Comment tirer le meilleur parti de votre stratégie de données avec le modèle de maturité analytique
Publié: 2022-11-18La plupart des spécialistes du marketing s'accordent à dire que les méthodes de mesure sans cookies auront un impact important sur la publicité. Mais la mise en œuvre de ces méthodes nécessite un certain niveau de capacité d'analyse et un accès aux bonnes données.
Vous pourriez vous demander :
- Quel est mon niveau actuel de capacité d'analyse ?
- Que puis-je apprendre sur mon entreprise grâce à elle ?
Continuez à lire pour en savoir plus sur le modèle de maturité analytique, comment déterminer à quelle étape vous en êtes et la meilleure façon d'aller de l'avant.
Passer devant >>
- Qu'est-ce que le modèle de maturité analytique ?
- Quelles sont les différentes étapes
- Non structuré
- Descriptif
- Diagnostique
- Prédictif
- Prescriptif
- Où en êtes-vous dans le modèle
- Comment choisir le bon modèle pour vous
Balayez la feuille de triche
Enregistrez la feuille de triche du modèle de maturité analytique pour plus tard
Qu'est-ce que le modèle de maturité analytique ?
Le modèle de maturité analytique est un cadre qui aide les entreprises à déterminer comment elles peuvent utiliser leurs données pour trouver des informations et prendre des décisions plutôt que de simplement collecter des données pour le plaisir.
Il existe plusieurs modèles de maturité analytique, dont les plus utilisés sont :
- Modèle de maturité des données et des analyses de Gartner
- SAS—Tableau de bord de la maturité analytique
- OCDE — Modèle de maturité analytique
- DAMM—Modèle de maturité de l'analyse des données pour les associations
Nous utiliserons le modèle Gartner comme référence. Nous avons choisi leur modèle parce qu'il est facile à comprendre, exploitable et applicable à tous les segments en dehors du marketing, comme les ventes, la finance, etc. De plus, comme de nombreux modèles de maturité analytique sont assez similaires, vous pouvez appliquer les étapes, les actions et les recommandations de ce poste, quel que soit le modèle que vous utilisez.
Quelles sont les différentes étapes du modèle de maturité analytique ?
Le modèle Gartner comporte quatre étapes, la première étape nécessitant des compétences analytiques de base. Nous avons ajouté une étape supplémentaire au modèle, non structurée, pour couvrir les entreprises qui n'ont aucune compétence en analytique. Ensuite, vous avez des analyses descriptives, diagnostiques, prédictives et prescriptives. Nous passerons en revue chacun séparément et vous aiderons à comprendre votre phase et comment aller de l'avant.
Non structuré
L'analyse des données non structurées signifie que vous n'avez pas de stratégie de données et que vous n'utilisez pas du tout l'analyse.
Disons que vous vendez des chaussures, des baskets de basket. Vous ne savez pas à quel point les gens sont intéressés par une sneaker en particulier et pourquoi ils le seraient.
Avant de passer à l'analyse descriptive, vous êtes dans la phase de retard ou de restriction. Pour la plupart, la plupart des entreprises commencent ici. Donc, si vous attendez pour sauter le pas, vous n'êtes pas seul.
Analyses marketing
Qu'est-ce que cela signifie vraiment, pourquoi vous devriez vous en soucier et comment vous améliorer
Descriptif
L'analyse descriptive - ce qui s'est passé - est la forme d'analyse la plus simple et la base de types plus approfondis. L'analyse descriptive résume ce qui s'est passé ou se passe en extrayant les tendances des données brutes et en fournissant un aperçu de la signification de ces tendances.
Poursuivant notre exemple précédent, l'analyse descriptive peut vous dire quelque chose comme : cette chaussure de basket-ball connaît une augmentation saisonnière de l'intérêt en août, septembre et début octobre de chaque année.
Vous pouvez utiliser des visualisations de données pour communiquer une analyse descriptive, car les diagrammes, les graphiques et les cartes peuvent afficher les tendances des données, ainsi que les creux et les pics, de manière claire et facilement compréhensible.
« Les visuels aident votre cerveau à traiter plus de données en même temps. Bien utilisé, il peut aider votre lecteur à comprendre des données complexes en un clin d'œil. »Ralph Spandl, responsable de la visualisation des données, Supermetrics
À ce stade, vous pouvez utiliser des outils de tableur comme Google Sheets, Excel et des outils de visualisation de données comme Looker Studio (anciennement Data Studio) ou Power BI.
Google Sheets et Excel
Récupérez toutes vos données marketing cloisonnées dans des feuilles de calcul afin de pouvoir dire adieu au copier/coller
Diagnostique
Pour aller plus loin dans l'analyse avec l'analyse diagnostique - pourquoi cela s'est-il produit -, il faut comparer les tendances ou les mouvements, voir s'il existe des corrélations entre certaines statistiques et déterminer les relations de cause à effet lorsque cela est possible.
Vous pouvez consulter les données démographiques sur le groupe qui utilise le plus souvent des baskets de basket-ball et découvrir qu'ils ont entre 13 et 16 ans. Mais les clients qui achètent ces baskets ont généralement entre 30 et 50 ans. recueillies plus tôt révèlent que l'une des principales raisons pour lesquelles les clients achètent des baskets de basket-ball est que les parents les offrent à leurs adolescents. L'augmentation des ventes à la fin de l'été et au début de l'automne peut être due au début de la saison de basket-ball cette année-là.
"Être axé sur les informations, c'est prendre vos données marketing et leur donner un sens afin que vous puissiez prendre la bonne décision."Edward Ford, directeur de la génération de la demande, Supermetrics
Bien que vous puissiez effectuer des analyses de diagnostic manuellement dans des outils comme Excel et Google Sheets, nous voyons souvent des spécialistes du marketing utiliser un outil de BI comme Looker Studio ou Power BI pour appliquer une logique simple pour comparer certaines statistiques entre elles.
L'utilisation d'un entrepôt de données est également une option populaire car elle vous permet de rassembler des données provenant de différentes sources (médias payants et réseaux sociaux organiques) en un seul emplacement avant de les transmettre à un outil de visualisation. Vous pouvez appliquer les concepts ci-dessus à divers cas d'utilisation, en examinant la demande marketing et en expliquant le comportement des clients.
Prédictif
Analyse prédictive - ce qui pourrait arriver dans le futur - données historiques pour faire des prédictions sur les tendances ou les résultats futurs. Vous pouvez le faire manuellement ou avec des algorithmes d'apprentissage automatique.
L'analyse prédictive peut être utilisée dans le marketing pour prévoir les tendances des ventes à différents moments de l'année et planifier des campagnes en conséquence. Par exemple, savoir que l'intérêt et les ventes de baskets de basket-ball ont augmenté en août, septembre et début octobre chaque année au cours de la dernière décennie pourrait vous aider à prédire que la même tendance se produira l'année prochaine. Les données comportementales historiques peuvent également vous aider à prédire la probabilité qu'une personne passe de la notoriété de la marque à l'achat d'un produit. Donc, si vous savez qu'une personne interagit généralement avec cinq éléments de contenu avant d'acheter, vous pouvez planifier votre contenu en conséquence. Le stockage des données historiques dans un entrepôt de données, tel que BigQuery, peut vous aider à effectuer manuellement des analyses prédictives.
Les outils de modélisation de données, comme dbt, peuvent aider à automatiser la combinaison d'informations provenant de différentes sources dans des tableaux prêts à l'emploi. L'analyse prédictive peut être davantage automatisée à l'aide d'une plateforme d'apprentissage automatique. De plus, disposer d'un ensemble de données solide avec des capacités d'apprentissage automatique permet une transition en douceur vers le niveau prescriptif.
Analyses prédictives
Tout ce que vous devez savoir pour commencer
Prescriptif
Enfin, l' analyse prescriptive - que devrions-nous faire ensuite - prend en compte tous les facteurs possibles dans un scénario et suggère des points à retenir.
Pour compléter l'exemple des baskets de basket. Maintenant que vous savez que la saison de basket-ball commence bientôt et que la demande de baskets va augmenter, d'après votre analyse des tendances, que devriez-vous faire ? Vous pouvez exécuter un test A/B avec deux créations publicitaires. Celui qui cible les utilisateurs finaux de votre produit, les adolescents. Et celui qui cible vos acheteurs, les parents. Les résultats de l'expérience peuvent vous aider à comprendre comment tirer encore mieux parti de ce court laps de temps.
Bien que l'analyse prescriptive manuelle soit réalisable avec des ensembles de données plus petits, vous obtiendrez de meilleurs résultats en utilisant des algorithmes d'apprentissage automatique lorsque vous travaillez avec de plus grandes quantités de données pour obtenir une réponse à "quelle est la meilleure chose à faire ensuite ?". Des plates-formes telles que Google Cloud Vision AI ou Vertex AI peuvent vous aider à déployer ces modèles d'apprentissage automatique.
Vous souhaitez construire un modèle prescriptif ?
Notre équipe de services professionnels peut vous aider
Où en êtes-vous dans le modèle et comment pouvez-vous aller de l'avant ?
Avant de décider sur quoi vous concentrer, il est important de comprendre où se situe votre organisation dans les différents domaines du modèle de maturité analytique. En fonction de l'endroit où vous vous trouvez, vous pouvez planifier comment aller de l'avant.
1. Évaluation
Tout d'abord, évaluez votre niveau de maturité analytique actuel pour savoir quelles données vous collectez et utilisez. Répondre aux questions suivantes:
- Quelles sont vos sources de données actuelles ?
- Qui a accès à ces données ?
- Quels outils utilisez-vous ?
2. Disponibilité
Ici, vous devez déterminer quelles autres sources de données sont à votre disposition, notamment :
- Sources de données internes : CRM, web analytics, retours clients
- Sources de données externes : plateformes publicitaires, données publiques, etc.
3. Priorisation
Ensuite, considérez les métriques que vous surveillez et les questions auxquelles elles répondent. Donnez la priorité à ceux qui vous donnent des informations exploitables sur « pourquoi » et « comment » au lieu de vous concentrer sur des mesures qui ne donnent que des informations sur « combien ».
« Être axé sur les données n'est pas la même chose qu'être axé sur les informations : les données ne sont qu'une pièce du puzzle. Ce n'est qu'en comprenant le « pourquoi » derrière le comportement des clients que nous pouvons créer une campagne de marketing vraiment efficace. »Will Yang, responsable de la croissance, Instrumentl
4 personnes
Veiller à ce que les parties prenantes concernées aient accès aux données pertinentes. Mettez en œuvre des pratiques agiles pour briser les silos et simplifier le partage de données entre les services. Envisagez de donner aux employés l'accès aux données, de leur apprendre à les utiliser et d'encourager de nouvelles idées.
« Éduquez votre équipe à la littératie des données et intégrez-la à la culture. Parce que votre équipe a besoin d'utiliser des données, elle doit connaître les bases. »Lee Feinberg, président, Décision Viz
5. Technologie
Investissez dans une technologie qui peut vous aider à interpréter les données disponibles et à en tirer profit. Vous devez réfléchir aux compétences analytiques de votre équipe et choisir les outils qui leur conviennent. Pour les utilisateurs non techniques, il vaut la peine d'opter pour des outils de visualisation de données avec une interface conviviale pour rendre les rapports faciles à comprendre.
D'un autre côté, si votre équipe a des compétences en SQL, elle tirera plus de valeur de l'utilisation d'un entrepôt de données.
"Si vous avez une situation où l'équipe sait comment écrire du SQL, mais peut-être qu'elle ne sait pas tout sur l'ingénierie des données, dans ce cas, un entrepôt de données est mieux adapté."Evan Kaeding, ingénieur commercial en chef, Supermetrics
Passez en revue ces cinq aspects et posez-vous les mêmes questions chaque fois que vous envisagez d'avancer dans le modèle pour savoir si vous êtes prêt.
Comment choisir le bon modèle pour vous
La position dans le modèle de maturité analytique dépend de qui utilise les données et des décisions que vous comptez en tirer.
Bien que vous puissiez obtenir de meilleures informations et un meilleur retour sur investissement en évoluant dans le modèle, en particulier avec des analyses prédictives et prescriptives, vous devez faire attention à certaines choses.
Vous avez besoin de données précises pour former vos modèles d'IA et d'apprentissage automatique. Plus les ensembles de données sont bons, meilleures sont les prédictions. Si vos données sont incomplètes ou contiennent des informations erronées, cela nuira à vos résultats.
Par exemple, si les données démographiques sur l'âge des acheteurs de baskets de basket-ball ne contiennent que des données sur l'utilisateur final, les adolescents, et omettent l'information selon laquelle les parents sont les véritables acheteurs de ces baskets. Votre modèle normatif ne considérera pas les parents comme un groupe auprès duquel commercialiser votre produit, et la plupart vous conseilleront probablement de ne commercialiser qu'aux adolescents. L'équipe marketing investira probablement dans le mauvais public et manquera l'opportunité de générer des ventes.
Dans ce cas, il serait plus logique d'utiliser un modèle descriptif - ce qui s'est passé - ou un modèle de diagnostic - pourquoi est-ce arrivé - et d'améliorer la qualité de ces ensembles de données avant de pouvoir générer des prédictions et des décisions bien informées générées par l'apprentissage automatique. et l'IA dans les étapes ultérieures.
Propriété des données
Comment obtenir des informations plus approfondies à partir de vos données marketing
Emballer
Le modèle de maturité analytique vous aide à tirer le meilleur parti de vos données et à améliorer la prise de décision. Chaque étape du modèle vous préparera pour la suivante.
Vous pouvez donc commencer par utiliser l'analyse descriptive pour raconter l'histoire de ce qui se passe, puis vous baser sur cela et découvrir pourquoi ces choses se produisent à l'aide de l'analyse diagnostique.
Une fois que vous avez accès aux bonnes données et qu'elles sont fiables, vous pouvez passer à l'analyse prédictive pour repérer les tendances. Et enfin, vous pouvez utiliser ces prédictions pour savoir ce que vous devriez faire à l'avenir avec l'analyse prescriptive.
Ne vous inquiétez pas si vous n'êtes pas encore à la phase prescriptive, parcourir le modèle consiste davantage à évaluer vos besoins et ressources actuels, et à en tirer le meilleur parti avant de les mettre à l'échelle trop rapidement. Il n'y a pas de bon ou de mauvais endroit où être, juste le bon endroit pour votre équipe et votre entreprise.
Balayez la feuille de triche
Enregistrez la feuille de triche du modèle de maturité analytique pour plus tard
A propos de l'auteur
Pieter est ingénieur commercial chez Supermetrics. Il travaille en étroite collaboration avec les clients pour identifier les opportunités d'augmentation de la valeur de retour dans leur pile de données marketing. En dehors des heures de travail, on peut généralement le trouver en train de tirer des cerceaux sur le terrain de basket.