Jak zamienić kopce danych w użyteczne, znaczące informacje (poradnik 2021)

Czy jesteś przytłoczony wszystkimi danymi, które masz przed sobą?

Istnieje bezprecedensowe bogactwo danych, ale jak można je przekształcić w praktyczne wnioski?

Widzisz, podróż od danych do spostrzeżeń jest pełna wyzwań. Aby z nimi walczyć, będziesz potrzebować potężnego zestawu kroków.

W tym miejscu pokażemy Ci, jak wyodrębnić spostrzeżenia ze stosów danych , przebić się przez bezużyteczne informacje i podejmować szybsze decyzje w Twojej organizacji oparte na danych.

Czym są dane i spostrzeżenia?

Zanim do tego przejdziemy, zdefiniujmy, co rozumiemy przez dane i spostrzeżenia.

• Dane to fakty i statystyki zebrane przez obserwację. Mogą to być liczby, tekst, obrazy, dźwięk itp.
  
  Spójrzmy na to z odpowiedniej perspektywy:
  
  Załóżmy, że jesteś właścicielem sklepu eCommerce i aktywujesz Google Analytics (GA), każdy użytkownik, który nawiguje po Twoim sklepie internetowym, pozostawia pewne cyfrowe ślady, które są zbierane przez GA.
  
  Obejmuje to dane demograficzne, urządzenia, przeglądarki itp. Jeśli zobaczysz te surowe fakty, prawdopodobnie wyglądałoby to na bełkot, ponieważ czasami są one nieustrukturyzowane i pozbawione kontekstu.

  

• Informacja jest produktem doprecyzowania tych danych i nadania im struktury i kontekstu. W ten sposób dane mają trochę więcej sensu gołym okiem.
  
  W przypadku Twojego sklepu eCommerce przykładem może być Twój pulpit nawigacyjny GA. Gdy wszystkie dane zostaną zebrane i przedstawione w kontekście, są użyteczne i można z nich wyciągnąć wnioski.

  

• Wgląd to cenna wiedza uzyskana dzięki zrozumieniu informacji. Kiedy konsumujesz informacje (lub dane) i dokładnie interpretujesz je w kontekście i innych dostępnych informacji, uzyskujesz wgląd.
  
  W świecie biznesu wgląd to cały punkt zbierania danych. Pomyśl o wglądach jak o wglądzie w wewnętrzne funkcjonowanie obserwowanej operacji. Opowiadają sensowną historię na podstawie danych.

Przykład wglądu

Identyfikacja poprzez skuteczną analizę danych, że 97% Twoich klientów znajduje Cię podczas planowania ślubu, jest przykładem wglądu.

Sama w sobie jest to tylko informacja, którą warto wiedzieć.

Ale jeśli jest to wykorzystywane do stworzenia planu, który przyniesie namacalną wartość Twojej marce i klientom, jest to praktyczny wgląd. Na przykład możesz wykorzystać te informacje do zaplanowania kampanii reklamowej skierowanej do osób, które zamierzają zawiązać węzeł.

Wiesz już, że ta publiczność jest do ciebie przyciągana; dlatego wysoki ROAS (zwrot z nakładów na reklamę) nie byłby zbyt zaskakujący.

Zanim dane zostaną przekształcone w takie spostrzeżenia, należy je najpierw zebrać, a następnie przeanalizować.

Różne metody gromadzenia danych

Większość firm zbiera dane z wielu źródeł przy użyciu różnych metod. Każda metoda ma swój własny zestaw zasad.

Na przykład Google Analytics zbiera dane za pomocą JavaScript i kodu śledzenia.

Po dodaniu kodu śledzenia do Twojej strony skrypt wysyła dane na serwery Google. Obejmuje to dane strony (URL, tytuł), dane przeglądarki (widok, rozdzielczość ekranu), dane użytkownika (lokalizacja, język) i wiele innych.

Jest podobny do analizy mediów społecznościowych na Facebooku, Twitterze, Instagramie i innych witrynach. Możesz również zbierać dane z:

• ankiety
• statystyki wzrostu rynku
• śledzenie danych transakcyjnych
• analiza opinii klientów
• dane dotyczące subskrypcji i rejestracji itp.

Stąd dane przechodzą do następnego kroku.

Analiza danych a analiza danych

W przeciwieństwie do popularnego użycia te terminy nie oznaczają tego samego.

• Analityka danych to nauka o gromadzeniu i wykorzystywaniu danych. To wszystko pomiędzy zbieraniem surowych danych a podejmowaniem na ich podstawie działań. Obejmuje to zbieranie, organizowanie, przechowywanie i analizę danych za pomocą uczenia maszynowego, statystyk i modeli komputerowych.
• Analiza danych jest podkomponentem analizy danych. Analiza danych to proces badania, czyszczenia, przekształcania i organizowania danych, którego końcowym celem jest wydobycie cennych informacji i wykorzystanie ich do podejmowania decyzji i działania.

W typowej organizacji naukowcy zajmujący się danymi, dyrektorzy i menedżerowie są zwykle jedynymi, którzy wykorzystują analizę danych do uzyskiwania spostrzeżeń.

Wydajna organizacja oparta na danych powinna rozpowszechniać dostęp do danych i zrozumienie danych wszystkim swoim członkom.

To prowadzi nas do koncepcji zmieniającej zasady gry: demokratyzacji danych .

Co to jest demokratyzacja danych?

Demokratyzacja danych oznacza udostępnianie danych wszystkim w organizacji bez barier ultraspecjalistycznej wiedzy . Oznacza to, że każdy w Twojej organizacji może uzyskać dostęp do danych, zrozumieć je i wykorzystać do podejmowania decyzji i rekomendacji.

Chodzi o to, że im więcej praktycznych umiejętności (pod względem danych), tym szybciej firma przyjmuje od góry do dołu kulturę podejmowania decyzji opartą na danych.

Ale jest pewien haczyk.

Przy takim poziomie dostępu trudniej jest zachować bezpieczeństwo i integralność danych. Istnieje również możliwość błędnej interpretacji danych przez kogoś bez wiedzy wyszkolonego analityka.

Mimo to demokratyzacja danych jest kluczowym czynnikiem w podejmowaniu mądrzejszych i szybszych decyzji opartych na danych oraz poprawie doświadczeń klientów .

Marketingowcy z Royal Bank of Scotland pokazali, jak efektywne może być zaangażowanie kolegów spoza marketingu w proces optymalizacji doświadczeń klientów.

Wyzwania związane z generowaniem spostrzeżeń z danych

Ścieżka od danych do spostrzeżeń jest pełna wyzwań. Do tego stopnia, że ​​alternatywy dla działań opartych na danych wydają się bardziej atrakcyjne.

Wydaje się, że zgadzają się z tym marketerzy, naukowcy zajmujący się danymi, dyrektorzy biznesowi i inni profesjonaliści, którzy na co dzień pracują z danymi.

Przeprowadziłem szybką ankietę (tu i tutaj), która ujawniła, że ​​walidacja danych jest największym wyzwaniem dla 39% z nich. Tylko 11% przypisało swoje trudności ilości danych. 28% zdecydowało się na integrację danych z różnych źródeł, a 22% podało czas i wysiłek włożony w ten proces.

Oprócz tych czterech innych wyzwań związanych z przekształcaniem danych w możliwe do zastosowania wyniki obejmują:

• Niedostępność danych
• Słaba jakość danych oraz
• Presja na zapewnienie ROI

Dla Stevena Alexandra Younga, założyciela Challenger Digital, największym wyzwaniem jest wyizolowanie zmiennej stojącej za zmianą wydajności. Dane analityczne nie zawsze opowiadają całą historię:

Czy spadek ruchu był spowodowany tym, że ktoś wprowadził zmiany na stronie (a jeśli tak, to jakie)? Jeśli strona się nie zmieniła, to czy zdarzyło się, że konkurent poprawił SEO i Cię wyprzedził (a jeśli tak, to kto)? (…) Nawet kiedy udaje mi się namówić klienta na telefon, aby podał szczegóły i wykluczył pewne rzeczy, często muszą oni sami gonić w swoim zespole, aby znaleźć odpowiedzi. Oczywiście równolegle z tym jest wszechobecna możliwość aktualizacji algorytmów Google.

Thom Ives (Ph.D.), główny naukowiec ds. danych w UL Prospector, porównał dane do ropy naftowej, która wymaga oczyszczenia i oczyszczenia. Ostrzega, że ​​dane „mogą być niebezpieczne, jeśli zostaną potraktowane w niewłaściwy sposób”.

To denerwuje decydentów.

Jak się okazuje, mimo że 74% firm zgadza się, że chce opierać się na danych, według raportu Forrester, tylko 29% mogło działać w oparciu o wyniki analiz.

O ile decyzje oparte na danych są doskonałe w rozwijającym się biznesie, błędy mogą być druzgocące. Być może możliwość popełniania błędów odstraszyła większość pozostałych 71%, którzy podejmują decyzje na podstawie doświadczenia lub przeczucia, lub po prostu podążają za status quo.

Często dzieje się to kosztem wykorzystania 59 zetabajtów danych (czyli 59 z 21 zerami!) w celu wygenerowania analiz zmieniających biznes.

Peep Laja, dyrektor generalny Wynter, trafnie podsumowuje to: „Jesteśmy bogaci w dane, ale ubogi w wiedzę”.

10 praktycznych kroków do przekształcenia danych w spostrzeżenia

Metryki są łatwe; wgląd jest trudny — zebranie dużej ilości danych to jedno, a co innego uczynienie z nich cennego zasobu. Na szczęście istnieje wypróbowana i przetestowana metoda uzyskiwania odpowiedzi.

Wskazówka w metodzie naukowej.

Nie jest to jednak moment eureka. Naukowcy od wieków stosują tę metodę, wyciągając wnioski z danych.

10 kroków, które pokażemy, czerpie inspirację z metody naukowej i toruje drogę do praktycznych spostrzeżeń i zaleceń.

Przejdźmy od razu do:

1. Zacznij od właściwych pytań

Zadawanie właściwych pytań przed przekopaniem się przez dane gwarantuje, że nie będziesz spędzać czasu na niewłaściwych rzeczach.

To jak ustalenie jasnego celu podróży przed wyruszeniem w podróż.

Zanim przejrzysz stosy danych, zastanów się, na jakie pytania chcesz odpowiedzieć. W ten sposób unikniesz wymyślania spostrzeżeń, które nie mają wpływu na cele biznesowe.

W przypadku firmy SaaS na początek kilka pytań:

• Ilu czytelników postów na blogu przeszło do innych treści?
• Jaki procent ruchu w mojej witrynie pasuje do mojej osobowości kupującego?
• Na którym etapie lejka sprzedażowego wycieka najwięcej?

2. Śledź właściwe dane (bez próżnych danych!)

Spostrzeżenia, które kierują firmą we właściwym kierunku, nie wynikają z przyglądania się niewłaściwym metrykom.

Zwłaszcza metryki próżności. Sprawiają, że wyglądasz dobrze, ale nie dodają do twoich ram wglądu. Przykład: odsłony i liczba kliknięć.

Poza tym złe dane mogą rozpraszać. Ponieważ zdecydowałeś się na pytanie, które wymaga odpowiedzi w kroku 1, określ dane, które powinieneś śledzić.

Aniekan Inyang, specjalista ds. danych w firmie Stears Business, ostrzega przed nieuwzględnianiem niuansów branżowych:

Może to prowadzić do wybrania niewłaściwej funkcji do śledzenia metryki, nieśledzenia odpowiedniej metryki lub niewłaściwej jej interpretacji.

Użyj tego, aby pokonać ścieżkę do hipotezy, którą możesz przetestować.

3. Określ swoje cele końcowe

Najprawdopodobniej masz przed testem określone cele biznesowe. Muszą one być ściśle powiązane z celami testu.

Na podstawie pytań, od których zacząłeś, zorientowałeś się, co chcesz śledzić. Ale co zamierzasz dzięki temu osiągnąć?

Zapisz to, ponieważ pomoże ci to sformułować konkretną, mierzalną hipotezę.

4. Zintegruj swoje źródła danych

Zestawy danych, które posiadasz, stanowią tylko część populacji i nie zawsze opowiadają całą historię.

Dr Thom Ives podzielił się:

Może mieć błędy, o których nie wiemy i będzie słabszy niż wszystkie dane.

Im więcej praktycznych danych zbierzesz, tym bardziej zbliżysz się do dokładnych historii.

Twoja interpretacja danych trafia w dziesiątkę, gdy połączysz wszystkie źródła. Upewnij się, że korzystasz z odpowiednich narzędzi do integracji różnych źródeł, aby nie przegapić możliwości zebrania istotnych informacji o klientach.

5. Użyj kontekstu i wizualizacji, aby uprościć zbiory danych

Wizualizacje są dość powszechne w dzisiejszych danych. Rzadko spotykasz niezrozumiałą surową formę danych. Jednak bez odpowiedniego kontekstu albo nie dostajesz pełnej historii, albo otrzymujesz niewłaściwą.

Dla kontekstu przeanalizuj swoje dane za pomocą 5 W:

• Kto (odbiorcy, potencjalni klienci, potencjalni klienci)
• Co (cele, wydarzenia, obserwacje)
• Kiedy (ramy czasowe, harmonogramy)
• Gdzie (strona internetowa, media społecznościowe, strona docelowa) i
• Dlaczego (dlaczego to się stało?)

Kontekst sprawia, że ​​Twoje dane wyskakują z ekranu, mając za sobą więcej znaczenia. Zmniejsza szanse popełnienia błędu.

W połączeniu z dokładnymi wizualizacjami te szanse są jeszcze mniejsze. Ale błędy popełniane są również w wizualizacjach.

Na przykład w przypadku wykresów bąbelkowych często popełniany jest kosztowny błąd. Zmienianie promienia zamiast obszaru bąbelka do odpowiednich wartości prowadzi do niedokładnego narracji danych, jak na poniższym obrazku.

Użyjmy pomarańczowego bąbelka w lewym górnym rogu i zielonego obok niego, aby podkreślić. Pomarańczowa bańka wygląda 4 razy większa niż jej zielona sąsiadka.

Bez rzeczywistych wartości oznaczonych w środku może to być mylące. Wartość pomarańczowej bańki (1,84 mld USD) jest tylko 2 razy większa od wartości zielonej (0,92 mld USD).

Oto zabawny błąd Fox News:

6. Segmentuj swoje dane

Podział danych na segmenty może pomóc w lepszym ich zrozumieniu. Na przykład Google Analytics ma wbudowane funkcje, które ułatwiają to.

Podziel ruch sieciowy według pewnych podobieństw, a uprości to proces pozyskiwania spostrzeżeń. Segmentacje mogą pogłębić Twoje zrozumienie grupy docelowej.

Ponadto, dokonując segmentacji, wyjdź poza segmenty starej szkoły i płci. Istnieje znacznie więcej szczegółów, za pomocą których można grupować odwiedzających witrynę.

Jednym ze sposobów, aby to zrobić, jest segmentacja klientów według wartości transakcyjnej (segmentacja wartości) – czyli tego, ile prawdopodobnie wydadzą na produkty. Aby to osiągnąć, musisz użyć danych z poprzednich transakcji. Dane, takie jak kwota, jaką wydali, jak często to wydali oraz wartość zakupionych produktów.

Gdy raz doświadczysz tej prostoty, szybko stanie się ona podstawowym procesem w Twojej strategii analitycznej.

Oto kolejny przykład ilustrujący znaczenie prawidłowej segmentacji danych:

7. Przeglądaj dane we właściwych ramach czasowych

Podejmowanie decyzji na podstawie spostrzeżeń wyciągniętych z wycinka czasu może być katastrofalne. Częstym błędem jest jedynie patrzenie na mały obrazek bez odniesień do danych historycznych.

Dane mają zwykle historię.

Ważne jest, aby to sprawdzić, aby nadać teraźniejszości sens. Czasami wydarzenia miały miejsce w przeszłości w odpowiedzi na wpływy zewnętrzne, takie jak święta, pory roku, cykle gospodarcze itp.

Weź to pod uwagę, odkrywając pełne spektrum trendów, aby uzyskać dokładniejsze informacje.

8. Znajdź właściwe wzorce

Wspinaczka i opadanie — dwa z najłatwiejszych trendów do zaobserwowania na wykresie liniowym. W ten sposób zazwyczaj wyświetlają się wyświetlenia strony i dane zaangażowania w GA.

Inne rodzaje wykresów, takie jak szeregi czasowe i wykresy punktowe, pomagają nam zobrazować wzorce w danych. Możesz zauważyć, kiedy występuje trend wzrostowy lub spadkowy, wizualizować korelację między dwiema zmiennymi i nie tylko.

Wszystkie są dostosowane do ujawniania historii kryjących się za danymi. Słowo ostrzeżenia: nigdy nie oglądaj wzorców w oderwaniu od ich kontekstu.

Analizując twoje działki, profesor MIT dr Rama Ramakrishnan sugeruje dopasowanie twojej działki do wstępnych oczekiwań:

Czy jest coś, co nie pasuje? Coś, co sprawia, że ​​mówisz „To dziwne” lub „To nie ma sensu”. Przybliż i spróbuj zrozumieć, co w Twojej firmie powoduje, że ta dziwna rzecz pojawia się w takich danych. To jest krytyczny krok. (…) Być może właśnie znalazłeś wgląd w biznes i zwiększyłeś swoje zrozumienie. Możesz też odkryć, że istnieje błąd w sposobie gromadzenia lub obliczania Twoich danych (prawo Twymana).

9. Stwórz zwycięską hipotezę

Po przeanalizowaniu danych i wyciągnięciu dokładnych wniosków nadszedł czas, aby postawić hipotezę, którą można przetestować.

Tworząc hipotezę, wymyślasz rozwiązanie problemu, który możesz zweryfikować za pomocą eksperymentów.

Hipoteza mierzalna składa się z 3 części:

• Obserwacja,
• Wykonanie i
• Wynik

Oto prawdziwy przykład pochodzący od partnera Convert:

Obserwacja: Na podstawie danych analitycznych zaobserwowaliśmy wysoki współczynnik odrzuceń na stronie naszego flagowego produktu. Przeprowadziliśmy również ankiety, ankiety i badania użyteczności i odkryliśmy, że użytkownicy nie rozumieją wartości naszego produktu i nie ufają mu. Ponadto większość odwiedzających nie przewijała dalej w dół strony.

Wykonanie: Chcemy dodać lepszy tekst do obszaru składania, aby zatrzymać więcej odwiedzających stronę, rozwiązać problemy z zaufaniem i zwiększyć liczbę konwersji na stronie.

Wynik: Powinno to spowodować, że więcej odwiedzających będzie przewijało stronę, pragnąc naszego flagowego produktu i kupować go. Zmierzymy to za pomocą niższego współczynnika odrzuceń, wyższych współczynników konwersji i przychodów.

Gdy już tu dotrzesz, następnym krokiem jest testowanie .

Ten przykład jest rzeczywistą hipotezą, która doprowadziła do imponujących wyników. Aby uzyskać więcej informacji na temat eksperymentów, zapoznaj się z pierwszym praktycznym przykładem analizy poniżej.

10. Przygotuj się do eksperymentu

Dzięki powyższej hipotezie możesz zrobić to, co robią eksperci ds. optymalizacji współczynnika konwersji i przeprowadzić test.

Do tego momentu twoje hipotezy — nawet jeśli są oparte na danych — są tak dobre, jak intuicja.

Eksperymentowanie przybliża Cię do stworzenia solidnego faktu.

Od tego momentu zaczynasz uzyskiwać zwrot z inwestycji za analizę danych.

Podejście naukowe pomogło nam przekształcić nasze surowe, niezrozumiałe dane w coś czytelnego. Następnie zastosowaliśmy moc analizy danych, aby odsłonić zawarte w niej soczyste spostrzeżenia.

Na podstawie tych spostrzeżeń opracowaliśmy wymierne hipotezy i podjęliśmy kolejny logiczny krok: eksperymentowanie.

Istnieją setki narzędzi, które prowadzą nas przez te kroki. Ale Convert łączy je wszystkie na końcu i prowadzi nas do naszego ostatecznego celu — praktycznych spostrzeżeń.

Convert integruje się z dziesiątkami narzędzi, dzięki czemu możesz eksperymentować i odkrywać niezwykle skuteczne informacje, które bezpośrednio prowadzą do wyższych przychodów. Wypróbuj integrację konwersji w bezpłatnej wersji próbnej

Wychodzenie poza spostrzeżenia: jak zamienić spostrzeżenia w strategię

Spostrzeżenia nie są przydatne w osiąganiu celów biznesowych, jeśli nie zostaną przełożone na strategię i podjęte.

W jaki sposób możesz wykorzystać zdobytą wiedzę, aby uzyskać pozytywne korzyści, które bezpośrednio wpływają na wyniki Twojej organizacji?

Podzielmy się 3 przykładami:

Przekształcanie danych w przykłady praktycznych informacji

Studium przypadku nr 1: Jak firma SplitBase wykorzystała Google Analytics do zebrania danych do eksperymentu, który ujawnił możliwość zwiększenia liczby konwersji o 27%

BestSelf Co. odkrył wyciek na stronie swojego flagowego produktu. Więc współpracowali z SplitBase, aby go podłączyć.

Jak to zrobili?

Używając różnych środków do zbierania danych, takich jak ankiety, ankiety i mapy popularności, znaleźli winowajcę.

Korzyści płynące z produktu nie były wystarczająco dobrze komunikowane, więc ludzie nie przechodzili nawet przez obszar składania. Na tej podstawie stworzyli hipotezę, którą podzieliliśmy się wcześniej.

Przeprowadzili test i stwierdzili, że mają rację. Nowy nagłówek wyraźnie mówiący o głównych zaletach produktu oraz dowód społeczny znacznie zwiększył sprzedaż produktu.

Studium przypadku nr 2: Czy ta promocja na bezpłatną wysyłkę przynosiła zyski, czy też traciła pieniądze?

To było pytanie, które zadał sobie zespół prowadzący luksusowy sklep eCommerce ze szkła ręcznie robionego.

Uruchomili promocję bezpłatnej wysyłki i odkryli wzrost współczynników konwersji. Chociaż oznaczało to więcej pieniędzy, biorąc pod uwagę koszty wysyłki tych produktów do klientów, czy oferta wystarczyła, aby zrównoważyć koszty wysyłki?

Teraz, jak znaleźli odpowiedź…

Zadzwonili do Brave One, agencji zajmującej się optymalizacją współczynnika konwersji, która opracowała plan, aby dowiedzieć się, czy tracą, czy zyskują i ile.

Dzięki Google Analytics i Mixpanel do zbierania danych i konwersji do eksperymentów Brave One porównał witrynę bez oferty z jej wersją z ofertą.

Prowadzenie biznesu z ofertą przyniosło 16 000 dolarów więcej niż prowadzenie go bez w tym samym czasie.

Studium przypadku nr 3: Dane pomogły firmie Nike dostosować targetowanie i dotrzeć do serc szerszej publiczności

Kiedy Nike chciał rozpocząć kampanię o nazwie „Znajdź swoją wielkość” na początku Igrzysk Olimpijskich w 2012 r., zagłębili się w swoje dane i znaleźli to:

Większość ich docelowych odbiorców nie stanowiła profesjonalnych sportowców. Byli to ludzie, którzy podziwiali zawodowców i chcieli być tacy jak oni.

Co oni z tym zrobili?

Dostosowali swój cel.

Nike zwykle podąża za zawodowymi sportowcami. Ale tym razem postanowili zainspirować każdego, niezależnie od poziomu sprawności, do przekraczania swoich granic.

Jeden z filmów kampanii miał ponad 3 miliony wyświetleń.

I to nie koniec: Adidas wydał miliony dolarów na sponsoring olimpijski, ale Nike cieszył się tym samym poziomem ekspozycji przy mniej niż połowie tego budżetu marketingowego.

Podsumowując

Eksperymentowanie nie powinno oznaczać końca procesu optymalizacji.

Powinien to być ciągły proces, ponieważ nigdy nie zawsze jesteśmy na miejscu z naszym wglądem.

Pamiętaj też… jeśli nie masz umiejętności prowadzenia własnej analizy danych, zawsze możesz polegać na wiedzy ekspertów od danych.

Dr Thom Ives sugeruje, że w miarę napływania większej ilości danych musimy udoskonalić wnioski, które wyciągnęliśmy na podstawie starych danych.

A dobre wieści? W ten sposób kontynuujemy podejście do wglądu, który jest bardziej reprezentatywny dla naszych odbiorców i podejmujemy znacznie dokładniejsze przewidywania i decyzje.