Как получить максимальную отдачу от вашей стратегии обработки данных с помощью модели зрелости аналитики
Опубликовано: 2022-11-18Большинство маркетологов согласны с тем, что методы измерения без файлов cookie окажут большое влияние на рекламу. Но для реализации этих методов требуется определенный уровень аналитических возможностей и доступ к нужным данным.
Вы можете спросить себя:
- Каков мой текущий уровень аналитических способностей?
- Что я могу узнать о своем бизнесе с его помощью?
Продолжайте читать, чтобы узнать больше о модели зрелости аналитики, о том, как определить, на каком этапе вы находитесь, и как лучше двигаться вперед.
Пропустить дальше >>
- Какова модель зрелости аналитики
- Какие разные этапы
- Неструктурированный
- Описательный
- Диагностика
- Предиктивный
- предписывающий
- Где ты в модели
- Как выбрать подходящую модель для вас
Пролистайте шпаргалку
Сохраните памятку по модели зрелости аналитики на потом.
Какова модель зрелости аналитики?
Модель зрелости аналитики — это структура, которая помогает компаниям определить, как они могут использовать свои данные для поиска идей и принятия решений, а не просто собирать данные ради них.
Существует несколько моделей зрелости аналитики, наиболее часто используемые из них:
- Модель зрелости Gartner для данных и аналитики
- SAS — аналитическая система показателей зрелости
- ОЭСР — Модель зрелости аналитики
- DAMM — модель зрелости анализа данных для ассоциаций
Мы будем использовать модель Gartner в качестве основы. Мы выбрали их модель, потому что она проста для понимания, действенна и применима в различных сегментах, не связанных с маркетингом, таких как продажи, финансы и т. д. Кроме того, поскольку многие модели зрелости аналитики очень похожи, вы можете применить шаги, действия и рекомендации, описанные в этой статье. сообщение, независимо от модели, которую вы используете.
Каковы различные этапы модели зрелости аналитики?
Модель Gartner состоит из четырех этапов, причем на первом этапе требуются некоторые базовые навыки аналитики. Мы добавили в модель еще один этап — неструктурированный — для охвата компаний, у которых нет навыков аналитики. Затем у вас есть описательная, диагностическая, прогнозная и предписывающая аналитика. Мы рассмотрим каждый из них отдельно и поможем вам понять вашу фазу и то, как двигаться дальше.
Неструктурированный
Анализ неструктурированных данных означает, что у вас нет стратегии работы с данными и вы вообще не используете аналитику.
Допустим, вы занимаетесь продажей обуви — баскетбольных кроссовок. Вы не представляете, насколько люди заинтересованы в конкретных кроссовках и почему.
Прежде чем перейти к описательной аналитике, вы находитесь на стадии отставания или ограничений. По большей части, большинство предприятий начинается здесь. Итак, если вы ждете, чтобы совершить прыжок, вы не одиноки.
Маркетинговая аналитика
Что это на самом деле означает, почему вас это должно волновать и как это исправить
Описательный
Описательная аналитика — то, что произошло — это простейшая форма аналитики и основа для более глубоких типов. Описательная аналитика обобщает то, что произошло или происходит, извлекая тенденции из необработанных данных и предоставляя понимание того, что эти тенденции означают.
Продолжая наш предыдущий пример, описательная аналитика может сказать вам что-то вроде: эти баскетбольные кроссовки имеют сезонный рост интереса в августе, сентябре и начале октября каждого года.
Вы можете использовать визуализацию данных для передачи описательного анализа, поскольку диаграммы, графики и карты могут отображать тенденции в данных, а также провалы и всплески — в ясной и понятной форме.
«Визуальные эффекты помогают вашему мозгу обрабатывать больше данных одновременно. При правильном использовании он может помочь вашему читателю понять сложные данные в мгновение ока».Ральф Спэндл, руководитель отдела визуализации данных, Supermetrics
На этом этапе вы можете использовать инструменты для работы с электронными таблицами, такие как Google Sheets, Excel, и инструменты визуализации данных, такие как Looker Studio (ранее Data Studio) или Power BI.
Гугл Таблицы и Эксель
Получите все свои разрозненные маркетинговые данные в электронные таблицы, чтобы вы могли попрощаться с копированием/вставкой
Диагностика
Продвижение анализа на шаг вперед с помощью диагностической аналитики — почему это произошло — включает в себя сравнение тенденций или движений, выявление корреляций между определенными статистическими данными и определение причинно-следственных связей, где это возможно.
Вы можете посмотреть на демографические данные о том, какая группа чаще всего использует баскетбольные кроссовки, и выяснить, что им от 13 до 16 лет. Но покупателям, которые покупают эти кроссовки, как правило, от 30 до 50 лет. Некоторые данные опроса клиентов Собранные ранее данные показывают, что одна из основных причин, по которой покупатели покупают баскетбольные кроссовки, заключается в том, что родители дарят их своим подросткам. Увеличение продаж в конце лета и начале осени может быть связано с началом баскетбольного сезона в этом году.
«Опираться на инсайты — значит брать ваши маркетинговые данные и осмысливать их, чтобы вы могли принять правильное решение».Эдвард Форд, директор по спросу, Supermetrics
Хотя вы можете выполнять диагностическую аналитику вручную в таких инструментах, как Excel и Google Sheets, мы часто видим, что маркетологи используют инструмент BI, такой как Looker Studio или Power BI, чтобы применить простую логику для сравнения определенных статистических данных друг с другом.
Использование хранилища данных также является популярным вариантом, поскольку оно позволяет собирать данные из разных источников — платных СМИ и обычных социальных сетей — в одном месте, прежде чем передавать их в инструмент визуализации. Вы можете применять описанные выше концепции в различных случаях использования — изучая маркетинговый спрос и объясняя поведение клиентов.
Предиктивный
Предиктивная аналитика — что может произойти в будущем — исторические данные для прогнозирования будущих тенденций или результатов. Вы можете сделать это вручную или с помощью алгоритмов машинного обучения.
Предиктивная аналитика может использоваться в маркетинге для прогнозирования тенденций продаж в разное время года и соответствующего планирования кампаний. Например, знание того, что интерес к баскетбольным кроссовкам и их продажи резко возрастали в августе, сентябре и начале октября каждый год в течение последнего десятилетия, может помочь вам предсказать, что такая же тенденция будет наблюдаться в следующем году. Исторические поведенческие данные также могут помочь вам предсказать вероятность того, что человек перейдет от узнаваемости бренда к покупке продукта. Итак, если вы знаете, что человек обычно взаимодействует с пятью частями контента перед покупкой, вы можете соответствующим образом спланировать свой контент. Хранение исторических данных в хранилище данных, таком как BigQuery, может помочь вам выполнять прогнозную аналитику вручную.
Инструменты моделирования данных, такие как dbt, могут помочь автоматизировать объединение информации из разных источников в готовые к анализу таблицы. Прогнозную аналитику можно дополнительно автоматизировать с помощью платформы машинного обучения. Кроме того, наличие надежного набора данных с возможностями машинного обучения обеспечивает плавный переход на предписывающий уровень.
Предиктивная аналитика
Все, что вам нужно знать, чтобы начать
предписывающий
Наконец, предписывающая аналитика — что нам делать дальше — учитывает все возможные факторы сценария и предлагает действенные выводы.
Чтобы завершить пример баскетбольных кроссовок. Теперь, когда вы знаете, что скоро начнется баскетбольный сезон и спрос на кроссовки вырастет (основываясь на вашем анализе тенденций), что вам следует делать? Вы можете запустить A/B-тестирование с двумя рекламными объявлениями. Тот, который нацелен на конечных пользователей вашего продукта — подростков. И тот, который нацелен на ваших покупателей — родителей. Результаты эксперимента могут помочь вам понять, как еще лучше использовать преимущества этого короткого периода времени.
В то время как ручной предписывающий анализ выполним с небольшими наборами данных, вы получите лучшие результаты, используя алгоритмы машинного обучения при работе с большими объемами данных, чтобы получить ответ на вопрос «что лучше делать дальше?». Такие платформы, как Google Cloud Vision AI или Vertex AI, могут помочь вам развернуть эти модели машинного обучения.
Хотите построить предписывающую модель?
Наша команда профессиональных услуг может помочь
Где вы находитесь в модели и как вы можете двигаться вперед?
Прежде чем вы решите, на чем сосредоточиться, важно понять, на каком уровне находится ваша организация в различных областях модели зрелости аналитики. В зависимости от того, где вы находитесь, вы можете планировать, как двигаться вперед.
1. Оценка
Во-первых, оцените свой текущий уровень зрелости аналитики, чтобы узнать, какие данные вы собираете и используете. Ответьте на следующие вопросы:
- Каковы ваши текущие источники данных?
- Кто имеет доступ к этим данным?
- Какие инструменты вы используете?
2. Доступность
Здесь вы должны выяснить, какие другие источники данных вам доступны, в том числе:
- Внутренние источники данных: CRM, веб-аналитика, отзывы клиентов
- Внешние источники данных: рекламные площадки, общедоступные данные и т.д.
3. Приоритизация
Затем рассмотрите метрики, которые вы отслеживаете, и вопросы, на которые они отвечают. Отдайте предпочтение тем, которые дают вам полезную информацию о том, «почему» и «как», вместо того, чтобы сосредотачиваться на метриках, которые дают только информацию о том, «сколько».
«Управление данными — это не то же самое, что управление знаниями — данные — это лишь часть головоломки. Только поняв «почему», стоящее за поведением клиентов, мы можем создать по-настоящему эффективную маркетинговую кампанию».Уилл Янг, руководитель отдела роста, Instrumentl
4 человека
Убедитесь, что соответствующие заинтересованные стороны имеют доступ к соответствующим данным. Внедрите гибкие методики, чтобы избавиться от разрозненности и упростить обмен данными между отделами. Подумайте о том, чтобы предоставить сотрудникам доступ к данным, научить их их использовать и поощрять новые идеи.
«Обучите свою команду грамотности в отношении данных и сделайте ее частью корпоративной культуры. Поскольку вашей команде необходимо использовать данные, им необходимо знать основы».Ли Файнберг, президент Decision Viz
5. Технология
Инвестируйте в технологии, которые помогут вам интерпретировать имеющиеся данные и извлечь из них пользу. Вы должны подумать об аналитических навыках вашей команды и выбрать подходящие для них инструменты. Для нетехнических пользователей стоит использовать инструменты визуализации данных с удобным интерфейсом, чтобы сделать отчеты простыми для понимания.
С другой стороны, если у вашей команды есть навыки работы с SQL, они получат больше пользы от использования хранилища данных.
«Если у вас есть ситуация, когда команда знает, как писать SQL, но, возможно, они не знают всего об инженерии данных, в этом случае лучше подойдет хранилище данных».Эван Каединг, ведущий инженер по продажам, Supermetrics
Пройдитесь по этим пяти аспектам и задавайте себе одни и те же вопросы каждый раз, когда планируете продвигаться вперед по модели, чтобы узнать, готовы ли вы.
Как выбрать подходящую модель для вас
Где вы должны быть в модели зрелости аналитики, зависит от того, кто использует данные и какие решения вы ожидаете принять на их основе.
Несмотря на то, что вы можете получить больше информации и повысить рентабельность инвестиций, продвигаясь вверх по модели, особенно с помощью предиктивной и предписывающей аналитики, вам нужно следить за несколькими вещами.
Вам нужны точные данные для обучения ваших моделей ИИ и машинного обучения — чем лучше наборы данных, тем лучше прогнозы. Если ваши данные неполны или содержат неверную информацию, это повлияет на ваши результаты.
Например, если возрастные демографические данные от покупателей баскетбольных кроссовок содержат только данные о конечном пользователе, подростках, и не содержат информацию о том, что родители являются фактическими покупателями этих кроссовок. Ваша предписывающая модель не будет рассматривать родителей как группу, которой следует продавать ваш продукт, и, скорее всего, посоветует вам продавать только подросткам. Маркетинговая команда, вероятно, будет инвестировать не в ту аудиторию и упустит возможность стимулировать продажи.
В этом случае имеет смысл использовать описательную модель ( что произошло ) или диагностическую модель ( почему это произошло ) и повышать качество этих наборов данных, прежде чем вы сможете делать обоснованные прогнозы и решения, генерируемые машинным обучением. и ИИ на более поздних стадиях.
Владение данными
Как получить более глубокое понимание ваших маркетинговых данных
Заворачивать
Модель зрелости аналитики помогает максимально эффективно использовать данные и совершенствовать процесс принятия решений. Каждый шаг в модели подготовит вас к следующему.
Таким образом, вы можете начать с использования описательной аналитики, чтобы рассказать историю о том, что происходит, а затем развить ее и выяснить, почему эти вещи происходят с помощью диагностической аналитики.
Получив доступ к нужным и надежным данным, вы можете перейти к прогнозной аналитике для выявления тенденций. И, наконец, вы можете использовать эти прогнозы, чтобы узнать, что вам следует делать в будущем с предписывающей аналитикой.
Не беспокойтесь, если вы еще не находитесь на предписывающей стадии, продвижение по модели больше связано с оценкой ваших текущих потребностей и ресурсов, а также с тем, чтобы максимально использовать их перед слишком быстрым масштабированием. Нет правильного или неправильного места, есть только правильное место для вашей команды и вашего бизнеса.
Пролистайте шпаргалку
Сохраните памятку по модели зрелости аналитики на потом.
Об авторе
Питер — инженер по продажам в Supermetrics. Он тесно сотрудничает с клиентами, чтобы определить возможности для повышения отдачи от их стека маркетинговых данных. В нерабочее время его обычно можно увидеть играющим в кольцо на баскетбольной площадке.