Merkatado Bezonas Kvalitajn Datumojn esti Daten-movitaj - Luktoj kaj Solvoj

Merkatada Datuma Kvalito kaj Datuma-Instruita Merkatado

Komercistoj estas sub ekstrema premo por esti datumaj. Tamen, vi ne trovos merkatistojn parolantaj pri malbona datumkvalito aŭ pridubantaj la mankon de datuma administrado kaj datuma proprieto en siaj organizoj. Anstataŭe, ili strebas esti datumaj kun malbonaj datumoj. Tragika ironio! 

Por plej multaj komercistoj, problemoj kiel nekompletaj datumoj, tajperaroj kaj duplikatoj eĉ ne estas rekonitaj kiel problemo. Ili pasigus horojn riparante erarojn sur Excel, aŭ ili esplorus por kromaĵojn por konekti datumfontojn kaj plibonigi laborfluojn, sed ili ne konscias, ke ĉi tiuj estas datumkvalitaj problemoj kiuj havas ondedan efikon tra la organizo rezultigante milionojn da perditaj. mono. 

Kiel Datuma Kvalito Efikas Komercan Procezon

Vendistoj hodiaŭ estas tiel superŝutitaj de metrikoj, tendencoj, raportoj kaj analizoj, ke ili simple ne havas tempon por esti zorgemaj kun datumkvalitaj defioj. Sed tio estas la problemo. Se komercistoj ne havas precizajn datumojn por komenci, kiel en la mondo ili povus krei efikajn kampanjojn? 

Mi kontaktis plurajn merkatistojn kiam mi komencis verki ĉi tiun pecon. Mi bonŝancis havi Axel Lavergne, Kunfondinto de ReviewFlowz kunhavigi sian sperton kun malbonaj datumoj. 

Jen liaj komprenemaj respondoj al miaj demandoj. 

  1. Kio estis viaj komencaj luktoj kun datumkvalito kiam vi konstruis vian produkton? Mi instalis revizian generan motoron kaj bezonis kelkajn hokojn por ekspluati por sendi recenzajn petojn al feliĉaj klientoj en tempo, kiam ili verŝajne lasos pozitivan recenzon. 

    Por ke tio okazu, la teamo kreis Net Promoter Score (NPS) enketo kiu estus sendita 30 tagojn post aliĝo. Kiam ajn kliento forlasus pozitivan NPS, komence 9 kaj 10, poste vastigitajn al 8, 9 kaj 10, ili estus invititaj por lasi recenzon kaj ricevi 10 USD donackarton en rendimento. La plej granda defio ĉi tie estis, ke la NPS-segmento estis starigita sur la merkata aŭtomatiga platformo, dum la datumoj sidis en la NPS-ilo. Malkonektitaj datumfontoj kaj malkonsekvencaj datumoj trans iloj iĝis proplemkolo, kiu postulis la uzon de kromaj iloj kaj laborfluoj.

    Ĉar la teamo daŭriĝis por integri malsamajn logikfluojn kaj integriĝajn punktojn, ili devis trakti konservadon de konsistenco kun heredaj datumoj. Produkto evoluas, kio signifas, ke produktaj datumoj konstante ŝanĝiĝas, postulante kompaniojn konservi konsekvencan raportan datuman skemon laŭlonge de la tempo.

  2. Kiajn paŝojn vi faris por solvi la problemon? Necesis multe labori kun la datumteamo por konstrui taŭgan datuman inĝenieristikon ĉirkaŭ la aspekto de integriĝoj. Eble sonas sufiĉe baza, sed kun multaj malsamaj integriĝoj, kaj multaj ĝisdatigoj sendado, inkluzive de ĝisdatigoj influantaj la aliĝfluon, ni devis konstrui multajn malsamajn logikfluojn bazitajn sur eventoj, senmovaj datumoj ktp.
  3. Ĉu via merkatada fako havis parolon pri solvado de ĉi tiuj defioj? Estas delikata afero. Kiam vi iras al la datuma teamo kun tre specifa problemo, vi eble pensas, ke ĝi estas facila solvo kaj ĝi nur bezonas 1 h por ripari sed ĝi vere ofte implikas multon da ŝanĝoj pri kiuj vi ne konscias. En mia specifa kazo koncerne kromaĵojn, la ĉefa fonto de problemoj estis konservi konsekvencajn datumojn kun heredaj datumoj. Produktoj evoluas, kaj estas vere malfacile konservi konsekvencan raportan datuman skemon laŭlonge de la tempo.

    Do jes, sendube oni povas diri pri la bezonoj, sed kiam temas pri kiel efektivigi la ĝisdatigojn ktp. oni vere ne povas defii taŭgan datuman inĝenieran teamon, kiu scias, ke ili devas trakti multajn ŝanĝojn por fari ĝin okazi, kaj "protekti" la datumojn kontraŭ estontaj ĝisdatigoj.

  4. Kial komercistoj ne parolas pri datumoj mastrumado aŭ datumkvalito kvankam ili provas esti datumaj? Mi pensas, ke ĝi vere estas kazo de ne rimarki la problemon. Plej multaj komercistoj, kun kiuj mi parolis, vaste subtaksas la datumkolektajn defiojn, kaj esence, rigardu KPIojn, kiuj ekzistas dum jaroj sen iam pridubi ilin. Sed tio, kion vi nomas aliĝo, konduko aŭ eĉ unika vizitanto, multe ŝanĝiĝas depende de via spura agordo kaj de via produkto.

    Tre baza ekzemplo: vi ne havis ajnan retpoŝtan validigon kaj via produktteamo aldonas ĝin. Kio do estas aliĝo? Antaŭ aŭ post validigo? Mi eĉ ne komencos eniri ĉiujn retspurajn subtilaĵojn.

    Mi pensas, ke ĝi ankaŭ multe rilatas al atribuo kaj la maniero kiel merkataj teamoj estas konstruitaj. Plej multaj komercistoj respondecas pri kanalo aŭ subaro de kanaloj, kaj kiam vi sumigas tion, kion ĉiu membro de teamo atribuas al sia kanalo, vi kutime estas ĉirkaŭ 150% aŭ 200% de atribuo. Sonas malracia kiam vi metas ĝin tiel, tial neniu faras. La alia aspekto verŝajne estas, ke datumkolektado ofte estas tre teknikaj aferoj, kaj plej multaj komercistoj ne vere konas ilin. Finfine, vi ne povas pasigi vian tempon ripari datumojn kaj serĉi pikselojn perfektajn informojn ĉar vi simple ne ricevos ĝin.

  5. Kiajn praktikajn / tujajn paŝojn vi opinias, ke merkatistoj povas fari por ripari la kvaliton de siaj klientdatenoj?Metu vin en la ŝuojn de uzanto, kaj provu ĉiujn viajn funelojn. Demandu vin, kian eventon aŭ konvertan agon vi ekigas ĉe ĉiu paŝo. Vi verŝajne estos tre surprizita pri tio, kio vere okazas. Kompreni, kion signifas nombro en la reala vivo, por kliento, gvidanto aŭ vizitanto, estas absolute fundamenta por kompreni viajn datumojn.

Merkatado Havas la Plej Profundan Komprenon de la Kliento Tamen Luktas por Ordigi iliajn Datumajn Kvalitajn Problemojn

Merkatado estas ĉe la koro de iu ajn organizo. Estas la fako kiu diskonigas la produkton. Estas la fako kiu estas ponto inter la kliento kaj la komerco. La fako, kiu honeste, prizorgas la spektaklon.

Tamen ili ankaŭ plej luktas kun aliro al kvalitaj datumoj. Pli malbone, kiel Axel menciis, ili verŝajne eĉ ne rimarkas, kion signifas malbonaj datumoj kaj kontraŭ kio ili kontraŭas! Jen kelkaj statistikoj akiritaj de la raporto DOMO, Nova MO de Merkatado, por meti aferojn en perspektivon:

  • 46% de merkatistoj diras, ke la granda nombro da datumkanaloj kaj fontoj malfaciligis plani longtempe.
  • 30% altrangaj merkatistoj opinias, ke la CTO kaj IT-sekcio devus porti la respondecon posedi datumojn. Firmaoj ankoraŭ eltrovas proprieton de datumoj!
  • 17.5% opinias, ke mankas sistemoj, kiuj kombinas datumojn kaj ofertas travideblecon tra la teamo.

Ĉi tiuj nombroj indikas, ke estas tempo por merkatado posedi datumojn kaj postuli generacion, ke ĝi estu vere datuma.

Kion Povas Fari Merkatistoj por Kompreni, Identigi kaj Pritrakti Datumajn Kvalitajn Defiojn?

Malgraŭ ke datumoj estas la spino por komerca decido, multaj kompanioj ankoraŭ luktas por plibonigi sian datuman administradkadron por trakti kvalitajn problemojn. 

En raporto de Merkata Evoluo, pli ol kvarono de la 82% kompanioj en la enketo estis vunditaj de subnormaj datumoj. Komercistoj ne plu povas havigi balai datumkvalitajn konsiderojn sub la tapiŝon nek povas havigi nekonscii pri ĉi tiuj defioj. Do kion komercistoj vere povas fari por trakti ĉi tiujn defiojn? Jen kvin plej bonaj praktikoj por komenci.

Plej bona Praktiko 1: Komencu lerni pri datumkvalitaj problemoj

Komercisto devas esti same konscia pri datumkvalitaj problemoj kiel ilia IT-kolego. Vi devas scii oftajn problemojn atribuitajn al datumaj aroj, kiuj inkluzivas sed ne estas limigitaj al:

  • Tajperaj eraroj, literumaj eraroj, nomaj eraroj, eraroj pri registrado de datumoj
  • Problemoj kun nomkonvencioj kaj la manko de normoj kiel telefonnumeroj sen landokodoj aŭ uzado de malsamaj datformatoj
  • Nekompletaj detaloj kiel mankantaj retadresoj, familiaj nomoj aŭ kritikaj informoj necesaj por efikaj kampanjoj
  • Malprecizaj informoj kiel malĝustaj nomoj, malĝustaj nombroj, retpoŝtoj ktp
  • Disfaraj datumfontoj kie vi registras informojn pri la sama individuo, sed ili estas konservitaj en malsamaj platformoj aŭ iloj malhelpante vin akiri firmigitan vidon.
  • Duplikataj datumoj kie tiuj informoj hazarde ripetas en la sama datumfonto aŭ en alia datumfonto

Jen kiel malbonaj datumoj aspektas en datumfonto:

malriĉaj datumoj pri merkatado

Konatiĝi kun terminoj kiel datumkvalito, datuma administrado kaj datuma regado povas helpi vin multe identigi erarojn ene de via Klientrilata Administrado (CRM) platformo, kaj per tiu streĉado, permesante al vi agi laŭbezone.

Plej bona Praktiko 2: Ĉiam Priorigu Kvalitajn Datumojn

Mi estis tie, faris tion. Tente ignori malbonajn datumojn ĉar se vi vere fosus profunde, nur 20% de viaj datumoj estus efektive uzeblaj. Pli ol 80% de datumoj estas malŝparita. Priorigu kvaliton super kvanto ĉiam! Vi povas fari tion optimumigante viajn datumkolektajn metodojn. Ekzemple, se vi registras datumojn de interreta formularo, certigu, ke vi kolektas nur necesajn datumojn kaj limigu la bezonon por la uzanto permane tajpi la informojn. Ju pli homo devas "tajpi" informojn, des pli alte ili verŝajne sendos nekompletajn aŭ malprecizajn datumojn.

Plej bona Praktiko 3: Utiligi la Ĝustan Datumkvalitan Teknologion

Vi ne devas elspezi milionon da dolaroj por ripari vian datumkvaliton. Estas dekoj da iloj kaj platformoj tie, kiuj povas helpi vin ordigi viajn datumojn sen bruo. Aferoj pri kiuj ĉi tiuj iloj povas helpi vin inkluzivas:

  • Profilado de datumoj: Helpas vin identigi malsamajn erarojn ene de via datumaro kiel mankantajn kampojn, duobligitajn enskribojn, literumajn erarojn ktp.
  • Datuma purigado: Helpas vin purigi viajn datumojn ebligante pli rapidan transformon de malbonaj al optimumigitaj datumoj.
  • Datumkongruo: Helpas vin kongrui datumajn arojn en malsamaj datumfontoj kaj kunligi/kunfandi la datumojn de ĉi tiuj fontoj. Ekzemple, vi povas uzi datuman kongruon por konekti ambaŭ interretajn kaj eksterretajn datumfontojn.

Datumkvalita teknologio permesos al vi koncentriĝi pri tio, kio gravas zorgante pri la redunda laboro. Vi ne devos zorgi pri perdo de tempo ripari viajn datumojn en Excel aŭ ene de la CRM antaŭ ol komenci kampanjon. Kun la integriĝo de datumkvalita ilo, vi povos aliri bonkvalitajn datumojn antaŭ ĉiu kampanjo.

Plej bona Praktiko 4: Engaĝi altrangan administradon 

Deciduloj en via organizo eble ne konscias pri la problemo, aŭ eĉ se ili estas, ili ankoraŭ supozas, ke ĝi estas IT-problemo kaj ne merkatika zorgo. Jen kie vi devas interveni por proponi solvon. Ĉu malbonaj datumoj en la CRM? Ĉu malbonaj datumoj de enketoj? Ĉu malbonaj datumoj de klientoj? Ĉio ĉi estas merkataj zorgoj kaj havas nenion komunan kun IT-teamoj! Sed krom se merkatisto paŝas por sugesti solvi la problemon, organizoj povas fari nenion pri datumkvalitaj problemoj. 

Plej bona Praktiko 5: Identigu problemojn ĉe la fontnivelo 

Kelkfoje, malbonaj datumoj problemoj estas kaŭzitaj de neefika procezo. Dum vi povas purigi datumojn sur la surfaco, krom se vi ne identigas la radikan kaŭzon de la problemo, vi estos trafita kun la samaj kvalitaj problemoj ripete. 

Ekzemple, se vi kolektas gvidajn datumojn de alterpaĝo, kaj vi rimarkas, ke 80% de la datumoj havas problemon kun telefonnumero-eniroj, vi povas efektivigi datumajn enirajn kontrolojn (kiel meti devigan urbokodkampon) por certigi vin' ricevas precizajn datumojn. 

La radika kaŭzo de la plej multaj datumproblemoj estas relative simple solvi. Vi nur bezonas preni tempon por profundiĝi kaj identigi la kernan problemon kaj fari la kroman penon por solvi la problemon! 

Datumoj Estas La Spino De Merkataj Operacioj

Datumoj estas la spino de merkataj operacioj, sed se ĉi tiuj datumoj ne estas precizaj, kompletaj aŭ fidindaj, vi perdos monon pro multekostaj eraroj. Datuma kvalito ne plu estas limigita al la IT-sekcio. Merkatistoj estas la posedantoj de klientdatenoj kaj tial devas povi efektivigi la ĝustajn procezojn kaj teknologion por atingi siajn datumajn celojn.

Kion vi pensas?

Ĉi tiu retejo uzas Akismeton por redukti spamon. Lernu, kiel via komento datiĝas.