21.3: Робота з даними

Last updated
Save as PDF

Page ID: 16001

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

За часів традиційних засобів масової інформації дані, що діють, були дуже бажаним, але дефіцитним товаром. Хоча можна було широко зрозуміти відповіді споживачів на маркетингові повідомлення, часто було важко точно визначити, що відбувається і чому.

Як показала глава прийняття рішень, керованих даними, в цифрову епоху інформація є абсолютно скрізь. Кожна дія, зроблена в Інтернеті, записується, а це означає, що маркетологам доступно неймовірне багатство даних, щоб допомогти їм зрозуміти, коли, де, як і навіть чому користувачі реагують на свої маркетингові кампанії.

Примітка

Детальніше про це читайте в розділі «Прийняття рішень на основі даних».

Пам'ятайте, це також означає, що маркетологи несуть відповідальність за прийняття рішень, орієнтованих на дані. Припущень і відчуття кишечника недостатньо - вам потрібно підкріпити їх твердими фактами і чіткими результатами.

Не хвилюйтеся, якщо ви не людина «цифри» - робота з даними дуже мало стосується хрусткості чисел (технологія зазвичай піклується про це для вас) і багато про аналіз, експерименти, тестування та опитування. Все, що вам потрібно, це цікавий розум і розуміння ключових принципів та інструментів.

Ось деякі поняття даних, про які ви повинні знати.

Моніторинг ефективності та тенденції

Аналітика даних - це все про моніторинг поведінки користувачів та ефективності маркетингових кампаній з плином часу. Остання частина має вирішальне значення. Дивлячись на одну точку даних мало значення, ви хочете подивитися на тенденції та зміни протягом встановленого періоду, щоб заохотити динамічне уявлення про дані.

Наприклад, не так корисно сказати, що 10% веб-трафіку цього місяця конвертуються. Це добре чи погано, високо чи низько? Але кажучи, що на 10% більше користувачів перетворено в цьому місяці, ніж минулого місяця, свідчить про позитивну зміну або тенденцію. Хоча може бути спокусливо зосередитися на одиночних «геройських» цифрах та захоплюючих цифрах, таких як «Подивіться, у нас є 5 000 шанувальників Facebook!» , вони дійсно не дають повної картини, якщо вони не представлені в контексті. Насправді ми називаємо ці «метрики марнославства», вони добре виглядають, але вони вам мало що говорять.

Примітка

Зверніть пильну увагу на будь-які зміни в очікуваних даних, хороших чи поганих, і досліджуйте будь-які аномалії.

Великі дані

Big data' - це термін, який використовується для опису дійсно масивних наборів даних, тих, які настільки великі і громіздкі, що вони вимагають спеціалізованого програмного забезпечення та масових комп'ютерів для обробки. Такі компанії, як Google, Facebook та YouTube, щодня генерують та збирають стільки даних, що у них є цілі склади, повні жорстких дисків, щоб зберігати все це. Розуміння того, як це працює і як думати про дані в такому масштабі, дає деякі цінні уроки для всіх аналітиків.

Вимірюйте тенденції, а не абсолютні цифри: чим більше даних у вас є, тим важливіше дивитися на те, як все змінюється з часом.
Зосередьтеся на закономірностях: Маючи достатню кількість даних, закономірності з часом повинні стати очевидними, тому розгляньте щотижневі, місячні або навіть сезонні потоки.
Досліджуйте аномалії: Якщо ваш очікуваний шаблон раптово зміниться, спробуйте з'ясувати, чому і використовуйте цю інформацію, щоб повідомити про свої дії в майбутньому.

Інтелектуальний аналіз даних

Інтелектуальний аналіз даних - це процес пошуку шаблонів, прихованих у великій кількості та базах даних. Замість того, щоб людський аналітик обробляв інформацію, автоматизована комп'ютерна програма розбирає дані та узгоджує їх з відомими шаблонами, щоб доставити уявлення. Часто це може виявити дивовижні та несподівані результати, і має тенденцію порушувати припущення.

Інтелектуальний аналіз даних в дії

Krux (2016) пропонує приклад вивчення величезного набору даних для автомобільного бренду, який хотів покращити завантаження брошур та збільшити запити на тест-драйви. Дані, які вони проаналізували, стосувалися споживачів, споживчих атрибутів та точок дотику маркетингу.

Щоб визначити закономірність, їм довелося дослідити 47 000 000 000 000 000 000 комбінацій факторів, очевидно, занадто багато для оцінки без використання машин. Ці комбінації вийшли з 35 точок дотику, включаючи веб-сайт, кампанії та інші маркетингові канали, та 37 аналітичних точок, включаючи покупців авто та користувачів смартфонів.

Бренд зміг виявити відповідні закономірності, наприклад, що споживачі, які купили певну марку автомобіля, частіше завантажували брошури, але не частіше запитували тест-драйви. Це дозволило їм сегментувати споживачів, які купували автомобілі, на тих, хто почав процес покупки, завантаживши брошуру, і тих, хто почав з тест-драйву.

Перша група була орієнтована на деталі, тому оголошення з конкретними моделями з посиланнями на сторінку специфікацій допомогли стимулювати конверсії.

Друга група хотіла знати, як відчувається водіння автомобіля, тому вони були націлені на рекламу, яка зверталася до їхніх почуттів і включала заклик до дії щодо планування тест-драйву. Це сприяло підвищенню ефективності медіа та ефективності кампанії.