Hvorfor du bør stole på dataene (og ikke din mavefornemmelse) for at få succes med e-handel

Læs transskriptionen:

Vi prøver at transskribere vores podcasts ved hjælp af et softwareprogram. Bær over med eventuelle stavefejl, da botten ikke er korrekt 100 % af tiden.

Francois Marchand: Data. Der findes så meget data derude. Hvad sker der, når tallene ikke stemmer overens med din forretningsmæssige intuition? Har tallene altid ret? Hvordan sporer og anvender du datafund for at træffe bedre beslutninger? Det er gode spørgsmål, ikke? 

Velkommen til The Ecomm Manager Podcast. Vores mission er at hjælpe dig med at få succes på din e-handelsrejse gennem nyttige råd fra eksperter, der har opnået stor succes. Jeg er din vært, Francois Marchand. 

I dag har jeg selskab af Matt Ranta. Han er leder af praksisområdet for digital transformation, e-handel og strategi hos Nimble Gravity. Og vi skal tale om, hvorfor du bør stole mere på dataene end på din mavefornemmelse for at få succes med e-handel. Så lyt med for at opdage bedste praksis inden for indsamling og analyse af data til e-handel, hvilke målepunkter e-handelschefer ofte overser, og hvordan data er afgørende for at få din virksomhed til at vokse.

Vi er meget glade for at have dig med i programmet i dag, Matt. Velkommen til The Ecomm Manager Podcast. 

Matt Ranta: Ja. Mange tak, fordi jeg måtte være med. Jeg glæder mig til samtalen. Først og fremmest sætter jeg pris på muligheden. 

Francois Marchand: Lad os tale lidt om dig og det, du laver hos Nimble Gravity. For dem, der ikke kender dig: Hvad er Nimble Gravity først og fremmest? Og hvordan endte du med at arbejde for virksomheden?

Matt Ranta: Ja, helt sikkert. Nimble Gravity er en gruppe konsulenter og et samarbejdende team af eksperter, der brænder for dataens kraft. Vi mener, at data i mange tilfælde – næsten alle – er bedre end holdninger. Og vi forsøger at integrere det i de områder, vi arbejder med, nemlig e-handel, strategi for digital transformation, datalogi, analyse og også udvikling. 

Det omfatter blandt andet at opbygge ingeniørteams, der arbejder på softwareprodukter for virksomheder. Vi har eksisteret i omkring tre år. Jeg kom med i organisationen, fordi den består af en række tidligere venner og tidligere kolleger. Mange af os arbejdede sammen i en tidligere organisation, Arrow Electronics, og vi fandt derefter tilbage til hinanden på dette tidspunkt. Ja, det er rigtig sjovt. 

Francois Marchand: Hvad laver en leder af praksisområdet for digital transformation, e-handel og strategi helt præcist? 

Matt Ranta: Ja, det er et godt spørgsmål. Det kan være mange forskellige ting. Det kan være alt fra at hjælpe et nyt brand med at lancere deres allerførste website til at rådgive en organisation, der er i gang med en omfattende digital transformationsproces, om de erfaringer, vi tidligere har gjort os. Hvor vi fandt udfordringer, hvilke platforme vi brugte og ikke brugte, og måske hvorfor, samt at hjælpe dem gennem udvælgelsesprocesser – der er mange muligheder.

Fra et strategisk perspektiv kan det også være ting som at evaluere organisatoriske talenter og forstå, hvordan tingene foregår der, arbejde med agil udvikling og implementere den i en organisation. Det kan gå hele vejen til management consulting og ledelsesstrategi, som man måske ser hos en større organisation, for eksempel et af de typiske Big Four-konsulenthuse.

Francois Marchand: Du arbejder med mange virksomheder. Hvor mange kunder har Nimble Gravity lige nu? 

Matt Ranta: Vi oplyser ikke det præcise antal, men det er et tocifret antal. Det er ikke et trecifret antal. Et højt tocifret antal, vil jeg sige, og de er meget forskellige. Vi arbejder for eksempel med en organisation, der beskytter dyreliv og hjælper med at overvåge dyrenes aktiviteter samt aktiviteterne i naturreservater og bevaringsområder og den slags. 

Organisationen leverer software til det personale, der overvåger stedet eller området, hvad det end måtte være, og hjælper dem med at administrere det. Vi arbejder også med tøjbrands, store organisationer inden for medicinsk distribution og alle mulige andre typer virksomheder. Der er en enorm mangfoldighed blandt kunderne. Vi fokuserer ikke kun på for eksempel fintech eller biomedicin. Vi har en meget varieret kundegruppe, så arbejdet er ret interessant. Ja. 

Francois Marchand: Du nævnte data, hvilket naturligvis er noget, du arbejder meget tæt med. Det er noget, Nimble Gravity er eksperter i. At dykke ned i dataene – og det er vel det, vi gerne vil tale om i dag. Hvorfor bør man stole på dataene i e-handel i stedet for på sin mavefornemmelse, når det handler om at finde succes? 

Uanset om det betyder at opbygge et brand fra bunden, maksimere salget eller optimere helt specifikke dele af virksomheden. Lad os tale lidt om det. 

Matt Ranta: Jeg kan give dig et meget konkret eksempel på en mulighed, jeg fik på et tidspunkt i min karriere. Da jeg begyndte hos Arrow Electronics, blev vi hentet ind som en gruppe personer for at hjælpe med at gennemføre en digital transformation og fremskynde virksomhedens digitale vækst.

Mange af os kom fra brancher uden for elektroniske komponenter. Derfor havde vi ikke nødvendigvis en forståelse af, hvordan de ingeniører tænkte, som reelt var forbrugerne af produkter inden for elektroniske komponenter. Vi havde måske en forståelse af typiske forbrugere fra min baggrund inden for forbrugerelektronik – mennesker, der køber fjernsyn eller lignende.

For andre kunne det have været en anden branche eller disciplin, for eksempel sportsudstyr. Så vi kom ind og begyndte at teste noget annoncering, blandt andet displayannoncering på medier relateret til elektroniske komponenter, som vi vidste, at ingeniører besøgte, samt samlesider og den slags.

Vi brugte teknikker og paradigmer fra de brancher, vi tidligere havde arbejdet i. Vi havde store handlingsopfordringer og lyse, iøjnefaldende annoncer og den slags, fordi vi ville fange disse menneskers opmærksomhed og få dem til at interagere med annoncerne. Men gæt hvad?

De hadede det. Ingeniører bryder sig slet ikke om den slags. Det, vi fandt ud af, var, at de faktisk foretrak annoncer, der gik i ét med baggrunden, og som måske indeholdt et kredsløbsdiagram for en elektronisk komponent – altså ikke den slags, man typisk ville placere i en traditionel B2C-annonce.

De foretrak dem så meget, at hvis du ved noget om klikrater for displayannoncer, så er de normalt ret lave. De ligger på tiendedele af en procent, ikke? Vi fik klikrater på hundredvis af procent på de annoncer, som vi troede ville fungere. Derefter begyndte vi at få klikrater på to, tre og helt op til 5 % på disse displayannoncer, der havde diagrammer, som gik i ét med baggrunden, og som slet ikke havde nogen handlingsopfordring.

De var altså helt modstridende med det, man normalt ville tro. Og det er netop derfor, man er nødt til at teste ting. Man skal undersøge dataene og forstå, hvad der faktisk sker, fordi kunderne fortæller dig det. Du kan ikke hele tiden tage dine forudbestemte fordomme eller din mavefornemmelse og forvente, at det nødvendigvis giver et 100 % positivt resultat og en stor forbedring i forhold til det, du gør nu.

Francois Marchand: Indebar det en masse A/B-test? Var I nødt til at lave et proof of concept for at nå frem til den konklusion? 

Matt Ranta: Ja, det gjorde vi helt sikkert. Vi arbejdede sammen med nogle både interne og eksterne samarbejdspartnere, der forstod ingeniørernes tankegang lidt bedre, gennemførte A/B-testene og fik dokumenteret resultatet. Derefter fortsatte vi med at fremskynde processen og gentage de annoncer, der fungerede, samtidig med at vi fortsatte med at teste dem, fordi vi blev bedre, jo mere vi gentog processen.

Francois Marchand: Vi talte om klikrater og andre målinger, vi kan bruge i e-handel. Det er naturligvis en vigtig måling, hvis vi taler om landingssider, displayannoncer og så videre. Men hvilket almindeligt målepunkt har e-handelsvirksomheder eller virksomhedsejere tendens til at overse, og hvorfor er det så vigtigt?

Matt Ranta: Det er et godt spørgsmål. Der er faktisk en gruppe på tre, som jeg ret ofte tænker på, og som bliver overset. De hænger alle sammen i forhold til, hvordan man beregner dem: genkøbsrate, købsfrekvens og tiden mellem køb. Det er den slags, der bliver synligt gennem RFM-analyser og den slags.

Grunden til, at jeg mener, at man bør betragte dem som meget vigtige og endda beregne dem helt ned på kundeniveau, så man kan oprette kohorter, er, at man får en forståelse af tidspunktet for køb. Især når det gælder forbrugsvarer, som folk køber igen over tid, kan man se, hvad man skal gøre for at kommunikere med kunderne.

I tidligere roller vidste jeg, at der i gennemsnit gik 121 dage, før 85 % af min købergruppe havde foretaget et andet køb. De foretog et køb på dag et, og på dag 121 kom de tilbage og foretog deres andet køb. Så vidste jeg, at hvis jeg havde en kohorte af personer, der var nået til for eksempel dag 100 uden at have foretaget deres andet køb, burde jeg kontakte dem. 

Jeg burde sende dem et tilbud. Jeg burde sende dem en besked, når de kom ind på websitet. De burde modtage en e-mail fra mig – hvad det end måtte være – alt sammen for at fremskynde købsadfærden. Hvis de så var nået til dag 121 eller længere, havde jeg brug for en fastholdelsesstrategi eller en genaktiveringsstrategi, ikke? 

Jeg skulle begynde at placere dem i en anden e-mailserie eller gøre, hvad der ellers var relevant. Jeg skulle sikre mig, at jeg brugte RLSA, altså Google Ads, til at målrette annoncer mod dem igen, så de så mig, når de ledte efter den samme vare, hvis de måske havde glemt, hvor de købte den, eller hvad det nu kunne være.

Den slags hjælper virkelig med at skabe vækst gennem data og med det sekundære sæt af målepunkter, som mange mennesker ikke er opmærksomme på, synes jeg. Ja. 

Francois Marchand: Så det er den slags, man ville måle ved hjælp af bestemte værktøjer. Man kan gøre det gennem sit CRM-system, sine dashboards og så videre. Hvilke værktøjer bruger du til effektivt at spore målepunkter som genkøbsrate, købsfrekvens og så videre? Og er der nogle, der faktisk gør arbejdet lettere for e-handelschefer? 

Matt Ranta: Det kommer måske til at lyde mærkeligt, men Excel er faktisk et godt værktøj til den slags analyser. Hvis du har en forholdsvis overskuelig mængde købshistorik for kunderne, fungerer det ærligt talt fint. Hvis du arbejder med en million poster, skal du selvfølgelig sandsynligvis flytte dem over i et big data-miljø, noget der kan indlæse og transformere mere end en million poster, hvis du har 5 millioner køb på tværs af dine kunder eller 10 eller 20 millioner. 

Derefter vil du gerne oprette dashboards og rapportering gennem den platform, du foretrækker, hvad enten det er Tableau, Looker eller noget lignende. Her kan du arbejde sammen med dit datalogiteam for at finde frem til beregningerne og derefter få dem ind i rapporter, der opdateres regelmæssigt. 

Du kan finde den slags informationer online. Jeg kan give dig nogle links, som vi kan dele med dit publikum, men der findes gode vejledninger til, hvordan man beregner købsfrekvens, og hvordan man laver RFM-analyser. Begge dele bringer dig frem til det punkt, du har brug for.

Virksomheder som Amazon har også offentliggjort information på Amazon Science om deres modeller for genkøb, og hvordan de gør. Du kan slå det op og lære af mennesker, der har arbejdet med det før, hvordan du selv kan gøre, og hvilke benchmarks de nåede, som du kan holde øje med.

Der findes altså mange gode muligheder, men ethvert datatransformationsværktøj, du føler dig tryg ved, er et godt sted at begynde. 

Francois Marchand: Hvis du er en lille eller mellemstor virksomhed og ikke arbejder på virksomhedsniveau, fungerer Excel sandsynligvis. Google Sheets fungerer sikkert også. Men hvis du vil skalere og gå over til salg i større volumen, er det nok her, du bør investere i disse abonnementsbaserede værktøjer eller SaaS-værktøjer, som måske kan bringe dig til det næste niveau. Er det korrekt? 

Matt Ranta: Ja, helt sikkert. 

Francois Marchand: Hvordan kan sporing af disse data hjælpe dig med at få virksomheden til at vokse? Vi talte om skalering. Hvis du vil skalere, hvordan gør du så det? 

Matt Ranta: Denne type data giver dig alle mulige gode informationer. Den kan indgå i din prognosticering, fordi du forstår, hvornår en kohorte af kunder, der har foretaget deres første køb, sandsynligvis vil foretage deres andet køb.

Du kan indarbejde det i dine fremtidige prognoser sammen med det, du gør for at påvirke udviklingen i mellemtiden. For du får samtidig nye kunder, der foretager deres første køb. Derfor har du et grundlag, hvor du potentielt kan forstå, hvornår de køber igen.

På marketingsiden kan du begynde at foreslå tidspunkter for e-mails til bestemte kohorter, mulige budskaber på dit website eller i udgående kommunikation af enhver art. Du kan også bruge fysisk post, som stadig fungerer rigtig godt. Du kan sende automatiserede postkort baseret på dataene i dine systemer. 

Du placerer et tilbud i en fysisk postkasse og giver nogen et særligt tidsbegrænset tilbud på dit website. På den måde kan du skabe omsætning tidligere, hvis du har brug for det, ved at tilskynde til den slags. Det giver dig også mulighed for at oprette genvindingsmails, så du arbejder med genaktivering og giver folk særlige tilbud.

Det giver dig også mulighed for at gøre det intelligent. I stedet for bare at sende en genvindingsmail til hele din kohorte af personer, der ikke har foretaget et andet køb, ved du, hvilken mindre gruppe der bør modtage den, og hvornår de bør modtage den. På den måde sender du måske ikke et tilbud på 10 % til en forbruger, der sandsynligvis ville have købt igen alligevel.

Du sender et tilbud på 10 % til en forbruger, der måske har glemt dig, er begyndt at kigge et andet sted eller noget lignende. Så giver du ikke rabatter væk, som du ikke behøvede at give. Der er altså mange intelligente måder at gøre det på, og det kan påvirke både virksomheden og den samlede rentabilitet. Det er et fantastisk sæt målepunkter at se på. 

Francois Marchand: Ja. Du får naturligvis sandsynligvis et bedre investeringsafkast, hvis du ikke spilder penge på disse marketingindsatser, især hvis du laver fysisk markedsføring, hvor du ved, at der er omkostninger forbundet med at sende ting ud. Det er vigtigt at spare penge.

Matt Ranta: Helt sikkert. For en ny, ung og lille virksomhed, der forsøger at vokse, er det enormt vigtigt. Ja. 

Francois Marchand: Er det en god måde at opbygge abonnementsmodeller på? Vi taler naturligvis om at kende genkøbsraten og vide, hvor lang tid der går, før nogen køber igen. Kan man opbygge en abonnementsmodel ud fra disse data?

Matt Ranta: Ja, det kan man, og det afhænger af nogle forskellige ting. Hvis du har et færdigpakket kosttilskud eller noget andet, som du gerne vil have folk til at abonnere på, og der er 120 piller i beholderen, og det er meningen, at man tager tre om dagen, har du allerede en fast periode, hvor personen får brug for en ny beholder.

Men hvis du taler om forbrugsvarer, som folk måske ikke bruger i samme mængde, for eksempel ansigtscreme, kan én person være meget gavmild med den mængde, de pumper ud af beholderen, mens en anden er lidt mere sparsom.

Du kan begynde at finde data, der viser, at vi bør sende dette hver 45. dag, eller at det bør være hver 60. dag baseret på størstedelen af vores kunder. Der kan også være tale om fødevarer, som folk indtager forskelligt, eller andre produkter, du sælger. Dataene kan være fantastiske til at fastslå tidspunktet og foreslå det for forbrugerne, samtidig med at du giver dem mulighed for at vælge og får den rette pris. Så ja, det er en god pointe. 

Francois Marchand: Tak for det. Jeg sætter pris på dine input, for vi får mange spørgsmål om abonnementsmodeller, og om de fungerer godt. Amazon bruger dem naturligvis en del. Men hvis man er en mindre virksomhed, der gerne vil begynde at tilbyde den slags model, vil man ikke spilde sin tid på at tilbyde et produkt, som folk ikke har brug for at købe igen lige foreløbig. Det er altså en god måde at spore det på. 

Matt Ranta: Helt sikkert. 

Francois Marchand: Kan man nogensinde stole mere på sin mavefornemmelse end på dataene, når det handler om at skabe succes?

Matt Ranta: Jeg elsker det spørgsmål. For det første findes der faktisk data, der siger ja. Det ville derfor være tåbeligt af mig at ignorere det og sige nej. Det, jeg vil pege på, er innovation og kreative discipliner. Jeg tror, vi kommer til at se langt flere data inden for de to områder, efterhånden som vi fortsætter rejsen med kunstig intelligens, maskinlæring og stadig dybere indsigt på alle livets områder. 

Men når man arbejder med innovation, mangler der ofte data, og der er meget, man ikke kender. Se på iPhone. iPhone har været en utrolig og massiv succes på alle områder. Hvis man går tilbage til dengang, projektet opstod hos Apple, og ser på de mennesker, der var involveret, var der ganske vist en vis interesse for håndholdte computere og lignende. 

Men der var ikke nødvendigvis nok markedsdata, der kunne vise, at man helt sikkert burde gå i gang med at fremstille en iPhone. Hvis du sagde til nogen: “Kunne du tænke dig, at vi kombinerede en lommeregner og et videokamera?”

Ville de svare: “Nej, ikke rigtigt. Jeg kan ikke se nogen grund til, at du skulle gøre det.” Der findes altså ingen data, der kan bevise det 100 %. I stedet er det en mavefornemmelse. Det er intuition. Det er en forståelse af hele markedet og den samlede psykologi på markedet, som mennesker, der virkelig driver innovation og arbejder med kreative discipliner som musik, har. 

Nogle mennesker ved bare, hvad der bliver en hitsang. Der findes ganske vist nu kunstig intelligens og andre værktøjer, der kan analysere sange og også omskrive hitsange. Men jeg tror stadig, at der vil være brug for kreativ involvering i den slags, og at mennesker inden for denne disciplin fortsat må stole på deres mavefornemmelse. Ja. 

Francois Marchand: Hvis man skal skabe et helt nyt produkt eller opbygge en ny kategori, taler vi om kategoriskabelse, som er vigtigt inden for teknologi og nye produkter. Findes der ingen data, der kan hjælpe dig med at finde ud af det, eller gør der? Kan man se på andre virksomheder eller brands, der med succes har opfundet noget nyt, og undersøge dataene fra deres udvikling?

Matt Ranta: Ja, til en vis grad kan man bestemt se deres proces. Man kan se de forsøg og fejl, de gennemgik. Man kan se, hvordan de måske udviklede idéer, testede dem og arbejdede med den slags. Der findes altså data, der kan informere den vej, du bør gå. Men der er ikke nødvendigvis nogen, der tidligere har gået præcis den vej, du selv vil gå, og som kan fungere som en 100 % sikker guide.

Jeg tror, der er lidt af begge dele. 

Francois Marchand: Tror du, at udviklingen inden for kunstig intelligens, som er et så aktuelt emne, vil gøre dataanalyse mere forudsigende? Vil det gøre virksomheden bedre, hvis man begynder at bruge AI-værktøjer til at se på dataene? 

Matt Ranta: Ja, 100 %. Jeg tror, at kunstig intelligens vil bringe os derhen, og at du får en bedre virksomhed, hvis du bruger kunstig intelligens inden for dataanalyse og den slags.

Der dukker allerede værktøjer op, som gør det, og som hjælper folk med præcis det, du spørger om. Det, jeg vil advare folk om, er, at der stadig skal være et vist menneskeligt engagement. Jeg tror ikke, at kunstig intelligens er nået til et punkt, hvor den er 100 % fejlfri. Hvis man ser på CNET, er det et godt eksempel på det.

De har skrevet artikler med kunstig intelligens, og der var en masse faktuelle fejl i artiklerne. De blev kritiseret for det, måtte gå tilbage og omskrive og rette dem samt markere dem anderledes. Jeg tror fortsat, at menneskelig involvering vil være nødvendig på dette område.

Man bliver nødt til at kontrollere, om alt er foregået korrekt, og opnå gyldighed og tillid til et bestemt system og værktøj. Betyder det, at man derefter 100 % af tiden kan undlade menneskelig indgriben? Måske, men ikke nødvendigvis. Jeg vil stadig opfordre folk til at gå tilbage og kontrollere processerne.

Skriver du god kode ved hjælp af kunstig intelligens? Måske. Er den fyldt med fejl, fordi de data, som den har undersøgt, også er fyldt med fejl? Ja, det er den sandsynligvis. Derfor har du nok brug for nogen til at korrekturlæse den, for hvis noget som ChatGPT er trænet på hele internettet, ved du og jeg begge, at der findes god, funktionel produktionskode derude, men også oppustet og ikke særlig god kode.

Der er ingen måde, medmindre du har fjernet skævheden fra datasættet og træningen, hvorpå du autentisk kan sige: “Dette vil altid producere 100 % værdifuld og brugbar kode, som vi bør offentliggøre, uden at nogen nogensinde ser på den.” 

Francois Marchand: Ja, det er rigtigt. Internettet er fyldt med alle andres mavefornemmelser, så det bringer os tilbage til begyndelsen. Er der andet, du mener er vigtigt, og som du gerne vil dele om din erfaring med at bruge data til at træffe beslutninger for alle de e-handelschefer og virksomhedsejere, der måske lytter med?

Matt Ranta: Det er et godt spørgsmål. Jeg tror måske, det også går tilbage til organisationens værktøjssæt, tankegang og kultur. Det andet, jeg vil pege på i den forbindelse, er, at hastighed er afgørende, når man analyserer og ser på data. Derfor føler jeg, at man skal indrette sig selv og sin organisation til hurtigt at indlæse, bearbejde og analysere data, hvis man virkelig vil udnytte deres kraft.

Hvis man bruger et værktøjssæt og tildeler personer til at lave disse analyser, og det tager dem 12 måneder eller noget lignende – hvilket sandsynligvis er urimeligt lang tid for nogle af de ting, vi taler om – får man ikke den værdi ud af det, som man virkelig har brug for. Man skal overveje, hvordan man kan gøre det meget hurtigere.

Handler det om at ansætte mere ekspertise? Få andre værktøjer? Simpelthen bruge et værktøjssæt, man er mere fortrolig med? Uanset hvad det måtte være, skal du indrette dig efter hastighed og kombinere det med synspunktet om, at data er bedre end holdninger. Så er du på rette vej. 

Francois Marchand: Hvad er dit bedste råd til at blive en succesfuld e-handelschef? Jeg tror, du allerede har nævnt det, men hvis du kan give os et hurtigt guldkorn – dit bedste råd. 

Matt Ranta: Mit bedste råd til at blive en god e-handelschef og hjælpe virksomheden med at vokse er virkelig at se på dataene og dykke ned i alle dine analyser. Vær ikke bange. Gå i gang, se på dataene, og test og gentag derefter på baggrund af dem for at skabe ægte vækst. Det er noget, kunderne viser dig gennem deres handlinger via alle dine analyser, uanset om de er kvalitative eller kvantitative. Det er det vigtigste, du bør gå i gang med lige nu. 

Francois Marchand: Når vi taler om værktøjer og anbefalinger, kommer vi til at have alle disse oplysninger med i shownoterne. Hvis du leder efter Matts anbefalinger, sender Matt os nogle links. Vi har også links til andre artikler fra The Ecomm Manager-websitet. Jeg vil også nævne, at Matt og jeg havde et godt interview, hvor vi diskuterede hvordan man opbygger et succesfuldt e-handelswebsite. Det kan du finde på The Ecomm Manager, og det kommer også med i shownoterne. 

Matt, hvor kan folk følge dit arbejde og holde sig ajour med alt det, du laver hos Nimble Gravity og uden for Nimble Gravity?

Matt Ranta: De to bedste steder er Nimble Gravitys website, som er nimblegravity.com, og ellers kan man kontakte mig eller følge mig på LinkedIn, hvor man kan få alle de oplysninger. 

Francois Marchand: Matt, mange tak, fordi du ville være med i dag. Det har været en fornøjelse at tale om data med dig. Nu ved vi, at mavefornemmelser er gode, når det handler om at skabe, opfinde og konceptualisere de produkter, man gerne vil sende ud i verden.

Men når man først når til det næste trin, hvor man vil skalere og vokse, skal man se på dataene. Se på, hvordan du klarer dig med hensyn til genkøbsrate, købsfrekvens og klikrater på dine annoncer. Det er de målepunkter, der betyder noget. Og jeg synes, Matt har bekræftet det i dag. 

Så endnu en gang tak, fordi du var med i The Ecomm Manager Podcast.

Matt Ranta: Mange tak, fordi jeg måtte være med. Først og fremmest sætter jeg virkelig pris på det. Det var en fantastisk samtale. 

Francois Marchand: Mange tak. Vi ses næste gang.