Markedsførere sidder på et bjerg af værdifulde forbrugerdata. Men ikke alle data, de har til rådighed, er nyttige. Arbejde med data af dårlig kvalitet forgifter din marketingindsats, fører til mistede muligheder og i sidste ende skader din bundlinje.



77 bibelsk betydning

Dårlige data er data, der ofte er blevet ødelagt af omstændigheder. Og det er mere almindeligt, end vi er klar over. Aldrig forsætlig eller ondsindet, det er ofte et resultat af menneskelige fejl eller forkert indsamling. Nogle gange er det så simpelt som e-mail-adresser, der skifter over tid. I andre tilfælde er det noget, der går i stykker i din proces. Selvom årsagen kan være enkel, kan effekten - huller og unøjagtigheder i din analyse får alt, hvad du måler, til at være ineffektivt - katastrofalt.



Ikke alle organisationer har datakampagner på deres hold, men da virksomheder i stigende grad omfavner en data-first-kultur, bliver prioritering af datasundhed et must.

Dårlige data er ikke standardiserede

I dit personlige liv er der normalt en måde at afstemme data på. Lad os sige, at du finder en uoverensstemmelse på din bankkonto: du ved, hvad du tjente i forhold til hvad du brugte, og du kan kontrollere dette i forhold til historiske data i dine kontoudtog. Med andre ord har du en kilde til sandhed. Men inden for marketing er der oftere end ikke nogen baseline. Som marketingmedarbejder har du selvfølgelig en idé om, hvad der er rigtigt, men alle dine data er i forhold til sig selv.

Dette problem er ikke nyt, det flyver bare let under radaren. Hvis du f.eks. Bruger Google Analytics til at spore trafikken på alle dine websider, og af en eller anden årsag ikke scriptet sporer 10% af dine sider, ved du simpelthen ikke, at du mangler 10 % af dine data. Huller som dette kan ske på flere måder. Men en stor måde, det sker på, er gennem mangel på standardisering.

For en SaaS-forretning betyder måling af 'besøgende på webstedet' muligvis ikke det samme som 'brugere på platformen.' Når du konfigurerer disse metrics på tværs af forskellige analyseplatforme og fragmenterer det på tværs af flere afdelinger - fra marketing til salg til engineering - gør det en forskel. 'Klik' i AdWords oversættes ikke nødvendigvis til den samlede trafik, da der er forskel på nye brugere, unikke og samlede sessioner. I skala trækker du data fra hundredvis af kilder. Ikke standardisering af, hvad du måler, men behandler det alligevel, er en opskrift på dårlige data.

Dårlige data er dyre

Uanset om du ignorerer problemet, fordi du ikke er sikker på, hvordan du løser det, eller måske er du ikke klar over det endnu, påvirker arbejde med data af dårlig kvalitet meget af virksomheden uden for markedsføring. Hvis dine data er overalt, stopper det værdifulde initiativer og skader din bundlinje.



111 numerologi betydning

For at sætte dette i perspektiv, fordi data falder med en hastighed på 70% om året, koster dårlige data virksomheder i gennemsnit $ 9,7 millioner årligt . Harvard Business Review konkluderede, at dårlige data koster så meget, fordi beslutningstagere, ledere, dataforskere og andre teammedlemmer er nødt til at imødekomme uoverensstemmelser i deres daglige arbejde - jage på unøjagtigheder og dårlige kilder og rette fejl. Det er både tidskrævende og dyrt at gøre det.

Ud over dollars kompromitterer dårlige data din strategi, hvilket fører til spildte muligheder langs vejen som følge af uinformerede forretningsbeslutninger. At håndtere massemængderne af data leveret gennem flere kilder, i forskellige formater og ved forskellige frekvenser er en fragmenteret proces. Det er forståeligt, at marketingafdelinger ofte mangler arbejdskraft til løbende at analysere, forstå og udnytte alle disse data.

nummeret 21

Gode ​​data er rene

Gode ​​dataresultater, når du tager dig tid til at rydde op, kontrollere og organisere data, så almindelige problemer som forældede oplysninger, dubletter eller unøjagtigheder ikke længere plager dit system.



At håndtere denne kompleksitet kræver dedikerede ressourcer og veldefinerede processer og politikker til standardisering, optimering, rapportering og en agil tilgang. Dette er en afvigelse fra den månedlige rapportering, kvartalsvise prognoser og generering af episodisk indsigt, som de fleste organisationer er vant til. Men dette skift er afgørende for succes i en stadig mere datadrevet verden. En markedsføringsorganisation i verdensklasse skal problemfrit sammensmeltning af data, analyser, strategier, mennesker, processer og muligheder for at levere forretningsresultater.

Hvis din organisation vokser, og du lige har åbnet flodportene til at dele data mellem afdelinger, skal du kigge efter områder, hvor oplysninger kan flettes, så du får et mere komplet billede af kunden. Overvej at danne en taskforce, hvor teammedlemmer ejer forskellige dele af rørledningen og fremmer gode data i din organisation.

Hvis det er en urealistisk mulighed for dig at tildele ressourcerne til en taskforce til manuelt at rydde op i din datapipeline, skal du overveje implementering af AI-værktøjer . Forudsigelig maskinindlæring kan lære dine datametrikers grundlæggende adfærd og har evnen til hurtigt at omdanne store dataområder til pålidelige forretningsoplysninger samt automatisere opdagelsen af ​​uregelmæssigheder.

16 nummer betyder

Dedikerede ressourcer til at rense rørledningen løser problemet ved hånden, men der er ikke noget mere beskyttende end at anvende disse principper proaktivt. Tag den tid, dit team ville bruge kursuskorrigering af dårlige data, og bytt det til tid brugt på at opbygge sikre og nøjagtige dataprocesser i din indsats fra starten.

Forfølgelse, ikke perfektion

At være realistisk er vigtigt. Og virkeligheden af ​​dårlige data er, at oprydning er en uendelig proces. Målet er ikke en sluttilstand, hvor alt er perfekt. Målet er at stræbe mod vaner og processer på din arbejdsplads, der tilskynder til bedre data.

Når det er sagt, er datakvalitet i sidste ende alles forretning. Uanset om du arbejder direkte med tallene eller ikke, påvirker data alle output i en organisation. En ren, vedligeholdt rørledning betyder, at du og dit team kan reducere fejlagtige omkostninger til gode og lettere forfølge sunde datastrategier.

At flytte markedsføring mod en ægte data-first-kultur kan være en lang rejse. Men det er en, der beviser sin værdi.

Dette stykke er en del af vores serie om datadrevet marketing, hvor vores eksperter udforsker nøglerne til at udvikle et team og en strategisk tilgang med data. Læs den første artikel her .

Del Med Dine Venner: