Pierwszym krokiem do rozpoczęcia efektywnej pracy z danymi jest zbadanie, jakie dane są dostępne w firmie tu i teraz i jakie są ich źródła.
Najłatwiej jest to zrobić poprzez przyrównanie dotychczasowych działań firmy w zakresie pozyskiwania danych z możliwościami, jakie w ogóle mamy w tym zakresie.
Działaniem inicjującym będzie zintegrowanie danych z systemów CRM lub innych narzędzi do analizy biznesowej (dane związane z klientami, demografią czy transakcjami) z danymi behawioralnymi oraz z danymi o ruchu na stronie pozyskanymi na przykład za pomocą Google Analytics i tzw. danymi rozproszonymi, pochodzącymi z działań marketing automation czy z mediów społecznościowych.
Są to tzw. 1st party data, czyli dane gromadzone samodzielnie przez firmę – absolutny fundament. Ale równie absolutnie niewystarczający i wymagający uzupełnienia, bo trudno jest sobie wyobrazić, że korzystając tylko z danych gromadzonych przez firmę, uzyskamy pełny obraz sytuacji.
Poza nimi organizacja może i powinna korzystać z danych partnerów (tzw. 2nd party data), czyli danych, o strukturze podobnej do 1st party data, ale należących do innych podmiotów. Przykładowo: firma – reklamodawca na zasadzie umowy z wydawcą uzyskuje dostęp do jego baz danych i informacji o użytkownikach, dzięki czemu może zwiększać zasięg o nową grupę odbiorców i jednocześnie lepiej targetować przekaz. Dane 2nd party powinny zasilać absolutny fundament, czyli dane 1st party.
Kolejnym istotnym elementem budującym bazę zaawansowanych działań analitycznych jest weryfikacja danych zewnętrznych (tzw. 3rd party data), pochodzących zwykle z wielu źródeł online i offline. Analityka Big Data opiera się właśnie o te dane.
Do ich pozyskania służą na przykład pliki cookies śledzące ruch użytkowników w internecie i budujące unikalne profile oparte na ich aktywności. To ogromna baza informacji i gigantyczny potencjał. Źródłem 3rd party data są podmioty zewnętrzne. To tzw. agregatory danych czy platformy DMP, które gromadzą je na dużą skalę i na równie dużą skalę je sprzedają.
Dlaczego warto w nie inwestować? Bo 3rd party data stanowią ogromną ilość danych o użytkownikach za pomocą których można tworzyć grupy/segmenty odbiorców i docelowo kierować spersonalizowany przekaz reklamowy. Oczywiście wykorzystuje je też konkurencja, ale tym bardziej marketerzy nie powinni zostawać w tyle.
Zwykle firma ma dostęp do kilkunastu, niekiedy kilkudziesięciu źródeł danych: CRM, ruch na stronie, social media, wyszukiwarki, emisja reklam, programy mailingowe i inne.
Zwykle też nie analizuje się ich wszystkich, a nawet jeśli, to te analizy są prowadzone obok siebie, a danych nie łączy się w żaden uporządkowany sposób. To absolutne marnowanie potencjału. Bo wnioskowanie na podstawie odseparowanych danych jest wnioskowaniem zaciemnionym, nieprecyzyjnym, wreszcie – niewiarygodnym. Im efektywniej połączymy dane ze sobą, tym większa szansa, że finalnie obraz klienta i obraz sytuacji firmy będzie pełniejszy czy bardziej kompletny.
W prowadzeniu audytu dotyczącego źródeł danych, jakimi firma dysponuje, przydatne może być skonfrontowanie ich z tym, co w ogóle dostępne jest na rynku. CMO może zbudować swoistą checklistę, która będzie stanowiła weryfikator: co mamy, a czego nie i co warto uzupełnić. Jakie źródła powinny się na tej checkliście znaleźć?
To nie jest oczywiście pełna lista możliwości, ale pokazuje, jak wiele ich jest.
Ważne, by finalnie firma zapełniała danymi każdy z podanych tutaj obszarów, czyli analizowała ruch na stronie, programy mailingowe, z których korzysta do kontaktu z klientami, emisje reklam, ruch w social media, CRM, ruch w wyszukiwarkach. Narzędzi w ramach tych kategorii jest wiele. Wiele jest też możliwości. Warto się im przyjrzeć i ocenić wartość pod kątem indywidualnych potrzeb firmy, by analityka Big Data przynosiła efekty.
Niestety ilość danych nie zawsze idzie w parze z ich jakością. Rzeczywiście dobrze jest gromadzić dużo informacji i tworzyć na ich podstawie analizy, ale we wszystkim musi być sens i cel. To normalne, że nie wszystkie przygotowane analizy będą tak samo użyteczne, a niektóre mogą wręcz zaburzać poprawne wnioskowanie. Wszystko zależy od celu ich przygotowania i od umiejętności analizowania i interpretowania tych danych. Bez zaawansowanych kompetencji analitycznych i przygotowywania właściwych analiz może być trudno wyprowadzić właściwe wnioski.
Istnieją oczywiście strategie zakładające, że skoro mamy dużo danych, to tworzymy dużo analiz na ich podstawie. Ale rozwiązaniem bardziej optymalnym jest przygotowanie analiz pod konkretne działania. Dane dobieramy więc w zależności od określonego celu analizy. Przykładowo: do wyciągnięcia wniosków o skuteczności kampanii marketingowych przydadzą nam się analizy o sprzedaży w trakcie kampanii, emisji reklamy w internecie oraz analizy klientów (jacy klienci kupili jakie towary).
Natomiast do prognozowania liczby zamówień nowych towarów do magazynu potrzebujemy analizę dynamiki sprzedaży za analogiczny okres w zeszłym roku, analizę sprzedaży konkurencji oraz analizę pogody mówiącą nam, czy będzie ciepło, czy będzie padać etc. W tej sytuacji nie potrzebujemy analiz klienckich oraz analiz wysyłek, aby zamówić odpowiednie towary. Warto się więc zastanowić czy jest sens tracić czas i przygotowywać analizy na wyrost, dlatego, że mamy czas lub pomysł, czy po prostu przygotowywać analizę dopiero znając cel.
Kiedy już wiadomo, które dane w tym momencie stanowią bazę naszych rozważań na temat dalszych biznesowych kroków, a które są naddatkowe i finalnie trzeba je potraktować jako poboczne, albo w ogóle je z bazy danych wykluczyć, to należy zastosować twardą egzekucję.
To jak z szafą pełną ubrań: te, które nie pasują (np. do wizerunku, który sobie założyliśmy), trzeba usunąć, żeby zrobić przestrzeń na te, które właśnie pasować będą: które będą użyteczne.
Ważne, by proces czyszczenia danych był mocno sprzężony z celem firmy: usuwamy z bazy danych te informacje, które w żaden sposób nie umożliwią nam realizacji celów. Ważne też, aby przeprowadzić proces deduplikacji danych w wyniku którego nadamy każdemu klientowi unikalny ID, ów proces ma pozwolić nam usunąć dane, które się powtarzają, bo to również może zaciemniać obraz.
Kolejnym etapem jest naprawienie danych. W tym kroku poprawiamy dane (np. błędnie wpisane dane adresowe, albo nazwy produktów) oraz uzupełnienie danych (np. posiadamy niepełny adres, albo posiadamy niepełne imię). Ostatnim etapem jest opracowanie procesu naprawczego i wdrożenie go. Ważne, by zbierane dane były poprawne (np. walidacja numeru pesel, walidacja długości nr telefonu oraz jego poprawności, walidacja poprawności adresu email, walidacja poprawności adresu dostawy). Powyższe procesy warto wykonywać ze wsparciem specjalistów z właściwą wiedzą i doświadczeniem w tych tematach: wtedy procesy przebiegną sprawniej.
A pozostając przy optymalizacji działań analitycznych: proces gromadzenia i analizowania danych powinien być jak najbardziej zautomatyzowany. Co to znaczy i dlaczego jest to tak ważne? Wyobraźmy sobie, że naszą bazę stanowią dane ze wszystkich trzech części (1st, 2nd i 3rd party data). Jest ich dużo, nawet jeśli korzystamy tylko z kilku narzędzi. Gdy proces sumowania ich i analizowania będziemy prowadzić „ręcznie”, a dane nie będą w żaden sposób automatycznie ze sobą łączone, efekty tej analizy będą mizerne, a proces na pewno bardziej czasochłonny. Jak zatem pracować z danymi, jeśli już mamy je zidentyfikowane? Musimy je zgromadzić w jednym miejscu.
Zatem kolejnym krokiem będzie przemigrowanie danych i ich integracja w jednym nowym zautomatyzowanym systemie DMP (Data Management Platform/Design Data Management). W nim kolejne dane będą gromadzone właściwie i w czasie rzeczywistym. Jest to absolutnie kluczowy moment dla marketingu i biznesu każdej firmy.
Tylko kiedy gromadzimy i integrujemy właściwe dane z właściwych źródeł, a analiza odbywa się w czasie rzeczywistym i automatycznie (pamiętajmy, że tych danych jest bardzo dużo i dlatego automatyzacja procesu analizy jest tak istotna), można czerpać z niej potężne korzyści i maksymalizować zwrot z inwestycji. To jest też ten moment, w którym możemy mówić o efektywnej pracy z danymi. Każdy z wcześniejszych etapów zbliża organizację do tego, ale finalnie – o efekcie w postaci skutecznej analityki możemy mówić dopiero, kiedy dane są ujęte w pewien system i można je skutecznie wykorzystać.
Dane ujęte w system, analizowane na bieżąco w czasie rzeczywistym to jedno. Ważne jest też to, co z nimi robimy później. Bo jeśli analityka Big Data działa tak, jak powinna, to na jej podstawie powinniśmy móc podejmować właściwe decyzje. Nie wystarczy więc samo posiadanie danych. Nie wystarczy też analiza. Celem jest przecież zwiększanie efektów biznesowych. A żeby to robić potrzebna jest nieustanna optymalizacja działań marketingowych – właśnie na bazie zaawansowanej analityki. Czyli: firmy powinny podchodzić do analizowania danych zwinnie i w razie potrzeby zmieniać parametry tej analizy.
Poniżej przedstawię case study, które wizualizuje znaczenie analityki dla e-biznesu. To obrazuje, jak wykorzystać dane przeanalizowane już w DMP do zwiększenia zyskowności w ramach prowadzonych działań.
Przed zastosowaniem analityki wyniki kampanii mailingowej naszego klienta były na poziomie 10% otwieralności maili. Z tego tylko 20% użytkowników, którzy otworzyli mail, przechodziło na stronę klienta.
Po wprowadzeniu zupełnie prostej, podstawowej wręcz analityki, polegającej na połączeniu danych klienta i de facto zmniejszeniu liczby wysyłanych maili (wcześniej to były dwie wiadomości: jedna w ramach zakupów online, a druga w ramach zakupów offline), wyniki otwieralności kampanii wzrosły do 12 proc., a przejścia na stronę do 25 proc. W rezultacie wygenerowało to 25 proc. więcej przychodów.
W kolejnym kroku wprowadziliśmy analitykę, która pozwoliła na łączenie danych klienta i analizę historii zakupów,. Wyniki otwieralności maili wzrosły do 15 proc., a przejścia na stronę klienta wzrosły do 35 proc. Na tym etapie nie wysyłaliśmy już mailingu na temat promocji na produkty, które klient niedawno kupił.
Kolejnym krokiem było wprowadzenie segmentowania klientów i analizowania chęci zakupowych i potrzeb. To jeszcze bardziej przełożyło się na wyniki otwieralności (wzrosły do 17%) i przejścia na stronę (wzrosły do 45%.). Mając właściwe dane wysyłaliśmy do klienta tylko informacje o produktach, które odpowiadały jego potrzebom w określonym czasie.
Ostatnim i jednocześnie najbardziej zaawansowanym etapem analityki wprowadzonym w tym przypadku było zbudowanie predykcji. To przewidywanie, co i kiedy konsument będzie chciał zamówić. Dokonaliśmy tego, bazując na danych historycznych i korelacji poszczególnych produktów. Wykorzystaliśmy informacje o tym, które produkty są kupowane w określonym czasie i w jakich odstępach czasowych po poprzednich. Wyniki kampanii wzrosły o 120 proc. w stosunku do kampanii, w których w ogóle nie stosowano analityki. Przejścia na stronę wzrosły do 55 proc., co finalnie przełożyło się na wzrost przychodu z kampanii o 150 proc. Dlatego analityka Big Data jest tak ważna.
Ten przykład doskonale pokazuje, jak zaawansowana, dobrze prowadzona analiza danych przekłada się na efekty biznesowe e-biznesu.
Analityka Big Data daje efekty. Wszystkie elementy dobrej analityki stanowią nierozerwalną całość. Od audytu danych i ich źródeł, poprzez ich wybór w zależności od celów biznesowych, po włożenie we właściwy system DMP, łączenie danych, deduplikację danych, segmentowanie klientów, predykcję zachowań, pomiar i wyciąganie wniosków, .
Każda część jest istotna, a budowanie kompetencji analitycznych w firmie zapewni rzetelność oraz spójność w podejmowaniu ważnych decyzji i wniosków opartych o dane. Za pomocą właściwego podejścia analitycznego i zaplecza technologicznego można szybko zyskać przewagę nad konkurencją.
https://www.smartattribution.pl/: Analityka Big Data. Jak efektywnie pracować z danymi i dlaczego jest to tak istotne?
