如何通过分析成熟度模型充分利用您的数据策略
已发表: 2022-11-18大多数营销人员都同意，非 cookie 衡量方法将对广告产生重大影响。 但是，实施这些方法需要一定程度的分析能力和对正确数据的访问。
你可能会发现自己在问：
- 我目前的分析能力水平如何？
- 我可以通过它了解我的业务吗？
继续阅读以了解有关分析成熟度模型的更多信息、如何确定您所处的步骤以及前进的最佳方式。
向前跳 >>
- 什么是分析成熟度模型
- 有哪些不同的阶段
- 非结构化
- 描述性的
- 诊断
- 预测的
- 规定的
- 你在模型中的哪个位置
- 如何为您选择合适的型号
扫一扫备忘单
保存分析成熟度模型备忘单以备后用
什么是分析成熟度模型？
分析成熟度模型是一个框架，可帮助企业确定如何使用数据来寻找见解和做出决策，而不是仅仅为了收集数据而收集数据。
有几种分析成熟度模型——一些最常用的是：
- Gartner 的数据和分析成熟度模型
- SAS——分析成熟度记分卡
- OECD——分析成熟度模型
- DAMM——协会数据分析成熟度模型
我们将使用 Gartner 模型作为基准。 我们选择他们的模型是因为它易于理解、可操作并适用于营销以外的各个部门——如销售、财务等。此外，由于许多分析成熟度模型非常相似，因此您可以应用本文中的步骤、行动和建议发布，无论您使用的是什么型号。
分析成熟度模型有哪些不同阶段？
Gartner 模型有四个阶段，第一阶段需要一些基本的分析技能。 我们在模型中又增加了一个阶段——非结构化——以涵盖没有任何分析技能的企业。 然后您将进行描述性、诊断性、预测性和规范性分析。 我们将分别介绍每一个，帮助您了解您的阶段以及如何前进。
非结构化
非结构化数据分析意味着您没有数据策略，根本不使用分析。
假设您从事鞋类业务——篮球鞋的销售。 您不知道人们对特定运动鞋有多感兴趣以及他们为什么会感兴趣。
在进行描述性分析之前，您处于滞后或限制阶段。 大多数情况下，大多数企业都是从这里开始的。 因此，如果您正在等待迈出这一步，那么您并不孤单。
营销分析
它的真正含义，为什么你应该关心，以及如何做得更好
描述性的
描述性分析——发生了什么——是最简单的分析形式，也是更深入类型的基础。 描述性分析通过从原始数据中提取趋势并提供对这些趋势含义的洞察来总结已经发生或正在发生的事情。
继续我们之前的示例，描述性分析可以告诉您类似的信息：这款篮球运动鞋在每年的 8 月、9 月和 10 月初的兴趣会出现季节性增长。
您可以使用数据可视化来传达描述性分析，因为图表、图形和地图可以以清晰且易于理解的方式显示数据趋势以及下降和上升。
“视觉效果可以帮助您的大脑同时处理更多数据。 如果使用得当，它可以帮助您的读者在眨眼间理解复杂的数据。”Ralph Spandl，数据可视化主管，Supermetrics
在此阶段，您可以使用 Google Sheets、Excel 等电子表格工具以及 Looker Studio（以前称为 Data Studio）或 Power BI 等数据可视化工具。
谷歌表格和 Excel
将所有孤立的营销数据放入电子表格中，这样您就可以告别复制/粘贴
诊断
通过诊断分析进一步分析——为什么会发生这种情况——包括比较趋势或运动，查看某些统计数据之间是否存在相关性，并在可能的情况下确定因果关系。
你可能会查看关于哪个群体最常使用篮球运动鞋的人口统计数据，并发现他们的年龄在 13 到 16 岁之间。但是，购买这些运动鞋的顾客往往在 30 到 50 岁之间。一些客户调查数据较早收集的一份报告显示，顾客购买篮球运动鞋的主要原因之一是父母将它们送给青少年。 夏末秋初的销售额增加可能是由于当年开始的篮球赛季。
“以洞察力为导向就是获取您的营销数据并理解它，以便您做出正确的决定。”Edward Ford，Supermetrics 需求生成总监
尽管您可以在 Excel 和 Google 表格等工具中手动进行诊断分析，但我们通常会看到营销人员使用 Looker Studio 或 Power BI 等 BI 工具来应用简单的逻辑来相互比较某些统计数据。
使用数据仓库也是一种流行的选择，因为它允许您将来自不同来源（付费媒体和有机社交）的数据收集到一个位置，然后再将其提供给可视化工具。 您可以将上述概念应用于各种用例——检查营销需求和解释客户行为。
预测的
预测分析——未来可能发生的事情——历史数据以预测未来趋势或结果。 您可以手动或使用机器学习算法来完成。
预测分析可用于营销以预测一年中不同时间的销售趋势并相应地计划活动。 例如，了解篮球运动鞋的兴趣和销量在过去十年中每年的 8 月、9 月和 10 月初都会飙升，这可以帮助您预测明年会出现同样的趋势。 历史行为数据还可以帮助您预测一个人从品牌认知到产品购买的可能性。 因此，如果您知道一个人在购买前通常会与五种内容互动，您就可以相应地规划您的内容。 将历史数据存储在数据仓库（如 BigQuery）中可以帮助您手动进行预测分析。
数据建模工具，如 dbt，可以帮助自动将来自不同来源的信息组合到洞察力就绪的表格中。 可以使用机器学习平台进一步自动化预测分析。 此外，拥有具有机器学习功能的可靠数据集可以平稳过渡到规范级别。
预测分析
入门所需的一切
规定的
最后，规范性分析——我们下一步应该做什么——考虑了场景中的所有可能因素，并提出了可操作的建议。
完成篮球鞋示例。 既然您知道篮球赛季即将开始并且运动鞋的需求将会增加（根据您的趋势分析），您应该怎么做？ 您可以对两个广告创意进行 A/B 测试。 一个针对您的产品最终用户——青少年。 还有一个针对你的买家——父母。 实验结果可以帮助您弄清楚如何更好地利用这个短时间框架。
虽然手动规范分析对于较小的数据集是可行的，但在处理大量数据时使用机器学习算法以获得“下一步最好做什么？”的答案时，您将获得更好的结果。 Google Cloud Vision AI 或 Vertex AI 等平台可以帮助您部署这些机器学习模型。
想要建立规范模型？
我们的专业服务团队可以提供帮助
您在模型中处于什么位置，您将如何前进？
在决定关注什么之前，了解您的组织在分析成熟度模型的不同领域中所处的位置非常重要。 根据你所处的位置，你可以计划如何前进。
一、评估
首先，评估您当前的分析成熟度水平，找出您正在收集和使用的数据。 回答以下问题：
- 您目前的数据来源是什么？
- 谁有权访问这些数据？
- 你使用什么工具？
2.可用性
在这里，您应该弄清楚您可以使用哪些其他数据源，包括：
- 内部数据源：CRM、网络分析、客户反馈
- 外部数据源：广告平台、公共数据等。
3. 优先次序
接下来，考虑您监控的指标及其回答的问题。 优先考虑那些能为您提供有关“为什么”和“如何”的可操作见解的指标，而不是专注于仅提供有关“多少”信息的指标。
“数据驱动与洞察力驱动不同——数据只是其中的一块拼图。 只有了解客户行为背后的‘原因’，我们才能开展真正有效的营销活动。”Instrumentl 增长主管 Will Yang
4.人
确保相关利益相关者可以访问相关数据。 实施敏捷实践以打破孤岛并简化跨部门的数据共享。 考虑让员工访问数据，教他们如何使用数据，并鼓励新想法。
“对您的团队进行数据素养教育，并使其成为文化的一部分。 因为您的团队需要使用数据，所以他们需要了解基础知识。”Decision Viz 总裁 Lee Feinberg
5.技术
投资可帮助您解读可用数据并从中获取价值的技术。 您应该考虑您团队的分析技能并选择适合他们的工具。 对于非技术用户，值得使用具有用户友好界面的数据可视化工具，以使报告易于理解。
另一方面，如果您的团队具备一些 SQL 技能，他们将从使用数据仓库中获得更多价值。
“如果你的团队知道如何编写 SQL，但他们可能并不了解数据工程的所有知识，那么在这种情况下，数据仓库更适合。”Evan Kaeding，首席销售工程师，Supermetrics
了解这五个方面，并在每次计划推进模型时问自己相同的问题，以了解您是否准备好。
如何为您选择合适的型号
您应该在分析成熟度模型中的位置归结为谁使用数据以及您希望从中得出什么决策。
虽然您可以通过提升模型获得更好的洞察力和投资回报率，尤其是通过预测性和规范性分析，但您需要注意一些事项。
您需要准确的数据来训练您的 AI 和机器学习模型——数据集越好，预测就越好。 如果您的数据不完整或信息有误，将会影响您的结果。
例如，如果来自篮球运动鞋购买者的年龄人口统计数据仅包含有关最终用户（青少年）的数据，而忽略了父母是这些运动鞋的实际购买者的信息。 您的规范模型不会将父母视为向其推销产品的群体，并且大多数人可能会建议您只向青少年推销产品。 营销团队可能会投资于错误的受众，并错失推动销售的机会。
在这种情况下，使用描述性模型（发生了什么）或诊断模型（为什么会发生）并在您可以驱动机器学习生成的明智预测和决策之前建立这些数据集的质量会更有意义和后期的AI。
数据所有权
如何从营销数据中获得更深入的洞察
包起来
分析成熟度模型可帮助您充分利用数据并改进决策制定。 模型中的每一步都会为下一步做好准备。
因此，您可以首先使用描述性分析来讲述正在发生的事情，然后在此基础上借助诊断分析找出发生这些事情的原因。
一旦您访问了正确的数据并且它是可靠的，您就可以转向预测分析来发现趋势。 最后，您可以使用这些预测来告知您将来应该通过规范分析做什么。
如果您还没有处于规定阶段，请不要担心，通过模型更多地是评估您当前的需求和资源，并在过快扩展之前充分利用这些需求和资源。 没有正确或错误的地方，只有适合您的团队和您的业务的地方。
扫一扫备忘单
保存分析成熟度模型备忘单以备后用
关于作者
Pieter 是 Supermetrics 的一名销售工程师。 他与客户密切合作，以确定在他们的营销数据堆栈中增加价值回报的机会。 在工作时间之外，经常可以看到他在篮球场上投篮。