如何通過分析成熟度模型充分利用您的數據策略
已發表: 2022-11-18大多數營銷人員都同意，非 cookie 衡量方法將對廣告產生重大影響。 但是，實施這些方法需要一定程度的分析能力和對正確數據的訪問。
你可能會發現自己在問：
- 我目前的分析能力水平如何？
- 我可以通過它了解我的業務嗎？
繼續閱讀以了解有關分析成熟度模型的更多信息、如何確定您所處的步驟以及前進的最佳方式。
向前跳 >>
- 什麼是分析成熟度模型
- 有哪些不同的階段
- 非結構化
- 描述性的
- 診斷
- 預測的
- 規定的
- 你在模型中的哪個位置
- 如何為您選擇合適的型號
掃一掃備忘單
保存分析成熟度模型備忘單以備後用
什麼是分析成熟度模型？
分析成熟度模型是一個框架，可幫助企業確定如何使用數據來尋找見解和做出決策，而不是僅僅為了收集數據而收集數據。
有幾種分析成熟度模型——一些最常用的是：
- Gartner 的數據和分析成熟度模型
- SAS——分析成熟度記分卡
- OECD——分析成熟度模型
- DAMM——協會數據分析成熟度模型
我們將使用 Gartner 模型作為基準。 我們選擇他們的模型是因為它易於理解、可操作並適用於營銷以外的各個部門——如銷售、財務等。此外，由於許多分析成熟度模型非常相似，因此您可以應用本文中的步驟、行動和建議發布，無論您使用的是什麼型號。
分析成熟度模型有哪些不同階段？
Gartner 模型有四個階段，第一階段需要一些基本的分析技能。 我們在模型中又增加了一個階段——非結構化——以涵蓋沒有任何分析技能的企業。 然後您將進行描述性、診斷性、預測性和規範性分析。 我們將分別介紹每一個，幫助您了解您的階段以及如何前進。
非結構化
非結構化數據分析意味著您沒有數據策略，根本不使用分析。
假設您從事鞋類業務——籃球鞋的銷售。 您不知道人們對特定運動鞋有多感興趣以及他們為什麼會感興趣。
在進行描述性分析之前，您處於滯後或限制階段。 大多數情況下，大多數企業都是從這裡開始的。 因此，如果您正在等待邁出這一步，那麼您並不孤單。
營銷分析
它的真正含義，為什麼你應該關心，以及如何做得更好
描述性的
描述性分析——發生了什麼——是最簡單的分析形式，也是更深入類型的基礎。 描述性分析通過從原始數據中提取趨勢並提供對這些趨勢含義的洞察來總結已經發生或正在發生的事情。
繼續我們之前的示例，描述性分析可以告訴您類似的信息：這款籃球運動鞋在每年的 8 月、9 月和 10 月初的興趣會出現季節性增長。
您可以使用數據可視化來傳達描述性分析，因為圖表、圖形和地圖可以以清晰且易於理解的方式顯示數據趨勢以及下降和上升。
“視覺效果可以幫助您的大腦同時處理更多數據。 如果使用得當，它可以幫助您的讀者在眨眼間理解複雜的數據。”Ralph Spandl，數據可視化主管，Supermetrics
在此階段，您可以使用 Google Sheets、Excel 等電子表格工具以及 Looker Studio（以前稱為 Data Studio）或 Power BI 等數據可視化工具。
谷歌表格和 Excel
將所有孤立的營銷數據放入電子表格中，這樣您就可以告別複製/粘貼
診斷
通過診斷分析進一步分析——為什麼會發生這種情況——包括比較趨勢或運動，查看某些統計數據之間是否存在相關性，並在可能的情況下確定因果關係。
你可能會查看關於哪個群體最常使用籃球運動鞋的人口統計數據，並發現他們的年齡在 13 到 16 歲之間。但是，購買這些運動鞋的顧客往往在 30 到 50 歲之間。一些客戶調查數據較早收集的一份報告顯示，顧客購買籃球運動鞋的主要原因之一是父母將它們送給青少年。 夏末秋初的銷售額增加可能是由於當年開始的籃球賽季。
“以洞察力為導向就是獲取您的營銷數據並理解它，以便您做出正確的決定。”Edward Ford，Supermetrics 需求生成總監
儘管您可以在 Excel 和 Google 表格等工具中手動進行診斷分析，但我們通常會看到營銷人員使用 Looker Studio 或 Power BI 等 BI 工具來應用簡單的邏輯來相互比較某些統計數據。
使用數據倉庫也是一種流行的選擇，因為它允許您將來自不同來源（付費媒體和有機社交）的數據收集到一個位置，然後再將其提供給可視化工具。 您可以將上述概念應用於各種用例——檢查營銷需求和解釋客戶行為。
預測的
預測分析——未來可能發生的事情——歷史數據以預測未來趨勢或結果。 您可以手動或使用機器學習算法來完成。
預測分析可用於營銷以預測一年中不同時間的銷售趨勢並相應地計劃活動。 例如，了解籃球運動鞋的興趣和銷量在過去十年中每年的 8 月、9 月和 10 月初都會飆升，這可以幫助您預測明年會出現同樣的趨勢。 歷史行為數據還可以幫助您預測一個人從品牌認知到產品購買的可能性。 因此，如果您知道一個人在購買前通常會與五種內容互動，您就可以相應地規劃您的內容。 將歷史數據存儲在數據倉庫（如 BigQuery）中可以幫助您手動進行預測分析。
數據建模工具，如 dbt，可以幫助自動將來自不同來源的信息組合到洞察力就緒的表格中。 可以使用機器學習平台進一步自動化預測分析。 此外，擁有具有機器學習功能的可靠數據集可以平穩過渡到規範級別。
預測分析
入門所需的一切
規定的
最後，規範性分析——我們下一步應該做什麼——考慮了場景中的所有可能因素，並提出了可操作的建議。
完成籃球鞋示例。 既然您知道籃球賽季即將開始並且運動鞋的需求將會增加（根據您的趨勢分析），您應該怎麼做？ 您可以對兩個廣告創意進行 A/B 測試。 一個針對您的產品最終用戶——青少年。 還有一個針對你的買家——父母。 實驗結果可以幫助您弄清楚如何更好地利用這個短時間框架。
雖然手動規範分析對於較小的數據集是可行的，但在處理大量數據時使用機器學習算法以獲得“下一步最好做什麼？”的答案時，您將獲得更好的結果。 Google Cloud Vision AI 或 Vertex AI 等平台可以幫助您部署這些機器學習模型。
想要建立規範模型？
我們的專業服務團隊可以提供幫助
您在模型中處於什麼位置，您將如何前進？
在決定關注什麼之前，了解您的組織在分析成熟度模型的不同領域中所處的位置非常重要。 根據你所處的位置，你可以計劃如何前進。
一、評估
首先，評估您當前的分析成熟度水平，找出您正在收集和使用的數據。 回答以下問題：
- 您目前的數據來源是什麼？
- 誰有權訪問這些數據？
- 你使用什麼工具？
2.可用性
在這裡，您應該弄清楚您可以使用哪些其他數據源，包括：
- 內部數據源：CRM、網絡分析、客戶反饋
- 外部數據源：廣告平台、公共數據等。
3. 優先次序
接下來，考慮您監控的指標及其回答的問題。 優先考慮那些能為您提供有關“為什麼”和“如何”的可操作見解的指標，而不是專注於僅提供有關“多少”信息的指標。
“數據驅動與洞察力驅動不同——數據只是其中的一塊拼圖。 只有了解客戶行為背後的‘原因’，我們才能開展真正有效的營銷活動。”Instrumentl 增長主管 Will Yang
4.人
確保相關利益相關者可以訪問相關數據。 實施敏捷實踐以打破孤島並簡化跨部門的數據共享。 考慮讓員工訪問數據，教他們如何使用數據，並鼓勵新想法。
“對您的團隊進行數據素養教育，並使其成為文化的一部分。 因為您的團隊需要使用數據，所以他們需要了解基礎知識。”Decision Viz 總裁 Lee Feinberg
5.技術
投資可幫助您解讀可用數據並從中獲取價值的技術。 您應該考慮您團隊的分析技能並選擇適合他們的工具。 對於非技術用戶，值得使用具有用戶友好界面的數據可視化工具，以使報告易於理解。
另一方面，如果您的團隊具備一些 SQL 技能，他們將從使用數據倉庫中獲得更多價值。
“如果你的團隊知道如何編寫 SQL，但他們可能並不了解數據工程的所有知識，那麼在這種情況下，數據倉庫更適合。”Evan Kaeding，首席銷售工程師，Supermetrics
了解這五個方面，並在每次計劃推進模型時問自己相同的問題，以了解您是否準備好。
如何為您選擇合適的型號
您應該在分析成熟度模型中的位置歸結為誰使用數據以及您希望從中得出什麼決策。
雖然您可以通過提升模型獲得更好的洞察力和投資回報率，尤其是通過預測性和規範性分析，但您需要注意一些事項。
您需要準確的數據來訓練您的 AI 和機器學習模型——數據集越好，預測就越好。 如果您的數據不完整或信息有誤，將會影響您的結果。
例如，如果來自籃球運動鞋購買者的年齡人口統計數據僅包含有關最終用戶（青少年）的數據，而忽略了父母是這些運動鞋的實際購買者的信息。 您的規範模型不會將父母視為向其推銷產品的群體，並且大多數人可能會建議您只向青少年推銷產品。 營銷團隊可能會投資於錯誤的受眾，並錯失推動銷售的機會。
在這種情況下，使用描述性模型（發生了什麼）或診斷模型（為什麼會發生）並在您可以驅動機器學習生成的明智預測和決策之前建立這些數據集的質量會更有意義和後期的AI。
數據所有權
如何從營銷數據中獲得更深入的洞察
包起來
分析成熟度模型可幫助您充分利用數據並改進決策制定。 模型中的每一步都會為下一步做好準備。
因此，您可以首先使用描述性分析來講述正在發生的事情，然後在此基礎上借助診斷分析找出發生這些事情的原因。
一旦您訪問了正確的數據並且它是可靠的，您就可以轉向預測分析來發現趨勢。 最後，您可以使用這些預測來告知您將來應該通過規範分析做什麼。
如果您還沒有處於規定階段，請不要擔心，通過模型更多地是評估您當前的需求和資源，並在過快擴展之前充分利用這些需求和資源。 沒有正確或錯誤的地方，只有適合您的團隊和您的業務的地方。
掃一掃備忘單
保存分析成熟度模型備忘單以備後用
關於作者
Pieter 是 Supermetrics 的一名銷售工程師。 他與客戶密切合作，以確定在他們的營銷數據堆棧中增加價值回報的機會。 在工作時間之外，經常可以看到他在籃球場上投籃。