Op dit moment zijn er talloze "keizers" die moedig beslissingen nemen die gekleed zijn in "data". De vreselijke waarheid is dat die beslissingen helemaal niets dragen. Als marketeer leef en sterf ik aan de hand van de gegevens en ik heb vastgesteld dat marketingautomatiseringsplatforms zoals SharpSpring de best mogelijke kleermakers zijn om te voorkomen dat ze geroepen worden voor onfatsoenlijke publiciteit in vergaderingen.

Nieuwe gegevensEr is een explosie geweest in hoe makkelijk het is om bergen van gegevens te verzamelen, zodat iedereen daardoor betere beslissingen maakt, toch? Helaas niet. We verzamelen meer gegevens dan ooit tevoren, maar dat betekent niet dat we het effectief gebruiken. De oplossing is eenvoudig: kwaliteit over kwantiteit. Onthoud dat met data, meer is niet altijd beter.

Als data-driven marketeer, presenteer ik me regelmatig aan verschillende groepen en mijn doel is om te concentreren op effectieve, echte wereldgegevens die ons bedrijf vooruitsturen. Naar mijn beleving komen kwaliteitsgegevens op drie belangrijke factoren:

  • Relevantie
  • Nauwkeurigheid
  • Verteerbaarheid

Relevantie: focus op gegevens die eigenlijk van belang zijn

Alleen omdat gegevens verzameld en geanalyseerd kunnen worden, betekent dat niet dat het moet zijn. Begin met het bepalen van wat echt belangrijk is, en maak een lijst van de belangrijkste prestatie-indicatoren (KPI's) voor wat u evalueert. Neem bijvoorbeeld een verkoopproces: de KPI's kunnen het aantal leads dat het verkoopteam krijgt, hoeveel van deze leads worden omgezet in de omzet en de gemiddelde verkochte verkoop. Afhankelijk van de complexiteit en welk deel van het proces u analyseert, kunt u ook uw gegevens verder segmenteren, zoals door type klant (SMB vs onderneming), regio (Noord-Amerika vs Europa) of verkoper. Stop daar niet. Geef uw statistische context door doelstellingen voor elk van hen vast te stellen. Stel deze doelen zo hoog in als u denkt dat het mogelijk is, niet alleen op het niveau van de huidige prestaties. Als u ziet dat u niet aan die doelen voldoet, stap terug en kijk naar waarom u niet voor elke KPI bent. Het kan blijken dat u doelstellingen stelt die te ambitieus zijn, maar kijk eens naar waarom u deze doelen niet kon nakomen, en zorg ervoor dat het probleem eigenlijk de doelen is, en niet de processen, voordat u ze verlaagt.

Nauwkeurigheid: want iedereen kan gewoon nummers maken

De data van vandaag is verzameld uit allerlei bronnen. Dit opent de kans - en leemtes. Het is cruciaal dat de gegevens correct zijn aangepast en dat er geen grote ongecontroleerde leemten zijn. Een oplossing is het gebruik van een volledig geïntegreerd platform dat alle relevante nummers in een grote samenhangende afbeelding trekt. Als dat niet een optie is, moet je ervoor zorgen dat je gegevens niet vol potten zijn (of weet in ieder geval waar ze zijn, dus je kan er rondheen draaien).

Om erachter te komen waar u wat meer zorg moet uitoefenen, moet u eerst het proces bekijken waar u naar kijkt, met extra aandacht voor eventuele overgangen (aka potentiële zwarte gaten waar gegevens verdwijnen) en let op alle gebieden waar u weinig hebt Geen zichtbaarheid Gaan die gaten je ontspannen, of kun je ze omarmen? Soms weet je het antwoord niet echt, dus je moet wellicht wat approximaties maken en gewoon indrukken. Bijvoorbeeld, als u moeilijk bent om te zien dat de vooruitzichten op vergaderingen met uw verkoopteam zijn geconfronteerd, maar uw verkoopteam u voortdurend vertelt hoe goed u bijwonen, kunt u dat aantal relatief hoog benaderen (zeg 85% -100% ) Als aanwezigheid is geen significant lek in uw verkooptrechter. Laat de openingen niet terug, als ze het niet nodig hebben.

Er is nog een grote onjuistheid in hoe een verrassend aantal mensen naar gegevens kijkt. Het komt zo vaak op en kan zo effectief zijn dat het zijn eigen speciale vermelding krijgt (en het is heel dichtbij en schat aan mijn hart). Gegevens moeten vanuit een cohortperspectief worden bekeken!In zijn eenvoudigste cohortanalyse betekent alleen de basiseenheden van een proces per tijd (tenminste), en dan groeperen alles dat uit die basiseenheden in diezelfde periode loopt. Klinkt simpel, toch? Er zijn twee belangrijke uitdagingen: eerst worden gegevens bijna nooit gemeld, en ten tweede kan het moeilijk zijn om cohortgegevens te krijgen.

Neem bijvoorbeeld leads en verkoop. Het is makkelijk om te laten zien dat u in april 1,000-leads en 200-verkopen heeft. Het is verleidelijk om te zeggen dat dit betekent dat uw omrekeningskoers voor conversie 20% (200 / 1,000) is, maar dat is waarschijnlijk niet precies. Als u een matige tot lange verkoopcyclus heeft, is de verkoop in april waarschijnlijk van leidingen die in de maanden voorafgaand zijn ingekomen. In plaats daarvan is een meer verhelderende aanpak om de omrekeningskoersen te bepalen, de leads die in elke maand zijn ingevoerd, bij te houden en de verkoop te verklaren die vanaf april leidde in april. Vanuit de 1,000-leads die in april zijn ingekomen, is 250 van die leads omgezet in sales, dus uw echte conversiepercentage voor conversie is 25% (250 / 1000). Dit neemt nog wat extra werk in, omdat de cohortverkoop voor april in mei, juni en daarbuiten zal blijven stijgen, zodat updates nodig zijn, maar de waarde van het inzicht veel hoger ligt dan de extra tijd.

Persoonlijk snijd ik de tijd die nodig is omlaag door SharpSpring elke dag te gebruiken om de volledige cohortafbeelding te krijgen, aangezien het alle delen van het proces voor mij combineert. Als iemand die uren spendeerde, gegevens uit verschillende systemen samenpast, kan ik niet overschatten hoeveel van een game-wisselaar een volledig geïntegreerd platform is.

Verteerbaarheid: uw gegevens maken niet uit of niemand het begrijpt

Het verzamelen en crunchen van gegevens is slechts de helft van de strijd. Daarna moet je alles op een manier zetten die gemakkelijk kan worden begrepen. Zodra u een diepgaand inzicht hebt in de gegevens, moet u deze effectief voor anderen verpakken. Er zijn twee belangrijke uitdagingen die spijsvertering kunnen veroorzaken als het gaat om gegevens: volume en duidelijkheid.

De lijn tussen te weinig gegevens en te veel gegevens kan moeilijk zijn te vinden. Denk na over de problemen die u probeert op te lossen, de beslissingen die u probeert te maken en de vragen die de belanghebbenden zullen hebben. Loop door al deze drie stukken en let op de vragen die er bij betrokken zijn en zie hoe goed de gegevens ze kunnen beantwoorden. Als er gegevens zijn die geen van de vragen beantwoorden, verschaft het de nodige context voor gegevens die vragen beantwoorden? Zo niet, dat zijn waarschijnlijk gegevens die u kunt weglaten.

Voor de data die de bovenstaande vragen beantwoordt, hoe goed beantwoordt het hen? Als u kwalificaties wilt toevoegen wanneer u antwoordt, zoals waarom bepaalde factoren de gegevens verduisteren, is het een goed teken dat u niet genoeg gegevens hebt en / of dat u het misschien meer granulair moet afbreken. Anticiperen opvolgvragen en kijken of de gegevens die ook kunnen beantwoorden.

Duidelijkheid is vrij makkelijk te adresseren, maar het wordt vaak over het hoofd gezien. De twee dingen die het meest voor de duidelijkheid dragen, zijn volgorde / groepering en etikettering. Bestellen / groeperen is makkelijk, zorg er gewoon voor dat alles in een logische volgorde stroomt (van stadium tot stadium, chronologisch, enz.). Etikettering is misleidend. Het lijkt makkelijk, maar dat is een illusie. Het grootste probleem dat ik zie dat de duidelijkheid van invloed is, is gebrek aan specificiteit in labels. Houd er rekening mee dat als u het rapport / dashboard / etc hebt ontworpen, u een voordeel heeft: uw labels geven u meer zin dan zij voor de eerste keer de gegevens zullen zien. Neem een ​​stap terug en bekijk het objectief. Doe dan een testrit met een collega en spreek eventuele verwarringpunten aan.

Blijf bereiken

Beter, duidelijkere gegevens betekenen betere beslissingen, betere resultaten en uiteindelijk grotere bottom lines. Bovenstaande is een goed uitgangspunt, maar verbindt zich ertoe om voortdurend te werken aan het verbeteren van de gegevens die u verzamelt, gebruiken en delen. De inspanning heeft een enorme ROI voor uw operatie. Plus, jouw keizer wordt koud - het is tijd om wat kleding aan te zetten.

AUTEUR
Joel Garland
Joel Garland

gerelateerde berichten