Como aproveitar ao máximo sua estratégia de dados com o modelo de maturidade analítica
Publicados: 2022-11-18A maioria dos profissionais de marketing concorda que os métodos de medição sem cookies terão um grande impacto na publicidade. Porém, a implementação desses métodos requer um certo nível de capacidade analítica e acesso aos dados corretos.
Você pode se perguntar:
- Qual é o meu nível atual de capacidade analítica?
- O que posso aprender sobre o meu negócio com isso?
Continue lendo para saber mais sobre o modelo de maturidade analítica, como descobrir em qual etapa você está e a melhor maneira de seguir em frente.
Pular >>
- Qual é o modelo de maturidade analítica
- Quais são as diferentes fases
- não estruturado
- Descritivo
- Diagnóstico
- preditivo
- Prescritivo
- Onde você está no modelo
- Como escolher o modelo certo para você
Deslize a folha de dicas
Salve a folha de referência do modelo de maturidade analítica para mais tarde
Qual é o modelo de maturidade analítica?
O modelo de maturidade analítica é uma estrutura que ajuda as empresas a determinar como podem usar seus dados para encontrar insights e tomar decisões, em vez de apenas coletar dados por fazer.
Existem vários modelos de maturidade analítica - alguns dos mais usados são:
- Gartner's — modelo de maturidade para dados e análises
- SAS - Scorecard Analítico de Maturidade
- OCDE—Modelo de Maturidade Analítica
- DAMM—Modelo de Maturidade de Análise de Dados para Associações
Usaremos o modelo Gartner como linha de base. Escolhemos o modelo deles porque é fácil de entender, acionável e aplicável em segmentos fora do marketing, como vendas, finanças etc. Além disso, como muitos modelos de maturidade analítica são bastante semelhantes, você pode aplicar as etapas, ações e recomendações neste post, independentemente do modelo que você está usando.
Quais são os diferentes estágios no modelo de maturidade analítica?
O modelo Gartner tem quatro estágios, com o primeiro estágio exigindo algumas habilidades básicas de análise. Adicionamos mais um estágio ao modelo - não estruturado - para cobrir empresas que não possuem habilidades analíticas. Então você tem análises descritivas, diagnósticas, preditivas e prescritivas. Analisaremos cada um separadamente e ajudaremos você a entender sua fase e como seguir em frente.
não estruturado
A análise de dados não estruturada significa que você não tem estratégia de dados e não usa análises.
Digamos que você esteja no ramo de venda de calçados - tênis de basquete. Você não tem ideia de como as pessoas estão interessadas em um tênis específico e por que estariam.
Antes de chegar à análise descritiva, você está no estágio lento ou restritivo. Na maioria das vezes, a maioria das empresas começa aqui. Então, se você está esperando para dar o salto, você não está sozinho.
Análise de marketing
O que realmente significa, por que você deveria se importar e como melhorar nisso
Descritivo
A análise descritiva — o que aconteceu — é a forma mais simples de análise e a base para tipos mais aprofundados. A análise descritiva resume o que aconteceu ou está acontecendo, extraindo tendências de dados brutos e fornecendo informações sobre o que essas tendências significam.
Continuando nosso exemplo anterior, a análise descritiva pode dizer algo como: este tênis de basquete tem um aumento sazonal de interesse em agosto, setembro e início de outubro de cada ano.
Você pode usar visualizações de dados para comunicar a análise descritiva porque tabelas, gráficos e mapas podem mostrar tendências nos dados, bem como quedas e picos, de maneira clara e facilmente compreensível.
“Os recursos visuais ajudam seu cérebro a processar mais dados ao mesmo tempo. Bem usado, pode ajudar seu leitor a entender dados complexos em um piscar de olhos.”Ralph Spandl, chefe de visualização de dados, Supermetrics
Nesta fase, você pode usar ferramentas de planilhas como Google Sheets, Excel e ferramentas de visualização de dados como Looker Studio (anteriormente Data Studio) ou Power BI.
Planilhas Google e Excel
Coloque todos os seus dados de marketing isolados em planilhas para poder dizer adeus ao copiar/colar
Diagnóstico
Levar a análise um passo adiante com a análise de diagnóstico – por que isso aconteceu – inclui comparar tendências ou movimentos, ver se há correlações entre certas estatísticas e determinar relações de causa e efeito sempre que possível.
Você pode observar os dados demográficos sobre qual grupo usa tênis de basquete com mais frequência e descobrir que eles têm entre 13 e 16 anos. Mas os clientes que compram esses tênis tendem a ter entre 30 e 50 anos. Alguns dados da pesquisa com clientes coletadas anteriormente revelam que uma das principais razões pelas quais os clientes compram tênis de basquete são os pais que os presenteiam com seus filhos adolescentes. O aumento das vendas no final do verão e início do outono pode ser devido à temporada de basquete que começa naquele ano.
“Ser orientado por insights é pegar seus dados de marketing e entendê-los para que você possa tomar a decisão certa.”Edward Ford, Diretor de Geração de Demanda, Supermetrics
Embora você possa fazer análises de diagnóstico manualmente em ferramentas como Excel e Planilhas Google, geralmente vemos profissionais de marketing usar uma ferramenta de BI como Looker Studio ou Power BI para aplicar uma lógica simples para comparar determinadas estatísticas entre si.
Usar um data warehouse também é uma opção popular, pois permite reunir dados de diferentes fontes – mídia paga e redes sociais orgânicas – em um único local antes de alimentá-los em uma ferramenta de visualização. Você pode aplicar os conceitos acima em vários casos de uso, examinando a demanda de marketing e explicando o comportamento do cliente.
preditivo
Análise preditiva — o que pode acontecer no futuro — dados históricos para fazer previsões sobre tendências ou resultados futuros. Você pode fazer isso manualmente ou com algoritmos de aprendizado de máquina.
A análise preditiva pode ser usada em marketing para prever tendências de vendas em diferentes épocas do ano e planejar campanhas de acordo. Por exemplo, saber que o interesse e as vendas de tênis de basquete aumentaram em agosto, setembro e início de outubro de cada ano na última década pode ajudá-lo a prever que a mesma tendência ocorrerá no próximo ano. Os dados comportamentais históricos também podem ajudá-lo a prever a probabilidade de uma pessoa passar do reconhecimento da marca à compra do produto. Portanto, se você sabe que uma pessoa geralmente interage com cinco conteúdos antes de comprar, pode planejar seu conteúdo de acordo. Armazenar dados históricos em um data warehouse, como o BigQuery, pode ajudar você a fazer análises preditivas manualmente.
Ferramentas de modelagem de dados, como dbt, podem ajudar a automatizar a combinação de informações de diferentes fontes em tabelas prontas para insights. A análise preditiva pode ser ainda mais automatizada usando uma plataforma de aprendizado de máquina. Além disso, ter um conjunto de dados sólido com recursos de aprendizado de máquina fornece uma transição suave para o nível prescritivo.
Análise preditiva
Tudo o que você precisa saber para começar
Prescritivo
Por fim, a análise prescritiva — o que devemos fazer a seguir — leva em consideração todos os fatores possíveis em um cenário e sugere conclusões acionáveis.
Para completar o exemplo do tênis de basquete. Agora que você sabe que a temporada de basquete está começando e a demanda por tênis vai aumentar – com base em sua análise de tendências – o que você deve fazer? Você pode executar um teste A/B com dois criativos de anúncio. Um que tenha como alvo os usuários finais de seu produto - os adolescentes. E um que visa seus compradores - os pais. Os resultados da experiência podem ajudá-lo a descobrir como aproveitar ainda mais esse curto período de tempo.
Embora a análise prescritiva manual seja viável com conjuntos de dados menores, você obterá melhores resultados usando algoritmos de aprendizado de máquina ao trabalhar com grandes quantidades de dados para obter uma resposta para "qual é a melhor coisa a fazer a seguir?". Plataformas como Google Cloud Vision AI ou Vertex AI podem ajudá-lo a implantar esses modelos de aprendizado de máquina.
Procurando construir um modelo prescritivo?
Nossa equipe de serviços profissionais pode ajudar
Onde você está no modelo e como pode seguir em frente?
Antes de decidir no que focar, é importante entender onde sua organização está em diferentes áreas do modelo de maturidade analítica. Com base em onde você está, você pode planejar como seguir em frente.
1. Avaliação
Primeiro, avalie seu nível atual de maturidade analítica para descobrir quais dados você está coletando e usando. Responda as seguintes questões:
- Quais são suas fontes de dados atuais?
- Quem tem acesso a esses dados?
- Quais ferramentas você está usando?
2. Disponibilidade
Aqui, você deve descobrir quais outras fontes de dados estão disponíveis para você, incluindo:
- Fontes de dados internas: CRM, análise da web, feedback do cliente
- Fontes de dados externas: plataformas de anúncios, dados públicos, etc.
3. Priorização
Em seguida, considere as métricas que você monitora e as perguntas que elas respondem. Priorize aqueles que fornecem insights acionáveis sobre “por que” e “como” em vez de focar em métricas que fornecem apenas informações sobre “quantos”.
“Ser orientado por dados não é o mesmo que ser orientado por insights — os dados são apenas uma peça do quebra-cabeça. Somente entendendo o 'porquê' por trás do comportamento do cliente, podemos criar uma campanha de marketing verdadeiramente eficaz.”Will Yang, Chefe de Crescimento, Instrumentl
4 pessoas
Certifique-se de que as partes interessadas relevantes tenham acesso aos dados relevantes. Implemente práticas ágeis para quebrar os silos e simplificar o compartilhamento de dados entre departamentos. Considere dar aos funcionários acesso aos dados, ensiná-los a usá-los e incentivar novas ideias.
“Eduque sua equipe sobre a alfabetização de dados e torne-a parte da cultura. Como sua equipe precisa usar dados, eles precisam saber o básico.”Lee Feinberg, Presidente, Decision Viz
5. Tecnologia
Invista em tecnologia que pode ajudá-lo a interpretar os dados disponíveis e extrair valor deles. Você deve pensar nas habilidades analíticas de sua equipe e escolher as ferramentas adequadas para elas. Para usuários não técnicos, vale a pena optar por ferramentas de visualização de dados com uma interface amigável para tornar os relatórios fáceis de entender.
Por outro lado, se sua equipe tiver algumas habilidades em SQL, eles obterão mais valor usando um data warehouse.
“Se você tem uma situação em que a equipe sabe escrever SQL, mas talvez não saiba tudo sobre engenharia de dados, nesse caso, um data warehouse é mais adequado.”Evan Kaeding, engenheiro-chefe de vendas, Supermetrics
Analise esses cinco aspectos e faça a si mesmo as mesmas perguntas sempre que planejar avançar no modelo para saber se está pronto.
Como escolher o modelo certo para você
Onde você deve estar no modelo de maturidade analítica depende de quem usa os dados e quais decisões você espera extrair deles.
Embora você possa obter melhores insights e ROI ao subir no modelo, especialmente com análises preditivas e prescritivas, você precisa ficar atento a algumas coisas.
Você precisa de dados precisos para treinar seus modelos de IA e aprendizado de máquina — quanto melhores os conjuntos de dados, melhores as previsões. Se seus dados estiverem incompletos ou com informações erradas, isso prejudicará seus resultados.
Por exemplo, se os dados demográficos de idade dos compradores de tênis de basquete contiverem apenas dados sobre o usuário final, os adolescentes, e deixarem de fora as informações de que os pais são os compradores reais desses tênis. Seu modelo prescritivo não considerará os pais como um grupo para o qual comercializar seu produto e provavelmente o aconselhará a comercializar apenas para adolescentes. A equipe de marketing provavelmente investirá no público errado e perderá a oportunidade de impulsionar as vendas.
Nesse caso, faria mais sentido usar um modelo descritivo - o que aconteceu - ou um modelo de diagnóstico - por que isso aconteceu - e aumentar a qualidade desses conjuntos de dados antes de conduzir previsões e decisões bem informadas geradas pelo aprendizado de máquina e IA nas fases posteriores.
Propriedade dos dados
Como obter insights mais profundos de seus dados de marketing
Embrulhar
O modelo de maturidade analítica ajuda você a aproveitar ao máximo seus dados e melhorar a tomada de decisões. Cada etapa do modelo irá prepará-lo para a próxima.
Assim, você pode começar usando a análise descritiva para contar a história do que está acontecendo e, em seguida, desenvolver isso e descobrir por que essas coisas estão acontecendo com a ajuda da análise de diagnóstico.
Depois de ter acesso aos dados corretos e confiáveis, você pode passar para a análise preditiva para detectar tendências. E, finalmente, você pode usar essas previsões para informar o que deve fazer no futuro com análises prescritivas.
Não se preocupe se você ainda não estiver na fase prescritiva, mover-se pelo modelo é mais uma questão de avaliar suas necessidades e recursos atuais e aproveitá-los ao máximo antes de escalar muito rapidamente. Não existe um lugar certo ou errado para se estar, apenas o lugar certo para sua equipe e sua empresa.
Deslize a folha de dicas
Salve a folha de referência do modelo de maturidade analítica para mais tarde
Sobre o autor
Pieter é engenheiro de vendas da Supermetrics. Ele trabalha em estreita colaboração com os clientes para identificar oportunidades de maior retorno de valor em sua pilha de dados de marketing. Fora do horário de trabalho, ele geralmente pode ser encontrado arremessando cestas na quadra de basquete.