens der typisk kun indsendes én formular per besøg, er det ofte fra en besøgende som tidligere har indsendt en formular.
* Al data der vises er fiktive data.

Udover at filtrere hele rapporten til kun at vise data på specifikke parametre:

Kan vi krydsfiltrere på hvilket som helst datapunkt som er indeholdt i rapporten, betydende at vi med et enkelt klik kan se eksempelvis alle formularindsendelser med fejl under en specifik kampagne, hvilke afsendere der er på indsendelser af en specifik formular, eller noget helt tredje:
Kunden begyndte at bruge vores rapport ikke blot til jævnlig opfølgning, men ligeledes til deres rapportering, og har nu set en mærkbar effekt i mængden af salgsmuligheder som de rent faktisk kan arbejde med.