Come trasformare un mucchio di dati in informazioni utili e significative (Guida 2021)

Sei sopraffatto da tutti i dati di fronte a te?

C'è una ricchezza di dati senza precedenti là fuori, ma come puoi trasformarla in informazioni fruibili?

Vedete, il viaggio dai dati alle informazioni dettagliate è disseminato di sfide. Avrai bisogno di una potente serie di passaggi per combatterli.

Qui ti mostreremo come estrarre informazioni da cumuli di dati , tagliare informazioni inutili e prendere decisioni più rapide basate sui dati nella tua organizzazione.

Cosa sono i dati e gli approfondimenti?

Prima di entrare nel merito, definiamo cosa intendiamo per dati e approfondimenti.

• I dati sono fatti e statistiche raccolti attraverso l'osservazione. Potrebbero essere numeri, testo, immagini, audio, ecc.
  
  Mettiamo questo in prospettiva:
  
  Supponendo che tu possieda un negozio eCommerce e abbia attivato Google Analytics (GA), ogni utente che naviga nel tuo negozio online lascia alcune impronte digitali che vengono raccolte da GA.
  
  Questo copre dati demografici, dispositivi, browser, ecc. Se vedi questi fatti grezzi, probabilmente sembrerebbe incomprensibile poiché a volte non sono strutturati e senza contesto.

  

• L'informazione è un prodotto della raffinazione di questi dati e del loro struttura e contesto. In questo modo, i dati hanno un po' più di senso ad occhio nudo.
  
  Nel caso del tuo negozio eCommerce, un esempio potrebbe essere il tuo dashboard GA. Quando tutti i dati sono messi insieme e presentati nel contesto, sono consumabili e puoi trarre spunti da essi.

  

• Insight è una preziosa conoscenza acquisita dalla comprensione delle informazioni. Quando consumi informazioni (o dati) e le interpreti accuratamente nel contesto e nelle altre informazioni disponibili, arrivi a informazioni dettagliate.
  
  Nel mondo degli affari, le informazioni dettagliate sono l'intero punto di raccolta dei dati. Pensa alle intuizioni come a un esame del funzionamento interno dell'operazione che stai osservando. Raccontano una storia significativa dai dati.

Esempio di Insight

Identificare attraverso un'efficace analisi dei dati che il 97% dei tuoi clienti ti trova quando stanno pianificando il loro matrimonio è un esempio di intuizione.

Di per sé, questa è solo un'informazione interessante da sapere.

Ma se questo viene utilizzato per creare un piano che apporti un valore tangibile al tuo marchio e ai tuoi clienti, questa è un'intuizione attuabile. Ad esempio, potresti utilizzare queste informazioni per pianificare una campagna pubblicitaria mirata a persone che stanno per sposarsi.

Sai già che questo pubblico è attratto da te; quindi un ROAS (ritorno sulla spesa pubblicitaria) elevato non sarebbe troppo sorprendente.

Prima che i dati vengano trasformati in intuizioni come questa, devono prima essere raccolti e poi analizzati.

Vari metodi in cui i dati possono essere raccolti

La maggior parte delle aziende raccoglie dati da più fonti utilizzando metodi diversi. E ogni metodo viene fornito con il proprio insieme di regole.

Google Analytics, ad esempio, raccoglie dati utilizzando JavaScript e un codice di monitoraggio.

Una volta aggiunto il codice di monitoraggio alla tua pagina, lo script invia i dati ai server di Google. Ciò include i dati della pagina (URL, titolo), i dati del browser (vista, risoluzione dello schermo), i dati dell'utente (posizione, lingua) e molti altri.

È simile all'analisi dei social media su Facebook, Twitter, Instagram e altri siti. Puoi anche raccogliere dati da:

• sondaggi
• statistiche sulla crescita del mercato
• tracciamento dei dati transazionali
• analisi del feedback dei clienti
• dati di iscrizione e registrazione, ecc.

Da qui, i dati passano al passaggio successivo.

Analisi dei dati vs analisi dei dati

Contrariamente all'uso popolare, questi termini non significano la stessa cosa.

• L'analisi dei dati è la scienza della raccolta e dell'utilizzo dei dati. È tutto tra la raccolta di dati grezzi e l'azione da essi. Ciò include la raccolta, l'organizzazione, l'archiviazione e l'analisi dei dati utilizzando l'apprendimento automatico, le statistiche e i modelli basati su computer.
• L'analisi dei dati è un sottocomponente dell'analisi dei dati. L'analisi dei dati è un processo di esame, pulizia, trasformazione e organizzazione dei dati con l'obiettivo finale di estrarre informazioni preziose e utilizzarle per prendere decisioni e agire.

In un'organizzazione tipica, data scientist, dirigenti e manager sono generalmente gli unici a utilizzare l'analisi dei dati per ricavare informazioni dettagliate.

Un'organizzazione efficiente basata sui dati dovrebbe distribuire l'accesso ai dati e la comprensione dei dati a tutti i suoi membri.

Questo ci porta a un concetto rivoluzionario: la democratizzazione dei dati .

Che cos'è la democratizzazione dei dati?

La democratizzazione dei dati significa rendere i dati disponibili a tutti all'interno dell'organizzazione senza le barriere di competenze ultra-specializzate . Ciò significa che chiunque nella tua organizzazione può accedere ai dati, comprenderli e utilizzarli per prendere decisioni e consigli.

L'idea è che più è pratico (in termini di dati), più velocemente l'azienda adotta una cultura decisionale basata sui dati dall'alto verso il basso.

Ma c'è un problema.

Con questo livello di accesso, diventa più difficile mantenere la sicurezza e l'integrità dei dati. C'è anche la possibilità che i dati vengano interpretati in modo errato da qualcuno senza l'esperienza di un analista qualificato.

Tuttavia, la democratizzazione dei dati è un fattore chiave per prendere decisioni basate sui dati più intelligenti e veloci e per migliorare le esperienze dei clienti .

Gli esperti di marketing della Royal Bank of Scotland hanno mostrato quanto potrebbe essere efficiente coinvolgere i colleghi non addetti al marketing nel processo di ottimizzazione dell'esperienza del cliente.

Sfide nella generazione di informazioni dettagliate dai dati

Il percorso dai dati alle informazioni dettagliate è pieno di sfide. Tanto che le alternative alle azioni basate sui dati sembrano più interessanti.

Marketers, data scientist, dirigenti aziendali e altri professionisti che lavorano quotidianamente con i dati sembrano essere d'accordo.

Ho eseguito un rapido sondaggio (qui e qui) che ha rivelato che la convalida dei dati è la sfida più grande per il 39% di loro. Solo l'11% ha attribuito le proprie difficoltà al volume dei dati. Il 28% ha optato per l'integrazione di dati da varie fonti, mentre il 22% cita il tempo e gli sforzi necessari.

Oltre a questi quattro, altre sfide con la trasformazione dei dati in risultati attuabili includono:

• Inaccessibilità dei dati
• Scarsa qualità dei dati e
• La pressione per fornire ROI

Per Steven Alexander Young, fondatore di Challenger Digital, la sfida più grande è isolare la variabile dietro un cambiamento nelle prestazioni. I dati di Analytics non raccontano sempre la storia completa:

Quando il traffico è diminuito qui, è stato perché qualcuno ha apportato modifiche alla pagina (e se sì, cosa)? Se la pagina non è cambiata, è capitato a un concorrente di rinforzare la SEO e di sorpassarti (e se sì, chi)? (...) Anche quando riesco a contattare un cliente al telefono per fornire dettagli ed escludere le cose, spesso devono andare a caccia dell'oca all'interno del loro team per rintracciare le risposte. Naturalmente, parallelamente a questo c'è la possibilità sempre presente degli aggiornamenti dell'algoritmo di Google.

Thom Ives (Ph.D.), Lead Data Scientist presso UL Prospector, ha paragonato i dati al petrolio greggio che deve essere raffinato e pulito. Avverte che i dati "potrebbero essere pericolosi se gestiti nel modo sbagliato".

Questo rende nervosi i decisori.

A quanto pare, anche se il 74% delle aziende concorda di voler essere basato sui dati, secondo un rapporto di Forrester, solo il 29% potrebbe agire in base ai risultati dell'analisi.

Per quanto le decisioni basate sui dati siano eccellenti in un business in crescita, gli errori possono essere devastanti. Forse la possibilità di commettere errori ha scoraggiato la maggior parte dell'altro 71% che prende decisioni in base all'esperienza o ai sentimenti istintivi, o semplicemente segue lo status quo.

Spesso, ciò accade a scapito di attingere ai nostri 59 zettabyte di dati (ovvero 59 seguiti da 21 zeri!) per generare informazioni che trasformano il business.

Peep Laja, CEO di Wynter, lo riassume in modo appropriato: "Siamo ricchi di dati, ma poveri di informazioni dettagliate".

10 passaggi attuabili per trasformare i dati in informazioni dettagliate

Le metriche sono facili; l'intuizione è difficile: una cosa è raccogliere molti dati, un'altra è renderli una risorsa preziosa. Per fortuna, esiste un metodo collaudato per ottenere risposte.

Spunto nel metodo scientifico.

Questo non è un momento eureka, però. Gli scienziati hanno utilizzato questo metodo per ricavare informazioni dai dati per secoli.

I 10 passaggi che ti mostreremo traggono ispirazione dal metodo scientifico e aprono la strada a consigli e approfondimenti attuabili.

Entriamo subito:

1. Inizia con le domande giuste

Fare le domande giuste prima di scavare nei dati ti assicura di non perdere tempo con le cose sbagliate.

È come stabilire una destinazione chiara prima di intraprendere un viaggio.

Prima di spulciare un mucchio di dati, cerca di capire a quali domande vuoi che rispondano i tuoi dati. In questo modo eviti di ottenere informazioni dettagliate che non hanno alcun impatto sugli obiettivi aziendali.

Per un'azienda SaaS, alcune domande da cui partire sono:

• Quanti lettori di post del blog sono passati ad altri contenuti?
• Quale percentuale del traffico del mio sito web si adatta al mio personaggio acquirente?
• Quale fase dell'imbuto di vendita perde di più?

2. Tieni traccia delle metriche giuste (nessuna metrica di vanità!)

Le informazioni che guidano l'azienda nella giusta direzione non derivano dal fissare le metriche sbagliate.

Metriche di vanità, in particolare. Ti fanno sembrare bello ma non si aggiungono alla tua struttura di intuizione. Esempio: visualizzazioni di pagina e numero di clic.

Inoltre, le metriche sbagliate possono distrarre. Poiché hai deciso una domanda a cui è necessario rispondere nel passaggio 1, individua le metriche che dovresti monitorare.

Aniekan Inyang, un Data Scientist presso Stears Business, mette in guardia dal non tenere conto delle sfumature specifiche del settore:

Ciò può portare a scegliere una funzione sbagliata per tenere traccia di una metrica, a non tenere traccia di una metrica pertinente o a interpretarla in modo errato.

Usalo per battere un percorso verso un'ipotesi che puoi testare.

3. Indica i tuoi obiettivi finali

Molto probabilmente hai determinati obiettivi di business prima del test. Questi devono essere strettamente allineati con gli obiettivi del test.

Dalle domande con cui hai iniziato, hai capito cosa vuoi monitorare. Ma cosa intendi ottenere con questo?

Annota questo perché ti aiuta a sviluppare un'ipotesi specifica e misurabile.

4. Integra le tue fonti di dati

I set di dati che hai sono solo una sezione della popolazione e non racconteranno sempre la storia completa.

Il dottor Thom Ives ha condiviso:

Potrebbe avere pregiudizi di cui non siamo a conoscenza e sarà più debole di tutti i dati.

Più dati utilizzabili raccogli, più ti avvicini a storie accurate.

La tua interpretazione dei dati si avvicina al bersaglio quando metti insieme tutte le tue fonti. Assicurati di utilizzare gli strumenti giusti per integrare fonti disparate in modo da non perdere l'occasione di raccogliere informazioni significative sui clienti.

5. Usa il contesto e gli elementi visivi per semplificare i set di dati

Gli elementi visivi sono piuttosto comuni con i dati oggi. Non si incontra quasi mai una forma grezza incomprensibile di dati. Eppure, senza il giusto contesto, o non stai ricevendo la storia completa o quella sbagliata.

Per contesto, analizza i tuoi dati utilizzando le 5 W:

• Chi (pubblico, lead, potenziali clienti)
• Cosa (obiettivi, eventi, osservazioni)
• Quando (tempi, orari)
• Dove (pagina web, social media, pagina di destinazione) e
• Perché , (perché è successo?)

Il contesto fa saltare i tuoi dati fuori dallo schermo con più significato dietro di esso. Riduce le possibilità di commettere un errore.

Aggiunte a una grafica accurata, queste possibilità si riducono ancora. Ma gli errori vengono commessi anche sulla grafica.

Ad esempio, è comune commettere un errore costoso con i grafici a bolle. La variazione del raggio invece dell'area della bolla ai valori corrispondenti porta a una narrazione dei dati imprecisa come nell'immagine qui sotto.

Usiamo la bolla arancione in alto a sinistra e quella verde accanto ad essa per enfatizzare. La bolla arancione sembra 4 volte più grande del suo vicino verde.

Senza i valori effettivi etichettati all'interno, questo può essere fuorviante. Il valore della bolla arancione ($ 1,84 miliardi) è solo 2 volte quello della bolla verde ($ 0,92 miliardi).

Ecco un divertente errore di Fox News:

6. Segmenta i tuoi dati

Tagliare i dati in segmenti può aiutarti a capirli meglio. Google Analytics, ad esempio, ha funzionalità integrate che lo rendono facile da fare.

Dividi il traffico web in base a determinate somiglianze e semplificherà il processo di estrazione di informazioni dettagliate. Le segmentazioni possono approfondire la tua comprensione del tuo pubblico di destinazione.

Inoltre, durante la segmentazione, pensa oltre l'età scolare e i segmenti di genere. Ci sono molti più dettagli con cui puoi raggruppare i visitatori web.

Un modo per farlo è segmentare i clienti in base al valore transazionale (segmentazione del valore), ovvero quanto è probabile che spendano per i prodotti. Dovrai utilizzare i dati delle transazioni passate per raggiungere questo obiettivo. Dati come quanto hanno speso, quanto spesso lo hanno speso e il valore dei prodotti che hanno acquistato.

Una volta che hai sperimentato questa semplicità una volta, diventa rapidamente un processo fondamentale nella tua strategia di insight.

Ecco un altro esempio che illustra l'importanza di una corretta segmentazione dei dati:

7. Visualizza i dati nei tempi giusti

Prendere decisioni basate su intuizioni tratte da un intervallo di tempo può essere disastroso. Solo guardare il quadretto con zero riferimenti ai dati storici è un errore comune.

I dati di solito hanno una storia passata.

È importante verificarlo per dare un senso al presente. A volte gli eventi sono accaduti in passato in risposta a influenze esterne come festività, stagioni, cicli economici, ecc.

Prendi questo in considerazione mentre esplori l'intero spettro di una tendenza per ottenere una lettura più accurata delle cose.

8. Trova i modelli giusti

Arrampicata e caduta: due delle tendenze più facili da osservare su un grafico a linee. Questo è solitamente il modo in cui le visualizzazioni di pagina e i dati sul coinvolgimento vengono visualizzati su GA.

Altri tipi di grafici come serie temporali e grafici a dispersione ci aiutano a rappresentare i modelli nei dati. Puoi individuare quando c'è una tendenza al rialzo o al ribasso, visualizzare una correlazione tra due variabili e altro ancora.

Sono tutti fatti su misura per rivelare le storie dietro i dati. Una parola di cautela: non vedere mai i modelli in isolamento dal loro contesto.

Nell'analizzare le tue trame, il professor Rama Ramakrishnan del MIT suggerisce di abbinare la tua trama alle aspettative preliminari:

C'è qualcosa che non corrisponde? Qualsiasi cosa che ti faccia dire "È strano" o "Non ha alcun senso". Ingrandisci e cerca di capire cosa nella tua attività sta facendo apparire quella cosa strana nei dati in quel modo. Questo è il passaggio critico. (...) Potresti aver appena scoperto un'idea del business e aver aumentato la tua comprensione. Oppure potresti scoprire che c'è un bug nel modo in cui i tuoi dati sono stati raccolti o calcolati (legge di Twyman).

9. Crea un'ipotesi vincente

Quando hai analizzato i tuoi dati e tratto inferenze accurate, è tempo di elaborare un'ipotesi che puoi testare.

Nel elaborare un'ipotesi, stai cercando una soluzione a un problema che puoi verificare con la sperimentazione.

Un'ipotesi misurabile è composta da 3 parti:

• Osservazione,
• Esecuzione, e
• Risultato

Ecco un esempio reale proveniente da un partner Convert:

Osservazione: dai dati analitici, abbiamo osservato un'elevata frequenza di rimbalzo sulla pagina del nostro prodotto di punta. Abbiamo anche condotto sondaggi, sondaggi e ricerche sull'usabilità e abbiamo scoperto che gli utenti non comprendevano il valore del nostro prodotto e si fidavano di esso. Inoltre, la maggior parte dei visitatori non scorreva più in basso nella pagina.

Esecuzione: vogliamo aggiungere una copia migliore all'area di piegatura per trattenere più visitatori della pagina, affrontare i problemi di fiducia e aumentare le conversioni sulla pagina.

Risultato: questo dovrebbe portare più visitatori web a scorrere la pagina, a desiderare il nostro prodotto di punta e ad acquistarlo. Lo misureremo in base a una frequenza di rimbalzo inferiore, tassi di conversione più elevati e entrate.

Una volta che sei arrivato qui, il passaggio successivo è testare .

Questo esempio è un'ipotesi reale che ha portato a risultati impressionanti. Per maggiori dettagli sugli esperimenti, dai un'occhiata al primo esempio di informazioni utili di seguito.

10. Preparati a sperimentare

Con l'ipotesi di cui sopra, puoi fare ciò che fanno gli esperti di ottimizzazione del tasso di conversione ed eseguire un test.

Fino a questo punto, le tue ipotesi, anche se derivate da dati, sono valide solo quanto l'intuizione.

La sperimentazione ti avvicina alla creazione di un fatto solido come una roccia.

È qui che inizi a ottenere il ROI per l'analisi dei dati.

L'approccio scientifico ci ha aiutato a trasformare i nostri dati grezzi e incomprensibili in qualcosa di leggibile. Quindi abbiamo applicato il potere dell'analisi dei dati per svelare le succose intuizioni che conteneva.

Abbiamo sviluppato ipotesi misurabili da queste intuizioni e abbiamo fatto il passo logico successivo: la sperimentazione.

Ci sono centinaia di strumenti che ci guidano attraverso questi passaggi. Ma Convert li lega tutti insieme alla fine e ci porta al nostro obiettivo finale: intuizioni attuabili.

Convert si integra con dozzine di strumenti in modo da poter sperimentare e scoprire approfondimenti incredibilmente potenti che portano direttamente a maggiori entrate. Prova l'integrazione di Converti in versione di prova gratuita

Andare oltre gli insight: come trasformare gli insight in una strategia

Gli approfondimenti non sono utili per raggiungere gli obiettivi di business se non vengono tradotti in strategia e attuati.

Come puoi effettivamente utilizzare le informazioni che ottieni per ottenere vantaggi positivi che influenzano direttamente i profitti della tua organizzazione?

Condividiamo 3 esempi:

Trasformare i dati in esempi di informazioni utili

Caso di studio n. 1: in che modo SplitBase ha utilizzato Google Analytics per raccogliere dati per un esperimento che ha rivelato un'opportunità per un aumento del 27% delle conversioni

BestSelf Co. ha scoperto una perdita sulla pagina del loro prodotto di punta. Quindi hanno lavorato con SplitBase per collegarlo.

Come hanno fatto?

Utilizzando vari mezzi per raccogliere dati come sondaggi, sondaggi e mappe di calore, hanno trovato il colpevole.

Il vantaggio del prodotto non è stato comunicato abbastanza bene, quindi le persone non hanno nemmeno superato l'area di piegatura. Da questo, hanno elaborato l'ipotesi che abbiamo condiviso in precedenza.

Hanno eseguito un test e hanno scoperto che avevano ragione. Il nuovo titolo che afferma chiaramente il principale vantaggio del prodotto e la prova sociale ha notevolmente aumentato le vendite del prodotto.

Caso di studio n. 2: questa promozione di spedizione gratuita stava facendo o perdendo denaro?

Questa era la domanda nella mente del team che gestisce un negozio di eCommerce in vetro fatto a mano di lusso.

Hanno lanciato una promozione di spedizione gratuita e hanno riscontrato un aumento dei tassi di conversione. Anche se ciò significava più soldi, considerando i costi di spedizione di questi prodotti ai clienti, l'offerta era sufficiente per compensare i costi di spedizione?

Ora, come hanno trovato la loro risposta...

Hanno chiamato Brave One, un'agenzia di ottimizzazione del tasso di conversione, che ha escogitato un piano per scoprire se stavano perdendo o guadagnando e di quanto.

Con Google Analytics e Mixpanel per la raccolta dei dati e Converti per la sperimentazione, Brave One ha confrontato il sito senza l'offerta con una versione di esso con l'offerta.

Gestire l'attività con l'offerta ha portato a $ 16.000 in più rispetto a gestirla senza nello stesso lasso di tempo.

Caso di studio n. 3: i dati hanno aiutato Nike a modificare il proprio targeting e a toccare il cuore di un pubblico più ampio

Quando Nike ha voluto lanciare una campagna chiamata "Trova la tua grandezza" all'inizio delle Olimpiadi del 2012, ha scavato nei loro dati e hanno trovato questo:

La maggior parte del loro pubblico di destinazione non erano atleti professionisti. Erano persone che ammiravano i professionisti e volevano essere come loro.

Cosa hanno fatto con questo?

Hanno adattato il loro targeting.

La Nike di solito insegue gli atleti professionisti. Ma questa volta, hanno deciso di ispirare tutti, indipendentemente dal loro livello di forma fisica, a superare i propri limiti.

Uno dei video della campagna ha avuto più di 3 milioni di visualizzazioni.

E non finisce qui: Adidas ha speso milioni di dollari per ottenere una sponsorizzazione olimpica, eppure Nike ha goduto dello stesso livello di visibilità con meno della metà di quel budget di marketing.

Riassumendo

La sperimentazione non dovrebbe segnare la fine del tuo percorso di ottimizzazione.

Dovrebbe essere un processo continuo perché non siamo mai sempre azzeccati con la nostra intuizione.

Inoltre, ricorda... nel caso in cui ti mancassero le competenze per condurre l'analisi dei dati interna, puoi sempre fare affidamento sul know-how degli esperti di dati.

Il Dr. Thom Ives suggerisce che man mano che arrivano più dati, dobbiamo perfezionare le inferenze che abbiamo fatto con i vecchi dati.

E la buona notizia? In questo modo, continuiamo ad avvicinarci a informazioni più rappresentative del nostro pubblico e a fare previsioni e decisioni molto più precise.