So holen Sie mit dem Analytics-Reifegradmodell das Beste aus Ihrer Datenstrategie heraus
Veröffentlicht: 2022-11-18Die meisten Vermarkter sind sich einig, dass Nicht-Cookie-Messmethoden einen großen Einfluss auf die Werbung haben werden. Die Implementierung dieser Methoden erfordert jedoch ein gewisses Maß an Analysefähigkeit und Zugriff auf die richtigen Daten.
Vielleicht fragen Sie sich:
- Was ist mein aktuelles Niveau an Analysefähigkeiten?
- Was kann ich damit über mein Geschäft lernen?
Lesen Sie weiter, um mehr über das Analytics-Reifegradmodell zu erfahren, wie Sie herausfinden, auf welchem Schritt Sie sich befinden, und wie Sie am besten vorankommen.
Springen Sie weiter >>
- Was ist das Analytics-Reifegradmodell?
- Was sind die verschiedenen Stadien
- Unstrukturiert
- Beschreibend
- Diagnose
- Vorausschauend
- Verschreibungspflichtig
- Wo befinden Sie sich im Modell?
- So wählen Sie das richtige Modell für sich aus
Wischen Sie den Spickzettel
Bewahren Sie den Spickzettel für das Analytics-Reifegradmodell für später auf
Was ist das Analytics-Reifegradmodell?
Das Analytics-Reifegradmodell ist ein Framework, das Unternehmen dabei hilft, zu bestimmen, wie sie ihre Daten nutzen können, um Erkenntnisse zu gewinnen und Entscheidungen zu treffen, anstatt nur Daten um ihrer selbst willen zu sammeln.
Es gibt mehrere Analytics-Reifegradmodelle – einige der am häufigsten verwendeten sind:
- Gartner – Reifegradmodell für Daten und Analysen
- SAS – Analytische Reifegrad-Scorecard
- OECD – Reifegradmodell für Analytik
- DAMM – Data Analytics Reifegradmodell für Verbände
Wir verwenden das Gartner-Modell als Grundlage. Wir haben uns für ihr Modell entschieden, weil es einfach zu verstehen, umsetzbar und in allen Segmenten außerhalb des Marketings anwendbar ist – wie Vertrieb, Finanzen usw. Da außerdem viele Analytics-Reifegradmodelle ziemlich ähnlich sind, können Sie die darin enthaltenen Schritte, Aktionen und Empfehlungen anwenden Post, unabhängig davon, welches Modell Sie verwenden.
Was sind die verschiedenen Stadien im Analytics-Reifegradmodell?
Das Gartner-Modell besteht aus vier Phasen, wobei die erste Phase einige grundlegende Analysefähigkeiten erfordert. Wir haben dem Modell eine weitere Stufe – unstrukturiert – hinzugefügt, um Unternehmen abzudecken, die keine Analysefähigkeiten haben. Dann haben Sie deskriptive, diagnostische, prädiktive und präskriptive Analysen. Wir werden jede einzeln durchgehen und Ihnen helfen, Ihre Phase zu verstehen und weiterzumachen.
Unstrukturiert
Unstrukturierte Datenanalyse bedeutet, dass Sie keine Datenstrategie haben und überhaupt keine Analysen verwenden.
Nehmen wir an, Sie verkaufen Schuhe – Basketballschuhe. Sie haben keine Ahnung, wie interessiert die Leute an einem bestimmten Sneaker sind und warum sie es wären.
Bevor Sie zur deskriptiven Analyse kommen, befinden Sie sich in der Phase der Verzögerung oder Restriktion. Zum größten Teil beginnen die meisten Unternehmen hier. Wenn Sie also darauf warten, den Sprung zu wagen, sind Sie nicht allein.
Marketinganalyse
Was es wirklich bedeutet, warum Sie sich darum kümmern sollten und wie Sie es besser machen können
Beschreibend
Die beschreibende Analyse – was passiert ist – ist die einfachste Form der Analyse und die Grundlage für tiefergehende Typen. Deskriptive Analysen fassen zusammen, was passiert ist oder passiert, indem sie Trends aus Rohdaten ziehen und Einblicke in die Bedeutung dieser Trends geben.
Um unser vorheriges Beispiel fortzusetzen, kann Ihnen die deskriptive Analyse Folgendes sagen: Dieser Basketball-Sneaker hat jedes Jahr im August, September und Anfang Oktober einen saisonalen Anstieg des Interesses.
Sie können Datenvisualisierungen verwenden, um deskriptive Analysen zu kommunizieren, da Diagramme, Grafiken und Karten Trends in Daten – sowie Einbrüche und Spitzen – auf klare und leicht verständliche Weise darstellen können.
„Visuals helfen Ihrem Gehirn, mehr Daten gleichzeitig zu verarbeiten. Gut eingesetzt, kann es Ihrem Leser helfen, komplexe Daten im Handumdrehen zu verstehen.“Ralph Spandl, Leiter Datenvisualisierung, Supermetrics
In dieser Phase können Sie Tabellenkalkulationstools wie Google Sheets, Excel und Datenvisualisierungstools wie Looker Studio (ehemals Data Studio) oder Power BI verwenden.
Google Tabellen und Excel
Bringen Sie alle Ihre isolierten Marketingdaten in Tabellenkalkulationen, damit Sie sich vom Kopieren/Einfügen verabschieden können
Diagnose
Um die Analyse mit diagnostischen Analysen – warum ist das passiert – noch einen Schritt weiter zu gehen, umfasst das Vergleichen von Trends oder Bewegungen, das Prüfen, ob es Korrelationen zwischen bestimmten Statistiken gibt, und das Bestimmen von Ursache-Wirkungs-Beziehungen, wo möglich.
Sie können sich die demografischen Daten darüber ansehen, welche Gruppe am häufigsten Basketball-Turnschuhe verwendet, und herausfinden, dass sie zwischen 13 und 16 Jahre alt sind. Aber die Kunden, die diese Turnschuhe kaufen, sind in der Regel zwischen 30 und 50. Einige Daten aus Kundenbefragungen früher gesammelte Daten zeigen, dass einer der Hauptgründe, warum Kunden Basketballschuhe kaufen, darin besteht, dass Eltern sie ihren Teenagern schenken. Die erhöhten Umsätze in den Spätsommer- und Frühherbstmonaten könnten auf die in diesem Jahr beginnende Basketballsaison zurückzuführen sein.
„Erkenntnisgesteuert zu sein bedeutet, Ihre Marketingdaten zu nehmen und sie zu verstehen, damit Sie die richtige Entscheidung treffen können.“Edward Ford, Demand Gen Director, Supermetrics
Obwohl Sie diagnostische Analysen manuell in Tools wie Excel und Google Sheets durchführen können, sehen wir häufig, dass Vermarkter ein BI-Tool wie Looker Studio oder Power BI verwenden, um eine einfache Logik anzuwenden, um bestimmte Statistiken miteinander zu vergleichen.
Die Verwendung eines Data Warehouse ist ebenfalls eine beliebte Option, da Sie damit Daten aus verschiedenen Quellen – bezahlte Medien und organische soziale Medien – an einem einzigen Ort sammeln können, bevor Sie sie in ein Visualisierungstool einspeisen. Sie können die oben genannten Konzepte auf verschiedene Anwendungsfälle anwenden – die Marketingnachfrage untersuchen und das Kundenverhalten erklären.
Vorausschauend
Predictive Analytics – was in der Zukunft passieren könnte – historische Daten, um Vorhersagen über zukünftige Trends oder Ergebnisse zu treffen. Sie können dies manuell oder mit maschinellen Lernalgorithmen tun.
Predictive Analytics kann im Marketing eingesetzt werden, um Verkaufstrends zu verschiedenen Jahreszeiten vorherzusagen und Kampagnen entsprechend zu planen. Wenn Sie beispielsweise wissen, dass das Interesse und die Verkäufe von Basketball-Sneakers in den letzten zehn Jahren jedes Jahr im August, September und Anfang Oktober sprunghaft angestiegen sind, können Sie vorhersagen, dass der gleiche Trend nächstes Jahr eintreten wird. Historische Verhaltensdaten können Ihnen auch dabei helfen, die Wahrscheinlichkeit vorherzusagen, mit der eine Person von der Markenbekanntheit zum Produktkauf übergeht. Wenn Sie also wissen, dass eine Person vor dem Kauf normalerweise mit fünf Inhalten interagiert, können Sie Ihre Inhalte entsprechend planen. Das Speichern historischer Daten in einem Data Warehouse wie BigQuery kann Ihnen dabei helfen, Vorhersageanalysen manuell durchzuführen.
Datenmodellierungstools wie dbt können dabei helfen, das Kombinieren von Informationen aus verschiedenen Quellen in aussagekräftige Tabellen zu automatisieren. Predictive Analytics kann mithilfe einer maschinellen Lernplattform weiter automatisiert werden. Darüber hinaus bietet ein solider Datensatz mit maschinellen Lernfunktionen einen reibungslosen Übergang zur verschreibungspflichtigen Ebene.
Vorausschauende Analytik
Alles, was Sie wissen müssen, um loszulegen
Verschreibungspflichtig
Schließlich berücksichtigt Prescriptive Analytics – was sollten wir als nächstes tun – alle möglichen Faktoren in einem Szenario und schlägt umsetzbare Erkenntnisse vor.
Um das Basketball-Sneaker-Beispiel zu vervollständigen. Jetzt, da Sie wissen, dass die Basketballsaison bald beginnt und die Nachfrage nach Turnschuhen steigen wird – basierend auf Ihrer Trendanalyse – was sollten Sie tun? Sie könnten einen A/B-Test mit zwei Werbeanzeigen durchführen. Eine, die auf die Endnutzer Ihrer Produkte abzielt – die Teenager. Und eine, die Ihre Käufer anspricht – die Eltern. Die Versuchsergebnisse können Ihnen dabei helfen, herauszufinden, wie Sie diesen kurzen Zeitrahmen noch besser nutzen können.
Während eine manuelle präskriptive Analyse mit kleineren Datensätzen machbar ist, erzielen Sie bessere Ergebnisse, indem Sie maschinelle Lernalgorithmen verwenden, wenn Sie mit größeren Datenmengen arbeiten, um eine Antwort auf die Frage „Was ist das Beste als nächstes?“ zu erhalten. Plattformen wie Google Cloud Vision AI oder Vertex AI können Ihnen bei der Bereitstellung dieser Modelle für maschinelles Lernen helfen.
Möchten Sie ein verschreibungspflichtiges Modell erstellen?
Unser Professional Services-Team kann Ihnen helfen
Wo stehen Sie im Modell und wie können Sie vorankommen?
Bevor Sie entscheiden, worauf Sie sich konzentrieren möchten, ist es wichtig zu verstehen, wo sich Ihr Unternehmen in den verschiedenen Bereichen des Analytics-Reifegradmodells befindet. Je nachdem, wo Sie sich befinden, können Sie planen, wie Sie vorankommen.
1. Bewertung
Bewerten Sie zunächst Ihren aktuellen Analyse-Reifegrad, um herauszufinden, welche Daten Sie sammeln und verwenden. Beantworten Sie folgende Fragen:
- Was sind Ihre aktuellen Datenquellen?
- Wer hat Zugriff auf diese Daten?
- Welche Tools verwenden Sie?
2. Verfügbarkeit
Hier sollten Sie herausfinden, welche anderen Datenquellen Ihnen zur Verfügung stehen, einschließlich:
- Interne Datenquellen: CRM, Webanalyse, Kundenfeedback
- Externe Datenquellen: Anzeigenplattformen, öffentliche Daten usw.
3. Priorisierung
Betrachten Sie als Nächstes die Metriken, die Sie überwachen, und die Fragen, die sie beantworten. Priorisieren Sie diejenigen, die Ihnen umsetzbare Einblicke in das „Warum“ und „Wie“ geben, anstatt sich auf Metriken zu konzentrieren, die nur Informationen über das „Wie viele“ geben.
„Datengesteuert zu sein ist nicht dasselbe wie erkenntnisgesteuert zu sein – Daten sind nur ein Teil des Puzzles. Nur wenn wir das „Warum“ hinter dem Kundenverhalten verstehen, können wir eine wirklich effektive Marketingkampagne erstellen.“Will Yang, Wachstumsleiter, Instrumentl
4 Leute
Stellen Sie sicher, dass relevante Stakeholder Zugang zu relevanten Daten haben. Implementieren Sie agile Praktiken, um Silos aufzubrechen und den Datenaustausch zwischen Abteilungen zu vereinfachen. Erwägen Sie, Mitarbeitern Zugriff auf Daten zu gewähren, ihnen beizubringen, wie sie damit umgehen, und neue Ideen zu fördern.
„Bilden Sie Ihr Team über Datenkompetenz aus und machen Sie sie zu einem Teil der Kultur. Da Ihr Team Daten verwenden muss, müssen sie die Grundlagen kennen.“Lee Feinberg, Präsident, Entscheidung Viz
5. Tech
Investieren Sie in Technologie, die Ihnen helfen kann, verfügbare Daten zu interpretieren und einen Mehrwert daraus zu ziehen. Sie sollten über die Analytics-Fähigkeiten Ihres Teams nachdenken und die Tools auswählen, die für sie geeignet sind. Für technisch nicht versierte Benutzer lohnt es sich, sich für Datenvisualisierungstools mit einer benutzerfreundlichen Oberfläche zu entscheiden, um Berichte leicht verständlich zu machen.
Wenn Ihr Team andererseits über einige SQL-Kenntnisse verfügt, wird es mehr Wert aus der Verwendung eines Data Warehouse ziehen.
„Wenn Sie eine Situation haben, in der das Team weiß, wie man SQL schreibt, aber vielleicht nicht alles über Data Engineering weiß, dann ist ein Data Warehouse besser geeignet.“Evan Kaeding, Lead Sales Engineer, Supermetrics
Gehen Sie diese fünf Aspekte durch und stellen Sie sich jedes Mal dieselben Fragen, wenn Sie vorhaben, sich durch das Modell zu bewegen, um zu wissen, ob Sie bereit sind.
So wählen Sie das richtige Modell für sich aus
Wo Sie im Analytics-Reifegradmodell stehen sollten, hängt davon ab, wer die Daten verwendet und welche Entscheidungen Sie daraus zu ziehen erwarten.
Sie können zwar bessere Einblicke und einen besseren ROI erhalten, wenn Sie im Modell aufsteigen, insbesondere mit prädiktiven und präskriptiven Analysen, aber Sie müssen auf einige Dinge achten.
Sie benötigen genaue Daten, um Ihre KI- und maschinellen Lernmodelle zu trainieren – je besser die Datensätze, desto besser die Vorhersagen. Wenn Ihre Daten unvollständig sind oder falsche Informationen enthalten, beeinträchtigt dies Ihre Ergebnisse.
Zum Beispiel, wenn die altersdemografischen Daten der Basketballschuhkäufer nur Daten über den Endverbraucher, die Teenager, enthalten und die Information auslassen, dass die Eltern die eigentlichen Käufer dieser Turnschuhe sind. Ihr verschreibungspflichtiges Modell wird die Eltern nicht als eine Gruppe betrachten, an die Sie Ihr Produkt vermarkten können, und die meisten werden Ihnen raten, nur an Teenager zu vermarkten. Das Marketingteam wird wahrscheinlich in die falsche Zielgruppe investieren und die Gelegenheit verpassen, den Umsatz zu steigern.
In diesem Fall wäre es sinnvoller, ein beschreibendes Modell – was ist passiert – oder ein diagnostisches Modell – warum ist es passiert – zu verwenden und die Qualität dieser Datensätze aufzubauen, bevor Sie fundierte Vorhersagen und Entscheidungen treffen können, die durch maschinelles Lernen generiert werden und KI in den späteren Stadien.
Dateneigentum
Wie Sie tiefere Einblicke aus Ihren Marketingdaten gewinnen
Einpacken
Das Analytics-Reifegradmodell hilft Ihnen, das Beste aus Ihren Daten zu machen und die Entscheidungsfindung zu verbessern. Jeder Schritt im Modell bereitet Sie auf den nächsten vor.
Sie können also mit der deskriptiven Analytik beginnen, um zu erzählen, was passiert, dann darauf aufbauen und mit Hilfe der diagnostischen Analytik herausfinden, warum diese Dinge passieren.
Sobald Sie Zugriff auf die richtigen Daten haben und diese zuverlässig sind, können Sie zu Predictive Analytics wechseln, um Trends zu erkennen. Und schließlich können Sie diese Vorhersagen nutzen, um darüber zu informieren, was Sie in Zukunft mit Prescriptive Analytics tun sollten.
Machen Sie sich keine Sorgen, wenn Sie sich noch nicht in der vorgeschriebenen Phase befinden. Beim Durchlaufen des Modells geht es eher darum, Ihre aktuellen Bedürfnisse und Ressourcen zu bewerten und das Beste daraus zu machen, bevor Sie zu schnell skalieren. Es gibt keinen richtigen oder falschen Ort, nur den richtigen Ort für Ihr Team und Ihr Unternehmen.
Wischen Sie den Spickzettel
Bewahren Sie den Spickzettel für das Analytics-Reifegradmodell für später auf
Über den Autor
Pieter ist Vertriebsingenieur bei Supermetrics. Er arbeitet eng mit Kunden zusammen, um Möglichkeiten für eine höhere Wertrendite in ihrem Marketingdatenstapel zu identifizieren. Außerhalb der Arbeitszeit trifft man ihn meist beim Körbeschießen auf dem Basketballplatz an.