In questo momento ci sono innumerevoli "imperatori" che prendono audacemente decisioni che sono vestite con "dati". La terribile verità è che quelle decisioni non stanno indossando nulla. Come marketer, vivo e muoiono per i dati e ho trovato piattaforme di automazione del marketing come SharpSpring come i migliori sarti possibili per evitare di essere richiamati per esposizione indecente nelle riunioni.

Nuovi datiC'è stata un'esplosione di quanto sia facile raccogliere montagne di dati, in modo che tutti facciano delle decisioni migliori, giusto? Sfortunatamente no. Stiamo raccogliendo più dati che mai, ma ciò non significa che stiamo usando efficacemente. La soluzione è semplice: qualità su quantità. Ricorda che con i dati non sempre è sempre meglio.

In qualità di marketing di dati, sono regolarmente presente a vari gruppi e il mio obiettivo è concentrarsi su dati impressionanti e reali che spostano la nostra azienda in avanti. Nella mia esperienza, i dati di qualità sono scesi a tre fattori chiave:

  •       Pertinenza
  •       Precisione
  •       digeribilità

Rilevanza: concentrarsi su dati che in realtà contano

Solo perché i dati possono essere raccolti e analizzati non significa che dovrebbe essere. Inizia determinando ciò che è veramente importante e elenca gli indicatori di performance chiave (KPI) per quello che stai valutando. Ad esempio, un processo di vendita: i KPI possono essere il numero di lead che il team di vendita ottiene, quanti di questi lead vengono convertiti in vendite e la media risultante. A seconda della complessità e della parte del processo che stai analizzando, puoi anche segnalare ulteriormente i tuoi dati, ad esempio per tipo di cliente (SMB vs impresa), regione (Nord America vs Europa) o venditore. Non fermatevi. Dai il tuo contesto di metriche stabilendo obiettivi per ciascuno di essi. Imposta questi obiettivi altrettanto alto che pensi sia possibile, non solo al livello delle prestazioni attuali. Se vedi che non stai raggiungendo quegli obiettivi, vai indietro e guarda perché non sei per ogni KPI. Può sembrare che mettiate obiettivi troppo ambiziosi, ma prenditi un'occhiata al motivo per cui non siete stati in grado di soddisfare quegli obiettivi e assicurati che il problema sia in realtà gli obiettivi, e non i processi, prima di abbassarli.

Precisione: perché chiunque può solo comporre i numeri

I dati di oggi vengono raccolti da molte fonti diverse. Questo apre opportunità - e lacune. È fondamentale che i dati siano corretti correttamente e che non ci siano grandi perdite per le lacune. Una soluzione è quella di utilizzare una piattaforma completamente integrata che richiama tutti i numeri rilevanti in una grande immagine coesa. Se questa non è un'opzione, dovrai assicurarvi che i tuoi dati non siano pieni di buche (o almeno sapere dove sono, in modo da poter scambiarle).

Per capire dove occorre prendere un po 'di maggiore attenzione, individuare innanzitutto il processo che stai guardando, con un'attenzione particolare per tutte le transizioni (ovvero i buchi neri potenziali in cui i dati scompaiono) e prendere nota di tutte le aree in cui si ha poco - nessuna visibilità. Queste lacune ti faranno deragliare, o puoi lavorarle intorno a loro? A volte, non saprai veramente la risposta, per cui dovresti fare approssimazioni e premere semplicemente. Ad esempio, se hai difficoltà a vedere conferme che i visitatori si sono presentati in occasione di incontri con il tuo team di vendita, ma il tuo team di venditori ti sta dicendo costantemente come è grande la frequenza, puoi approssimare quel numero relativamente alto (ad esempio 85% -100% ) Perché la frequenza non è una perdita significativa nel tuo imbuto di vendita. Non lasciare che le lacune ti tengono indietro se non hanno bisogno.

C'è un'altra inaccuratezza nel modo in cui un numero sorprendente di persone guarda i dati. Si esce così spesso e può essere così impegnativo che ha la sua menzione speciale (ed è veramente vicino e caro al mio cuore). I dati devono essere considerati da una prospettiva di coorte!Nella sua più semplice analisi della coorte significa semplicemente raggruppare le unità di base di un processo per tempo (almeno) e poi raggruppare tutto quello che scorre da quelle unità base in quel stesso periodo di tempo. Suona semplice, giusto? Ci sono due sfide principali: in primo luogo, i dati sono quasi mai segnalati in questo modo e, in secondo luogo, può essere difficile ottenere i dati della coorte.

Prendiamo, ad esempio, lead e vendite. È facile dimostrare che nel mese di aprile hai ottenuto i lead 1,000 e le vendite 200. È tentato di dire che significa che il tasso di conversione lead-to-sales è 20% (200 / 1,000), ma probabilmente non è esatto. Se si dispone di un ciclo di vendita moderato a lungo, le vendite di aprile sono probabilmente da cavi che sono venuti durante i mesi precedenti. Invece, un approccio più illuminante per determinare i tassi di conversione è quello di monitorare i lead che sono venuti durante ogni mese, e segnalare le vendite che sono venute da aprile conduce sotto l'aprile. Quindi, dai lead 1,000 che sono venuti in aprile, 250 di tali cavi si è trasformato in vendite, quindi il tuo tasso di conversione lead-to-sales reale è 25% (250 / 1000). Ciò richiede un certo lavoro supplementare, poiché le vendite di coorti per aprile continueranno a crescere in maggio, giugno e oltre, per cui gli aggiornamenti saranno necessari, ma il valore dell'intuizione supera di molto il tempo supplementare.

Personalmente, ho tagliato il tempo necessario, utilizzando SharpSpring ogni giorno per ottenere l'immagine completa della coorte, poiché lega tutti i pezzi del processo insieme per me. Come qualcuno che ha passato ore a raccogliere dati provenienti da diversi sistemi, non posso esagerare quanto sia un gioco-changer una singola piattaforma completamente integrata.

Digestibilità: i tuoi dati non importa se nessuno lo capisce

La raccolta e la crunching dei dati sono solo la metà della battaglia. Dopo di che, è necessario metterlo insieme in un modo che può essere facilmente compreso. Una volta acquisita una profonda comprensione dei dati, è necessario disimballarlo in modo efficace per altri utenti. Ci sono due principali sfide che possono causare indigestione quando si tratta di dati: volume e chiarezza.

La linea tra pochissimi dati e troppi dati può essere difficile da trovare. Pensate ai problemi che stai cercando di risolvere, alle decisioni che stai cercando di fare e alle domande che i soggetti interessati avranno. Passeggiate tutti e tre questi pezzi, notando le domande in ciascuno, e vedere come i dati sono in grado di rispondere. Se ci sono dati che non rispondono a nessuna delle domande, fornisce un contesto necessario per i dati che rispondono alle domande? Se no, probabilmente è possibile ignorare i dati.

Per i dati che rispondono alle domande di cui sopra, come risponde bene? Se dovrai aggiungere qualifiche mentre stai rispondendo, come per esempio perché alcuni fattori oscurano i dati, è un buon segno che non si dispone di dati sufficienti e / o che potrebbe essere necessario distruggerlo più granulare. Anticipare le domande di follow-up e vedere se i dati possono rispondere anche a quelli.

La chiarezza è abbastanza facile da affrontare, ma è spesso trascurata. Le due cose che contribuiscono maggiormente alla chiarezza sono l'ordine / raggruppamento e l'etichettatura. Ordinare / raggruppare è facile, basta assicurarsi che tutto scorre in un ordine logico (da fase a palco, cronologicamente, ecc.). L'etichettatura è ingannevole. Sembra facile, ma è un'illusione. Il problema più grande che vedo che impatto chiarezza è la mancanza di specificità nelle etichette. Ricorda che se hai ideato il rapporto / dashboard / etc, hai un vantaggio: le tue etichette hanno più senso di quello che faranno a qualcuno vedere i dati per la prima volta. Prendi un passo indietro e guarda in modo oggettivo. Quindi, fare una prova con un collega e indirizzare qualsiasi punto di confusione.

Continui a raggiungere

I dati migliori e più chiari consentono migliori decisioni, risultati migliori e, in ultima analisi, linee più alte. Quanto sopra è un buon punto di partenza, ma impegna costantemente a migliorare i dati raccolti, utilizzati e condivisi. Lo sforzo ha un ROI enorme per il vostro funzionamento. Inoltre, il tuo imperatore sta diventando freddo - è il momento di mettere dei vestiti.

AUTORE
Joel Garland
Joel Garland