Cara mendapatkan hasil maksimal dari strategi data Anda dengan model kematangan analitik
Diterbitkan: 2022-11-18Sebagian besar pemasar setuju bahwa metode pengukuran non-cookie akan berdampak besar pada periklanan. Namun, menerapkan metode ini memerlukan tingkat kemampuan analitik tertentu dan akses ke data yang tepat.
Anda mungkin mendapati diri Anda bertanya:
- Apa tingkat kemampuan analitik saya saat ini?
- Apa yang dapat saya pelajari tentang bisnis saya dengannya?
Teruslah membaca untuk mempelajari lebih lanjut tentang model kedewasaan analitik, cara mencari tahu di langkah mana Anda berada, dan cara terbaik untuk melangkah maju.
Lewati dulu >>
- Apa model kedewasaan analitik
- Apa saja tahapan yang berbeda
- Tidak terstruktur
- Deskriptif
- Diagnostik
- Prediktif
- Bersifat menentukan
- Di mana Anda dalam model
- Bagaimana memilih model yang tepat untuk Anda
Geser lembar contekan
Simpan lembar contekan model kematangan analitik untuk nanti
Apa model kedewasaan analitik?
Model kematangan analitik adalah kerangka kerja yang membantu bisnis menentukan bagaimana mereka dapat menggunakan data mereka untuk menemukan wawasan dan membuat keputusan, bukan hanya mengumpulkan data untuk kepentingan itu.
Ada beberapa model kematangan analitik—beberapa yang paling banyak digunakan adalah:
- Gartner—Model Kematangan untuk Data dan Analitik
- SAS—Kartu Skor Kematangan Analitik
- OECD—Analytics Maturity Model
- DAMM—Model Kematangan Analisis Data untuk Asosiasi
Kami akan menggunakan model Gartner sebagai dasar. Kami memilih model mereka karena mudah dipahami, dapat ditindaklanjuti, dan dapat diterapkan di berbagai segmen di luar pemasaran—seperti penjualan, keuangan, dll. posting, terlepas dari model yang Anda gunakan.
Apa saja tahapan yang berbeda dalam model kematangan analitik?
Model Gartner memiliki empat tahap, dengan tahap pertama membutuhkan beberapa keterampilan analitik dasar. Kami menambahkan satu tahap lagi ke model—tidak terstruktur—untuk mencakup bisnis yang tidak memiliki keahlian analitik. Kemudian Anda memiliki analitik deskriptif, diagnostik, prediktif, dan preskriptif. Kami akan membahas masing-masing secara terpisah dan membantu Anda memahami fase Anda dan bagaimana melangkah maju.
Tidak terstruktur
Analisis data tidak terstruktur berarti Anda tidak memiliki strategi data dan tidak menggunakan analitik sama sekali.
Katakanlah Anda berbisnis menjual alas kaki—sepatu kets basket. Anda tidak tahu seberapa tertarik orang pada sepatu kets tertentu dan mengapa mereka tertarik.
Sebelum masuk ke analitik deskriptif, Anda berada dalam tahap lagging atau restriktif. Sebagian besar, sebagian besar bisnis dimulai di sini. Jadi, jika Anda menunggu untuk melakukan lompatan, Anda tidak sendirian.
Analitik pemasaran
Apa artinya sebenarnya, mengapa Anda harus peduli, dan bagaimana menjadi lebih baik dalam hal itu
Deskriptif
Analitik deskriptif — apa yang terjadi —adalah bentuk analitik paling sederhana dan fondasi untuk jenis yang lebih mendalam. Analitik deskriptif merangkum apa yang terjadi atau sedang terjadi dengan menarik tren dari data mentah dan memberikan wawasan tentang arti tren ini.
Melanjutkan contoh kami sebelumnya, analitik deskriptif dapat memberi tahu Anda sesuatu seperti: sepatu bola basket ini memiliki peningkatan minat musiman pada bulan Agustus, September, dan awal Oktober setiap tahun.
Anda dapat menggunakan visualisasi data untuk mengomunikasikan analisis deskriptif karena bagan, grafik, dan peta dapat menunjukkan tren dalam data—serta penurunan dan lonjakan—dengan cara yang jelas dan mudah dipahami.
“Visual membantu otak Anda memproses lebih banyak data pada saat bersamaan. Digunakan dengan baik, ini dapat membantu pembaca Anda memahami data kompleks dalam sekejap mata.”Ralph Spandl, Kepala Visualisasi Data, Supermetrik
Pada tahap ini, Anda dapat menggunakan alat spreadsheet seperti Google Sheets, Excel, dan alat visualisasi data seperti Looker Studio (sebelumnya Data Studio) atau Power BI.
Google Spreadsheet dan Excel
Dapatkan semua data pemasaran silo Anda ke dalam spreadsheet sehingga Anda dapat mengucapkan selamat tinggal untuk menyalin/menempel
Diagnostik
Mengambil analisis selangkah lebih maju dengan analitik diagnostik — mengapa ini terjadi — termasuk membandingkan tren atau pergerakan, melihat apakah ada korelasi antara statistik tertentu, dan menentukan hubungan sebab-akibat jika memungkinkan.
Anda dapat melihat data demografis tentang kelompok mana yang paling sering menggunakan sepatu basket dan mengetahui bahwa mereka berusia antara 13 dan 16 tahun. Namun, pelanggan yang membeli sepatu kets ini cenderung berusia antara 30 dan 50 tahun. Beberapa data survei pelanggan dikumpulkan sebelumnya mengungkapkan bahwa salah satu alasan utama pelanggan membeli sepatu basket adalah hadiah orang tua mereka untuk anak remaja mereka. Peningkatan penjualan di akhir musim panas dan awal musim gugur mungkin disebabkan oleh musim bola basket yang dimulai tahun itu.
“Menjadi berbasis wawasan adalah tentang mengambil data pemasaran Anda dan memahaminya sehingga Anda dapat membuat keputusan yang tepat.”Edward Ford, Direktur Gen Permintaan, Supermetrik
Meskipun Anda dapat melakukan analitik diagnostik secara manual di alat seperti Excel dan Google Spreadsheet, biasanya kami melihat pemasar menggunakan alat BI seperti Looker Studio atau Power BI untuk menerapkan logika sederhana guna membandingkan statistik tertentu satu sama lain.
Menggunakan gudang data juga merupakan opsi yang populer karena memungkinkan Anda mengumpulkan data dari berbagai sumber—media berbayar dan sosial organik—ke dalam satu lokasi sebelum memasukkannya ke alat visualisasi. Anda dapat menerapkan konsep di atas di berbagai kasus penggunaan—memeriksa permintaan pemasaran dan menjelaskan perilaku pelanggan.
Prediktif
Analitik prediktif — apa yang mungkin terjadi di masa depan — data historis untuk membuat prediksi tentang tren atau hasil di masa mendatang. Anda dapat melakukannya secara manual atau dengan algoritme pembelajaran mesin.
Analitik prediktif dapat digunakan dalam pemasaran untuk memperkirakan tren penjualan pada waktu yang berbeda dalam setahun dan merencanakan kampanye yang sesuai. Misalnya, mengetahui bahwa minat dan penjualan sepatu bola basket telah melonjak pada bulan Agustus, September, dan awal Oktober setiap tahun selama dekade terakhir dapat membantu Anda memprediksi bahwa tren yang sama akan terjadi tahun depan. Data perilaku historis juga dapat membantu Anda memprediksi kemungkinan seseorang beralih dari kesadaran merek ke pembelian produk. Jadi, jika Anda tahu bahwa seseorang biasanya berinteraksi dengan lima konten sebelum membeli, Anda dapat merencanakan konten Anda sesuai dengan itu. Menyimpan data historis di gudang data, seperti BigQuery, dapat membantu Anda melakukan analisis prediktif secara manual.
Alat pemodelan data, seperti dbt, dapat membantu mengotomatiskan penggabungan informasi dari berbagai sumber ke dalam tabel yang siap untuk wawasan. Analitik prediktif dapat diotomatisasi lebih lanjut menggunakan platform pembelajaran mesin. Selain itu, memiliki kumpulan data yang solid dengan kemampuan pembelajaran mesin memberikan transisi yang lancar ke tingkat preskriptif.
Analitik prediktif
Semua yang perlu Anda ketahui untuk memulai
Bersifat menentukan
Terakhir, analitik preskriptif — apa yang harus kita lakukan selanjutnya —memperhitungkan semua faktor yang mungkin ada dalam sebuah skenario dan menyarankan kesimpulan yang dapat ditindaklanjuti.
Untuk melengkapi contoh sepatu basket. Sekarang setelah Anda mengetahui bahwa musim bola basket akan segera dimulai dan permintaan sepatu kets akan meningkat—berdasarkan analisis tren Anda—apa yang harus Anda lakukan? Anda dapat menjalankan pengujian A/B dengan dua materi iklan. Salah satu yang menargetkan pengguna akhir produk Anda—para remaja. Dan yang menargetkan pembeli Anda — orang tua. Hasil percobaan dapat membantu Anda mengetahui cara memanfaatkan jangka waktu singkat ini dengan lebih baik.
Meskipun analisis preskriptif manual dapat dilakukan dengan kumpulan data yang lebih kecil, Anda akan mendapatkan hasil yang lebih baik dengan menggunakan algoritme pembelajaran mesin saat bekerja dengan jumlah data yang lebih besar untuk mendapatkan jawaban atas "apa hal terbaik yang harus dilakukan selanjutnya?". Platform seperti Google Cloud Vision AI atau Vertex AI dapat membantu Anda menerapkan model pembelajaran mesin ini.
Ingin membangun model preskriptif?
Tim Layanan Profesional kami dapat membantu
Di mana Anda dalam model, dan bagaimana Anda bisa bergerak maju?
Sebelum Anda memutuskan apa yang akan difokuskan, penting untuk memahami di mana organisasi Anda berada di berbagai area model kematangan analitik. Berdasarkan di mana Anda berada, Anda dapat merencanakan bagaimana untuk bergerak maju.
1. Penilaian
Pertama, nilai tingkat kematangan analitik Anda saat ini untuk mengetahui data apa yang Anda kumpulkan dan gunakan. Jawab pertanyaan berikut:
- Apa sumber data Anda saat ini?
- Siapa yang memiliki akses ke data tersebut?
- Alat apa yang Anda gunakan?
2. Ketersediaan
Di sini, Anda harus mencari tahu sumber data lain apa yang tersedia untuk Anda, termasuk:
- Sumber data internal: CRM, analisis web, umpan balik pelanggan
- Sumber data eksternal: platform iklan, data publik, dll.
3. Prioritas
Selanjutnya, pertimbangkan metrik yang Anda pantau dan pertanyaan yang dijawabnya. Prioritaskan yang memberi Anda wawasan yang dapat ditindaklanjuti tentang "mengapa" dan "bagaimana" daripada berfokus pada metrik yang hanya memberikan informasi tentang "berapa banyak".
“Berbasis data tidak sama dengan berbasis wawasan—data hanyalah salah satu bagian dari teka-teki. Hanya dengan memahami 'mengapa' di balik perilaku pelanggan, kami dapat membuat kampanye pemasaran yang benar-benar efektif.”Will Yang, Kepala Bagian Pertumbuhan, Instrumentl
4. Orang
Pastikan bahwa pemangku kepentingan yang relevan memiliki akses ke data yang relevan. Terapkan praktik gesit untuk memecah silo dan menyederhanakan berbagi data di seluruh departemen. Pertimbangkan untuk memberi karyawan akses ke data, mengajari mereka cara menggunakannya, dan mendorong ide-ide baru.
“Edukasi tim Anda tentang literasi data dan jadikan itu bagian dari budaya. Karena tim Anda perlu menggunakan data, mereka perlu mengetahui dasar-dasarnya.”Lee Feinberg, Presiden, Keputusan Viz
5. Teknologi
Berinvestasi dalam teknologi yang dapat membantu Anda menginterpretasikan data yang tersedia dan mendapatkan nilai darinya. Anda harus memikirkan keterampilan analitik tim Anda dan memilih alat yang cocok untuk mereka. Untuk pengguna non-teknis, ada baiknya menggunakan alat visualisasi data dengan antarmuka yang mudah digunakan untuk membuat laporan mudah dipahami.
Di sisi lain, jika tim Anda memiliki keterampilan SQL, mereka akan mendapatkan nilai lebih dari penggunaan gudang data.
“Jika Anda memiliki situasi di mana tim tahu cara menulis SQL, tetapi mungkin mereka tidak tahu segalanya tentang rekayasa data, dalam hal ini, gudang data lebih cocok.”Evan Kaeding, Teknisi Penjualan Utama, Supermetrik
Telusuri kelima aspek ini dan tanyakan pada diri Anda pertanyaan yang sama setiap kali Anda berencana untuk bergerak maju melalui model untuk mengetahui apakah Anda siap.
Bagaimana memilih model yang tepat untuk Anda
Di mana Anda seharusnya berada dalam model kedewasaan analitik tergantung pada siapa yang menggunakan data dan keputusan apa yang Anda harapkan darinya.
Meskipun Anda bisa mendapatkan wawasan dan ROI yang lebih baik dengan meningkatkan model, terutama dengan analitik prediktif dan preskriptif, Anda perlu memperhatikan beberapa hal.
Anda memerlukan data yang akurat untuk melatih AI dan model pembelajaran mesin—semakin baik set datanya, semakin baik pula prediksinya. Jika data Anda tidak lengkap atau memiliki informasi yang salah, itu akan merusak hasil Anda.
Misalnya, jika data demografis usia dari pembeli sepatu bola basket hanya berisi data tentang pengguna akhir, para remaja, dan mengabaikan informasi bahwa orang tua adalah pembeli sebenarnya dari sepatu tersebut. Model preskriptif Anda tidak akan mempertimbangkan orang tua sebagai kelompok untuk memasarkan produk Anda, dan kemungkinan besar akan menyarankan Anda untuk memasarkan hanya kepada remaja. Tim pemasaran mungkin akan berinvestasi pada audiens yang salah dan kehilangan kesempatan untuk mendorong penjualan.
Dalam hal ini, akan lebih masuk akal untuk menggunakan model deskriptif— apa yang terjadi— atau model diagnostik —mengapa hal itu terjadi— dan membangun kualitas dalam kumpulan data tersebut sebelum Anda dapat mendorong prediksi dan keputusan yang terinformasi dengan baik yang dihasilkan oleh pembelajaran mesin dan AI pada tahap selanjutnya.
Kepemilikan data
Cara mendapatkan wawasan yang lebih dalam dari data pemasaran Anda
Bungkus
Model kematangan analitik membantu Anda memaksimalkan data dan meningkatkan pengambilan keputusan. Setiap langkah dalam model akan mempersiapkan Anda untuk langkah berikutnya.
Jadi, Anda dapat memulai dengan menggunakan analitik deskriptif untuk menceritakan kisah tentang apa yang terjadi, kemudian mengembangkannya dan mencari tahu mengapa hal tersebut terjadi dengan bantuan analitik diagnostik.
Setelah Anda memiliki akses ke data yang tepat dan dapat diandalkan, Anda dapat beralih ke analitik prediktif untuk mengetahui tren. Dan terakhir, Anda dapat menggunakan prediksi tersebut untuk menginformasikan apa yang harus Anda lakukan di masa mendatang dengan analitik preskriptif.
Jangan khawatir jika Anda belum berada pada fase preskriptif, menelusuri model lebih tentang menilai kebutuhan dan sumber daya Anda saat ini, dan memanfaatkannya sebaik mungkin sebelum menskalakan terlalu cepat. Tidak ada tempat yang benar atau salah, hanya tempat yang tepat untuk tim dan bisnis Anda.
Geser lembar contekan
Simpan lembar contekan model kematangan analitik untuk nanti
Tentang Penulis
Pieter adalah Sales Engineer di Supermetrics. Dia bekerja sama dengan pelanggan untuk mengidentifikasi peluang peningkatan pengembalian nilai dalam kumpulan data pemasaran mereka. Di luar jam kerja, ia biasanya dapat ditemukan menembak ring di lapangan basket.