Jak najlepiej wykorzystać strategię dotyczącą danych dzięki modelowi dojrzałości analitycznej
Opublikowany: 2022-11-18Większość marketerów zgadza się, że metody pomiaru inne niż pliki cookie będą miały duży wpływ na reklamę. Jednak wdrożenie tych metod wymaga pewnego poziomu zdolności analitycznych i dostępu do właściwych danych.
Może się okazać, że zapytasz:
- Jaki jest mój aktualny poziom możliwości analitycznych?
- Czego mogę się dzięki niemu dowiedzieć o moim biznesie?
Czytaj dalej, aby dowiedzieć się więcej o modelu dojrzałości analitycznej, o tym, jak określić, na którym etapie jesteś, i jak najlepiej iść naprzód.
Przejdź do przodu >>
- Jaki jest model dojrzałości analitycznej
- Jakie są poszczególne etapy
- Nieustrukturyzowane
- Opisowy
- Diagnostyczny
- Proroczy
- nakazowy
- Gdzie jesteś w modelu
- Jak wybrać odpowiedni model dla siebie
Przeciągnij ściągawkę
Zachowaj ściągawkę modelu dojrzałości analitycznej na później
Jaki jest model dojrzałości analitycznej?
Model dojrzałości analitycznej to struktura, która pomaga firmom określić, w jaki sposób mogą wykorzystywać swoje dane do uzyskiwania spostrzeżeń i podejmowania decyzji, a nie tylko do zbierania danych ze względu na to.
Istnieje kilka modeli dojrzałości analitycznej — niektóre z najczęściej używanych to:
- Gartner — model dojrzałości danych i analiz
- SAS — analityczna karta wyników dojrzałości
- OECD — analityczny model dojrzałości
- DAMM — model dojrzałości analizy danych dla stowarzyszeń
Jako punkt odniesienia użyjemy modelu Gartnera. Wybraliśmy ich model, ponieważ jest łatwy do zrozumienia, praktyczny i możliwy do zastosowania w segmentach poza marketingiem, takich jak sprzedaż, finanse itp. Ponadto, ponieważ wiele modeli dojrzałości analitycznej jest dość podobnych, można więc zastosować kroki, działania i zalecenia zawarte w tym post, niezależnie od używanego modelu.
Jakie są różne etapy modelu dojrzałości analitycznej?
Model Gartnera składa się z czterech etapów, przy czym pierwszy etap wymaga pewnych podstawowych umiejętności analitycznych. Dodaliśmy do modelu jeszcze jeden etap — nieustrukturyzowany — aby objąć nim firmy, które nie mają żadnych umiejętności analitycznych. Następnie masz analizę opisową, diagnostyczną, predykcyjną i nakazową. Omówimy każdą z nich osobno i pomożemy Ci zrozumieć fazę oraz sposób, w jaki możesz iść do przodu.
Nieustrukturyzowane
Nieustrukturyzowana analiza danych oznacza, że nie masz strategii dotyczącej danych i w ogóle nie korzystasz z analiz.
Załóżmy, że zajmujesz się sprzedażą obuwia — tenisówek do koszykówki. Nie masz pojęcia, jak bardzo ludzie interesują się konkretnymi sneakersami i dlaczego.
Zanim przejdziesz do analizy opisowej, jesteś na etapie opóźnień lub restrykcji. W przeważającej części większość firm zaczyna się tutaj. Więc jeśli czekasz na skok, nie jesteś sam.
Analityka marketingowa
Co to naprawdę oznacza, dlaczego warto się tym przejmować i jak się w tym ulepszyć
Opisowy
Analityka opisowa — co się stało — jest najprostszą formą analizy i podstawą bardziej dogłębnych typów. Analityka opisowa podsumowuje to, co się wydarzyło lub dzieje, wyciągając trendy z surowych danych i zapewniając wgląd w to, co te trendy oznaczają.
Kontynuując nasz wcześniejszy przykład, analiza opisowa może powiedzieć coś w rodzaju: ten tenisówka do koszykówki cieszy się sezonowym wzrostem zainteresowania w sierpniu, wrześniu i na początku października każdego roku.
Wizualizacje danych mogą służyć do przedstawiania analiz opisowych, ponieważ wykresy, grafy i mapy mogą pokazywać trendy w danych — a także spadki i skoki — w jasny i łatwy do zrozumienia sposób.
„Wizualizacje pomagają mózgowi przetwarzać więcej danych w tym samym czasie. Dobrze wykorzystany może pomóc czytelnikowi zrozumieć złożone dane w mgnieniu oka”.Ralph Spandl, szef wizualizacji danych, Supermetrics
Na tym etapie możesz korzystać z narzędzi arkuszy kalkulacyjnych, takich jak Arkusze Google, Excel, oraz narzędzi do wizualizacji danych, takich jak Looker Studio (dawniej Data Studio) lub Power BI.
Arkusze Google i Excel
Przenieś wszystkie wyciszone dane marketingowe do arkuszy kalkulacyjnych, aby pożegnać się z kopiowaniem i wklejaniem
Diagnostyczny
Posunięcie analizy o krok dalej za pomocą analityki diagnostycznej — dlaczego tak się stało — obejmuje porównywanie trendów lub zmian, sprawdzanie, czy istnieją korelacje między niektórymi statystykami, oraz określanie związków przyczynowo-skutkowych tam, gdzie to możliwe.
Możesz spojrzeć na dane demograficzne dotyczące tego, która grupa najczęściej używa tenisówek do koszykówki i dowiedzieć się, że są to osoby w wieku od 13 do 16 lat. Jednak klienci, którzy kupują te tenisówki, to zazwyczaj osoby w wieku od 30 do 50 lat. Niektóre dane z ankiety konsumenckiej zebrane wcześniej wynika, że jednym z głównych powodów, dla których klienci kupują tenisówki do koszykówki, jest to, że rodzice podarowują je swoim nastolatkom. Wzrost sprzedaży w miesiącach późnym latem i wczesną jesienią może być spowodowany rozpoczynającym się w tym roku sezonem koszykówki.
„Opieranie się na wglądach polega na zbieraniu danych marketingowych i nadawaniu im sensu, abyś mógł podjąć właściwą decyzję”.Edward Ford, dyrektor ds. popytu, Supermetrics
Chociaż analizy diagnostyczne można przeprowadzać ręcznie w narzędziach, takich jak Excel i Arkusze Google, często zdarza się, że marketerzy używają narzędzia BI, takiego jak Looker Studio lub Power BI, do zastosowania prostej logiki w celu porównania pewnych statystyk między sobą.
Korzystanie z hurtowni danych jest również popularną opcją, ponieważ umożliwia gromadzenie danych z różnych źródeł — płatnych mediów i organicznych mediów społecznościowych — w jednym miejscu przed przekazaniem ich do narzędzia do wizualizacji. Możesz zastosować powyższe koncepcje w różnych przypadkach użycia — badając popyt marketingowy i wyjaśniając zachowanie klientów.
Proroczy
Analityka predykcyjna — co może się wydarzyć w przyszłości — dane historyczne do przewidywania przyszłych trendów lub wyników. Możesz to zrobić ręcznie lub za pomocą algorytmów uczenia maszynowego.
Analitykę predykcyjną można wykorzystać w marketingu do prognozowania trendów sprzedaży w różnych porach roku i odpowiedniego planowania kampanii. Na przykład wiedza o tym, że zainteresowanie sneakersami do koszykówki i sprzedaż gwałtownie wzrastały w sierpniu, wrześniu i na początku października każdego roku przez ostatnią dekadę, może pomóc w przewidywaniu, że ten sam trend wystąpi w przyszłym roku. Historyczne dane behawioralne mogą również pomóc w przewidywaniu prawdopodobieństwa przejścia od świadomości marki do zakupu produktu. Jeśli więc wiesz, że dana osoba zwykle wchodzi w interakcję z pięcioma elementami treści przed zakupem, możesz odpowiednio zaplanować treść. Przechowywanie danych historycznych w hurtowni danych, takiej jak BigQuery, może pomóc w ręcznym przeprowadzaniu analiz predykcyjnych.
Narzędzia do modelowania danych, takie jak dbt, mogą pomóc zautomatyzować łączenie informacji z różnych źródeł w gotowe do analizy tabele. Analizę predykcyjną można dodatkowo zautomatyzować za pomocą platformy uczenia maszynowego. Dodatkowo posiadanie solidnego zestawu danych z możliwościami uczenia maszynowego zapewnia płynne przejście do poziomu normatywnego.
Analityka predykcyjna
Wszystko, co musisz wiedzieć, aby zacząć
nakazowy
Wreszcie, analiza preskryptywna — co powinniśmy zrobić dalej — bierze pod uwagę wszystkie możliwe czynniki w scenariuszu i sugeruje możliwe do zastosowania wnioski.
Aby uzupełnić przykład butów do koszykówki. Teraz, gdy wiesz, że wkrótce rozpocznie się sezon koszykówki, a popyt na tenisówki wzrośnie – na podstawie Twojej analizy trendów – co powinieneś zrobić? Możesz przeprowadzić test A/B z dwiema kreacjami reklamowymi. Taki, który jest skierowany do użytkowników końcowych Twojego produktu — nastolatków. I taki, który jest skierowany do twoich kupujących - rodziców. Wyniki eksperymentu mogą pomóc Ci dowiedzieć się, jak jeszcze lepiej wykorzystać ten krótki przedział czasowy.
Podczas gdy ręczna analiza preskryptywna jest wykonalna w przypadku mniejszych zestawów danych, lepsze wyniki uzyskasz, używając algorytmów uczenia maszynowego podczas pracy z większymi ilościami danych, aby uzyskać odpowiedź na pytanie „co najlepiej zrobić dalej?”. Platformy takie jak Google Cloud Vision AI lub Vertex AI mogą pomóc we wdrożeniu tych modeli uczenia maszynowego.
Chcesz zbudować model nakazowy?
Nasz zespół usług profesjonalnych może pomóc
Gdzie jesteś w modelu i jak możesz iść do przodu?
Zanim zdecydujesz, na czym się skoncentrować, ważne jest, aby zrozumieć, gdzie znajduje się Twoja organizacja w różnych obszarach modelu dojrzałości analitycznej. Na podstawie tego, gdzie jesteś, możesz zaplanować, jak iść do przodu.
1. Ocena
Najpierw oceń swój obecny poziom dojrzałości analitycznej, aby dowiedzieć się, jakie dane gromadzisz i używasz. Odpowiedz na następujące pytania:
- Jakie są Twoje obecne źródła danych?
- Kto ma dostęp do tych danych?
- Jakich narzędzi używasz?
2. Dostępność
Tutaj powinieneś dowiedzieć się, jakie inne źródła danych są dla Ciebie dostępne, w tym:
- Wewnętrzne źródła danych: CRM, analityka internetowa, opinie klientów
- Zewnętrzne źródła danych: platformy reklamowe, dane publiczne itp.
3. Ustalanie priorytetów
Następnie rozważ metryki, które monitorujesz, i pytania, na które odpowiadają. Nadaj priorytet tym, które dostarczają praktycznych informacji na temat „dlaczego” i „jak”, zamiast skupiać się na wskaźnikach, które dostarczają informacji tylko o tym, „ile”.
„Opieranie się na danych to nie to samo, co kierowanie się wnioskami — dane to tylko jeden element układanki. Tylko dzięki zrozumieniu „dlaczego” zachowań klientów możemy stworzyć naprawdę skuteczną kampanię marketingową”.Will Yang, szef ds. wzrostu, Instrumentl
4 osoby
Upewnij się, że odpowiednie zainteresowane strony mają dostęp do odpowiednich danych. Wdrażaj elastyczne praktyki, aby rozbijać silosy i upraszczać udostępnianie danych między działami. Rozważ zapewnienie pracownikom dostępu do danych, uczenie ich, jak z nich korzystać i zachęcanie do nowych pomysłów.
„Wyedukuj swój zespół w zakresie umiejętności korzystania z danych i uczyń z tego część kultury. Ponieważ Twój zespół musi korzystać z danych, musi znać podstawy”.Lee Feinberg, prezes, Decyzja Mianowicie
5. Technika
Zainwestuj w technologię, która pomoże Ci interpretować dostępne dane i czerpać z nich korzyści. Powinieneś pomyśleć o umiejętnościach analitycznych swojego zespołu i wybrać odpowiednie dla nich narzędzia. Dla użytkowników nietechnicznych warto wybrać narzędzia do wizualizacji danych z przyjaznym dla użytkownika interfejsem, aby raporty były łatwe do zrozumienia.
Z drugiej strony, jeśli Twój zespół ma pewne umiejętności SQL, skorzysta z hurtowni danych.
„Jeśli masz sytuację, w której zespół wie, jak pisać SQL, ale być może nie wie wszystkiego o inżynierii danych, w takim przypadku hurtownia danych jest lepszym rozwiązaniem”.Evan Kaeding, główny inżynier sprzedaży, Supermetrics
Zapoznaj się z tymi pięcioma aspektami i zadawaj sobie te same pytania za każdym razem, gdy planujesz przejść dalej przez model, aby wiedzieć, czy jesteś gotowy.
Jak wybrać odpowiedni model dla siebie
Miejsce, w którym powinieneś się znajdować w modelu dojrzałości analitycznej, zależy od tego, kto korzysta z danych i jakie decyzje spodziewasz się z nich wyciągnąć.
Chociaż możesz uzyskać lepszy wgląd i zwrot z inwestycji, przesuwając model w górę, zwłaszcza w przypadku analiz predykcyjnych i preskryptywnych, musisz uważać na kilka rzeczy.
Potrzebujesz dokładnych danych do trenowania sztucznej inteligencji i modeli uczenia maszynowego — im lepsze zestawy danych, tym lepsze prognozy. Jeśli Twoje dane są niekompletne lub zawierają błędne informacje, wpłynie to negatywnie na Twoje wyniki.
Na przykład, jeśli dane demograficzne dotyczące wieku kupujących tenisówki do koszykówki zawierają tylko dane o użytkowniku końcowym, nastolatkach, i pomijają informację, że rodzice są faktycznymi nabywcami tych tenisówek. Twój normatywny model nie będzie uwzględniał rodziców jako grupy, której możesz sprzedawać swój produkt, a większość prawdopodobnie doradzi ci, abyś sprzedawał tylko nastolatkom. Zespół marketingowy prawdopodobnie zainwestuje w niewłaściwych odbiorców i straci szansę na zwiększenie sprzedaży.
W takim przypadku bardziej sensowne byłoby użycie modelu opisowego — co się stało — lub modelu diagnostycznego — dlaczego to się stało — i budowanie jakości w tych zestawach danych, zanim będzie można kierować dobrze poinformowanymi przewidywaniami i decyzjami generowanymi przez uczenie maszynowe i AI w późniejszych etapach.
Własność danych
Jak uzyskać głębszy wgląd w dane marketingowe
Zakończyć
Model dojrzałości analitycznej pomaga w pełni wykorzystać dane i usprawnić podejmowanie decyzji. Każdy krok w modelu przygotuje Cię do następnego.
Możesz więc zacząć od analizy opisowej, aby opowiedzieć historię tego, co się dzieje, a następnie wykorzystać to i dowiedzieć się, dlaczego te rzeczy się dzieją za pomocą analiz diagnostycznych.
Po uzyskaniu dostępu do odpowiednich i wiarygodnych danych możesz przejść do analizy predykcyjnej, aby wykrywać trendy. I wreszcie, możesz wykorzystać te prognozy, aby poinformować, co powinieneś zrobić w przyszłości dzięki analityce normatywnej.
Nie martw się, jeśli nie jesteś jeszcze w fazie normatywnej, przejście przez model polega bardziej na ocenie bieżących potrzeb i zasobów oraz jak najlepszym ich wykorzystaniu przed zbyt szybkim skalowaniem. Nie ma dobrego ani złego miejsca, jest tylko właściwe miejsce dla Twojego zespołu i Twojej firmy.
Przeciągnij ściągawkę
Zachowaj ściągawkę modelu dojrzałości analitycznej na później
O autorze
Pieter jest inżynierem sprzedaży w firmie Supermetrics. Ściśle współpracuje z klientami, aby zidentyfikować możliwości zwiększenia zwrotu wartości w ich stosie danych marketingowych. Poza godzinami pracy zazwyczaj można go spotkać, jak strzela do kosza na boisku do koszykówki.