Şu anda "veriler" içinde giyinen kararlar veren cesurca sayısız "imparator" var. Korkunç gerçek bu kararların hiç bir şey giymemesi. Bir pazarlamacı olarak, verilerle yaşıyor ve ölüyorum ve SharpSpring gibi pazarlama otomasyon platformları, toplantılarda uygunsuz maruz kalmaya çağırılmamak için mümkün olan en iyi terziler olmayı bulmuştur.
Dağ dağılımı toplamasının ne kadar kolay olduğu konusunda bir patlama oldu, bu nedenle herkes sonuçta daha iyi kararlar alıyor, değil mi? Ne yazık ki hayır. Her zamankinden daha fazla veri topluyoruz, ancak bu, etkin bir şekilde kullandığımız anlamına gelmiyor. Çözüm basittir: miktar üzerinde kalite. Unutmayın, verilerle birlikte, daha fazlası her zaman daha iyi değildir.
Veri odaklı bir pazarlamacı olarak düzenli olarak çeşitli gruplara sunuyorum ve amacım, şirketimizi ileriye götüren etkileyici ve gerçek dünya verilerine odaklanmaktır. Deneyimime göre, kaliteli veriler üç önemli faktöre varıyor:
- Ilgi
- doğruluk
- sindirilebilirlik
Alaka düzeyi: Gerçekte önemli olan verilere odaklanma
Veri toplanabilir ve analiz edilebilir olması gerektiği anlamına gelmez. Neyin önemli olduğunu belirleyerek başlayın ve değerlendirdiğiniz şey için önemli performans göstergelerini (KPI'lar) listeleyin. Örneğin bir satış süreci yapın: KPI'lar satış ekibinin aldığı potansiyel müşteri sayısı, bu müşterilerin kaç tanesi satışa dönüştürülmüş olabilir ve ortalama satış sonucu olabilir. Analiz edeceğiniz sürecin karmaşıklığına ve hangi bölümüne bağlı olarak, verilerinizi müşteri türüne (SMB vs Şirket), bölgeye (Kuzey Amerika vs Avrupa) veya satış elemanına göre daha da bölümlendirmek isteyebilirsiniz. Orada durma Metrik bağlamınızı her biri için hedef belirleyerek verin. Bu hedefleri, yalnızca geçerli performans seviyesinde değil, mümkün olduğunca yüksek ayarlayın. Bu hedefleri gerçekleştirmediğinizi düşünüyorsanız, geri çekilin ve neden her KPI için olmadığınızı görün. Çok iddialı olan hedefler belirlediğiniz ortaya çıkabilir, ancak neden bu hedefleri karşılamadığınıza dikkatle bakabilir ve bunları indirmeden önce, süreçlerin değil, aslında hedeflerin olduğundan emin olabilirsiniz.
Doğruluk: çünkü herkes numara yapabilir
Bugünün verileri çok sayıda farklı kaynaktan toplanmaktadır. Bu fırsat açıyor - boşluklar. Verilerin doğru şekilde eşleştirilmesi ve boşluklar için açıklanamayan büyüklüklerin bulunmaması kritik önem taşır. Bir çözüm, ilgili tüm sayıyı büyük bir kohesif resme çeken, tamamen entegre bir platform kullanmaktır. Eğer bu bir seçenek değilse, verilerinizin çukurlarla dolmadığından emin olmanız gerekir (ya da en azından nerede olduklarını bildiklerinden etraflarında dolaşabilirsiniz).
Nereye daha fazla dikkat etmeniz gerektiğini bulmak için, önce aradığınız işlemi haritalarla, herhangi bir geçişte (diğer bir deyişle, verilerin kaybolduğu kara delik) dikkat et ve dikkat etmene izin vermediğin her alanı not al. -hayır görünmezlik. Boşluklar sana raydan çıkacak mı, yoksa etrafında çalışabilecek misin? Bazen, bunun cevabını gerçekten bilmeyeceksiniz, bu nedenle bazı yakınlaştırmalar yapmanız ve üzerine basmanız gerekebilir. Örneğin, potansiyel müşterilerin satış ekibinizle görüşmelerde bulunduğuna dair onaylamalar yaparken zorlandıysanız, ancak satış ekibiniz size devamlı katılım oranının sürekli olduğunu söylüyorsa, bu sayıyı nispeten yüksek olarak (yaklaşık% 85 -% 100) görebilirsiniz. ) Satış huninizde önemli bir sızıntı olmamasından dolayı. İhtiyaç duymazlarsa, boşlukları saklamazlar.
Şaşırtıcı sayıda kişinin verilere nasıl baktığına dair büyük bir yanlışlık daha var. Çok sık gelir ve çok etkileyici olabilir, bu da kendi özel sözünü alır (ve bu gerçekten kalbime yakın ve sevecendir). Veriler bir kohort perspektifinden bakılmalıdır!En basitinden, kohort analizi, bir sürecin temel birimlerini zamanla (en azından) gruplandırmak ve daha sonra bu ana birimlerden gelen her şeyi aynı zaman dilimi içerisinde gruplandırmak anlamına gelir. Sesler basit, değil mi? İki ana zorluk vardır: Birincisi, verilerin bu şekilde neredeyse hiç bildirilmediği ve ikincisi, gerçekten kohort verilerini elde etmek zor olabilir.
Örneğin, yol açar ve satarsın. Nisan ayında 1,000 satışları ve 200 satışları yaptıklarınızı göstermek kolaydır. Bunun, satışa dönüşme oranınızın 20% (200 / 1,000) olduğunu söylemek caziptir, ancak bu muhtemelen doğru değildir. Orta-uzun satış döngüsüne sahipseniz, Nisan ayındaki satışlar büyük olasılıkla önceki aylarda gelen olası satışlardan kaynaklanır. Bunun yerine, dönüşüm oranlarını belirlemeye yönelik daha aydınlatıcı bir yaklaşım, her ayda gelen olasıları izlemek ve Nisan ayından itibaren gelen satışları Nisan ayına göre raporlamaktır. Bu nedenle, Nisan ayında gelen 1,000 potansiyel satışlarından 250 bu potansiyel satışlara dönüştü; bu nedenle, satış öncesi satış dönüşümü oranınız 25 (250 / 1000). Nisan ayı kohort satışlarının Mayıs, Haziran ve ötesinde artmaya devam etmesi nedeniyle bu biraz fazladan çalışma gerektirir, bu nedenle güncellemeler gerekecek, ancak görüşün değeri ekstra zamanın çok üzerindedir.
Şahsen, sürecin tüm parçalarını benim için bir araya getirdiğinden, tam kohort resmi elde etmek için SharpSpring'i kullanarak gerekli süreyi aşağıya doğru kesmiştim. Farklı saatlerdeki verileri farklı sistemlerden birleştiren birisi olarak, oyun değiştiricisinin ne kadarının tek bir tam entegre platform olduğunu abartamam.
Sindirilebilirlik: kimsenin anlayamaması halinde verileriniz önemli değil
Verilerin toplanması ve işlenmesi sadece savaşın yarısı kadardır. Ondan sonra, hepsini kolayca anlaşılabilecek bir biçimde bir araya getirmelisiniz. Verileri derin bir şekilde anladığınızda, başkaları için etkili bir şekilde paketlemeniz gerekir. Veriler söz konusu olduğunda hazımsızlığa neden olabilecek iki ana zorluk vardır: hacim ve açıklık.
Az miktarda veri ve çok fazla veri arasındaki çizgi bulmak zor olabilir. Çözmeye çalıştığınız sorunları, denemek istediğiniz kararları ve paydaşların sahip olacağı soruları düşünün. Her birinin içinde yer alan soruları not ederek bu üç parçanın hepsini inceleyin ve verilerin verdikleri yanıtın ne kadar iyi olduğunu görün. Herhangi bir soruyu cevaplamayan veriler varsa, sorulara cevap veren veriler için gerekli bağlamı sağlar mı? Değilse, muhtemelen atlayabileceğiniz verilerdir.
Yukarıdaki soruları cevaplayan veriler için onlara ne kadar iyi cevap veriyor? Yanıtlarken niteleyiciler eklemeniz gerekiyorsa, örneğin belirli faktörlerin veriyi gizlediği gibi, bu, yeterli veriye sahip olmadığınız ve / veya daha ayrıntılı bir şekilde parçalamanız gerektiği konusunda iyi bir işarettir. İzleyen soruları önermek ve verilerin bunlara cevap verip vermediğini öğrenmek.
Netlik, ele alınması oldukça kolaydır, ancak çoğunlukla göz ardı edilmektedir. Netliğe en çok katkıda bulunan iki şey, sipariş / gruplandırma ve etiketleme'dir. Sıralama / gruplandırma kolaydır, yalnızca her şeyin mantıksal bir sırada (sahneden diğerine, kronolojik olarak vb.) Aktığından emin olun. Etiketleme aldatıcıdır. Kolay görünüyor, fakat bu bir yanılsamadır. Netlik etkisini gördüğüm en büyük mesele, etiketlerdeki özgüllüğün eksikliğidir. Raporu / panoyu / vb. Tasarladıysanız, bunun bir avantajı olduğunu unutmayın: etiketleriniz, bir kişiye ilk kez verileri görmelerinden daha mantıklıdır. Bir adım geri çekin ve objektif bir şekilde görünün. Ardından, bir meslektaşı ile deneme yapın ve herhangi bir karışıklığa dikkat edin.
Ulaşmaya devam et
Daha iyi ve net veriler, daha iyi kararlar, daha iyi sonuçlar ve nihai olarak daha büyük kararlar anlamına gelir. Yukarıdakiler iyi bir başlangıç noktasıdır, ancak topladığınız, kullandığınız ve paylaştığınız verileri iyileştirmek için sürekli çalışmaya kararlısınız. Çaba operasyonunuz için büyük bir ROI'dır. Artı, imparator soğuk oluyor - bazı kıyafetler koymanın zamanı geldi.
