Kad rinkodara būtų pagrįsta duomenimis, reikia kokybiškų duomenų – kovos ir sprendimai

Rinkodaros duomenų kokybė ir duomenimis pagrįsta rinkodara

Rinkodaros specialistai patiria didelį spaudimą vadovautis duomenimis. Tačiau nerasite rinkodaros specialistų, kurie kalba apie prastą duomenų kokybę arba abejoja duomenų tvarkymo ir duomenų nuosavybės stoka savo organizacijose. Vietoj to, jie siekia, kad duomenys būtų pagrįsti blogais duomenimis. Tragiška ironija! 

Daugumai rinkodaros specialistų tokios problemos kaip neišsamūs duomenys, rašybos klaidos ir dublikatai net nepripažįstamos kaip problema. Jie praleistų valandas taisydami klaidas programoje „Excel“ arba ieškotų įskiepių, skirtų duomenų šaltiniams sujungti ir darbo eigoms pagerinti, tačiau jie nežino, kad tai yra duomenų kokybės problemos, kurios turi įtakos visoje organizacijoje ir dėl to prarandama milijonai pinigų. 

Kaip duomenų kokybė veikia verslo procesus

Rinkodaros specialistai šiandien yra taip priblokšti metrikos, tendencijų, ataskaitų ir analizės, kad tiesiog neturi laiko žiūrėti į duomenų kokybės iššūkius. Bet tai yra problema. Jei rinkodaros specialistai iš pradžių neturi tikslių duomenų, kaip jie galėtų sukurti veiksmingas kampanijas? 

Kai pradėjau rašyti šį kūrinį, susisiekiau su keliais rinkodaros specialistais. Man pasisekė turėti Axelis Lavergne'as, vienas iš įkūrėjų ReviewFlowz pasidalinti savo patirtimi su prastais duomenimis. 

Štai jo įžvalgūs atsakymai į mano klausimus. 

  1. Kokios buvo jūsų pradinės kovos su duomenų kokybe, kai kūrėte savo produktą? Aš sukūriau apžvalgų generavimo variklį ir man reikėjo kelių kabliukų, kad galėčiau išsiųsti peržiūros užklausas patenkintiems klientams tuo metu, kai jie greičiausiai paliks teigiamą atsiliepimą. 

    Kad tai įvyktų, komanda sukūrė „Net Promoter Score“ (NPS) apklausą, kuri būtų išsiųsta praėjus 30 dienų nuo prisiregistravimo. Kai klientas paliks teigiamą NPS, iš pradžių 9 ir 10, o vėliau išplėstas iki 8, 9 ir 10, jis buvo kviečiamas palikti atsiliepimą ir mainais gauti 10 USD dovanų kortelę. Didžiausias iššūkis čia buvo tai, kad NPS segmentas buvo sukurtas rinkodaros automatizavimo platformoje, o duomenys gulėjo NPS įrankyje. Atsieti duomenų šaltiniai ir nenuoseklūs duomenys visuose įrankiuose tapo kliūtimi, dėl kurios reikėjo naudoti papildomus įrankius ir darbo eigas.

    Kai komanda integravo skirtingus loginius srautus ir integravimo taškus, jie turėjo išlaikyti nuoseklumą su senais duomenimis. Produktas vystosi, o tai reiškia, kad produkto duomenys nuolat keičiasi, todėl įmonės laikui bėgant turi išlaikyti nuoseklią ataskaitų duomenų schemą.

  2. Kokių veiksmų ėmėtės, kad išspręstumėte problemą? Reikėjo daug dirbti su duomenų komanda, kad būtų sukurta tinkama duomenų inžinerija integravimo aspektu. Galbūt skamba gana paprastai, tačiau su daugybe skirtingų integracijų ir daugybe atnaujinimų, įskaitant atnaujinimus, turinčius įtakos registravimosi srautui, turėjome sukurti daugybę skirtingų loginių srautų, pagrįstų įvykiais, statiniais duomenimis ir kt.
  3. Ar jūsų rinkodaros skyrius turėjo įtakos sprendžiant šiuos iššūkius? Tai keblus dalykas. Kai kreipiatės į duomenų komandą su labai konkrečia problema, galite manyti, kad tai lengva išspręsti sutvarkyti užtrunka tik 1h bet tai tikrai dažnai apima daugybę pokyčių, apie kuriuos nežinote. Mano konkrečiu atveju, susijusiu su papildiniais, pagrindinis problemų šaltinis buvo nuoseklių duomenų palaikymas su senais duomenimis. Produktai tobulėja, todėl tikrai sunku išlaikyti nuoseklią ataskaitų duomenų schemą laikui bėgant.

    Taigi, taip, neabejotinai galima pasakyti apie poreikius, bet kalbant apie tai, kaip įdiegti naujinimus ir pan., tikrai negalite mesti iššūkio tinkamai duomenų inžinierių komandai, kuri žino, kad, kad tai įvyktų, reikia atlikti daugybę pakeitimų. ir „apsaugoti“ duomenis nuo būsimų atnaujinimų.

  4. Kodėl rinkodaros specialistai nekalba apie duomenų valdymas arba duomenų kokybė, net jei jie bando būti pagrįsti duomenimis? Manau, kad tai tikrai problemos nesuvokimo atvejis. Daugelis rinkodaros specialistų, su kuriais kalbėjausi, nepakankamai įvertina duomenų rinkimo iššūkius ir iš esmės žiūri į daugelį metų egzistuojančius KPI, niekada jų neabejodami. Tačiau tai, ką vadinate prisiregistravimu, potencialiu klientu ar net unikaliu lankytoju, labai pasikeičia, atsižvelgiant į jūsų stebėjimo sąranką ir produktą.

    Labai paprastas pavyzdys: neturėjote jokio patvirtinimo el. paštu ir jūsų produktų komanda jį prideda. Kas tada yra registracija? Prieš ar po patvirtinimo? Aš net nepradėsiu gilintis į visas žiniatinklio stebėjimo subtilybes.

    Manau, kad tai taip pat labai susiję su priskyrimu ir rinkodaros komandų kūrimo būdu. Dauguma rinkodaros specialistų yra atsakingi už kanalą arba kanalų poaibį, o kai susumuojate tai, ką kiekvienas komandos narys priskiria savo kanalui, paprastai gaunate apie 150 % arba 200 % priskyrimo. Skamba neprotingai, kai taip pasakai, todėl niekas to nedaro. Kitas aspektas tikriausiai yra tas, kad duomenų rinkimas dažnai kyla dėl labai techninių problemų, ir dauguma rinkodaros specialistų nėra su jomis susipažinę. Galiausiai negalite skirti laiko duomenims taisyti ir pikselius atitinkančios informacijos ieškojimui, nes jos tiesiog negausite.

  5. Kaip manote, kokių praktinių / neatidėliotinų veiksmų gali imtis rinkodaros specialistai, kad pagerintų savo klientų duomenų kokybę?Įdėkite save į naudotojo vietą ir išbandykite kiekvieną savo kanalą. Paklauskite savęs, kokį įvykį ar konversijos veiksmą suaktyvinate atlikdami kiekvieną veiksmą. Tikriausiai būsite labai nustebinti, kas iš tikrųjų atsitiks. Suprasti, ką skaičius reiškia realiame gyvenime klientui, pagrindiniam klientui ar lankytojui, yra labai svarbus norint suprasti jūsų duomenis.

Rinkodara turi giliausią kliento supratimą, tačiau stengiasi išspręsti savo duomenų kokybės problemas

Rinkodara yra bet kurios organizacijos pagrindas. Tai skyrius, kuris skleidžia žinią apie produktą. Tai skyrius, kuris yra tiltas tarp kliento ir verslo. Skyrius, kuris gana sąžiningai veda šou.

Tačiau jiems taip pat labiausiai sunku pasiekti kokybiškus duomenis. Dar blogiau, kaip minėjo Axelis, jie tikriausiai net nesuvokia, ką reiškia prasti duomenys ir su kuo jie susiduria! Štai keletas statistinių duomenų, gautų iš DOMO ataskaitos, Marketingo naujas MO, pažvelgti į dalykus:

  • 46 % rinkodaros specialistų teigia, kad dėl daugybės duomenų kanalų ir šaltinių tapo sunkiau planuoti ilgalaikę perspektyvą.
  • 30 % vyresniųjų rinkodaros specialistų mano, kad CTO ir IT skyrius turėtų prisiimti atsakomybę už duomenų turėjimą. Įmonės vis dar aiškinasi duomenų nuosavybės teisę!
  • 17.5 % mano, kad trūksta sistemų, kurios lygintų duomenis ir užtikrintų skaidrumą visoje komandoje.

Šie skaičiai rodo, kad rinkodara turi turėti duomenų ir generuoti paklausą, kad ji būtų tikrai pagrįsta duomenimis.

Ką rinkodaros specialistai gali padaryti, kad suprastų, nustatytų ir spręstų duomenų kokybės iššūkius?

Nepaisant to, kad duomenys yra verslo sprendimų priėmimo pagrindas, daugelis įmonių vis dar stengiasi tobulinti savo duomenų valdymo sistemą, kad išspręstų kokybės problemas. 

Pranešime Rinkodaros evoliucija, daugiau nei ketvirtadalis 82 proc. tyrime dalyvavusioms įmonėms pakenkė nekokybiški duomenys. Rinkodaros specialistai nebegali sau leisti sušluoti duomenų kokybės klausimų ir negali sau leisti nežinoti šių iššūkių. Taigi, ką rinkodaros specialistai gali padaryti, kad išspręstų šiuos iššūkius? Čia yra penki geriausios praktikos pavyzdžiai, nuo kurių reikia pradėti.

1 geriausia praktika: Pradėkite mokytis apie duomenų kokybės problemas

Rinkodaros specialistas turi žinoti duomenų kokybės problemas taip pat, kaip ir jų IT kolega. Turite žinoti bendras problemas, susijusias su duomenų rinkiniais, kurie apima, bet tuo neapsiribojant:

  • Rašybos klaidos, rašybos klaidos, pavadinimų klaidos, duomenų įrašymo klaidos
  • Vardų suteikimo problemos ir standartų trūkumas, pvz., telefono numeriai be šalies kodų arba skirtingų datos formatų
  • Neišsami informacija, pvz., trūksta el. pašto adresų, pavardžių arba svarbi informacija, reikalinga efektyvioms kampanijoms
  • Netiksli informacija, pvz., neteisingi vardai, neteisingi numeriai, el
  • Skirtingi duomenų šaltiniai, kuriuose įrašote informaciją apie tą patį asmenį, bet jie saugomi skirtingose ​​platformose arba įrankiuose, todėl negalite gauti konsoliduoto vaizdo
  • Pasikartojantys duomenys, kai ta informacija netyčia kartojama tame pačiame duomenų šaltinyje arba kitame duomenų šaltinyje

Štai kaip prasti duomenys duomenų šaltinyje atrodo:

prastų duomenų problemų rinkodara

Susipažinimas su terminais, pvz., duomenų kokybė, duomenų valdymas ir duomenų valdymas, gali padėti daug lengviau nustatyti santykių su klientais valdymo klaidas (CRM).

2 geriausia praktika: visada pirmenybę teikite kokybiškiems duomenims

Aš ten buvau, tai padariau. Kyla pagunda nekreipti dėmesio į blogus duomenis, nes jei tikrai įsigilintumėte, iš tikrųjų būtų galima naudoti tik 20 % jūsų duomenų. Daugiau nei 80% duomenų yra švaistomas. Visada pirmenybę teikite kokybei, o ne kiekybei! Tai galite padaryti optimizuodami duomenų rinkimo metodus. Pavyzdžiui, jei įrašote duomenis iš žiniatinklio formos, įsitikinkite, kad renkate tik būtinus duomenis ir apribokite vartotojo poreikį rankiniu būdu įvesti informaciją. Kuo daugiau asmuo turi „įvesti“ informacijos, tuo didesnė tikimybė, kad jis atsiųs neišsamius ar netikslius duomenis.

3 geriausia praktika: naudokite tinkamą duomenų kokybės technologiją

Jums nereikia išleisti milijono dolerių duomenų kokybei pagerinti. Yra daugybė įrankių ir platformų, kurios gali padėti sutvarkyti duomenis nesukeliant šurmulio. Šie įrankiai gali jums padėti:

  • Duomenų profiliavimas: Padeda nustatyti įvairias duomenų rinkinio klaidas, pvz., trūkstamus laukus, pasikartojančius įrašus, rašybos klaidas ir kt.
  • Duomenų valymas: Padeda išvalyti duomenis, nes leidžia greičiau paversti duomenis iš prastų į optimizuotus.
  • Duomenų atitikimas: Padeda suderinti skirtingų duomenų šaltinių duomenų rinkinius ir susieti / sujungti duomenis iš šių šaltinių. Pavyzdžiui, galite naudoti duomenų atitiktį, kad prijungtumėte ir internetinius, ir neprisijungus pasiekiamus duomenų šaltinius.

Duomenų kokybės technologija leis sutelkti dėmesį į tai, kas svarbu, rūpinantis pertekliniais darbais. Prieš pradėdami kampaniją, jums nereikės nerimauti, kad gaišite laiką taisydami duomenis programoje „Excel“ arba CRM. Integravę duomenų kokybės įrankį, galėsite pasiekti kokybiškus duomenis prieš kiekvieną kampaniją.

4 geriausia praktika: įtraukite vyresniąją vadovybę 

Sprendimus priimantys asmenys jūsų organizacijoje gali nežinoti apie problemą arba, net jei žino, vis tiek mano, kad tai IT, o ne rinkodaros problema. Čia turite įsikišti, kad pasiūlytumėte sprendimą. Blogi duomenys CRM? Blogi apklausų duomenys? Blogi klientų duomenys? Visa tai yra rinkodaros problemos ir neturi nieko bendra su IT komandomis! Tačiau jei rinkodaros specialistas nesiūlo išspręsti problemos, organizacijos gali nieko nedaryti dėl duomenų kokybės problemų. 

5 geriausia praktika: nustatykite problemas šaltinio lygiu 

Kartais blogas duomenų problemas sukelia neefektyvus procesas. Nors galite išvalyti paviršiuje esančius duomenis, nebent nenustatysite pagrindinės problemos priežasties, pakartotinai susidursite su tomis pačiomis kokybės problemomis. 

Pavyzdžiui, jei renkate potencialių klientų duomenis iš nukreipimo puslapio ir pastebite, kad 80 % duomenų turi telefono numerių įvedimo problemų, galite įdiegti duomenų įvedimo valdiklius (pvz., įterpti privalomą miesto kodo lauką), kad užtikrintumėte, jog gauti tikslius duomenis. 

Daugumos duomenų problemų pagrindinė priežastis yra gana paprasta išspręsti. Jums tereikia skirti laiko gilintis ir nustatyti pagrindinę problemą bei įdėti papildomų pastangų, kad išspręstumėte problemą! 

Duomenys yra rinkodaros operacijų pagrindas

Duomenys yra rinkodaros operacijų pagrindas, tačiau jei šie duomenys nėra tikslūs, išsamūs ar patikimi, prarasite pinigų dėl brangių klaidų. Duomenų kokybė jau neapsiriboja IT skyriumi. Rinkodaros specialistai yra klientų duomenų savininkai, todėl turi sugebėti įgyvendinti tinkamus procesus ir technologijas, kad pasiektų savo duomenimis pagrįstus tikslus.

Ką manote?

Ši svetainė naudoja "Akismet", kad sumažintų šlamštą. Sužinokite, kaip apdorojamas jūsų komentaras.