Como transformar montes de dados em insights úteis e significativos (Guia 2021)

Você está sobrecarregado com todos os dados à sua frente?

Há uma riqueza de dados sem precedentes por aí, mas como você pode transformá-los em insights acionáveis?

Veja bem, a jornada dos dados aos insights está repleta de desafios. Você precisará de um conjunto potente de medidas para combatê-los.

Aqui, mostraremos como extrair insights de montes de dados , eliminar informações inúteis e tomar decisões mais rápidas baseadas em dados em sua organização.

O que são dados e insights?

Antes de entrarmos nisso, vamos definir o que queremos dizer com dados e insights.

• Os dados são fatos e estatísticas coletados por meio da observação. Podem ser números, texto, imagens, áudio, etc.
  
  Vamos colocar isso em perspectiva:
  
  Supondo que você possua uma loja de comércio eletrônico e tenha o Google Analytics (GA) ativado, cada usuário que navega em sua loja online deixa algumas pegadas digitais que são coletadas pelo GA.
  
  Isso abrange dados demográficos, dispositivos, navegadores etc. Se você vir esses fatos brutos, provavelmente parecerá sem sentido, pois às vezes não são estruturados e sem contexto.

  

• A informação é um produto de refinar esses dados e dar-lhes estrutura e contexto. Dessa forma, os dados fazem um pouco mais de sentido a olho nu.
  
  No caso da sua loja de comércio eletrônico, um exemplo seria o painel do GA. Quando todos os dados são reunidos e apresentados em contexto, eles são consumíveis e você pode extrair insights deles.

  

• Insight é um conhecimento valioso obtido a partir de uma compreensão da informação. Quando você consome informações (ou dados) e as interpreta com precisão dentro de seu contexto e de outras informações disponíveis, chega-se ao insight.
  
  No mundo dos negócios, os insights são o ponto principal da coleta de dados. Pense nos insights como uma análise do funcionamento interno da operação que você está observando. Eles contam uma história significativa a partir de dados.

Exemplo de um Insight

Identificar por meio de uma análise de dados eficaz que 97% dos seus clientes encontram você quando estão planejando o casamento é um exemplo de insight.

Por si só, isso é apenas uma informação que é legal saber.

Mas se isso for usado para criar um plano que traga valor tangível para sua marca e clientes, esse é um insight acionável. Por exemplo, você pode usar essas informações para planejar uma campanha publicitária direcionada a pessoas prestes a se casar.

Você já sabe que esse público é atraído por você; assim, um alto ROAS (retorno do investimento em publicidade) não seria tão surpreendente.

Antes que os dados sejam transformados em insights como esse, eles precisam primeiro ser coletados e depois analisados.

Vários métodos nos quais os dados podem ser coletados

A maioria das empresas coleta dados de várias fontes usando métodos diferentes. E cada método vem com seu próprio conjunto de regras.

O Google Analytics, por exemplo, coleta dados usando JavaScript e um código de rastreamento.

Depois que o código de acompanhamento é adicionado à sua página, o script envia dados para os servidores do Google. Isso inclui dados da página (URL, título), dados do navegador (porta de visualização, resolução da tela), dados do usuário (localização, idioma) e muito mais.

É semelhante à análise de mídia social no Facebook, Twitter, Instagram e outros sites. Você também pode coletar dados de:

• pesquisas
• estatísticas de crescimento do mercado
• rastreamento de dados transacionais
• análise de feedback do cliente
• dados de assinatura e registro, etc.

A partir daqui, os dados passam para a próxima etapa.

Análise de dados versus análise de dados

Ao contrário do uso popular, esses termos não significam a mesma coisa.

• A análise de dados é a ciência de coletar e usar dados. É tudo entre coletar dados brutos e agir a partir deles. Isso inclui a coleta, organização, armazenamento e análise de dados usando aprendizado de máquina, estatísticas e modelos baseados em computador.
• A análise de dados é um subcomponente da análise de dados. A análise de dados é um processo de examinar, limpar, transformar e organizar dados com o objetivo final de extrair informações valiosas e usá-las para informar decisões e agir.

Em uma organização típica, cientistas de dados, executivos e gerentes geralmente são os únicos que usam a análise de dados para obter insights.

Uma organização eficiente baseada em dados deve distribuir o acesso aos dados e a compreensão dos dados para todos os seus membros.

Isso nos leva a um conceito revolucionário: democratização de dados .

O que é democratização de dados?

A democratização dos dados significa disponibilizar os dados para todos dentro da organização sem as barreiras da especialização ultra-especializada . Isso significa que qualquer pessoa em sua organização pode acessar dados, entendê-los e usá-los para tomar decisões e recomendações.

A ideia é que quanto mais hands-on-deck (sábio de dados), mais rápido a empresa adota uma cultura de tomada de decisão baseada em dados de cima para baixo.

Mas há um problema.

Com esse nível de acesso, fica mais difícil manter a segurança e a integridade dos dados. Há também a possibilidade de os dados serem interpretados erroneamente por alguém sem o conhecimento de um analista treinado.

Ainda assim, a democratização de dados é um fator-chave para tomar decisões mais inteligentes e rápidas baseadas em dados e melhorar as experiências do cliente .

Os profissionais de marketing do Royal Bank of Scotland mostraram como poderia ser eficiente envolver seus colegas que não são de marketing no processo de otimização da experiência do cliente.

Desafios na geração de insights a partir de dados

O caminho dos dados aos insights está repleto de desafios. Tanto que as alternativas às ações baseadas em dados parecem mais atraentes.

Profissionais de marketing, cientistas de dados, executivos de negócios e outros profissionais que trabalham com dados diariamente parecem concordar.

Fiz uma enquete rápida (aqui e aqui) que revelou que a validação de dados é o maior desafio para 39% deles. Apenas 11% atribuíram suas dificuldades ao volume de dados. 28% optaram pela integração de dados de várias fontes, enquanto 22% citam o tempo e o esforço envolvidos.

Além desses quatro, outros desafios para transformar dados em resultados acionáveis ​​incluem:

• Inacessibilidade de dados
• Baixa qualidade dos dados e
• A pressão para entregar ROI

Para Steven Alexander Young, fundador da Challenger Digital, o maior desafio é isolar a variável por trás de uma mudança no desempenho. Os dados do Analytics nem sempre contam a história completa:

Quando o tráfego caiu aqui, foi porque alguém fez alterações na página (e se sim, o quê)? Se a página não mudou, um concorrente reforçou o SEO e ultrapassou você (e se sim, quem)? (…) Mesmo quando consigo um cliente no telefone para fornecer detalhes e descartar as coisas, muitas vezes eles têm que correr atrás de sua própria equipe para rastrear respostas. Claro, paralela a isso está a possibilidade sempre presente de atualizações de algoritmos do Google.

Thom Ives (Ph.D.), Cientista de Dados Líder da UL Prospector, comparou os dados ao petróleo bruto que precisa ser refinado e limpo. Ele adverte que os dados “podem ser perigosos quando manipulados de maneira errada”.

Isso deixa os tomadores de decisão nervosos.

Acontece que, embora 74% das empresas concordem que querem ser orientadas por dados, de acordo com um relatório da Forrester, apenas 29% poderiam agir com base nos resultados da análise.

Por mais que as decisões baseadas em dados sejam excelentes em negócios em crescimento, os erros podem ser devastadores. Talvez a possibilidade de cometer erros tenha dissuadido a maior parte dos outros 71% que tomam decisões por experiência ou intuição, ou simplesmente seguem o status quo.

Muitas vezes, isso acontece às custas de explorar nossos 59 zettabytes de dados (que são 59 seguidos por 21 zeros!) para gerar insights que transformam os negócios.

Peep Laja, CEO da Wynter, resume bem: “Somos ricos em dados, mas pobres em insights”.

10 etapas acionáveis ​​para transformar dados em insights

As métricas são fáceis; insight é difícil — uma coisa é coletar muitos dados, mas outra é torná-los um ativo valioso. Felizmente, existe um método testado e comprovado para obter respostas.

Sugestão no método científico.

Este não é um momento eureka, no entanto. Os cientistas vêm usando esse método ao derivar insights de dados há séculos.

As 10 etapas que mostraremos a você se inspiram no método científico e abrem o caminho para insights e recomendações acionáveis.

Vamos pular direto:

1. Comece com as perguntas certas

Fazer as perguntas certas antes de vasculhar os dados garante que você não perca tempo com as coisas erradas.

É como definir um destino claro antes de embarcar em uma viagem.

Antes de vasculhar montes de dados, descubra quais perguntas você deseja que seus dados respondam. Dessa forma, você evita obter insights que não têm impacto nas metas de negócios.

Para uma empresa SaaS, algumas perguntas para começar são:

• Quantos leitores de postagens de blog passaram para outras partes do conteúdo?
• Qual porcentagem do tráfego do meu site se encaixa na minha persona do comprador?
• Qual etapa do funil de vendas mais vaza?

2. Acompanhe as métricas certas (sem métricas de vaidade!)

Os insights que orientam os negócios na direção certa não vêm de olhar para as métricas erradas.

Métricas de vaidade, especialmente. Eles fazem você parecer bem, mas não adicionam à sua estrutura de insights. Exemplo: visualizações de página e número de cliques.

Além disso, as métricas erradas podem distrair. Como você decidiu sobre uma pergunta que precisa ser respondida na etapa 1, identifique as métricas que você deve acompanhar.

Aniekan Inyang, cientista de dados da Stears Business, adverte contra a não contabilização de nuances específicas do setor:

Isso pode levar à escolha de um recurso errado para rastrear uma métrica, não rastrear uma métrica relevante ou interpretá-la incorretamente.

Use isso para abrir um caminho para uma hipótese que você pode testar.

3. Declare seus objetivos finais

Você provavelmente tem certas metas de negócios pré-teste. Eles precisam estar alinhados com seus objetivos de teste.

A partir das perguntas com as quais você começou, você descobriu o que deseja acompanhar. Mas o que você pretende alcançar com isso?

Anote isso, pois ajuda a desenvolver uma hipótese específica e mensurável.

4. Integre suas fontes de dados

Os conjuntos de dados que você tem são apenas uma parte da população e nem sempre contam a história completa.

Dr. Thom Ives compartilhou:

Pode ter vieses que não conhecemos e será mais fraco do que todos os dados.

Quanto mais dados acionáveis ​​você coletar, mais perto você chegará de histórias precisas.

Sua interpretação de dados chega mais perto do alvo quando você reúne todas as suas fontes. Certifique-se de usar as ferramentas certas para integrar fontes díspares para não perder a coleta de insights significativos sobre os clientes.

5. Use contexto e recursos visuais para simplificar conjuntos de dados

Os visuais são bastante comuns com os dados hoje. Você quase nunca encontra uma forma bruta incompreensível de dados. No entanto, sem o contexto certo, ou você não está entendendo a história completa ou está entendendo a história errada.

Para contextualizar, disseque seus dados usando os 5 W's:

• Quem (público, leads, prospects)
• O que (objetivos, eventos, observações)
• Quando (horário, horários)
• Onde (página da web, mídia social, página de destino) e
• Por que , (por que aconteceu?)

O contexto faz com que seus dados saltem da tela com mais significado por trás dele. Reduz as chances de cometer um erro.

Adicionado a visuais precisos, essas chances ficam ainda menores. Mas também são cometidos erros nos recursos visuais.

Por exemplo, é comum cometer um erro caro com gráficos de bolhas. Variar o raio em vez da área da bolha para valores correspondentes leva a uma narrativa de dados imprecisa, como na imagem abaixo.

Vamos usar a bolha laranja no canto superior esquerdo e a verde ao lado para enfatizar. A bolha laranja parece 4 vezes maior que sua vizinha verde.

Sem os valores reais rotulados dentro, isso pode ser enganoso. O valor da bolha laranja (US$ 1,84 bilhão) é apenas 2 vezes o da bolha verde (US$ 0,92 bilhão).

Aqui está um erro engraçado da Fox News:

6. Segmente seus dados

Cortar os dados em segmentos pode ajudá-lo a entender melhor. O Google Analytics, por exemplo, possui recursos integrados que facilitam isso.

Divida o tráfego da web de acordo com certas semelhanças e isso simplificará o processo de extração de insights. As segmentações podem aprofundar sua compreensão do seu público-alvo.

Além disso, ao segmentar, pense além da idade escolar e dos segmentos de gênero. Há muito mais detalhes com os quais você pode agrupar visitantes da web.

Uma maneira de fazer isso é segmentar os clientes por valor transacional (segmentação de valor) — ou seja, quanto eles provavelmente gastarão em produtos. Você terá que usar dados de transações anteriores para conseguir isso. Dados como quanto gastaram, com que frequência gastaram e o valor dos produtos que compraram.

Depois de experimentar essa simplicidade uma vez, ela rapidamente se torna um processo básico em sua estratégia de insights.

Aqui está outro exemplo que ilustra a importância da segmentação de dados adequada:

7. Visualize os dados nos prazos certos

Tomar decisões com base em insights extraídos de uma fatia de tempo pode ser desastroso. Apenas olhar para a pequena foto com zero referências a dados históricos é um erro comum.

Os dados geralmente têm uma história de fundo.

É importante verificar isso para dar sentido ao presente. Às vezes, eventos aconteceram no passado em resposta a influências externas, como feriados, estações do ano, ciclos econômicos, etc.

Leve isso em consideração ao explorar todo o espectro de uma tendência para obter uma leitura mais precisa das coisas.

8. Identifique os padrões certos

Subir e descer — duas das tendências mais fáceis de observar em um gráfico de linhas. Geralmente, é assim que as visualizações de página e os dados de engajamento são exibidos no GA.

Outros tipos de gráficos, como séries temporais e gráficos de dispersão, nos ajudam a visualizar padrões nos dados. Você pode identificar quando há uma tendência ascendente ou descendente, visualizar uma correlação entre duas variáveis ​​e muito mais.

Eles são todos adaptados para revelar as histórias por trás dos dados. Uma palavra de cautela: nunca veja padrões isoladamente de seu contexto.

Ao analisar seus enredos, o professor do MIT Dr. Rama Ramakrishnan sugere combinar seu enredo com as expectativas preliminares:

Existe alguma coisa que não combina? Qualquer coisa que faça você dizer 'Isso é estranho' ou 'Isso não faz nenhum sentido'? Aumente o zoom e tente entender o que no seu negócio está fazendo com que essa coisa estranha apareça nos dados assim. Este é o passo crítico. (…) Você pode ter encontrado um insight sobre o negócio e aumentado sua compreensão. Ou você pode descobrir que há um bug na forma como seus dados foram coletados ou calculados (Lei de Twyman).

9. Crie uma hipótese vencedora

Depois de analisar seus dados e fazer inferências precisas, é hora de apresentar uma hipótese que você possa testar.

Ao elaborar uma hipótese, você está descobrindo uma solução para um problema que pode ser verificada com a experimentação.

Uma hipótese mensurável consiste em 3 partes:

• Observação,
• Execução, e
• Resultado

Aqui está um exemplo real vindo de um parceiro Convert:

Observação: A partir de dados analíticos, observamos uma alta taxa de rejeição na página do nosso principal produto. Também realizamos pesquisas, enquetes e pesquisas de usabilidade e descobrimos que os usuários não entendiam o valor do nosso produto e não confiavam nele. Além disso, a maioria dos visitantes não rolava mais para baixo na página.

Execução: Queremos adicionar uma cópia melhor à área de dobra para reter mais visitantes da página, resolver os problemas de confiança e aumentar as conversões na página.

Resultado: Isso deve levar mais visitantes da web a percorrer a página, desejando nosso principal produto e comprando-o. Vamos medir isso pela menor taxa de rejeição, maiores taxas de conversão e receita.

Depois de chegar aqui, a próxima etapa é testar o .

Este exemplo é uma hipótese real que levou a resultados impressionantes. Para obter mais detalhes sobre os experimentos, confira o primeiro exemplo de insight acionável abaixo.

10. Prepare-se para experimentar

Com a hipótese acima, você pode fazer o que os otimizadores de taxa de conversão especializados fazem e executar um teste.

Até este ponto, suas hipóteses – mesmo que sejam baseadas em dados – são tão boas quanto a intuição.

Experimentar aproxima você de criar um fato sólido.

É aqui que você começa a obter o ROI para sua análise de dados.

A abordagem científica nos ajudou a transformar nossos dados brutos e incompreensíveis em algo legível. Em seguida, aplicamos o poder da análise de dados para desvendar os insights suculentos que ela continha.

Desenvolvemos hipóteses mensuráveis ​​a partir desses insights e demos o próximo passo lógico: a experimentação.

Existem centenas de ferramentas que nos guiam por essas etapas. Mas o Convert une todos eles no final e nos leva ao nosso objetivo final – insights acionáveis.

O Convert se integra a dezenas de ferramentas para que você possa experimentar e descobrir insights incrivelmente poderosos que levam diretamente a uma receita maior. Experimente Converter Integração em Avaliação Gratuita

Indo além dos insights: como transformar insights em estratégia

Os insights não são úteis para atingir as metas de negócios se não forem traduzidos em estratégia e implementados.

Como você pode realmente usar o insight que obtém para gerar benefícios positivos que influenciam diretamente os resultados de sua organização?

Vamos compartilhar 3 exemplos:

Como transformar dados em exemplos de insights acionáveis

Estudo de caso nº 1: como a SplitBase usou o Google Analytics para coletar dados para um experimento que revelou uma oportunidade de aumento de 27% nas conversões

BestSelf Co. descobriu um vazamento na página de seu principal produto. Então eles trabalharam com o SplitBase para conectá-lo.

Como eles fizeram isso?

Usando vários meios para coletar dados, como pesquisas, pesquisas e mapas de calor, eles encontraram o culpado.

O benefício do produto não foi comunicado bem o suficiente, então as pessoas não estavam nem passando da área de dobra. A partir disso, eles elaboraram a hipótese que compartilhamos anteriormente.

Eles fizeram um teste e descobriram que estavam certos. A nova manchete afirmando claramente o principal benefício do produto e a prova social impulsionaram significativamente as vendas do produto.

Estudo de caso nº 2: Essa promoção de frete grátis estava gerando ou perdendo dinheiro?

Essa era a pergunta na mente da equipe que administrava uma loja de comércio eletrônico de vidro artesanal de luxo.

Eles lançaram uma promoção de frete grátis e encontraram um aumento nas taxas de conversão. Embora isso significasse mais dinheiro, considerando os custos de envio desses produtos aos clientes, a oferta foi suficiente para compensar os custos de envio?

Agora, como eles encontraram a resposta…

Eles chamaram a Brave One, uma agência de otimização de taxa de conversão, que elaborou um plano para descobrir se eles estavam perdendo ou lucrando e por quanto.

Com o Google Analytics e o Mixpanel para coletar dados e o Convert para experimentar, o Brave One comparou o site sem a oferta a uma versão dele com a oferta.

Administrar o negócio com a oferta rendeu US$ 16.000 a mais do que executá-lo sem no mesmo período de tempo.

Estudo de caso nº 3: os dados ajudaram a Nike a ajustar sua segmentação e tocar o coração de um público mais amplo

Quando a Nike quis lançar uma campanha chamada 'Encontre sua grandeza' no início das Olimpíadas de 2012, eles vasculharam seus dados e encontraram isso:

A maioria de seu público-alvo não eram atletas profissionais. Eram pessoas que admiravam os profissionais e queriam ser como eles.

O que eles fizeram com isso?

Eles ajustaram sua segmentação.

A Nike geralmente vai atrás dos atletas profissionais. Mas desta vez, eles decidiram inspirar todos, independentemente de seu nível de condicionamento físico, a ultrapassar seus limites.

Um dos vídeos da campanha teve mais de 3 milhões de visualizações.

E não para por aí: a Adidas gastou milhões de dólares para conseguir um patrocínio olímpico, mas a Nike desfrutou do mesmo nível de exposição com menos da metade desse orçamento de marketing.

Resumindo

A experimentação não deve marcar o fim de sua jornada de otimização.

Deve ser um processo contínuo, porque nunca estamos sempre no ponto com o nosso insight.

Além disso, lembre-se… caso você não tenha as habilidades para realizar análises de dados internas, sempre poderá contar com o know-how de especialistas em dados.

Dr. Thom Ives sugere que à medida que mais dados chegam, temos que refinar as inferências que fizemos com os dados antigos.

E a boa notícia? Dessa forma, continuamos a abordar insights mais representativos de nosso público e fazer previsões e decisões muito mais precisas.