Cómo aprovechar al máximo su estrategia de datos con el modelo de madurez analítica
Publicado: 2022-11-18La mayoría de los especialistas en marketing están de acuerdo en que los métodos de medición distintos de las cookies tendrán un gran impacto en la publicidad. Pero implementar estos métodos requiere un cierto nivel de capacidad de análisis y acceso a los datos correctos.
Es posible que te encuentres preguntándote:
- ¿Cuál es mi nivel actual de capacidad analítica?
- ¿Qué puedo aprender sobre mi negocio con él?
Siga leyendo para obtener más información sobre el modelo de madurez de análisis, cómo averiguar en qué paso se encuentra y la mejor manera de avanzar.
Saltar adelante >>
- ¿Qué es el modelo de madurez analítica?
- ¿Cuáles son las diferentes etapas?
- no estructurado
- Descriptivo
- Diagnóstico
- Profético
- Preceptivo
- ¿Dónde estás en el modelo?
- Cómo elegir el modelo adecuado para ti
Desliza la hoja de trucos
Guarde la hoja de referencia del modelo de madurez analítica para más tarde
¿Cuál es el modelo de madurez analítica?
El modelo de madurez de análisis es un marco que ayuda a las empresas a determinar cómo pueden usar sus datos para encontrar información y tomar decisiones en lugar de simplemente recopilar datos por el simple hecho de hacerlo.
Existen varios modelos de madurez de análisis; algunos de los más utilizados son:
- Modelo de madurez de Gartner para datos y análisis
- SAS: tarjeta de puntuación de madurez analítica
- OCDE—Modelo de madurez analítica
- DAMM—Modelo de madurez de análisis de datos para asociaciones
Usaremos el modelo de Gartner como referencia. Elegimos su modelo porque es fácil de entender, factible y aplicable a través de segmentos fuera del marketing, como ventas, finanzas, etc. Además, dado que muchos modelos analíticos de madurez son bastante similares, puede aplicar los pasos, acciones y recomendaciones en este publicar, independientemente del modelo que esté utilizando.
¿Cuáles son las diferentes etapas en el modelo de madurez analítica?
El modelo de Gartner tiene cuatro etapas, y la primera etapa requiere algunas habilidades analíticas básicas. Agregamos una etapa más al modelo, no estructurado, para cubrir empresas que no tienen ninguna habilidad analítica. Luego tiene análisis descriptivos, diagnósticos, predictivos y prescriptivos. Revisaremos cada uno por separado y lo ayudaremos a comprender su fase y cómo avanzar.
no estructurado
El análisis de datos no estructurados significa que no tiene una estrategia de datos y no utiliza análisis en absoluto.
Supongamos que está en el negocio de vender calzado: zapatillas de baloncesto. No tienes idea de cuán interesada está la gente en una zapatilla en particular y por qué lo estarían.
Antes de llegar al análisis descriptivo, se encuentra en la etapa rezagada o restrictiva. En su mayor parte, la mayoría de las empresas comienzan aquí. Entonces, si estás esperando para dar el salto, no estás solo.
análisis de marketing
Lo que realmente significa, por qué debería importarte y cómo mejorarlo
Descriptivo
El análisis descriptivo , lo que sucedió , es la forma más simple de análisis y la base para tipos más profundos. El análisis descriptivo resume lo que sucedió o está sucediendo extrayendo tendencias de datos sin procesar y brindando información sobre lo que significan estas tendencias.
Continuando con nuestro ejemplo anterior, el análisis descriptivo puede decirle algo como: esta zapatilla de baloncesto tiene un aumento estacional en el interés en agosto, septiembre y principios de octubre de cada año.
Puede usar visualizaciones de datos para comunicar análisis descriptivos porque los cuadros, gráficos y mapas pueden mostrar tendencias en los datos, así como caídas y picos, de una manera clara y fácilmente comprensible.
“Las imágenes ayudan a tu cerebro a procesar más datos al mismo tiempo. Si se usa bien, puede ayudar a su lector a comprender datos complejos en un abrir y cerrar de ojos”.Ralph Spandl, Jefe de visualización de datos, Supermetrics
En esta etapa, puede usar herramientas de hojas de cálculo como Google Sheets, Excel y herramientas de visualización de datos como Looker Studio (anteriormente Data Studio) o Power BI.
Hojas de cálculo de Google y Excel
Obtenga todos sus datos de marketing en silos en hojas de cálculo para que pueda despedirse de copiar/pegar
Diagnóstico
Llevar el análisis un paso más allá con análisis de diagnóstico ( por qué sucedió esto ) incluye comparar tendencias o movimientos, ver si hay correlaciones entre ciertas estadísticas y determinar las relaciones de causa y efecto cuando sea posible.
Puede mirar los datos demográficos sobre qué grupo usa más comúnmente zapatillas de baloncesto y descubrir que tienen entre 13 y 16 años. Sin embargo, los clientes que compran estas zapatillas tienden a tener entre 30 y 50 años. Algunos datos de encuestas de clientes recogido anteriormente revela que una de las principales razones por las que los clientes compran zapatillas de baloncesto es que los padres se las regalan a sus hijos adolescentes. El aumento de las ventas a fines del verano y principios del otoño puede deberse a la temporada de baloncesto que comienza ese año.
“Ser impulsado por los conocimientos se trata de tomar sus datos de marketing y darles sentido para que pueda tomar la decisión correcta”.Edward Ford, director de generación de demanda, Supermetrics
Aunque puede realizar análisis de diagnóstico manualmente en herramientas como Excel y Google Sheets, comúnmente vemos que los especialistas en marketing usan una herramienta de BI como Looker Studio o Power BI para aplicar una lógica simple para comparar ciertas estadísticas entre sí.
El uso de un almacén de datos también es una opción popular, ya que le permite recopilar datos de diferentes fuentes (medios pagados y redes sociales orgánicas) en una sola ubicación antes de enviarlos a una herramienta de visualización. Puede aplicar los conceptos anteriores en varios casos de uso: examinar la demanda de marketing y explicar el comportamiento del cliente.
Profético
Análisis predictivo : lo que podría suceder en el futuro : datos históricos para hacer predicciones sobre tendencias o resultados futuros. Puede hacerlo manualmente o con algoritmos de aprendizaje automático.
El análisis predictivo se puede utilizar en marketing para pronosticar tendencias de ventas en diferentes épocas del año y planificar campañas en consecuencia. Por ejemplo, saber que el interés y las ventas de zapatillas de baloncesto aumentaron en agosto, septiembre y principios de octubre de cada año durante la última década podría ayudarlo a predecir que la misma tendencia ocurrirá el próximo año. Los datos históricos de comportamiento también pueden ayudarlo a predecir la probabilidad de que una persona pase del conocimiento de la marca a la compra del producto. Entonces, si sabe que una persona generalmente interactúa con cinco piezas de contenido antes de comprar, puede planificar su contenido en consecuencia. Almacenar datos históricos en un almacén de datos, como BigQuery, puede ayudarlo a realizar análisis predictivos manualmente.
Las herramientas de modelado de datos, como dbt, pueden ayudar a automatizar la combinación de información de diferentes fuentes en tablas listas para la comprensión. El análisis predictivo se puede automatizar aún más utilizando una plataforma de aprendizaje automático. Además, tener un conjunto de datos sólido con capacidades de aprendizaje automático proporciona una transición fluida al nivel prescriptivo.
Analítica predictiva
Todo lo que necesitas saber para empezar
Preceptivo
Finalmente, el análisis prescriptivo ( qué debemos hacer a continuación ) tiene en cuenta todos los factores posibles en un escenario y sugiere conclusiones procesables.
Para completar el ejemplo de la zapatilla de baloncesto. Ahora que sabe que la temporada de baloncesto comenzará pronto y que la demanda de zapatillas aumentará, según su análisis de tendencias, ¿qué debe hacer? Podría ejecutar una prueba A/B con dos creatividades publicitarias. Uno que se dirija a los usuarios finales de su producto: los adolescentes. Y uno que se dirige a sus compradores: los padres. Los resultados del experimento pueden ayudarlo a descubrir cómo aprovechar aún mejor este corto período de tiempo.
Si bien el análisis prescriptivo manual se puede realizar con conjuntos de datos más pequeños, obtendrá mejores resultados al usar algoritmos de aprendizaje automático cuando trabaje con grandes cantidades de datos para obtener una respuesta a "¿qué es lo mejor que se puede hacer a continuación?". Plataformas como Google Cloud Vision AI o Vertex AI pueden ayudarlo a implementar estos modelos de aprendizaje automático.
¿Busca construir un modelo prescriptivo?
Nuestro equipo de servicios profesionales puede ayudar
¿Dónde se encuentra en el modelo y cómo puede avanzar?
Antes de decidir en qué concentrarse, es importante comprender dónde se encuentra su organización en diferentes áreas del modelo de madurez de análisis. Según dónde se encuentre, puede planificar cómo avanzar.
1. Evaluación
Primero, evalúe su nivel actual de madurez analítica para averiguar qué datos está recopilando y utilizando. Responde las siguientes preguntas:
- ¿Cuáles son sus fuentes de datos actuales?
- ¿Quién tiene acceso a esos datos?
- ¿Qué herramientas Estas usando?
2. Disponibilidad
Aquí, debe averiguar qué otras fuentes de datos están disponibles para usted, que incluyen:
- Fuentes de datos internas: CRM, análisis web, comentarios de los clientes
- Fuentes de datos externas: plataformas de anuncios, datos públicos, etc.
3. Priorización
A continuación, considere las métricas que supervisa y las preguntas que responden. Priorice las que le brindan información procesable sobre "por qué" y "cómo" en lugar de centrarse en las métricas que solo brindan información sobre "cuántas".
“Estar basado en datos no es lo mismo que estar basado en conocimientos: los datos son solo una pieza del rompecabezas. Solo entendiendo el 'por qué' detrás del comportamiento del cliente podemos crear una campaña de marketing verdaderamente efectiva”.Will Yang, Jefe de Crecimiento, Instrumentl
4 personas
Asegúrese de que las partes interesadas relevantes tengan acceso a los datos relevantes. Implemente prácticas ágiles para romper los silos y simplificar el intercambio de datos entre departamentos. Considere dar a los empleados acceso a los datos, enseñándoles cómo usarlos y fomentando nuevas ideas.
“Eduque a su equipo sobre la alfabetización de datos y hágalo parte de la cultura. Debido a que su equipo necesita usar datos, necesitan conocer los conceptos básicos”.Lee Feinberg, presidente, Decision Viz
5. Tecnología
Invierta en tecnología que pueda ayudarlo a interpretar los datos disponibles y obtener valor de ellos. Debe pensar en las habilidades analíticas de su equipo y elegir las herramientas adecuadas para ellos. Para usuarios no técnicos, vale la pena optar por herramientas de visualización de datos con una interfaz fácil de usar para que los informes sean fáciles de entender.
Por otro lado, si su equipo tiene algunas habilidades de SQL, obtendrán más valor al usar un almacén de datos.
“Si tiene una situación en la que el equipo sabe cómo escribir SQL, pero tal vez no saben todo acerca de la ingeniería de datos, en ese caso, un almacén de datos es la mejor opción”.Evan Kaeding, ingeniero jefe de ventas, Supermetrics
Revise estos cinco aspectos y hágase las mismas preguntas cada vez que planee avanzar en el modelo para saber si está listo.
Cómo elegir el modelo adecuado para ti
El lugar en el que debe estar en el modelo de madurez analítica se reduce a quién usa los datos y qué decisiones espera tomar de ellos.
Si bien puede obtener mejores conocimientos y ROI al ascender en el modelo, especialmente con análisis predictivos y prescriptivos, debe tener cuidado con algunas cosas.
Necesita datos precisos para entrenar sus modelos de inteligencia artificial y aprendizaje automático: cuanto mejores sean los conjuntos de datos, mejores serán las predicciones. Si sus datos están incompletos o tienen información incorrecta, perjudicará sus resultados.
Por ejemplo, si los datos demográficos de edad de los compradores de zapatillas de baloncesto contienen solo datos sobre el usuario final, los adolescentes, y omite la información de que los padres son los compradores reales de estas zapatillas. Su modelo prescriptivo no considerará a los padres como un grupo para comercializar su producto, y lo más probable es que le aconseje que comercialice solo a adolescentes. El equipo de marketing probablemente invertirá en la audiencia equivocada y perderá la oportunidad de impulsar las ventas.
En ese caso, tendría más sentido usar un modelo descriptivo ( qué sucedió ) o un modelo de diagnóstico ( por qué sucedió ) y aumentar la calidad de esos conjuntos de datos antes de que pueda impulsar predicciones y decisiones bien informadas generadas por el aprendizaje automático. e IA en las etapas posteriores.
Propiedad de los datos
Cómo obtener información más profunda a partir de sus datos de marketing
Envolver
El modelo de madurez de análisis lo ayuda a aprovechar al máximo sus datos y mejorar la toma de decisiones. Cada paso del modelo lo preparará para el siguiente.
Entonces, puede comenzar usando el análisis descriptivo para contar la historia de lo que está sucediendo, luego construir sobre eso y descubrir por qué suceden esas cosas con la ayuda del análisis de diagnóstico.
Una vez que tenga acceso a los datos correctos y sean confiables, puede pasar al análisis predictivo para detectar tendencias. Y finalmente, puede usar esas predicciones para informar lo que debe hacer en el futuro con análisis prescriptivos.
No se preocupe si aún no se encuentra en la fase prescriptiva, moverse a través del modelo se trata más de evaluar sus necesidades y recursos actuales, y aprovecharlos al máximo antes de escalar demasiado rápido. No hay un lugar correcto o incorrecto para estar, solo el lugar correcto para su equipo y su negocio.
Desliza la hoja de trucos
Guarde la hoja de referencia del modelo de madurez analítica para más tarde
Sobre el Autor
Pieter es ingeniero de ventas en Supermetrics. Trabaja en estrecha colaboración con los clientes para identificar oportunidades de mayor retorno de valor en su pila de datos de marketing. Fuera de las horas de trabajo, por lo general se le puede encontrar tirando al aro en la cancha de baloncesto.