วิธีเปลี่ยนกองข้อมูลให้เป็นข้อมูลเชิงลึกที่ใช้งานได้และมีความหมาย (คู่มือปี 2021)

คุณถูกครอบงำโดยข้อมูลทั้งหมดที่อยู่ตรงหน้าคุณหรือไม่?

มีข้อมูลมากมายอย่างที่ไม่เคยมีมาก่อน แต่คุณจะเปลี่ยนให้เป็นข้อมูลเชิงลึกที่นำไปใช้ได้จริงได้อย่างไร

คุณเห็นไหมว่าการเดินทางจากข้อมูลสู่ข้อมูลเชิงลึกนั้นเต็มไปด้วยความท้าทาย คุณจะต้องมีขั้นตอนที่มีประสิทธิภาพเพื่อต่อสู้กับพวกมัน

ที่นี่ เราจะแสดง วิธีดึงข้อมูลเชิงลึกจากกองข้อมูล ตัดผ่านข้อมูลที่ไม่มีประโยชน์ และทำการตัดสินใจจากข้อมูลอย่างรวดเร็วในองค์กรของคุณ

ข้อมูลและข้อมูลเชิงลึกคืออะไร?

ก่อนที่เราจะพูดถึงเรื่องนี้ เรามากำหนดความหมายของข้อมูลและข้อมูลเชิงลึกกันก่อน

• ข้อมูล คือข้อเท็จจริงและสถิติที่เก็บรวบรวมผ่านการสังเกต อาจเป็นตัวเลข ข้อความ รูปภาพ เสียง ฯลฯ
  
  ลองใส่สิ่งนี้ในมุมมอง:
  
  สมมติว่าคุณเป็นเจ้าของร้านค้าอีคอมเมิร์ซและเปิดใช้งาน Google Analytics (GA) ผู้ใช้แต่ละรายที่นำทางไปยังร้านค้าออนไลน์ของคุณจะทิ้งรอยเท้าดิจิทัลบางส่วนที่ GA หยิบขึ้นมา
  
  ข้อมูลนี้ครอบคลุมถึงข้อมูลประชากร อุปกรณ์ เบราว์เซอร์ ฯลฯ หากคุณเห็นข้อเท็จจริงดิบๆ เหล่านี้ อาจดูไร้สาระเนื่องจากบางครั้งไม่มีโครงสร้างและไม่มีบริบท

  

• ข้อมูล เป็นผลจากการปรับแต่งข้อมูลนี้และให้โครงสร้างและบริบท ด้วยวิธีนี้ ข้อมูลจะดูสมเหตุสมผลขึ้นเล็กน้อยเมื่อมองด้วยตาเปล่า
  
  ในกรณีของร้านค้าอีคอมเมิร์ซของคุณ ตัวอย่างจะเป็นแดชบอร์ด GA ของคุณ เมื่อข้อมูลทั้งหมดถูกรวมเข้าด้วยกันและนำเสนอในบริบท ข้อมูลนั้นจะสิ้นเปลืองและคุณสามารถดึงข้อมูลเชิงลึกจากข้อมูลนั้นได้

  

• Insight คือความรู้อันมีค่าที่ได้มาจากความเข้าใจในข้อมูล เมื่อคุณใช้ข้อมูล (หรือข้อมูล) และตีความข้อมูลอย่างถูกต้องภายในบริบทและข้อมูลอื่น ๆ ที่มีอยู่ คุณจะเข้าถึงข้อมูลเชิงลึก
  
  ในโลกธุรกิจ ข้อมูลเชิงลึกเป็นจุดรวมของการรวบรวมข้อมูล ให้คิดว่าข้อมูลเชิงลึกเป็นการดูงานภายในของการดำเนินการที่คุณกำลังสังเกตอยู่ พวกเขาบอกเล่าเรื่องราวที่มีความหมายจากข้อมูล

ตัวอย่างของ Insight

การระบุผ่านการวิเคราะห์ข้อมูลที่มีประสิทธิภาพซึ่ง 97% ของลูกค้าของคุณพบคุณเมื่อพวกเขากำลังวางแผนงานแต่งงานของพวกเขาคือตัวอย่างข้อมูลเชิงลึก

ด้วยตัวของมันเอง นี่เป็นเพียงข้อมูลที่น่ารู้

แต่ถ้าสิ่งนี้ถูกใช้เพื่อสร้างแผนที่นำมูลค่าที่จับต้องได้มาสู่แบรนด์และลูกค้าของคุณ นั่นเป็นความเข้าใจที่นำไปปฏิบัติได้จริง ตัวอย่างเช่น คุณสามารถใช้ข้อมูลนี้เพื่อวางแผนแคมเปญโฆษณาที่กำหนดเป้าหมายไปยังผู้ที่กำลังจะแต่งงาน

คุณรู้อยู่แล้วว่าผู้ชมนี้ดึงดูดคุณ ดังนั้น ROAS (ผลตอบแทนจากค่าโฆษณา) ที่สูงจึงไม่น่าแปลกใจเกินไป

ก่อนที่จะแปลงข้อมูลเป็นข้อมูลเชิงลึกเช่นนี้ จะต้องเก็บรวบรวมข้อมูลก่อนแล้วจึงวิเคราะห์

วิธีการต่างๆ ในการเก็บข้อมูล

ธุรกิจส่วนใหญ่รวบรวมข้อมูลจากหลายแหล่งโดยใช้วิธีการที่แตกต่างกัน และแต่ละวิธีก็มาพร้อมกับชุดกฎเกณฑ์ของตัวเอง

ตัวอย่างเช่น Google Analytics รวบรวมข้อมูลโดยใช้ JavaScript และโค้ดติดตาม

เมื่อเพิ่มโค้ดติดตามในหน้าของคุณแล้ว สคริปต์จะส่งข้อมูลไปยังเซิร์ฟเวอร์ของ Google ซึ่งรวมถึงข้อมูลหน้า (URL, ชื่อ), ข้อมูลเบราว์เซอร์ (วิวพอร์ต, ความละเอียดหน้าจอ), ข้อมูลผู้ใช้ (ตำแหน่ง, ภาษา) และอื่นๆ อีกมากมาย

คล้ายกับการวิเคราะห์โซเชียลมีเดียบน Facebook, Twitter, Instagram และไซต์อื่นๆ คุณยังสามารถรวบรวมข้อมูลจาก:

• แบบสำรวจ
• สถิติการเติบโตของตลาด
• การติดตามข้อมูลการทำธุรกรรม
• การวิเคราะห์ความคิดเห็นของลูกค้า
• ข้อมูลการสมัครสมาชิกและการลงทะเบียน ฯลฯ

จากที่นี่ ข้อมูลจะย้ายไปยังขั้นตอนถัดไป

การวิเคราะห์ข้อมูล vs การวิเคราะห์ข้อมูล

ตรงกันข้ามกับการใช้งานยอดนิยม คำเหล่านี้ไม่ได้หมายถึงสิ่งเดียวกัน

• การวิเคราะห์ข้อมูล เป็นศาสตร์แห่งการรวบรวมและการใช้ข้อมูล เป็นทุกอย่างระหว่างการรวบรวมข้อมูลดิบและการดำเนินการจากข้อมูลนั้น ซึ่งรวมถึงการรวบรวม การจัดระเบียบ การจัดเก็บ และการวิเคราะห์ข้อมูลโดยใช้การเรียนรู้ของเครื่อง สถิติ และแบบจำลองทางคอมพิวเตอร์
• การวิเคราะห์ข้อมูล เป็นองค์ประกอบย่อยของการวิเคราะห์ข้อมูล การวิเคราะห์ข้อมูลเป็นกระบวนการตรวจสอบ ทำความสะอาด เปลี่ยนแปลง และจัดระเบียบข้อมูลโดยมีเป้าหมายสุดท้ายในการดึงข้อมูลที่มีค่าและใช้เพื่อประกอบการตัดสินใจและดำเนินการ

ในองค์กรทั่วไป นักวิทยาศาสตร์ข้อมูล ผู้บริหาร และผู้จัดการ มักจะเป็นคนเดียวที่ใช้การวิเคราะห์ข้อมูลเพื่อให้ได้มาซึ่งข้อมูลเชิงลึก

องค์กรที่ขับเคลื่อนด้วยข้อมูลที่มีประสิทธิภาพควรกระจายการเข้าถึงข้อมูลและความเข้าใจในข้อมูลไปยังสมาชิกทุกคน

สิ่งนี้นำเราไปสู่แนวคิดที่เปลี่ยนแปลงเกม: การทำให้เป็นประชาธิปไตยของข้อมูล

Data Democratization คืออะไร?

การทำให้เป็นประชาธิปไตยของข้อมูลหมายถึง การทำให้ทุกคนในองค์กรเข้าถึงข้อมูลได้โดยปราศจากอุปสรรคของความเชี่ยวชาญเฉพาะด้าน ซึ่งหมายความว่าทุกคนในองค์กรของคุณสามารถเข้าถึงข้อมูล ทำความเข้าใจ และใช้ในการตัดสินใจและคำแนะนำได้

แนวคิดคือยิ่งลงมือทำจริง (ที่ชาญฉลาด) มากเท่าไร บริษัทก็จะยิ่งนำวัฒนธรรมการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลมาใช้ได้เร็วขึ้นเท่านั้น

แต่มีการจับ

ด้วยการเข้าถึงระดับนี้ การรักษาความปลอดภัยของข้อมูลและความสมบูรณ์จะยากขึ้น นอกจากนี้ยังมีความเป็นไปได้ที่ข้อมูลจะถูกตีความอย่างไม่ถูกต้องโดยผู้ที่ไม่ได้รับความเชี่ยวชาญจากนักวิเคราะห์ที่ผ่านการฝึกอบรมมาแล้ว

ถึงกระนั้น การทำให้เป็นประชาธิปไตยของข้อมูลยังเป็นตัวขับเคลื่อนหลักใน การตัดสินใจที่นำโดยข้อมูลอย่างชาญฉลาดและรวดเร็วยิ่งขึ้น และปรับปรุงประสบการณ์ของลูกค้า

นักการตลาดที่ Royal Bank of Scotland แสดงให้เห็นว่าการมีส่วนร่วมกับเพื่อนร่วมงานที่ไม่ใช่ฝ่ายการตลาดในกระบวนการเพิ่มประสิทธิภาพประสบการณ์ลูกค้านั้นมีประสิทธิภาพเพียงใด

ความท้าทายในการสร้างข้อมูลเชิงลึกจากข้อมูล

เส้นทางจากข้อมูลสู่ข้อมูลเชิงลึกเต็มไปด้วยความท้าทาย มากเสียจนทางเลือกอื่นสำหรับการดำเนินการที่ขับเคลื่อนด้วยข้อมูลดูน่าสนใจยิ่งขึ้น

นักการตลาด นักวิทยาศาสตร์ข้อมูล ผู้บริหารธุรกิจ และมืออาชีพอื่นๆ ที่ทำงานกับข้อมูลในแต่ละวันดูเหมือนจะเห็นด้วย

ฉันทำการสำรวจความคิดเห็นอย่างรวดเร็ว (ที่นี่และที่นี่) ที่เปิดเผยว่าการตรวจสอบความถูกต้องของข้อมูลเป็นความท้าทายที่ยิ่งใหญ่ที่สุดสำหรับ 39% ของพวกเขา มีเพียง 11% เท่านั้นที่ระบุว่าความยากลำบากของพวกเขามาจากปริมาณข้อมูล 28% ใช้ข้อมูลจากแหล่งต่างๆ ในขณะที่ 22% อ้างถึงเวลาและความพยายามที่เกี่ยวข้อง

นอกเหนือจากสี่ข้อนี้ ความท้าทายอื่นๆ ในการแปลงข้อมูลเป็นผลลัพธ์ที่สามารถดำเนินการได้ ได้แก่:

• การเข้าถึงข้อมูลไม่ได้
• คุณภาพของข้อมูลไม่ดี และ
• ความกดดันในการส่ง ROI

สำหรับ Steven Alexander Young ผู้ก่อตั้ง Challenger Digital ความท้าทายที่ยิ่งใหญ่ที่สุดคือการแยกตัวแปรที่อยู่เบื้องหลังการเปลี่ยนแปลงในประสิทธิภาพการทำงาน ข้อมูลการวิเคราะห์ไม่ได้บอกเล่าเรื่องราวทั้งหมดเสมอไป:

เมื่อปริมาณการใช้ข้อมูลลดลง เป็นเพราะมีคนทำการเปลี่ยนแปลงในหน้า (และถ้าเป็นเช่นนั้น อะไร) หากเพจไม่เปลี่ยน แสดงว่ามีคู่แข่งเข้ามาเสริม SEO และแซงหน้าคุณ (และถ้าเป็นเช่นนั้น ใคร)? (…) แม้ว่าฉันจะโทรหาลูกค้าเพื่อให้รายละเอียดและแยกแยะสิ่งต่างๆ ออกได้ พวกเขามักจะต้องตามล่าห่านของตัวเองภายในทีมเพื่อติดตามคำตอบ แน่นอนว่า ความเป็นไปได้ที่คู่ควรกับการอัปเดตอัลกอริทึมของ Google นั้นเป็นสิ่งที่คู่ควรกับสิ่งนี้

Thom Ives (Ph.D. ) นักวิทยาศาสตร์ข้อมูลตะกั่วที่ UL Prospector เปรียบเทียบข้อมูลกับน้ำมันดิบที่ต้องผ่านการกลั่นและทำความสะอาด เขาเตือนว่าข้อมูล “อาจเป็นอันตรายได้หากจัดการในทางที่ผิด”

สิ่งนี้ทำให้ผู้มีอำนาจตัดสินใจประหม่า

ตามที่ปรากฏ แม้ว่า 74% ของบริษัทต่างๆ เห็นด้วยว่าต้องการขับเคลื่อนด้วยข้อมูล ตามรายงานของ Forrester มีเพียง 29% เท่านั้นที่สามารถดำเนินการตามผลการวิเคราะห์

การตัดสินใจที่นำข้อมูลเป็นหลักนั้นยอดเยี่ยมในการเติบโตของธุรกิจ ความผิดพลาดก็อาจสร้างความเสียหายได้ บางทีความเป็นไปได้ที่จะทำผิดพลาดอาจเป็นอุปสรรคต่ออีก 71% ที่ตัดสินใจด้วยประสบการณ์หรือความรู้สึกอุทร หรือเพียงแค่ทำตามสภาพที่เป็นอยู่

บ่อยครั้งสิ่งนี้เกิดขึ้นโดยมีค่าใช้จ่ายในการแตะข้อมูล 59 เซตตะไบต์ของเรา (นั่นคือ 59 ตัวตามด้วยศูนย์ 21 ตัว!) เพื่อสร้างข้อมูลเชิงลึกที่พลิกโฉมธุรกิจ

Peep Laja ซีอีโอของ Wynter สรุปได้อย่างเหมาะเจาะว่า “พวกเรามีข้อมูลมากมาย แต่มีความเข้าใจที่แย่”

10 ขั้นตอนที่ดำเนินการได้เพื่อเปลี่ยนข้อมูลให้เป็นข้อมูลเชิงลึก

ตัวชี้วัดนั้นง่าย ข้อมูลเชิงลึกนั้นยาก — การรวบรวมข้อมูลจำนวนมากเป็นเรื่องหนึ่ง แต่อีกสิ่งหนึ่งคือการทำให้พวกเขากลายเป็นทรัพย์สินที่มีค่า โชคดีที่มีวิธีที่ได้รับการทดสอบและทดลองแล้ว

คิวในวิธีการทางวิทยาศาสตร์

นี่ไม่ใช่ช่วงเวลายูเรก้าแม้ว่า นักวิทยาศาสตร์ได้ใช้วิธีนี้เมื่อได้รับข้อมูลเชิงลึกจากข้อมูลมานานหลายศตวรรษ

10 ขั้นตอนที่เราจะแสดงให้คุณเห็นแรงบันดาลใจจากวิธีการทางวิทยาศาสตร์และปูทางไปสู่ข้อมูลเชิงลึกและคำแนะนำที่นำไปปฏิบัติได้

มากระโดดกันเลย:

1. เริ่มต้นด้วยคำถามที่ถูกต้อง

การถามคำถามที่ถูกต้องก่อนที่คุณจะขุดค้นข้อมูลทำให้แน่ใจได้ว่าคุณจะไม่ใช้เวลากับสิ่งผิดๆ

เหมือนตั้งเป้าหมายให้ชัดเจนก่อนออกเดินทาง

ก่อนที่คุณจะรวบรวมข้อมูลจำนวนมาก ให้ค้นหาว่าคำถามใดที่คุณต้องการให้ข้อมูลของคุณตอบ วิธีนี้จะทำให้คุณหลีกเลี่ยงไม่ให้มีข้อมูลเชิงลึกที่ไม่มีผลกระทบต่อเป้าหมายทางธุรกิจ

สำหรับบริษัท SaaS คำถามที่จะเริ่มต้นคือ:

• มีผู้อ่านโพสต์บล็อกจำนวนเท่าใดที่ย้ายไปยังเนื้อหาส่วนอื่นๆ
• การเข้าชมเว็บไซต์ของฉันมีกี่เปอร์เซ็นต์ที่เหมาะกับบุคลิกผู้ซื้อของฉัน
• ระยะใดของช่องทางการขายที่รั่วไหลมากที่สุด?

2. ติดตามตัวชี้วัดที่เหมาะสม (ไม่มีตัวชี้วัด Vanity!)

ข้อมูลเชิงลึกที่นำทางธุรกิจไปในทิศทางที่ถูกต้องไม่ได้มาจากการดูเมตริกที่ไม่ถูกต้อง

ตัวชี้วัด Vanity โดยเฉพาะ พวกเขาทำให้คุณดูดี แต่ไม่เพิ่มกรอบความเข้าใจของคุณ ตัวอย่าง: การดูหน้าเว็บและจำนวนการคลิก

นอกจากนี้ การวัดที่ไม่ถูกต้องอาจทำให้เสียสมาธิ เนื่องจากคุณได้ตัดสินใจเลือกคำถามที่ต้องการคำตอบในขั้นตอนที่ 1 แล้ว ให้ระบุเมตริกที่คุณควรติดตาม

Aniekan Inyang นักวิทยาศาสตร์ข้อมูลที่ Stears Business เตือนว่าอย่าคำนึงถึงความแตกต่างเฉพาะอุตสาหกรรม:

ซึ่งอาจนำไปสู่การเลือกคุณลักษณะที่ไม่ถูกต้องในการติดตามตัววัด ไม่ใช่การติดตามตัววัดที่เกี่ยวข้องหรือตีความอย่างไม่ถูกต้อง

ใช้สิ่งนั้นเพื่อเอาชนะเส้นทางสู่สมมติฐานที่คุณสามารถทดสอบได้

3. ระบุเป้าหมายสุดท้ายของคุณ

คุณมักจะมีเป้าหมายทางธุรกิจบางอย่างก่อนการทดสอบ สิ่งเหล่านี้จะต้องสอดคล้องอย่างใกล้ชิดกับวัตถุประสงค์ในการทดสอบของคุณ

จากคำถามที่คุณเริ่มด้วย คุณทราบแล้วว่าต้องการติดตามอะไร แต่เป้าหมายของคุณคืออะไร?

เขียนสิ่งนี้ลงไปเพื่อช่วยในการพัฒนาสมมติฐานเฉพาะที่สามารถวัดผลได้

4. รวมแหล่งข้อมูลของคุณ

ชุดข้อมูลที่คุณมีเป็นเพียงส่วนหนึ่งของประชากรเท่านั้นและไม่ได้บอกเล่าเรื่องราวทั้งหมดเสมอไป

Dr. Thom Ives แบ่งปัน:

อาจมีอคติที่เราไม่ทราบและจะอ่อนแอกว่าข้อมูลทั้งหมด

ยิ่งคุณรวบรวมข้อมูลที่สามารถดำเนินการได้มากเท่าไร คุณก็จะยิ่งเข้าใกล้เรื่องราวที่แม่นยำมากขึ้นเท่านั้น

การตีความข้อมูลของคุณจะเข้าใกล้เป้ามากขึ้นเมื่อคุณรวบรวมแหล่งที่มาทั้งหมดเข้าด้วยกัน ตรวจสอบให้แน่ใจว่าคุณใช้เครื่องมือที่เหมาะสมในการผสานรวมแหล่งที่มาที่แตกต่างกัน เพื่อที่คุณจะได้ไม่พลาดการรวบรวมข้อมูลเชิงลึกที่มีความหมายของลูกค้า

5. ใช้บริบทและภาพเพื่อทำให้ชุดข้อมูลง่ายขึ้น

ภาพเป็นเรื่องปกติธรรมดากับข้อมูลในปัจจุบัน คุณแทบจะไม่เคยเจอรูปแบบข้อมูลดิบที่เข้าใจยาก หากไม่มีบริบทที่ถูกต้อง คุณก็จะไม่ได้รับเรื่องราวทั้งหมดหรือได้รับเรื่องราวที่ไม่ถูกต้อง

สำหรับบริบท ให้ผ่าข้อมูลของคุณโดยใช้ 5 W:

• ใคร (ผู้ฟัง, ผู้มุ่งหวัง, ผู้มุ่งหวัง)
• อะไร (เป้าหมาย เหตุการณ์ ข้อสังเกต)
• เมื่อ (กรอบเวลา กำหนดการ)
• ที่ไหน (หน้าเว็บ โซเชียลมีเดีย หน้า Landing Page) และ
• ทำไม , (ทำไมมันเกิดขึ้น?)

บริบททำให้ข้อมูลของคุณกระโดดออกจากหน้าจอโดยมีความหมายที่อยู่เบื้องหลัง จะช่วยลดโอกาสในการทำผิดพลาด

เพิ่มให้กับภาพที่แม่นยำ โอกาสเหล่านั้นก็ลดลงไปอีก แต่มีข้อผิดพลาดเกิดขึ้นกับภาพด้วย

ตัวอย่างเช่น เป็นเรื่องปกติที่จะทำผิดพลาดราคาแพงกับแผนภูมิฟอง การเปลี่ยนรัศมีแทนที่จะเป็นพื้นที่ของฟองเป็นค่าที่สอดคล้องกันนำไปสู่การเล่าเรื่องด้วยข้อมูลที่ไม่ถูกต้องดังในภาพด้านล่าง

ลองใช้ฟองสีส้มที่ด้านซ้ายบนและฟองสีเขียวข้างๆ เพื่อเน้น ฟองสบู่สีส้มดูใหญ่กว่าเพื่อนบ้านสีเขียวถึง 4 เท่า

หากไม่มีค่าจริงที่ระบุอยู่ภายใน อาจทำให้เข้าใจผิดได้ มูลค่าของฟองสบู่สีส้ม (1.84 พันล้านดอลลาร์) เป็นเพียง 2 เท่าของมูลค่าสีเขียว ($0.92B)

นี่เป็นความผิดพลาดที่ตลกโดย Fox News:

6. แบ่งส่วนข้อมูลของคุณ

การตัดข้อมูลออกเป็นส่วนๆ สามารถช่วยให้คุณเข้าใจข้อมูลได้ดีขึ้น ตัวอย่างเช่น Google Analytics มีคุณลักษณะในตัวที่ช่วยให้ทำได้ง่าย

แบ่งการเข้าชมเว็บตามความคล้ายคลึงบางอย่าง และจะทำให้กระบวนการดึงข้อมูลเชิงลึกง่ายขึ้น การแบ่งกลุ่มจะช่วยให้คุณเข้าใจกลุ่มเป้าหมายของคุณอย่างลึกซึ้งยิ่งขึ้น

นอกจากนี้ เมื่อแบ่งกลุ่ม ให้คิดให้ไกลกว่าวัยเรียนและเพศสภาพ มีรายละเอียดอีกมากมายที่คุณสามารถจัดกลุ่มผู้เยี่ยมชมเว็บได้

วิธีหนึ่งในการทำเช่นนี้คือการแบ่งกลุ่มลูกค้า ตามมูลค่าการทำธุรกรรม (การแบ่งส่วนมูลค่า) นั่นคือจำนวนเงินที่พวกเขามีแนวโน้มที่จะใช้จ่ายในผลิตภัณฑ์ คุณจะต้องใช้ข้อมูลการทำธุรกรรมที่ผ่านมาเพื่อให้บรรลุเป้าหมายนี้ ข้อมูลต่างๆ เช่น จำนวนเงินที่ใช้ไป ความถี่ที่ใช้ไป และมูลค่าของผลิตภัณฑ์ที่ซื้อ

เมื่อคุณได้สัมผัสกับความเรียบง่ายนี้เพียงครั้งเดียว มันจะกลายเป็นกระบวนการหลักในกลยุทธ์ข้อมูลเชิงลึกของคุณอย่างรวดเร็ว

นี่เป็นอีกตัวอย่างหนึ่งที่แสดงให้เห็นถึงความสำคัญของการแบ่งส่วนข้อมูลที่เหมาะสม:

7. ดูข้อมูลในกรอบเวลาที่เหมาะสม

การตัดสินใจโดยอาศัยข้อมูลเชิงลึกจากช่วงเวลาหนึ่งอาจเป็นหายนะได้ การดูรูปภาพเล็กๆ น้อยๆ โดยไม่มีการอ้างอิงถึงข้อมูลในอดีตเป็นข้อผิดพลาดทั่วไป

ข้อมูลมักจะมี backstory

สิ่งสำคัญคือต้องตรวจสอบเพื่อให้เข้าใจถึงปัจจุบัน บางครั้งเหตุการณ์ที่เกิดขึ้นในอดีตเป็นการตอบสนองต่ออิทธิพลภายนอก เช่น วันหยุด ฤดูกาล วัฏจักรเศรษฐกิจ ฯลฯ

พิจารณาสิ่งนี้เมื่อคุณสำรวจคลื่นความถี่ทั้งหมดเพื่อให้อ่านสิ่งต่าง ๆ ได้แม่นยำยิ่งขึ้น

8. ค้นหารูปแบบที่เหมาะสม

การขึ้นและลง — สองแนวโน้มที่ง่ายที่สุดในการสังเกตบนกราฟเส้น ซึ่งโดยปกติแล้วจะเป็นวิธีการแสดงข้อมูลการดูหน้าเว็บและข้อมูลการมีส่วนร่วมบน GA

แผนภาพประเภทอื่นๆ เช่น อนุกรมเวลา และ แผนภาพกระจาย ช่วยให้เราเห็นภาพรูปแบบในข้อมูล คุณสามารถระบุได้เมื่อมีแนวโน้มขึ้นหรือลง แสดงภาพความสัมพันธ์ระหว่างตัวแปรสองตัว และอื่นๆ

พวกเขาทั้งหมดได้รับการปรับให้เหมาะกับการเปิดเผยเรื่องราวเบื้องหลังข้อมูล คำเตือน: อย่ามองรูปแบบโดยแยกบริบทออกจากกัน

ในการวิเคราะห์แผนการของคุณ ศาสตราจารย์ ดร. รามากฤษณัน ของ MIT แนะนำให้จับคู่โครงเรื่องของคุณกับความคาดหวังเบื้องต้น:

มีอะไรที่ไม่ตรงกันหรือไม่? อะไรที่ทำให้คุณไป 'แปลก' หรือ 'ไม่สมเหตุสมผลเลย'? ซูมเข้าและพยายามทำความเข้าใจว่าธุรกิจของคุณกำลังทำให้สิ่งแปลก ๆ ปรากฏขึ้นในข้อมูลแบบนั้น นี่คือขั้นตอนที่สำคัญ (…) คุณอาจเพิ่งพบข้อมูลเชิงลึกเกี่ยวกับธุรกิจและเพิ่มความเข้าใจของคุณ หรือคุณอาจพบว่ามีข้อบกพร่องในการเก็บรวบรวมหรือคำนวณข้อมูลของคุณ (กฎหมายของ Twyman)

9. สร้างสมมติฐานที่ชนะ

เมื่อคุณได้วิเคราะห์ข้อมูลของคุณและทำการอนุมานได้อย่างแม่นยำ ก็ถึงเวลาสร้างสมมติฐานที่คุณสามารถทดสอบได้

ในการสร้างสมมติฐาน คุณกำลังค้นหาวิธีแก้ไขปัญหาที่คุณสามารถตรวจสอบได้ด้วยการทดลอง

สมมติฐานที่วัดได้ประกอบด้วย 3 ส่วน:

• การสังเกต
• การดำเนินการและ
• ผล

ต่อไปนี้คือตัวอย่างจริงที่มาจากพันธมิตรที่แปลง:

การ สังเกต: จากข้อมูลการวิเคราะห์ เราสังเกตเห็นอัตราตีกลับที่สูงในหน้าผลิตภัณฑ์เรือธงของเรา เรายังดำเนินการสำรวจ โพล และวิจัยการใช้งาน และพบว่าผู้ใช้ไม่เข้าใจคุณค่าของผลิตภัณฑ์ของเราและเชื่อถือในผลิตภัณฑ์ นอกจากนี้ ผู้เยี่ยมชมส่วนใหญ่ไม่ได้เลื่อนหน้าลงไปอีก

การ ดำเนินการ: เราต้องการเพิ่มสำเนาที่ดีขึ้นในพื้นที่ครึ่งหน้าเพื่อรักษาผู้เยี่ยมชมเพจ แก้ไขปัญหาความน่าเชื่อถือ และเพิ่มการแปลงบนหน้า

ผลลัพธ์: สิ่งนี้จะทำให้ผู้เยี่ยมชมเว็บเลื่อนดูหน้าเว็บมากขึ้น ต้องการผลิตภัณฑ์เรือธงของเรา และซื้อมัน เราจะวัดสิ่งนี้ด้วยอัตราตีกลับที่ต่ำกว่า อัตราการแปลงที่สูงขึ้น และรายได้

เมื่อคุณมาถึงที่นี่แล้ว ขั้นตอนต่อไปคือ การทดสอบ

ตัวอย่างนี้เป็นสมมติฐานจริงที่นำไปสู่ผลลัพธ์ที่น่าประทับใจ สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการทดสอบ โปรดดูตัวอย่างข้อมูลเชิงลึกที่นำไปใช้ได้จริงด้านล่าง

10. เตรียมทดลอง

ด้วยสมมติฐานข้างต้น คุณสามารถทำสิ่งที่เครื่องมือเพิ่มประสิทธิภาพอัตรา Conversion ของผู้เชี่ยวชาญทำและทำการทดสอบได้

จนถึงจุดนี้ สมมติฐานของคุณ - แม้ว่าจะมาจากข้อมูลก็ตาม - ดีพอ ๆ กับสัญชาตญาณ

การทดลองทำให้คุณใกล้ชิดกับการสร้างข้อเท็จจริงที่มั่นคงยิ่งขึ้น

นี่คือที่ที่คุณเริ่มรับ ROI สำหรับการวิเคราะห์ข้อมูลของคุณ

วิธีการทางวิทยาศาสตร์ช่วยให้เราเปลี่ยนข้อมูลดิบที่เข้าใจยากให้เป็นสิ่งที่อ่านได้ จากนั้น เราใช้พลังของการวิเคราะห์ข้อมูลเพื่อเปิดเผยข้อมูลเชิงลึกที่น่าสนใจที่มีอยู่

เราพัฒนาสมมติฐานที่วัดผลได้จากข้อมูลเชิงลึกเหล่านี้ และดำเนินการขั้นต่อไปอย่างมีตรรกะ: การทดลอง

มีเครื่องมือนับร้อยที่นำเราผ่านขั้นตอนเหล่านี้ แต่ Conversion เชื่อมโยงพวกเขาทั้งหมดเข้าด้วยกันในตอนท้ายและนำเราไปสู่เป้าหมายสูงสุดของเรา นั่นคือข้อมูลเชิงลึกที่นำไปปฏิบัติได้

Conversion ผสานรวมกับเครื่องมือมากมาย คุณจึงสามารถทดลองและค้นพบข้อมูลเชิงลึกอันทรงพลังอย่างเหลือเชื่อที่นำไปสู่รายได้ที่สูงขึ้นโดยตรง ลองแปลงการรวมในการทดลองใช้ฟรี

Going Beyond Insights: วิธีเปลี่ยนข้อมูลเชิงลึกให้เป็นกลยุทธ์

ข้อมูลเชิงลึกจะไม่มีประโยชน์ในการบรรลุเป้าหมายทางธุรกิจหากไม่ได้แปลเป็นกลยุทธ์และดำเนินการ

คุณจะใช้ข้อมูลเชิงลึกที่คุณได้รับเพื่อขับเคลื่อนผลประโยชน์เชิงบวกที่ส่งผลโดยตรงต่อผลกำไรขององค์กรคุณได้อย่างไร

มาแบ่งปัน 3 ตัวอย่าง:

การเปลี่ยนข้อมูลให้กลายเป็นตัวอย่างข้อมูลเชิงลึกที่นำไปปฏิบัติได้

กรณีศึกษา #1: วิธีที่ SplitBase ใช้ Google Analytics เพื่อรวบรวมข้อมูลสำหรับการทดสอบที่เปิดเผยโอกาสในการแปลงเพิ่มขึ้น 27%

BestSelf Co. พบการรั่วไหลในหน้าผลิตภัณฑ์เรือธงของพวกเขา ดังนั้นพวกเขาจึงทำงานร่วมกับ SplitBase เพื่อเสียบปลั๊ก

พวกเขาทำมันได้อย่างไร?

โดยใช้วิธีการต่างๆ ในการรวบรวมข้อมูล เช่น โพล การสำรวจ และแผนที่ความหนาแน่น พวกเขาพบผู้กระทำความผิด

ประโยชน์ของผลิตภัณฑ์นั้นยังสื่อสารได้ไม่ดีพอ ดังนั้นผู้คนจึงไม่ได้ผ่านพ้นบริเวณพับด้วยซ้ำ จากนี้พวกเขาสร้างสมมติฐานที่เราแบ่งปันไว้ก่อนหน้านี้

พวกเขาทำการทดสอบและพบว่าถูกต้อง พาดหัวข่าวใหม่ระบุอย่างชัดเจนถึงประโยชน์หลักของผลิตภัณฑ์และการพิสูจน์ทางสังคมช่วยกระตุ้นยอดขายของผลิตภัณฑ์ได้อย่างมีนัยสำคัญ

กรณีศึกษา #2: โปรโมชันจัดส่งฟรีนี้สร้างรายได้หรือขาดทุนหรือไม่

นี่เป็นคำถามในใจของทีมที่เปิดร้านอีคอมเมิร์ซแก้วแฮนด์เมดสุดหรู

พวกเขาเปิดตัวโปรโมชันการจัดส่งฟรีและพบว่าอัตราการแปลงเพิ่มขึ้น แม้ว่านั่นหมายถึงเงินที่มากขึ้น เมื่อพิจารณาถึงต้นทุนในการขนส่งผลิตภัณฑ์เหล่านี้ไปยังลูกค้า ข้อเสนอเพียงพอที่จะชดเชยต้นทุนการจัดส่งหรือไม่

ตอนนี้พวกเขาพบคำตอบได้อย่างไร ...

พวกเขาเรียกร้องให้ Brave One ซึ่งเป็นหน่วยงานเพิ่มประสิทธิภาพอัตรา Conversion ซึ่งคิดแผนเพื่อค้นหาว่าพวกเขาสูญเสียหรือทำกำไรหรือไม่ และเท่าไหร่

ด้วย Google Analytics และ Mixpanel สำหรับการรวบรวมข้อมูลและแปลงสำหรับการทดสอบ Brave One ได้เปรียบเทียบไซต์ที่ไม่มีข้อเสนอกับเวอร์ชันของไซต์พร้อมกับข้อเสนอ

การดำเนินธุรกิจด้วยข้อเสนอนี้ทำเงินได้มากกว่า 16,000 เหรียญสหรัฐฯ เมื่อเทียบกับการดำเนินการโดยไม่อยู่ในกรอบเวลาเดียวกัน

กรณีศึกษา #3: ข้อมูลช่วยให้ Nike ปรับการกำหนดเป้าหมายและเข้าถึงหัวใจของผู้ชมที่กว้างขึ้น

เมื่อ Nike ต้องการเปิดตัวแคมเปญที่ชื่อว่า 'Find Your Greatness' ในการเริ่มต้นการแข่งขันกีฬาโอลิมปิกปี 2012 พวกเขาได้ขุดค้นข้อมูลของตนและพบว่า:

กลุ่มเป้าหมายส่วนใหญ่ไม่ใช่นักกีฬามืออาชีพ พวกเขาเป็นคนที่ชื่นชมข้อดีและต้องการเป็นเหมือนพวกเขา

พวกเขาทำอะไรกับเรื่องนี้?

พวกเขาปรับการกำหนดเป้าหมาย

ไนกี้มักจะไล่ตามนักกีฬามืออาชีพ แต่คราวนี้พวกเขาตัดสินใจที่จะสร้างแรงบันดาลใจให้ทุกคนโดยไม่คำนึงถึงระดับความฟิตของพวกเขาที่จะก้าวข้ามขีดจำกัด

หนึ่งในวิดีโอของแคมเปญนี้มีผู้ชมมากกว่า 3 ล้านครั้ง

และไม่ได้หยุดอยู่แค่นั้น Adidas ใช้เงินหลายล้านดอลลาร์เพื่อรับการสนับสนุนโอลิมปิก แต่ Nike ก็มีความสุขกับการเปิดรับในระดับเดียวกันด้วยงบประมาณการตลาดไม่ถึงครึ่ง

สรุป

การทดสอบไม่ควรเป็นจุดสิ้นสุดของเส้นทางการเพิ่มประสิทธิภาพของคุณ

มันควรจะเป็นกระบวนการที่ต่อเนื่องเพราะเราไม่เคยถูกมองด้วยความเข้าใจอย่างถ่องแท้

นอกจากนี้ โปรดจำไว้ว่า... ในกรณีที่คุณขาดทักษะในการวิเคราะห์ข้อมูลภายในองค์กร คุณสามารถพึ่งพาความรู้ความชำนาญของผู้เชี่ยวชาญด้านข้อมูลได้ตลอดเวลา

Dr. Thom Ives เสนอว่าเมื่อมีข้อมูลเข้ามามากขึ้น เราต้องปรับแต่งการอนุมานที่เราสร้างขึ้นด้วยข้อมูลเก่า

และข่าวดี? ด้วยวิธีนี้ เรายังคงเข้าถึงข้อมูลเชิงลึกที่เป็นตัวแทนของผู้ชมของเราได้มากขึ้น และทำการคาดคะเนและตัดสินใจได้แม่นยำยิ่งขึ้น