Come ottenere il massimo dalla tua strategia di dati con il modello di maturità dell'analisi
Pubblicato: 2022-11-18La maggior parte dei marketer concorda sul fatto che i metodi di misurazione diversi dai cookie avranno un grande impatto sulla pubblicità. Tuttavia, l'implementazione di questi metodi richiede un certo livello di capacità di analisi e l'accesso ai dati corretti.
Potresti trovarti a chiedere:
- Qual è il mio attuale livello di capacità di analisi?
- Cosa posso imparare sulla mia attività con esso?
Continua a leggere per saperne di più sul modello di maturità dell'analisi, su come capire a che punto sei e sul modo migliore per andare avanti.
Salta avanti >>
- Qual è il modello di maturità dell'analisi
- Quali sono le diverse fasi
- Non strutturato
- Descrittivo
- Diagnostico
- Predittivo
- Prescrittivo
- Dove sei nel modello
- Come scegliere il modello giusto per te
Scorri il cheat sheet
Salva il cheat sheet del modello di maturità dell'analisi per dopo
Qual è il modello di maturità dell'analisi?
Il modello di maturità dell'analisi è un framework che aiuta le aziende a determinare come possono utilizzare i propri dati per trovare approfondimenti e prendere decisioni piuttosto che raccogliere dati solo per il gusto di farlo.
Esistono diversi modelli di maturità dell'analisi, alcuni dei più utilizzati sono:
- Modello di maturità di Gartner per dati e analisi
- SAS: scorecard di maturità analitica
- OCSE—Modello di maturità di Analytics
- DAMM: modello di maturità dell'analisi dei dati per le associazioni
Useremo il modello di Gartner come riferimento. Abbiamo scelto il loro modello perché è facile da capire, attuabile e applicabile a segmenti al di fuori del marketing, come vendite, finanza, ecc. Inoltre, poiché molti modelli di maturità dell'analisi sono abbastanza simili, puoi applicare i passaggi, le azioni e i consigli in questo post, indipendentemente dal modello che stai utilizzando.
Quali sono le diverse fasi del modello di maturità dell'analisi?
Il modello Gartner ha quattro fasi, con la prima fase che richiede alcune competenze analitiche di base. Abbiamo aggiunto un'ulteriore fase al modello, non strutturato, per coprire le aziende che non dispongono di competenze analitiche. Quindi hai analisi descrittive, diagnostiche, predittive e prescrittive. Esamineremo ciascuno separatamente e ti aiuteremo a capire la tua fase e come andare avanti.
Non strutturato
L'analisi dei dati non strutturata significa che non hai una strategia per i dati e non utilizzi affatto l'analisi.
Diciamo che sei nel business della vendita di calzature, scarpe da ginnastica da basket. Non hai idea di quanto le persone siano interessate a una particolare sneaker e perché lo sarebbero.
Prima di arrivare all'analisi descrittiva, sei nella fase ritardata o restrittiva. Per la maggior parte, la maggior parte delle aziende inizia qui. Quindi, se stai aspettando di fare il salto, non sei solo.
Analisi di mercato
Cosa significa veramente, perché dovresti preoccupartene e come migliorarlo
Descrittivo
L' analisi descrittiva - cosa è successo - è la forma più semplice di analisi e la base per tipi più approfonditi. L'analisi descrittiva riassume ciò che è accaduto o sta accadendo estraendo le tendenze dai dati grezzi e fornendo informazioni sul significato di queste tendenze.
Continuando il nostro esempio precedente, l'analisi descrittiva può dirti qualcosa del tipo: questa scarpa da basket ha un aumento stagionale dell'interesse in agosto, settembre e all'inizio di ottobre di ogni anno.
Puoi utilizzare le visualizzazioni dei dati per comunicare un'analisi descrittiva perché diagrammi, grafici e mappe possono mostrare le tendenze nei dati, nonché i cali e i picchi, in modo chiaro e facilmente comprensibile.
“Le immagini aiutano il tuo cervello a elaborare più dati contemporaneamente. Usato bene, può aiutare il tuo lettore a comprendere dati complessi in un batter d'occhio.Ralph Spandl, responsabile della visualizzazione dei dati, Supermetrics
In questa fase, puoi utilizzare strumenti per fogli di calcolo come Fogli Google, Excel e strumenti di visualizzazione dei dati come Looker Studio (precedentemente Data Studio) o Power BI.
Fogli Google ed Excel
Raccogli tutti i tuoi dati di marketing in silos in fogli di calcolo in modo da poter dire addio al copia/incolla
Diagnostico
Fare un ulteriore passo avanti nell'analisi con l'analisi diagnostica - perché è successo - include confrontare tendenze o movimenti, vedere se ci sono correlazioni tra determinate statistiche e determinare relazioni di causa ed effetto ove possibile.
Puoi esaminare i dati demografici su quale gruppo utilizza più comunemente le scarpe da basket e scoprire che hanno un'età compresa tra 13 e 16 anni. Tuttavia, i clienti che acquistano queste scarpe da ginnastica tendono ad avere tra i 30 e i 50 anni. raccolti in precedenza rivela che uno dei motivi principali per cui i clienti acquistano scarpe da basket è che i genitori le regalano ai loro figli adolescenti. L'aumento delle vendite nei mesi di fine estate e inizio autunno potrebbe essere dovuto alla stagione del basket che inizia quell'anno.
"Essere guidati dagli insight significa prendere i tuoi dati di marketing e dar loro un senso in modo da poter prendere la decisione giusta."Edward Ford, Demand Gen Director, Supermetrics
Sebbene sia possibile eseguire analisi diagnostiche manualmente in strumenti come Excel e Fogli Google, vediamo comunemente che i professionisti del marketing utilizzano uno strumento BI come Looker Studio o Power BI per applicare una logica semplice per confrontare determinate statistiche tra loro.
Anche l'utilizzo di un data warehouse è un'opzione popolare in quanto consente di raccogliere dati da diverse fonti, media a pagamento e social organici, in un'unica posizione prima di inviarli a uno strumento di visualizzazione. Puoi applicare i concetti di cui sopra a vari casi d'uso, esaminando la domanda di marketing e spiegando il comportamento dei clienti.
Predittivo
Analisi predittiva - cosa potrebbe accadere in futuro - dati storici per fare previsioni su tendenze o risultati futuri. Puoi farlo manualmente o con algoritmi di apprendimento automatico.
L'analisi predittiva può essere utilizzata nel marketing per prevedere le tendenze delle vendite in diversi periodi dell'anno e pianificare le campagne di conseguenza. Ad esempio, sapere che l'interesse e le vendite delle scarpe da ginnastica da basket sono aumentate ogni anno ad agosto, settembre e all'inizio di ottobre nell'ultimo decennio potrebbe aiutarti a prevedere che la stessa tendenza si verificherà l'anno prossimo. I dati comportamentali storici possono anche aiutarti a prevedere la probabilità di una persona di passare dalla consapevolezza del marchio all'acquisto del prodotto. Quindi, se sai che una persona di solito interagisce con cinque contenuti prima dell'acquisto, puoi pianificare i tuoi contenuti di conseguenza. L'archiviazione dei dati storici in un data warehouse, come BigQuery, può aiutarti a eseguire manualmente l'analisi predittiva.
Gli strumenti di modellazione dei dati, come dbt, possono aiutare ad automatizzare la combinazione di informazioni provenienti da fonti diverse in tabelle pronte per gli insight. L'analisi predittiva può essere ulteriormente automatizzata utilizzando una piattaforma di machine learning. Inoltre, disporre di un solido set di dati con funzionalità di apprendimento automatico fornisce una transizione graduale al livello prescrittivo.
Analisi predittiva
Tutto quello che devi sapere per iniziare
Prescrittivo
Infine, l' analisi prescrittiva - cosa dovremmo fare dopo - tiene conto di tutti i possibili fattori in uno scenario e suggerisce suggerimenti attuabili.
Per completare l'esempio delle scarpe da basket. Ora che sai che la stagione del basket inizierà presto e la domanda di scarpe da ginnastica aumenterà, in base alla tua analisi delle tendenze, cosa dovresti fare? Potresti eseguire un test A/B con due creatività pubblicitarie. Uno che si rivolge agli utenti finali del tuo prodotto: gli adolescenti. E uno che prende di mira i tuoi acquirenti: i genitori. I risultati dell'esperimento possono aiutarti a capire come sfruttare ancora meglio questo breve lasso di tempo.
Mentre l'analisi prescrittiva manuale è fattibile con set di dati più piccoli, otterrai risultati migliori utilizzando algoritmi di apprendimento automatico quando lavori con quantità maggiori di dati per ottenere una risposta a "qual è la cosa migliore da fare dopo?". Piattaforme come Google Cloud Vision AI o Vertex AI possono aiutarti a implementare questi modelli di machine learning.
Stai cercando di costruire un modello prescrittivo?
Il nostro team dei servizi professionali può aiutarti
A che punto sei nel modello e come puoi andare avanti?
Prima di decidere su cosa concentrarsi, è importante capire dove si trova la tua organizzazione nelle diverse aree del modello di maturità dell'analisi. In base a dove ti trovi, puoi pianificare come andare avanti.
1. Valutazione
Innanzitutto, valuta il tuo attuale livello di maturità dell'analisi per scoprire quali dati stai raccogliendo e utilizzando. Rispondi alle seguenti domande:
- Quali sono le tue attuali fonti di dati?
- Chi ha accesso a quei dati?
- Quali strumenti stai utilizzando?
2. Disponibilità
Qui, dovresti capire quali altre fonti di dati sono a tua disposizione, tra cui:
- Fonti di dati interni: CRM, web analytics, feedback dei clienti
- Fonti di dati esterne: piattaforme pubblicitarie, dati pubblici, ecc.
3. Priorità
Successivamente, considera le metriche che monitori e le domande a cui rispondono. Dai la priorità a quelli che ti danno informazioni utili su "perché" e "come" invece di concentrarti su metriche che danno solo informazioni su "quanti".
“Essere guidati dai dati non è la stessa cosa che essere guidati dagli insight: i dati sono solo un pezzo del puzzle. Solo comprendendo il 'perché' dietro il comportamento dei clienti possiamo creare una campagna di marketing davvero efficace".Will Yang, responsabile della crescita, Instrumentl
4 persone
Garantire che le parti interessate pertinenti abbiano accesso ai dati pertinenti. Implementa pratiche agili per abbattere i silos e semplificare la condivisione dei dati tra i reparti. Prendi in considerazione l'idea di dare ai dipendenti l'accesso ai dati, insegnare loro come usarli e incoraggiare nuove idee.
"Istruisci il tuo team sull'alfabetizzazione dei dati e rendila parte della cultura. Poiché il tuo team ha bisogno di utilizzare i dati, deve conoscere le basi".Lee Feinberg, Presidente, decisione Viz
5. Tecnico
Investi nella tecnologia che può aiutarti a interpretare i dati disponibili e a trarne valore. Dovresti pensare alle capacità di analisi del tuo team e scegliere gli strumenti adatti a loro. Per gli utenti non tecnici, vale la pena utilizzare strumenti di visualizzazione dei dati con un'interfaccia intuitiva per rendere i report di facile comprensione.
D'altra parte, se il tuo team ha alcune competenze SQL, otterrà più valore dall'utilizzo di un data warehouse.
"Se hai una situazione in cui il team sa come scrivere SQL, ma forse non sa tutto sull'ingegneria dei dati, in tal caso, un data warehouse è la soluzione migliore."Evan Kaeding, ingegnere capo delle vendite, Supermetrics
Esamina questi cinque aspetti e poniti le stesse domande ogni volta che prevedi di andare avanti nel modello per sapere se sei pronto.
Come scegliere il modello giusto per te
Dove dovresti essere nel modello di maturità dell'analisi dipende da chi utilizza i dati e quali decisioni ti aspetti di trarne.
Sebbene sia possibile ottenere informazioni e ROI migliori spostando il modello verso l'alto, in particolare con l'analisi predittiva e prescrittiva, è necessario prestare attenzione ad alcune cose.
Hai bisogno di dati accurati per addestrare i tuoi modelli di intelligenza artificiale e machine learning: migliori sono i set di dati, migliori saranno le previsioni. Se i tuoi dati sono incompleti o contengono informazioni errate, danneggeranno i tuoi risultati.
Ad esempio, se i dati demografici sull'età degli acquirenti di scarpe da basket contengono solo dati sull'utente finale, gli adolescenti, e tralasciano l'informazione che i genitori sono i veri acquirenti di queste scarpe da ginnastica. Il tuo modello prescrittivo non considererà i genitori come un gruppo a cui commercializzare il tuo prodotto e molto probabilmente ti consiglierà di commercializzare solo agli adolescenti. Il team di marketing probabilmente investirà nel pubblico sbagliato e perderà l'opportunità di incrementare le vendite.
In tal caso, avrebbe più senso utilizzare un modello descrittivo - cosa è successo - o un modello diagnostico - perché è successo - e costruire la qualità in quei set di dati prima di poter guidare previsioni e decisioni ben informate generate dall'apprendimento automatico e AI nelle fasi successive.
Proprietà dei dati
Come ottenere informazioni più approfondite dai tuoi dati di marketing
Incartare
Il modello di maturità dell'analisi ti aiuta a ottenere il massimo dai tuoi dati e a migliorare il processo decisionale. Ogni fase del modello ti preparerà per quella successiva.
Quindi puoi iniziare utilizzando l'analisi descrittiva per raccontare la storia di ciò che sta accadendo, quindi basarti su questo e scoprire perché queste cose stanno accadendo con l'aiuto dell'analisi diagnostica.
Una volta che hai accesso ai dati giusti ed è affidabile, puoi passare all'analisi predittiva per individuare le tendenze. E infine, puoi utilizzare queste previsioni per informare su cosa dovresti fare in futuro con l'analisi prescrittiva.
Non preoccuparti se non sei ancora nella fase prescrittiva, passare attraverso il modello riguarda più la valutazione delle tue esigenze e risorse attuali e sfruttarle al meglio prima di scalare troppo rapidamente. Non esiste un posto giusto o sbagliato dove stare, solo il posto giusto per il tuo team e la tua attività.
Scorri il cheat sheet
Salva il cheat sheet del modello di maturità dell'analisi per dopo
Circa l'autore
Pieter è un Sales Engineer presso Supermetrics. Lavora a stretto contatto con i clienti per identificare opportunità per un maggiore ritorno di valore nel loro stack di dati di marketing. Al di fuori dell'orario di lavoro, di solito lo si può trovare a tirare a canestro sul campo da basket.