Cómo convertir montones de datos en información útil y significativa (guía 2021)

¿Estás abrumado por todos los datos que tienes delante?

Existe una riqueza de datos sin precedentes, pero ¿cómo puede convertirlos en información procesable?

Verá, el viaje de los datos a los conocimientos está plagado de desafíos. Necesitarás un potente conjunto de pasos para combatirlos.

Aquí le mostraremos cómo extraer información de montones de datos , eliminar información inútil y tomar decisiones más rápidas basadas en datos en su organización.

¿Qué son los datos y las perspectivas?

Antes de entrar en materia, definamos qué entendemos por datos e información.

• Los datos son hechos y estadísticas recopilados a través de la observación. Pueden ser números, texto, imágenes, audio, etc.
  
  Pongamos esto en perspectiva:
  
  Supongamos que posee una tienda de comercio electrónico y tiene activado Google Analytics (GA), cada usuario que navega por su tienda en línea deja algunas huellas digitales que GA recoge.
  
  Esto cubre datos demográficos, dispositivos, navegadores, etc. Si ve estos datos en bruto, probablemente parezca un galimatías, ya que a veces no están estructurados y sin contexto.

  

• La información es un producto de refinar estos datos y darles estructura y contexto. De esta manera, los datos tienen un poco más de sentido a simple vista.
  
  En el caso de su tienda de comercio electrónico, un ejemplo sería su tablero de GA. Cuando todos los datos se juntan y se presentan en contexto, son consumibles y se pueden extraer conocimientos de ellos.

  

• La percepción es un conocimiento valioso obtenido a partir de la comprensión de la información. Cuando consume información (o datos) y los interpreta con precisión dentro de su contexto y otra información disponible, llega a una perspectiva.
  
  En el mundo de los negocios, los conocimientos son el punto central de la recopilación de datos. Piense en los conocimientos como mirar el funcionamiento interno de la operación que está observando. Cuentan una historia significativa a partir de datos.

Ejemplo de una percepción

Identificar a través de un análisis de datos efectivo que el 97 % de sus clientes lo encuentran cuando están planeando su boda es un ejemplo de perspicacia.

Por sí sola, esta es simplemente información que es genial saber.

Pero si esto se utiliza para elaborar un plan que aporte un valor tangible a su marca y clientes, se trata de información práctica. Por ejemplo, podría usar esta información para planificar una campaña publicitaria dirigida a personas a punto de casarse.

Ya sabes que esta audiencia se siente atraída por ti; por lo tanto, un alto ROAS (retorno de la inversión publicitaria) no sería demasiado sorprendente.

Antes de que los datos se transformen en conocimientos como este, primero deben recopilarse y luego analizarse.

Varios métodos en los que se pueden recopilar datos

La mayoría de las empresas recopilan datos de múltiples fuentes utilizando diferentes métodos. Y cada método viene con su propio conjunto de reglas.

Google Analytics, por ejemplo, recopila datos mediante JavaScript y un código de seguimiento.

Una vez que se agrega el código de seguimiento a su página, el script envía datos a los servidores de Google. Esto incluye datos de la página (URL, título), datos del navegador (vista, resolución de pantalla), datos del usuario (ubicación, idioma) y muchos más.

Es similar al análisis de redes sociales en Facebook, Twitter, Instagram y otros sitios. También puede recopilar datos de:

• encuestas
• estadísticas de crecimiento del mercado
• seguimiento de datos transaccionales
• análisis de comentarios de los clientes
• datos de suscripción y registro, etc.

A partir de aquí, los datos pasan al siguiente paso.

Análisis de datos frente a análisis de datos

Contrariamente al uso popular, estos términos no significan lo mismo.

• El análisis de datos es la ciencia de recopilar y utilizar datos. Es todo entre recopilar datos sin procesar y tomar medidas a partir de ellos. Esto incluye la recopilación, organización, almacenamiento y análisis de datos mediante aprendizaje automático, estadísticas y modelos basados ​​en computadora.
• El análisis de datos es un subcomponente del análisis de datos. El análisis de datos es un proceso de examen, limpieza, transformación y organización de datos con el objetivo final de extraer información valiosa y utilizarla para informar decisiones y actuar.

En una organización típica, los científicos de datos, los ejecutivos y los gerentes suelen ser los únicos que utilizan el análisis de datos para obtener información.

Una organización eficiente basada en datos debe distribuir el acceso a los datos y la comprensión de los datos a todos sus miembros.

Esto nos lleva a un concepto revolucionario: la democratización de los datos .

¿Qué es la democratización de datos?

La democratización de los datos significa hacer que los datos estén disponibles para todos dentro de la organización sin las barreras de la experiencia ultraespecializada . Esto significa que cualquier persona de su organización puede acceder a los datos, comprenderlos y utilizarlos para tomar decisiones y hacer recomendaciones.

La idea es que cuanto más práctica (en cuanto a datos), más rápido adopte la empresa una cultura de toma de decisiones basada en datos de arriba a abajo.

Pero hay una trampa.

Con este nivel de acceso, se vuelve más difícil mantener la seguridad e integridad de los datos. También existe la posibilidad de que alguien sin la experiencia de un analista capacitado interprete incorrectamente los datos.

Aun así, la democratización de los datos es un factor clave para tomar decisiones más inteligentes y rápidas basadas en datos y mejorar las experiencias de los clientes .

Los especialistas en marketing del Royal Bank of Scotland demostraron cuán eficiente podría ser involucrar a sus colegas que no son de marketing en el proceso de optimización de la experiencia del cliente.

Desafíos en la generación de información a partir de los datos

El camino de los datos a los conocimientos está plagado de desafíos. Tanto es así que las alternativas a las acciones basadas en datos parecen más atractivas.

Los especialistas en marketing, científicos de datos, ejecutivos de negocios y otros profesionales que trabajan con datos a diario parecen estar de acuerdo.

Realicé una encuesta rápida (aquí y aquí) que reveló que la validación de datos es el mayor desafío para el 39 % de ellos. Solo el 11% atribuyó sus dificultades al volumen de datos. El 28% optó por integrar datos de varias fuentes, mientras que el 22% cita el tiempo y el esfuerzo involucrados.

Además de estos cuatro, otros desafíos relacionados con la transformación de datos en resultados procesables incluyen:

• Inaccesibilidad de datos
• Mala calidad de los datos y
• La presión para generar ROI

Para Steven Alexander Young, fundador de Challenger Digital, el mayor desafío es aislar la variable detrás de un cambio en el desempeño. Los datos analíticos no siempre cuentan la historia completa:

Cuando el tráfico disminuyó aquí, ¿fue porque alguien hizo cambios en la página (y si es así, qué)? Si la página no cambió, ¿un competidor reforzó el SEO y lo superó (y si es así, quién)? (…) Incluso cuando puedo comunicarme con un cliente por teléfono para brindar detalles y descartar cosas, a menudo tienen que ir a la caza del ganso dentro de su equipo para encontrar respuestas. Por supuesto, paralelo a esto está la posibilidad siempre presente de las actualizaciones del algoritmo de Google.

Thom Ives (Ph.D.), científico principal de datos en UL Prospector, comparó los datos con el petróleo crudo que necesita ser refinado y limpiado. Advierte que los datos “podrían ser peligrosos cuando se manejan de manera incorrecta”.

Esto pone nerviosos a los tomadores de decisiones.

Resulta que, aunque el 74 % de las empresas están de acuerdo en que quieren basarse en datos, según un informe de Forrester, solo el 29 % podría actuar en función de los resultados analíticos.

Si bien las decisiones basadas en datos son excelentes en el crecimiento de los negocios, los errores pueden ser devastadores. Quizás la posibilidad de cometer errores disuadió a la mayor parte del otro 71% que toma decisiones por experiencia o instinto, o simplemente sigue el statu quo.

A menudo, esto sucede a expensas de aprovechar nuestros 59 zettabytes de datos (¡eso es 59 seguidos de 21 ceros!) para generar información que transforme el negocio.

Peep Laja, CEO de Wynter, lo resume acertadamente: "Somos ricos en datos, pero pobres en conocimientos".

10 pasos prácticos para convertir los datos en conocimientos

Las métricas son fáciles; la información es difícil: una cosa es recopilar muchos datos, pero otra es convertirlos en un activo valioso. Afortunadamente, hay un método probado para obtener respuestas.

Cue en el método científico.

Sin embargo, este no es un momento eureka. Los científicos han estado utilizando este método al obtener información de los datos durante siglos.

Los 10 pasos que le mostraremos se inspiran en el método científico y allanan el camino hacia recomendaciones y conocimientos prácticos.

Saltemos directamente:

1. Comience con las preguntas correctas

Hacer las preguntas correctas antes de profundizar en los datos garantiza que no pierda el tiempo en cosas equivocadas.

Es como fijar un destino claro antes de emprender un viaje.

Antes de examinar montones de datos, averigüe qué preguntas desea que respondan sus datos. De esa manera, evitará obtener información que no tenga impacto en los objetivos comerciales.

Para una empresa SaaS, algunas preguntas para comenzar son:

• ¿Cuántos lectores de publicaciones de blog pasaron a otras piezas de contenido?
• ¿Qué porcentaje del tráfico de mi sitio web se ajusta a mi personalidad de comprador?
• ¿Qué etapa del embudo de ventas tiene más fugas?

2. Realice un seguimiento de las métricas correctas (¡sin métricas de vanidad!)

Los conocimientos que dirigen el negocio en la dirección correcta no provienen de mirar las métricas incorrectas.

Métricas de vanidad, especialmente. Te hacen lucir bien, pero no se suman a tu marco de conocimiento. Ejemplo: páginas vistas y número de clics.

Además, las métricas incorrectas pueden distraer. Dado que ha decidido una pregunta que debe responderse en el paso 1, identifique las métricas que debe seguir.

Aniekan Inyang, científico de datos de Stears Business, advierte contra no tener en cuenta los matices específicos de la industria:

Esto puede llevar a elegir una característica incorrecta para rastrear una métrica, no rastrear una métrica relevante o interpretarla incorrectamente.

Úselo para abrir un camino hacia una hipótesis que pueda probar.

3. Indique sus objetivos finales

Lo más probable es que tenga una prueba previa de ciertos objetivos comerciales. Estos tienen que estar estrechamente alineados con los objetivos de su prueba.

A partir de las preguntas con las que comenzó, descubrió lo que desea rastrear. Pero, ¿qué pretendes conseguir con esto?

Anote esto, ya que le ayuda a desarrollar una hipótesis específica y medible.

4. Integre sus fuentes de datos

Los conjuntos de datos que tiene son solo una parte de la población y no siempre contarán la historia completa.

El Dr. Thom Ives compartió:

Puede tener sesgos que no conocemos y será más débil que todos los datos.

Cuantos más datos procesables recopile, más se acercará a las historias precisas.

Su interpretación de datos se acerca más a la diana cuando reúne todas sus fuentes. Asegúrese de utilizar las herramientas adecuadas para integrar fuentes dispares para no perder la oportunidad de recopilar información valiosa sobre los clientes.

5. Use el contexto y las imágenes para simplificar los conjuntos de datos

Las imágenes son bastante comunes con los datos de hoy. Casi nunca se encuentra con una forma de datos sin procesar e incomprensible. Sin embargo, sin el contexto adecuado, no obtendrá la historia completa o obtendrá la incorrecta.

Para el contexto, diseccione sus datos usando las 5 W:

• Quién (audiencia, clientes potenciales, prospectos)
• Qué (objetivos, eventos, observaciones)
• Cuándo (tiempo, horarios)
• Dónde (página web, redes sociales, página de destino), y
• ¿Por qué , (¿por qué sucedió?)

El contexto hace que sus datos salten de la pantalla con más significado detrás. Reduce las posibilidades de cometer un error.

Sumado a imágenes precisas, esas posibilidades son aún más bajas. Pero también se cometen errores en las imágenes.

Por ejemplo, es común cometer un error costoso con los gráficos de burbujas. Variar el radio en lugar del área de la burbuja a los valores correspondientes conduce a una narración de datos inexacta como en la imagen a continuación.

Usemos la burbuja naranja en la parte superior izquierda y la verde al lado para enfatizar. La burbuja naranja parece 4 veces más grande que su vecina verde.

Sin los valores reales etiquetados en el interior, esto puede ser engañoso. El valor de la burbuja naranja ($1,84 mil millones) es solo 2 veces mayor que el de la verde ($0,92 mil millones).

Aquí hay un error gracioso de Fox News:

6. Segmente sus datos

Cortar los datos en segmentos puede ayudarlo a comprenderlos mejor. Google Analytics, por ejemplo, tiene funciones integradas que facilitan esta tarea.

Divida el tráfico web según ciertas similitudes y simplificará el proceso de extracción de información. Las segmentaciones pueden profundizar su comprensión de su público objetivo.

Además, al segmentar, piense más allá de los segmentos de edad y género de la vieja escuela. Hay muchos más detalles con los que puedes agrupar a los visitantes de la web.

Una forma de hacerlo es segmentar a los clientes por valor transaccional (segmentación de valor), es decir, cuánto es probable que gasten en productos. Tendrá que usar datos de transacciones anteriores para lograr esto. Datos como cuánto han gastado, con qué frecuencia lo gastan y el valor de los productos que compraron.

Una vez que experimenta esta simplicidad una vez, rápidamente se convierte en un proceso básico en su estrategia de conocimientos.

Aquí hay otro ejemplo que ilustra la importancia de una segmentación de datos adecuada:

7. Ver datos en los marcos de tiempo correctos

Tomar decisiones basadas en conocimientos extraídos de un período de tiempo puede ser desastroso. Solo mirar la pequeña imagen con cero referencias a datos históricos es un error común.

Los datos suelen tener una historia de fondo.

Es importante verificar eso para darle sentido al presente. A veces, los eventos sucedieron en el pasado en respuesta a influencias externas como días festivos, estaciones, ciclos económicos, etc.

Tenga esto en cuenta mientras explora el espectro completo de una tendencia para obtener una lectura más precisa de las cosas.

8. Encuentra los patrones correctos

Ascenso y caída: dos de las tendencias más fáciles de observar en un gráfico de líneas. Por lo general, así es como se muestran las visitas a la página y los datos de participación en GA.

Otros tipos de diagramas, como series de tiempo y diagramas de dispersión, nos ayudan a representar patrones en los datos. Puede detectar cuándo hay una tendencia ascendente o descendente, visualizar una correlación entre dos variables y más.

Todos están diseñados para revelar las historias detrás de los datos. Una palabra de precaución: nunca vea los patrones aislados de su contexto.

Al analizar sus gráficos, el profesor del MIT, el Dr. Rama Ramakrishnan, sugiere hacer coincidir su gráfico con las expectativas preliminares:

¿Hay algo que no coincida? ¿Cualquier cosa que te haga decir 'Eso es extraño' o 'Eso no tiene ningún sentido'? Acérquese y trate de entender qué es lo que hace que esa cosa extraña aparezca en los datos de su negocio. Este es el paso crítico. (…) Es posible que haya encontrado una idea del negocio y haya aumentado su comprensión. O puede descubrir que hay un error en la forma en que se recopilaron o calcularon sus datos (Ley de Twyman).

9. Elabora una hipótesis ganadora

Cuando haya analizado sus datos y haya sacado inferencias precisas, es hora de proponer una hipótesis que pueda probar.

Al elaborar una hipótesis, está descubriendo una solución a un problema que puede verificar con la experimentación.

Una hipótesis medible consta de 3 partes:

• Observación,
• ejecución, y
• Salir

Este es un ejemplo real de un socio de Convert:

Observación: a partir de los datos analíticos, observamos una alta tasa de rebote en la página de nuestro producto estrella. También llevamos a cabo encuestas, encuestas e investigaciones de usabilidad y descubrimos que los usuarios no entendían el valor de nuestro producto y no confiaban en él. Además, la mayoría de los visitantes no se desplazaron más abajo en la página.

Ejecución: queremos agregar una mejor copia al área de plegado para retener a más visitantes de la página, abordar los problemas de confianza y aumentar las conversiones en la página.

Resultado: esto debería llevar a que más visitantes de la web se desplacen por la página, deseen nuestro producto estrella y lo compren. Mediremos esto por una tasa de rebote más baja, tasas de conversión más altas e ingresos.

Una vez que haya aterrizado aquí, el siguiente paso es probar .

Este ejemplo es una hipótesis real que condujo a resultados impresionantes. Para obtener más detalles sobre los experimentos, consulte el primer ejemplo práctico de información a continuación.

10. Prepárate para experimentar

Con la hipótesis anterior, puede hacer lo que hacen los optimizadores de tasa de conversión expertos y ejecutar una prueba.

Hasta este punto, sus hipótesis, aunque se basen en datos, son tan buenas como la intuición.

Experimentar te acerca a crear un hecho sólido como una roca.

Aquí es donde comienza a obtener el ROI de su análisis de datos.

El enfoque científico nos ayudó a convertir nuestros datos sin procesar e incomprensibles en algo legible. Luego, aplicamos el poder del análisis de datos para revelar los jugosos conocimientos que contenían.

Desarrollamos hipótesis medibles a partir de estos conocimientos y dimos el siguiente paso lógico: la experimentación.

Hay cientos de herramientas que nos llevan a través de estos pasos. Pero Convert los une a todos al final y nos lleva a nuestro objetivo final: información procesable.

Convert se integra con docenas de herramientas para que pueda experimentar y descubrir ideas increíblemente poderosas que conducen directamente a mayores ingresos. Pruebe Convert Integration en una prueba gratuita

Más allá de los conocimientos: cómo convertir los conocimientos en una estrategia

Los conocimientos no son útiles para lograr los objetivos comerciales si no se traducen en una estrategia y no se actúa en consecuencia.

¿Cómo puede utilizar realmente la información que obtiene para generar beneficios positivos que influyan directamente en los resultados de su organización?

Compartamos 3 ejemplos:

Ejemplos de conversión de datos en información procesable

Estudio de caso n.° 1: cómo SplitBase usó Google Analytics para recopilar datos para un experimento que reveló una oportunidad para un aumento del 27 % en las conversiones

BestSelf Co. descubrió una fuga en la página de su producto estrella. Así que trabajaron con SplitBase para conectarlo.

¿Cómo lo hicieron?

Utilizando varios medios para recopilar datos, como sondeos, encuestas y mapas de calor, encontraron al culpable.

El beneficio del producto no se comunicó lo suficientemente bien, por lo que las personas ni siquiera pasaban del área del pliegue. A partir de esto, elaboraron la hipótesis que compartimos anteriormente.

Hicieron una prueba y descubrieron que tenían razón. El nuevo titular que establece claramente el mayor beneficio del producto y la prueba social impulsó significativamente las ventas del producto.

Estudio de caso n.° 2: ¿Esta promoción de envío gratis generó o perdió dinero?

Esta era la pregunta en la mente del equipo que dirigía una lujosa tienda de comercio electrónico de vidrio hecho a mano.

Lanzaron una promoción de envío gratis y encontraron un aumento en las tasas de conversión. Aunque eso significó más dinero, teniendo en cuenta los costos de envío de estos productos a los clientes, ¿fue suficiente la oferta para compensar los costos de envío?

Ahora, cómo encontraron su respuesta...

Llamaron a Brave One, una agencia de optimización de la tasa de conversión, que ideó un plan para averiguar si estaban perdiendo o ganando, y en qué medida.

Con Google Analytics y Mixpanel para recopilar datos y Convert para experimentar, Brave One comparó el sitio sin la oferta con una versión con la oferta.

Manejar el negocio con la oferta generó $16,000 más que hacerlo sin ella en el mismo período de tiempo.

Estudio de caso n.° 3: los datos ayudaron a Nike a ajustar su orientación y tocar los corazones de una audiencia más amplia

Cuando Nike quiso lanzar una campaña llamada 'Encuentra tu grandeza' al comienzo de los Juegos Olímpicos de 2012, indagaron en sus datos y encontraron esto:

La mayoría de su público objetivo no eran atletas profesionales. Eran personas que admiraban a los profesionales y querían ser como ellos.

¿Qué hicieron con esto?

Ajustaron su orientación.

Nike suele ir tras los atletas profesionales. Pero esta vez, decidieron inspirar a todos, independientemente de su nivel de condición física, a superar sus límites.

Uno de los videos de la campaña tuvo más de 3 millones de reproducciones.

Y no termina ahí: Adidas gastó millones de dólares para conseguir un patrocinio olímpico, pero Nike disfrutó del mismo nivel de exposición con menos de la mitad de ese presupuesto de marketing.

Resumiendo

Experimentar no debería marcar el final de su proceso de optimización.

Debería ser un proceso continuo porque nunca siempre acertamos con nuestra percepción.

Además, recuerde... en caso de que carezca de las habilidades para realizar análisis de datos internos, siempre puede confiar en los conocimientos de los expertos en datos.

El Dr. Thom Ives sugiere que a medida que ingresan más datos, tenemos que refinar las inferencias que hicimos con los datos antiguos.

¿Y las buenas noticias? De esta manera, continuamos acercándonos a una perspectiva que es más representativa de nuestra audiencia y hacemos predicciones y decisiones mucho más precisas.