Analitik olgunluk modeliyle veri stratejinizden en iyi şekilde nasıl yararlanabilirsiniz?
Yayınlanan: 2022-11-18Çoğu pazarlamacı, çerez dışı ölçüm yöntemlerinin reklamcılık üzerinde büyük bir etkisi olacağı konusunda hemfikirdir. Ancak bu yöntemleri uygulamak, belirli bir düzeyde analitik yeteneği ve doğru verilere erişim gerektirir.
Kendinizi şu soruyu sorarken bulabilirsiniz:
- Şu anki analitik beceri düzeyim nedir?
- Bununla işim hakkında ne öğrenebilirim?
Analitik olgunluk modeli, hangi adımda olduğunuzu nasıl anlayacağınız ve ilerlemenin en iyi yolu hakkında daha fazla bilgi edinmek için okumaya devam edin.
İleri atla >>
- Analitik olgunluk modeli nedir?
- Farklı aşamalar nelerdir
- yapılandırılmamış
- Tanımlayıcı
- Tanı
- tahmini
- kuralcı
- modelin neresindesin
- Sizin için doğru modeli nasıl seçersiniz?
Hile sayfasını kaydırın
Analitik olgunluk modeli kısa bilgi sayfasını sonrası için saklayın
Analitik olgunluk modeli nedir?
Analitik olgunluk modeli , işletmelerin yalnızca veri toplamak için veri toplamak yerine içgörü bulmak ve karar vermek için verilerini nasıl kullanabileceklerini belirlemelerine yardımcı olan bir çerçevedir.
Birkaç analitik olgunluk modeli vardır; en çok kullanılanlardan bazıları şunlardır:
- Gartner'ın—Veri ve Analitik için Olgunluk Modeli
- SAS—Analitik Olgunluk Puan Kartı
- OECD—Analytics Olgunluk Modeli
- DAMM—Birlikler için Veri Analitiği Olgunluk Modeli
Gartner modelini temel olarak kullanacağız. Modellerini seçtik çünkü anlaşılması kolay, eyleme geçirilebilir ve pazarlama dışındaki (satış, finans vb.) kullandığınız modelden bağımsız olarak yayınlayın.
Analitik olgunluk modelindeki farklı aşamalar nelerdir?
Gartner modelinin dört aşaması vardır ve ilk aşama bazı temel analitik becerileri gerektirir. Analitik becerileri olmayan işletmeleri kapsayacak şekilde modele yapılandırılmamış bir aşama daha ekledik. Ardından, tanımlayıcı, tanılayıcı, tahmine dayalı ve kuralcı analitiğiniz var. Her birini ayrı ayrı inceleyeceğiz ve aşamanızı ve nasıl ilerleyeceğinizi anlamanıza yardımcı olacağız.
yapılandırılmamış
Yapılandırılmamış veri analizi , hiçbir veri stratejiniz olmadığı ve analitiği hiç kullanmadığınız anlamına gelir.
Ayakkabı satma işinde olduğunuzu varsayalım - basketbol spor ayakkabıları. İnsanların belirli bir spor ayakkabıyla ne kadar ilgilendikleri ve neden ilgi duyacakları hakkında hiçbir fikriniz yok.
Tanımlayıcı analize geçmeden önce, gecikmeli veya kısıtlayıcı aşamadasınız. Çoğunlukla, çoğu işletme burada başlar. Yani, sıçramayı bekliyorsanız, yalnız değilsiniz.
Pazarlama analitiği
Gerçekten ne anlama geliyor, neden umursamalısınız ve bunda nasıl daha iyi olunur?
Tanımlayıcı
Tanımlayıcı analitik - ne oldu - analitiğin en basit biçimidir ve daha derinlemesine türler için temel oluşturur. Tanımlayıcı analitik, ham verilerden eğilimleri çekerek ve bu eğilimlerin ne anlama geldiğine dair içgörü sağlayarak ne olduğunu veya olmakta olduğunu özetler.
Önceki örneğimize devam edecek olursak, tanımlayıcı analitik size şuna benzer bir şey söyleyebilir: Bu basketbol spor ayakkabısına olan ilgi her yıl Ağustos, Eylül ve Ekim başında mevsimsel olarak artıyor.
Tanımlayıcı analizleri iletmek için veri görselleştirmelerini kullanabilirsiniz çünkü çizelgeler, grafikler ve haritalar verilerdeki eğilimleri (düşüşler ve yükselmelerin yanı sıra) açık ve kolayca anlaşılır bir şekilde gösterebilir.
"Görseller, beyninizin aynı anda daha fazla veriyi işlemesine yardımcı olur. İyi kullanıldığında, okuyucunuzun karmaşık verileri göz açıp kapayıncaya kadar anlamasına yardımcı olabilir.”Ralph Spandl, Veri Görselleştirme Başkanı, Supermetrics
Bu aşamada, Google E-Tablolar, Excel gibi elektronik tablo araçlarını ve Looker Studio (eski adıyla Data Studio) veya Power BI gibi veri görselleştirme araçlarını kullanabilirsiniz.
Google E-Tablolar ve Excel
Silolara ayrılmış tüm pazarlama verilerinizi e-tablolara aktarın, böylece kopyalamaya/yapıştırmaya elveda diyebilirsiniz
Tanı
Teşhis analitiği ile analizi bir adım daha ileri götürmek - bu neden oldu - eğilimleri veya hareketi karşılaştırmayı, belirli istatistikler arasında korelasyon olup olmadığını görmeyi ve mümkün olduğunda neden-sonuç ilişkilerini belirlemeyi içerir.
Basketbol spor ayakkabılarını en çok hangi grubun kullandığına dair demografik verilere bakabilir ve 13 ile 16 yaşları arasında olduğunu öğrenebilirsiniz. Ancak bu spor ayakkabıları satın alan müşteriler genellikle 30 ile 50 arasındadır. Bazı müşteri anketi verileri Daha önce toplanan veriler, müşterilerin basketbol spor ayakkabılarını satın almalarının ana nedenlerinden birinin ebeveynlerin onları gençlerine hediye etmesi olduğunu ortaya koyuyor. Yaz sonu ve sonbahar başında artan satışlar, o yıl başlayan basketbol sezonuna bağlı olabilir.
"İçgörü odaklı olmak, doğru kararı verebilmeniz için pazarlama verilerinizi alıp anlamlandırmakla ilgilidir."Edward Ford, Talep Gen Direktörü, Supermetrics
Teşhis analitiğini Excel ve Google E-Tablolar gibi araçlarda manuel olarak yapabilmenize rağmen, pazarlamacıların belirli istatistikleri birbirleriyle karşılaştırmak için basit bir mantık uygulamak üzere Looker Studio veya Power BI gibi bir BI aracı kullandığını sıklıkla görüyoruz.
Bir görselleştirme aracına beslemeden önce farklı kaynaklardan (ücretli medya ve organik sosyal medya) verileri tek bir konumda toplamanıza izin verdiği için veri ambarı kullanmak da popüler bir seçenektir. Yukarıdaki kavramları pazarlama talebini incelemek ve müşteri davranışını açıklamak gibi çeşitli kullanım durumlarına uygulayabilirsiniz.
tahmini
Tahmine dayalı analitik - gelecekte neler olabileceği - gelecekteki eğilimler veya sonuçlar hakkında tahminler yapmak için geçmiş veriler. Bunu manuel olarak veya makine öğrenimi algoritmalarıyla yapabilirsiniz.
Tahmine dayalı analitik, pazarlamada yılın farklı zamanlarındaki satış trendlerini tahmin etmek ve buna göre kampanyalar planlamak için kullanılabilir. Örneğin, son on yılda her yıl Ağustos, Eylül ve Ekim başlarında basketbol ayakkabısı ilgi ve satışlarının arttığını bilmek, aynı eğilimin gelecek yıl da gerçekleşeceğini tahmin etmenize yardımcı olabilir. Geçmiş davranışsal veriler, bir kişinin marka farkındalığından ürün satın almaya geçme olasılığını tahmin etmenize de yardımcı olabilir. Dolayısıyla, bir kişinin satın almadan önce genellikle beş parça içerikle etkileşime girdiğini biliyorsanız, içeriğinizi buna göre planlayabilirsiniz. Geçmiş verileri BigQuery gibi bir veri ambarında depolamak, tahmine dayalı analitiği manuel olarak yapmanıza yardımcı olabilir.
Dbt gibi veri modelleme araçları, farklı kaynaklardan gelen bilgileri içgörüye hazır tablolarda birleştirmenin otomatikleştirilmesine yardımcı olabilir. Tahmine dayalı analitik, bir makine öğrenimi platformu kullanılarak daha fazla otomatikleştirilebilir. Ek olarak, makine öğrenimi özelliklerine sahip sağlam bir veri kümesine sahip olmak, kuralcı düzeye sorunsuz bir geçiş sağlar.
Tahmine dayalı analitik
Başlamak için bilmeniz gereken her şey
kuralcı
Son olarak, kuralcı analitik - bundan sonra ne yapmalıyız - bir senaryodaki tüm olası faktörleri hesaba katar ve eyleme dönüştürülebilir çıkarımlar önerir.
Basketbol spor ayakkabı örneğini tamamlamak için. Artık basketbol sezonunun yakında başlayacağını ve spor ayakkabı talebinin artacağını bildiğinize göre - trend analizinize göre - ne yapmalısınız? İki reklam öğesiyle bir A/B testi çalıştırabilirsiniz. Ürününüzün son kullanıcılarını, yani gençleri hedef alan. Ve alıcılarınızı, ebeveynleri hedefleyen bir tane. Deney sonuçları, bu kısa zaman aralığından nasıl daha iyi yararlanabileceğinizi anlamanıza yardımcı olabilir.
Daha küçük veri kümeleriyle manuel kuralcı analiz yapılabilirken, "Bundan sonra yapılacak en iyi şey nedir?" sorusuna yanıt almak için daha büyük miktarda veriyle çalışırken makine öğrenimi algoritmalarını kullanarak daha iyi sonuçlar elde edeceksiniz. Google Cloud Vision AI veya Vertex AI gibi platformlar, bu makine öğrenimi modellerini dağıtmanıza yardımcı olabilir.
Kuralcı bir model oluşturmak mı istiyorsunuz?
Profesyonel Hizmetler ekibimiz yardımcı olabilir
Modelin neresindesiniz ve nasıl ilerleyebilirsiniz?
Neye odaklanacağınıza karar vermeden önce, kuruluşunuzun analitik olgunluk modelinin farklı alanlarında nerede olduğunu anlamak önemlidir. Nerede olduğunuza bağlı olarak, nasıl ilerleyeceğinizi planlayabilirsiniz.
1. Değerlendirme
İlk olarak, hangi verileri topladığınızı ve kullandığınızı öğrenmek için mevcut analitik olgunluk düzeyinizi değerlendirin. Aşağıdaki soruları cevaplayın:
- Mevcut veri kaynaklarınız nelerdir?
- Bu verilere kimin erişimi var?
- Hangi araçları kullanıyorsunuz?
2. Kullanılabilirlik
Burada, aşağıdakiler de dahil olmak üzere başka hangi veri kaynaklarının sizin için uygun olduğunu anlamalısınız:
- Dahili veri kaynakları: CRM, web analitiği, müşteri geri bildirimi
- Harici veri kaynakları: reklam platformları, genel veriler vb.
3. Önceliklendirme
Ardından, izlediğiniz ölçümleri ve cevapladıkları soruları göz önünde bulundurun. Yalnızca "ne kadar" hakkında bilgi veren metriklere odaklanmak yerine "neden" ve "nasıl" hakkında eyleme geçirilebilir içgörüler sağlayanlara öncelik verin.
“Veriye dayalı olmak, içgörüye dayalı olmakla aynı şey değildir; veriler yapbozun yalnızca bir parçasıdır. Yalnızca müşteri davranışının arkasındaki 'neden'i anlayarak gerçekten etkili bir pazarlama kampanyası yaratabiliriz.”Will Yang, Büyüme Başkanı, Instrumentl
4 kişi
İlgili paydaşların ilgili verilere erişimi olduğundan emin olun. Siloları yıkmak ve departmanlar arasında veri paylaşımını basitleştirmek için çevik uygulamalar uygulayın. Çalışanlara verilere erişim sağlamayı, onları nasıl kullanacaklarını öğretmeyi ve yeni fikirleri teşvik etmeyi düşünün.
“Ekibinizi veri okuryazarlığı konusunda eğitin ve bunu kültürün bir parçası haline getirin. Ekibinizin verileri kullanması gerektiğinden, temel bilgileri bilmeleri gerekir."Lee Feinberg, Başkan, Decision Viz
5. Teknoloji
Mevcut verileri yorumlamanıza ve bunlardan değer elde etmenize yardımcı olabilecek teknolojiye yatırım yapın. Ekibinizin analitik becerilerini düşünmeli ve onlara uygun araçları seçmelisiniz. Teknik olmayan kullanıcılar için, raporların anlaşılmasını kolaylaştırmak için kullanıcı dostu bir arayüze sahip veri görselleştirme araçlarını tercih etmeye değer.
Öte yandan, ekibiniz biraz SQL becerisine sahipse, bir veri ambarı kullanmaktan daha fazla değer elde edeceklerdir.
"Ekibin SQL yazmayı bildiği ancak veri mühendisliği hakkında her şeyi bilmediği bir durumla karşı karşıyaysanız, bu durumda bir veri ambarı daha uygun olur."Evan Kaeding, Baş Satış Mühendisi, Supermetrics
Bu beş yönü gözden geçirin ve hazır olup olmadığınızı anlamak için modelde ilerlemeyi planladığınız her seferde kendinize aynı soruları sorun.
Sizin için doğru modeli nasıl seçersiniz?
Analitik olgunluk modelinde nerede olmanız gerektiği, verileri kimin kullandığına ve ondan hangi kararları almayı beklediğinize bağlıdır.
Modeli yukarı taşıyarak, özellikle tahmine dayalı ve normatif analitikle daha iyi içgörüler ve yatırım getirisi elde edebilseniz de, birkaç şeye dikkat etmeniz gerekir.
Yapay zeka ve makine öğrenimi modellerinizi eğitmek için doğru verilere ihtiyacınız var; veri kümeleri ne kadar iyiyse, tahminler de o kadar iyi olur. Verileriniz eksikse veya yanlış bilgiler içeriyorsa, sonuçlarınıza zarar verir.
Örneğin, basketbol spor ayakkabısı alıcılarından alınan yaş demografik verileri yalnızca son kullanıcı olan gençler hakkında veriler içeriyorsa ve bu spor ayakkabıların gerçek alıcılarının ebeveynlerin olduğu bilgisini dışarıda bırakıyorsa. Kuralcı modeliniz, ebeveynleri ürününüzü pazarlayacak bir grup olarak görmeyecek ve büyük olasılıkla size yalnızca gençlere pazarlama yapmanızı tavsiye edecek. Pazarlama ekibi muhtemelen yanlış kitleye yatırım yapacak ve satışları artırma fırsatını kaçıracaktır.
Bu durumda, makine öğrenimi tarafından oluşturulan iyi bilgilendirilmiş tahminleri ve kararları yürütebilmeniz için tanımlayıcı bir model ( ne oldu ) veya bir teşhis modeli ( neden oldu) kullanmak ve bu veri kümelerinde kaliteyi oluşturmak daha mantıklı olacaktır. ve sonraki aşamalarda AI.
Veri sahipliği
Pazarlama verilerinizden nasıl daha derin içgörüler elde edebilirsiniz?
Sarmak
Analitik olgunluk modeli, verilerinizden en iyi şekilde yararlanmanıza ve karar verme sürecini iyileştirmenize yardımcı olur. Modeldeki her adım sizi bir sonrakine hazırlayacaktır.
Böylece, olup bitenlerin öyküsünü anlatmak için tanımlayıcı analitiği kullanarak başlayabilir, ardından bunun üzerine inşa edebilir ve teşhis analitiğinin yardımıyla bu olayların neden olduğunu öğrenebilirsiniz.
Doğru verilere erişiminiz olduğunda ve bu veriler güvenilir olduğunda, trendleri tespit etmek için tahmine dayalı analitiklere geçebilirsiniz. Ve son olarak, bu tahminleri, kuralcı analitikle gelecekte ne yapmanız gerektiği konusunda bilgi vermek için kullanabilirsiniz.
Henüz kural koyma aşamasında değilseniz endişelenmeyin, modelde ilerlemek daha çok mevcut ihtiyaçlarınızı ve kaynaklarınızı değerlendirmek ve çok hızlı bir şekilde ölçeklendirmeden önce bunlardan en iyi şekilde yararlanmakla ilgilidir. Doğru ya da yanlış yer yoktur, sadece ekibiniz ve işiniz için doğru yer vardır.
Hile sayfasını kaydırın
Analitik olgunluk modeli kısa bilgi sayfasını sonrası için saklayın
Yazar hakkında
Pieter, Supermetrics'te Satış Mühendisi. Pazarlama verileri yığınlarında artan değer getirisi fırsatlarını belirlemek için müşterilerle yakın işbirliği içinde çalışır. Çalışma saatleri dışında, genellikle basketbol sahasında çember atarken bulunabilir.