Как превратить груды данных в полезную и значимую информацию (Руководство на 2021 год)

Вы перегружены всеми данными перед вами?

Существует беспрецедентное богатство данных, но как вы можете превратить их в полезную информацию?

Видите ли, путь от данных к инсайтам усеян проблемами. Вам понадобится мощный набор шагов для борьбы с ними.

Здесь мы покажем вам, как извлечь ценную информацию из кучи данных , отсечь бесполезную информацию и быстрее принимать решения на основе данных в вашей организации.

Что такое данные и идеи?

Прежде чем мы углубимся в это, давайте определим, что мы подразумеваем под данными и идеями.

• Данные — это факты и статистические данные, собранные путем наблюдения. Это могут быть числа, текст, изображения, аудио и т. д.
  
  Давайте представим это в перспективе:
  
  Предположим, что у вас есть магазин электронной коммерции и у вас активирован Google Analytics (GA), каждый пользователь, который перемещается по вашему интернет-магазину, оставляет некоторые цифровые следы, которые собирает GA.
  
  Это касается демографических данных, устройств, браузеров и т. д. Если вы увидите эти необработанные факты, это, вероятно, покажется вам тарабарщиной, поскольку они иногда неструктурированы и лишены контекста.

  

• Информация является продуктом уточнения этих данных и придания им структуры и контекста. Таким образом, данные имеют немного больше смысла для невооруженного глаза.
  
  В случае вашего магазина электронной коммерции примером может служить панель управления GA. Когда все данные собраны и представлены в контексте, они расходуются, и вы можете извлечь из них информацию.

  

• Инсайт – это ценное знание, полученное в результате понимания информации. Когда вы потребляете информацию (или данные) и точно интерпретируете ее в контексте и другой доступной информации, вы приходите к озарению.
  
  В деловом мире понимание — это весь смысл сбора данных. Думайте об инсайтах, как о внутреннем устройстве операции, за которой вы наблюдаете. Они рассказывают осмысленную историю из данных.

Пример понимания

Выявление с помощью эффективного анализа данных того, что 97% ваших клиентов находят вас, когда они планируют свою свадьбу, является примером понимания.

Само по себе это просто информация, которую полезно знать.

Но если это используется для разработки плана, который приносит ощутимую пользу вашему бренду и клиентам, это действенное понимание. Например, вы можете использовать эту информацию для планирования рекламной кампании, ориентированной на людей, собирающихся связать себя узами брака.

Вы уже знаете, что эта аудитория тянется к вам; таким образом, высокий ROAS (окупаемость затрат на рекламу) не будет слишком удивительным.

Прежде чем данные будут преобразованы в подобные идеи, их необходимо сначала собрать, а затем проанализировать.

Различные методы сбора данных

Большинство предприятий собирают данные из нескольких источников, используя разные методы. И каждый метод имеет свой собственный набор правил.

Google Analytics, например, собирает данные с помощью JavaScript и кода отслеживания.

После добавления кода отслеживания на вашу страницу скрипт отправляет данные на серверы Google. Сюда входят данные страницы (URL, заголовок), данные браузера (область просмотра, разрешение экрана), пользовательские данные (местоположение, язык) и многое другое.

Это похоже на аналитику социальных сетей на Facebook, Twitter, Instagram и других сайтах. Вы также можете собирать данные из:

• опросы
• статистика роста рынка
• отслеживание транзакционных данных
• анализ отзывов клиентов
• подписные и регистрационные данные и т. д.

Отсюда данные перемещаются на следующий шаг.

Аналитика данных против анализа данных

Вопреки распространенному использованию, эти термины не означают одно и то же.

• Аналитика данных — это наука о сборе и использовании данных. Это все между сбором необработанных данных и принятием мер на их основе. Это включает в себя сбор, организацию, хранение и анализ данных с использованием машинного обучения, статистики и компьютерных моделей.
• Анализ данных является подкомпонентом анализа данных. Анализ данных — это процесс изучения, очистки, преобразования и организации данных с конечной целью извлечения ценной информации и ее использования для обоснования решений и действий.

В типичной организации специалисты по данным, руководители и менеджеры обычно являются единственными, кто использует анализ данных для получения информации.

Эффективная организация, управляемая данными, должна предоставлять доступ к данным и понимание данных всем своим членам.

Это подводит нас к революционной концепции: демократизации данных .

Что такое демократизация данных?

Демократизация данных означает предоставление доступа к данным всем в организации без барьеров сверхспециализированных знаний . Это означает, что любой в вашей организации может получить доступ к данным, понять их и использовать для принятия решений и рекомендаций.

Идея состоит в том, что чем больше практических действий (с точки зрения данных), тем быстрее компания внедряет культуру принятия решений, основанную на данных, сверху донизу.

Но есть одна загвоздка.

При таком уровне доступа становится сложнее поддерживать безопасность и целостность данных. Существует также вероятность того, что данные будут неправильно интерпретированы кем-то, кто не имеет опыта обученного аналитика.

Тем не менее, демократизация данных является ключевым фактором для принятия более разумных и быстрых решений на основе данных и повышения качества обслуживания клиентов .

Маркетологи из Royal Bank of Scotland показали, насколько эффективным может быть вовлечение своих коллег, не занимающихся маркетингом, в процесс оптимизации клиентского опыта.

Проблемы в получении информации из данных

Путь от данных к инсайтам полон проблем. Настолько, что альтернативы действиям, управляемым данными, кажутся более привлекательными.

Маркетологи, специалисты по данным, руководители предприятий и другие специалисты, работающие с данными ежедневно, похоже, согласны с этим.

Я провел быстрый опрос (здесь и здесь), который показал, что проверка данных является самой большой проблемой для 39% из них. Только 11% объяснили свои трудности объемом данных. 28% выбрали интеграцию данных из различных источников, а 22% ссылаются на затраченное время и усилия.

Помимо этих четырех, другие проблемы с преобразованием данных в практические результаты включают:

• Недоступность данных
• Низкое качество данных и
• Необходимость обеспечить рентабельность инвестиций

Для Стивена Александра Янга, основателя Challenger Digital, самой большой проблемой является выделение переменной, стоящей за изменением производительности. Данные аналитики не всегда рассказывают полную картину:

Когда трафик здесь упал, было ли это связано с тем, что кто-то внес изменения на страницу (и если да, то какие)? Если страница не изменилась, неужели конкурент усилил SEO и обогнал вас (и если да, то кто)? (…) Даже когда я могу связаться с клиентом по телефону, чтобы сообщить детали и исключить ситуацию, им часто приходится ходить по своим делам в своей команде, чтобы найти ответы. Конечно, параллельно с этим существует постоянная возможность обновления алгоритма Google.

Том Айвз (доктор философии), ведущий специалист по данным в UL Prospector, сравнил данные с сырой нефтью, которую необходимо перерабатывать и очищать. Он предупреждает, что данные «могут быть опасными при неправильном обращении».

Это заставляет людей, принимающих решения, нервничать.

Как оказалось, несмотря на то, что 74% компаний согласны с тем, что они хотят управлять данными, согласно отчету Forrester, только 29% могут действовать на основе результатов аналитики.

Как бы ни были хороши решения на основе данных в растущем бизнесе, ошибки могут быть разрушительными. Возможно, возможность совершения ошибок отпугивала большую часть остальных 71%, которые принимают решения на основе опыта или интуиции или просто следуют статус-кво.

Часто это происходит за счет использования наших 59 зеттабайт данных (это 59 с 21 нулем!) для получения идей, преобразующих бизнес.

Пип Лайя, генеральный директор Wynter, удачно резюмирует это так: «У нас много данных, но мало информации».

10 действенных шагов, чтобы превратить данные в идеи

Метрики просты; понимание сложно — одно дело собрать много данных, а другое — сделать их ценным активом. К счастью, есть проверенный метод получения ответов.

Кий в научном методе.

Однако это не момент озарения. Ученые использовали этот метод для получения информации из данных на протяжении веков.

10 шагов, которые мы вам покажем, черпают вдохновение из научного метода и прокладывают путь к практическим выводам и рекомендациям.

Давайте сразу:

1. Начните с правильных вопросов

Задавая правильные вопросы, прежде чем копаться в данных, вы не потратите время на неправильные вещи.

Это как установить четкую цель перед тем, как отправиться в путешествие.

Прежде чем прочесывать груды данных, выясните, на какие вопросы вы хотите получить ответы от этих данных. Таким образом, вы избежите появления идей, которые не повлияют на бизнес-цели.

Для SaaS-компании необходимо начать с следующих вопросов:

• Сколько читателей постов в блогах перешли к другим частям контента?
• Какой процент трафика моего веб-сайта соответствует моему портрету покупателя?
• На каком этапе воронки продаж происходит больше всего утечек?

2. Отслеживайте правильные показатели (никаких тщеславных показателей!)

Понимание, которое направляет бизнес в правильном направлении, не приходит из наблюдения за неправильными показателями.

Метрики тщеславия, особенно. Они заставляют вас хорошо выглядеть, но не расширяют рамки вашего понимания. Пример: просмотры страниц и количество кликов.

Кроме того, неправильные показатели могут отвлекать. Поскольку вы определились с вопросом, на который нужно ответить на шаге 1, определите показатели, которые вы должны отслеживать.

Аниекан Иньянг, специалист по данным в Stears Business, предостерегает от игнорирования отраслевых нюансов:

Это может привести к выбору неправильной функции для отслеживания метрики, отсутствию отслеживания соответствующей метрики или неправильной ее интерпретации.

Используйте это, чтобы проложить путь к гипотезе, которую вы можете проверить.

3. Сформулируйте свои конечные цели

У вас, скорее всего, есть определенные бизнес-цели, предварительно протестированные. Они должны быть тесно связаны с целями вашего теста.

Из вопросов, с которых вы начали, вы поняли, что хотите отслеживать. Но чего вы хотите этим добиться?

Запишите это, так как это поможет вам разработать конкретную измеримую гипотезу.

4. Интегрируйте свои источники данных

Наборы данных, которые у вас есть, представляют собой лишь часть населения и не всегда могут рассказать всю историю.

Доктор Том Айвз поделился:

У него могут быть предубеждения, о которых мы не знаем, и он будет слабее, чем все данные.

Чем больше полезных данных вы соберете, тем ближе вы будете к достоверным историям.

Ваша интерпретация данных окажется ближе к мишени, когда вы соберете все свои источники вместе. Убедитесь, что вы используете правильные инструменты для интеграции разрозненных источников, чтобы не упустить возможность получить ценную информацию о клиентах.

5. Используйте контекст и визуальные эффекты для упрощения наборов данных

Сегодня визуальные эффекты довольно часто используются с данными. Вы почти никогда не сталкиваетесь с непонятной необработанной формой данных. Тем не менее, без правильного контекста вы либо не получите всей истории, либо получите неправильную.

Для контекста проанализируйте свои данные, используя 5 W:

• Кто (аудитория, лиды, перспективы)
• Что (цели, события, наблюдения)
• Когда (сроки, расписание)
• Где (веб-страница, социальные сети, целевая страница) и
• Почему , (почему это произошло?)

Контекст заставляет ваши данные прыгать с экрана с большим смыслом. Это снижает вероятность совершения ошибки.

В сочетании с точными визуальными эффектами эти шансы становятся еще ниже. Но ошибки бывают и в визуальных эффектах.

Например, с пузырьковыми диаграммами часто совершают дорогостоящую ошибку. Изменение радиуса вместо площади пузырька на соответствующие значения приводит к неточному повествованию данных, как на картинке ниже.

Давайте воспользуемся оранжевым пузырем в верхнем левом углу и зеленым рядом с ним, чтобы сделать акцент. Оранжевый пузырь выглядит в 4 раза больше своего зеленого соседа.

Без фактических значений, указанных внутри, это может ввести в заблуждение. Стоимость оранжевого пузыря (1,84 млрд долларов) всего в 2 раза больше, чем у зеленого (0,92 млрд долларов).

Вот забавная ошибка Fox News:

6. Сегментируйте свои данные

Разделение данных на сегменты может помочь вам лучше понять их. Google Analytics, например, имеет встроенные функции, которые упрощают это.

Разделите веб-трафик в соответствии с определенным сходством, и это упростит процесс извлечения информации. Сегментация может углубить ваше понимание вашей целевой аудитории.

Кроме того, при сегментировании не ограничивайтесь возрастными и гендерными сегментами. Есть гораздо больше деталей, с помощью которых вы можете группировать веб-посетителей.

Один из способов сделать это — сегментировать клиентов по транзакционной ценности (сегментация ценности), то есть по тому, сколько они могут потратить на продукты. Для этого вам придется использовать данные прошлых транзакций. Такие данные, как сколько они потратили, как часто они их тратили и стоимость продуктов, которые они купили.

Как только вы испытаете эту простоту один раз, она быстро станет основным процессом в вашей стратегии анализа.

Вот еще один пример, иллюстрирующий важность правильной сегментации данных:

7. Просматривайте данные в нужных временных рамках

Принятие решений, основанных на выводах, сделанных за определенный промежуток времени, может иметь катастрофические последствия. Распространенной ошибкой является только взгляд на маленькую картинку без ссылок на исторические данные.

Данные обычно имеют предысторию.

Важно проверить это, чтобы понять настоящее. Иногда события происходили в прошлом в ответ на внешние воздействия, такие как праздники, времена года, экономические циклы и т. д.

Примите это во внимание, изучая весь спектр тенденции, чтобы получить более точное представление о вещах.

8. Найдите правильные шаблоны

Подъем и падение — две тенденции, которые проще всего наблюдать на линейном графике. Обычно именно так в GA отображаются просмотры страниц и данные о взаимодействии.

Другие типы графиков, такие как временные ряды и точечные диаграммы, помогают нам отображать закономерности в данных. Вы можете определить восходящий или нисходящий тренд, визуализировать корреляцию между двумя переменными и многое другое.

Все они предназначены для раскрытия историй, стоящих за данными. Предупреждение: никогда не рассматривайте шаблоны в отрыве от их контекста.

При анализе ваших графиков профессор Массачусетского технологического института доктор Рама Рамакришнан предлагает сопоставить ваш график с предварительными ожиданиями:

Есть что-то, что не совпадает? Что-нибудь, что заставляет вас сказать: «Это странно» или «Это не имеет никакого смысла»? Увеличьте масштаб и попытайтесь понять, что в вашем бизнесе заставляет эти странные вещи появляться в таких данных. Это критический шаг. (…) Возможно, вы только что узнали о бизнесе и расширили свое понимание. Или вы можете обнаружить ошибку в способе сбора или расчета ваших данных (закон Тваймана).

9. Создайте выигрышную гипотезу

Когда вы проанализировали свои данные и сделали точные выводы, пришло время выдвинуть гипотезу, которую вы можете проверить.

Выдвигая гипотезу, вы находите решение проблемы, которое можно проверить экспериментальным путем.

Измеримая гипотеза состоит из 3 частей:

• Наблюдение,
• Исполнение и
• Исход

Вот реальный пример от партнера Convert:

Наблюдение: по данным аналитики мы наблюдали высокий показатель отказов на странице нашего флагманского продукта. Мы также проводили опросы, опросы и исследования юзабилити и выяснили, что пользователи не понимают ценности нашего продукта и не доверяют ему. Кроме того, большинство посетителей не прокручивали страницу дальше вниз.

Исполнение: мы хотим улучшить текст в области сгиба, чтобы удержать больше посетителей страницы, решить проблемы с доверием и повысить конверсию на странице.

Результат: это должно привести к тому, что больше посетителей будут пролистывать страницу, желая приобрести наш флагманский продукт и покупая его. Мы будем измерять это по более низкому показателю отказов, более высокому коэффициенту конверсии и доходу.

После того, как вы попали сюда, следующим шагом будет тестирование .

Этот пример — реальная гипотеза, которая привела к впечатляющим результатам. Чтобы узнать больше об экспериментах, ознакомьтесь с первым практическим примером ниже.

10. Подготовьтесь к эксперименту

С приведенной выше гипотезой вы можете сделать то, что делают опытные оптимизаторы коэффициента конверсии, и провести тест.

До этого момента ваши гипотезы — даже если они основаны на данных — не более чем интуиция.

Экспериментируя, вы приближаетесь к созданию надежного факта.

Здесь вы начинаете получать рентабельность инвестиций в анализ данных.

Научный подход помог нам превратить необработанные, непонятные данные во что-то удобочитаемое. Затем мы применили силу анализа данных, чтобы раскрыть сочные идеи, которые он содержал.

Мы разработали измеримые гипотезы на основе этих идей и сделали следующий логический шаг: экспериментирование.

Существуют сотни инструментов, которые проведут нас через эти шаги. Но Convert в конце концов связывает их все вместе и приводит нас к нашей конечной цели — практическим идеям.

Convert интегрируется с десятками инструментов, так что вы можете экспериментировать и находить невероятно полезные идеи, которые напрямую ведут к увеличению дохода. Попробуйте преобразовать интеграцию в бесплатной пробной версии

Выходя за рамки инсайтов: как превратить инсайты в стратегию

Информация бесполезна для достижения бизнес-целей, если она не воплощена в стратегии и не реализована.

Как вы можете на самом деле использовать полученную информацию для получения положительных результатов, которые напрямую влияют на итоговую прибыль вашей организации?

Давайте поделимся 3 примерами:

Превращение данных в практические примеры

Пример № 1: Как SplitBase использовала Google Analytics для сбора данных для эксперимента, который выявил возможность увеличения числа конверсий на 27 %.

Компания BestSelf обнаружила утечку на странице своего флагманского продукта. Поэтому они работали с SplitBase, чтобы подключить его.

Как они это делают?

Используя различные средства для сбора данных, такие как опросы, опросы и тепловые карты, они нашли виновника.

Преимущество продукта не было сообщено достаточно хорошо, поэтому люди даже не доходили до области сгиба. Исходя из этого, они создали гипотезу, которой мы поделились ранее.

Они провели тест и оказались правы. Новый заголовок, четко указывающий на основное преимущество продукта, и социальное доказательство значительно увеличили продажи продукта.

Кейс № 2: Принесла ли эта акция с бесплатной доставкой прибыль или убытки?

Это был вопрос, который занимала команда, управляющая интернет-магазином роскошного стекла ручной работы.

Они запустили рекламную акцию с бесплатной доставкой и обнаружили увеличение коэффициента конверсии. Хотя это означало больше денег, учитывая стоимость доставки этих продуктов клиентам, было ли предложение достаточным, чтобы компенсировать расходы на доставку?

Теперь, как они нашли свой ответ…

Они обратились в Brave One, агентство по оптимизации коэффициента конверсии, которое разработало план, чтобы выяснить, убыточны они или прибыльны и насколько.

Используя Google Analytics и Mixpanel для сбора данных и Convert для экспериментов, Brave One сравнил сайт без предложения с его версией с предложением.

Ведение бизнеса с предложением принесло на 16 000 долларов больше, чем без него за тот же период времени.

Кейс № 3. Данные помогли Nike скорректировать таргетинг и заинтересовать более широкую аудиторию.

Когда компания Nike хотела запустить кампанию под названием «Найди свое величие» в начале Олимпийских игр 2012 года, они изучили свои данные и обнаружили следующее:

Большая часть их целевой аудитории не была профессиональными спортсменами. Это были люди, которые восхищались профессионалами и хотели быть на них похожими.

Что они с этим сделали?

Они скорректировали свой таргетинг.

Nike обычно преследует профессиональных спортсменов. Но на этот раз они решили вдохновить всех, независимо от их уровня физической подготовки, на расширение своих возможностей.

Одно из видео кампании набрало более 3 миллионов просмотров.

И это не останавливается на достигнутом: Adidas потратил миллионы долларов, чтобы получить олимпийское спонсорство, но Nike добился такого же уровня воздействия, потратив менее половины этого маркетингового бюджета.

Подводя итоги

Эксперименты не должны означать конец пути оптимизации.

Это должен быть непрерывный процесс, потому что мы никогда не попадаем в точку со своим пониманием.

Кроме того, помните… если вам не хватает навыков для проведения внутреннего анализа данных, вы всегда можете положиться на ноу-хау экспертов по данным.

Доктор Том Айвз предполагает, что по мере поступления новых данных мы должны уточнять выводы, сделанные на основе старых данных.

И хорошие новости? Таким образом, мы продолжаем подходить к анализу, который более репрезентативен для нашей аудитории, и делать гораздо более точные прогнозы и решения.