Dlaczego możesz (lub nie możesz) ufać swoim raportom

Według Harvard Business Review 90% liderów biznesu uważa, że ​​umiejętność korzystania z danych ma kluczowe znaczenie dla sukcesu firmy. Jednak 84% marketerów ma trudności z dostępem do danych i spostrzeżeń. Pulpity nawigacyjne i raporty nie pokazują prawdziwego obrazu i nie można im ślepo ufać.

Dlaczego tak jest? Niska jakość danych i błędy w danych to jedne z głównych powodów, dla których nie można ufać swoim raportom marketingowym. Według ankiety Gartnera „średni wpływ finansowy niskiej jakości danych na organizację szacuje się na 15 milionów dolarów rocznie”.

Jeśli nie ufasz swoim pulpitom nawigacyjnym i danym, na których są zbudowane, decyzje dotyczące zarządzania nie będą podejmowane na podstawie rzeczywistych liczb. A dla firm to okropne.

W tym artykule omówimy wszystkie możliwe błędy danych i etapy, w których te błędy mogą wystąpić. Następnie udzielimy Ci konkretnych porad, jak ich uniknąć. Oto lista kontrolna dotycząca odmowy złej jakości danych!

Jeśli chcesz, aby Twoja firma odniosła sukces, musisz zapewnić użytkownikom biznesowym wysokiej jakości wgląd w dane. Dysponując wszystkimi dostępnymi informacjami, marketerzy mogą łatwo wyjaśnić, dlaczego decyzja zadziałała, co wpłynęło na sukces lub porażkę kampanii reklamowych, co można zrobić lepiej itp.

Co więcej, wraz z szybko rozwijającym się krajobrazem mediów cyfrowych, klienci korzystają z coraz większej liczby kanałów medialnych i oczekują spersonalizowanego podejścia popartego danymi, dzięki czemu mogą uzyskać precyzyjne rekomendacje. Nierozsądne jest ignorowanie możliwości analityki marketingowej, zwłaszcza biorąc pod uwagę, że ponad 80% budżetów marketingowych opiera się na kanałach cyfrowych w celu przyciągania klientów. To tak, jakbyś miał w garażu potężne Ferrari i bał się nim jeździć!

Jednak wdrożenie tego logicznego i prostego podejścia jest skomplikowane: aby menedżerowie i specjaliści ds. marketingu mogli wykorzystać zebrane dane, muszą im zaufać . I w tym tkwi źródło wszystkich problemów.

Co można zrobić, aby poprawić jakość danych zbieranych ze wszystkich kanałów, z którymi współpracują marketerzy i zwiększyć zaufanie do wyników wyszukiwania danych? Zapobiegaj pojawianiu się błędów!

Istnieją trzy etapy, w których zwykle pojawiają się błędy danych:

1. Planowanie pomiarów
2. Zbieranie i przygotowywanie danych (normalizacja)
3. Tworzenie raportu

Notatka! Na każdym z tych etapów dane mogą być niewłaściwie przetwarzane z powodu czynników ludzkich.

Zobaczmy, co można zrobić, aby zapobiec pojawianiu się błędów. W końcu dużo łatwiej jest zapobiegać błędom niż szukać błędów i rozbieżności danych w całym systemie raportowania.

Pierwszy krok w pracy z danymi wydaje się dość prosty — musisz zaplanować zbieranie wszystkich potrzebnych danych marketingowych. Jednak gromadzenie danych jest często planowane tylko dla określonego zadania, więc możesz nie mieć wystarczającej ilości danych dla nowych zadań, które podejmujesz lub rozpoczynasz nowe projekty. Dlatego pomijanie etapu planowania jest nierozsądne. Zespół OWOX zawsze dokonuje ekspresowej analizy przed rozpoczęciem pracy nad projektem. Czemu? Identyfikacja możliwych wąskich gardeł w gromadzeniu danych. Czasami zespół opracowuje nawet całe systemy metryk i wylicza wszystkie możliwe parametry.

Wyzwaniem jest zebranie wszystkich fragmentarycznych danych ze wszystkich źródeł danych (różnych platform reklamowych i usług, z którymi współpracujesz) i sprawienie, by te dane działały dla Ciebie.

Brak tego etapu planowania lub nieustrukturyzowane podejście prowadzi do zmiany konfiguracji transferu identyfikatorów, gdy dane historyczne nie są dostępne. Jeśli nie posiadasz wszystkich danych, Twoje decyzje i działania będą oparte na błędnych lub niepełnych informacjach. Aby tego uniknąć, musisz uwzględnić wszystkie punkty kontaktu z klientem, zbierając:

• Dane dotyczące zachowań użytkowników z Twojej witryny i/lub aplikacji
• Dane o kosztach z platform reklamowych
• Śledzenie połączeń, chatbot i dane e-mail
• Rzeczywiste dane sprzedażowe z Twoich systemów CRM/ERP itp.

Główne błędy, które mogą pojawić się na tym etapie, są wynikiem:

• Pobieranie zagregowanych, próbkowanych danych . Próbkowane dane to uogólnione dane, które występują, gdy tylko część danych jest analizowana i wykorzystywana do raportowania. Wyobraźmy sobie, że masz kilogram jabłek i Twoim zadaniem jest zdecydować, czy te jabłka są dobre, czy zgniłe. Jeśli użyjesz danych z próbek (dwa lub trzy jabłka z całego grona), możesz zdecydować, że ten kilogram jest doskonałej jakości, podczas gdy w rzeczywistości wszystkie inne jabłka, których nie spróbowałeś, są zgniłe.

Dlaczego to się dzieje? Ponieważ przetwarzanie ogromnych macierzy danych w możliwie najkrótszym czasie jest zadaniem skomplikowanym i wymagającym dużych zasobów, systemy przetwarzają dane szybko, wykorzystując próbkowanie danych, agregację i filtrowanie w celu jak najszybszego generowania raportów.

Jak to wpływa na jakość danych i raportów? Oczywiście źle. Nie można podejmować mądrych decyzji na podstawie niewielkiej próbki danych. Na przykład możesz nie widzieć dochodowej kampanii reklamowej i możesz ją wyłączyć z powodu zniekształconych danych w raporcie.

Jak możesz zidentyfikować ten problem? W interfejsie Google Analytics u góry raportu zobaczysz komunikat Ten raport opiera się na N% sesji .

Jeśli chcesz mieć raporty, którym możesz zaufać, musisz uzyskać surowe, niespróbkowane dane. Dlatego po podjęciu decyzji o wszystkich źródłach danych najlepiej jest użyć łączników, które automatycznie zbierają surowe dane i regularnie sprawdzają kompletność danych.

• Pobieranie niekompletnych i nieprawidłowych danych z interfejsu API usługi reklamowej . Dlaczego to się zdarza? Usługi reklamowe zbierają wiele danych o użytkownikach i ich zachowaniu; jednak podczas przesyłania danych mogą pojawić się błędy, takie jak podwojenie danych, utrata danych lub rozbieżności podczas retrospektywnej aktualizacji. Jak wpływa to na jakość Twoich danych i raportów? Błędy te są przenoszone na raporty, w wyniku czego podjęcie właściwych decyzji jest po prostu niemożliwe z powodu niedokładnego raportowania.

Jak rozwiązać ten problem? Ponieważ nie można bezpośrednio kontrolować kodu podczas pracy z interfejsami API, interakcja z usługami może być trudna. Zdecydowanie zalecamy korzystanie z narzędzi do importowania danych, które obsługują zmiany interfejsu API. W przypadku braku danych narzędzia te mogą pokazać istniejące luki w danych, a następnie pobrać dane.

Gdzie mam przechowywać wszystkie te informacje?

Jeśli chcesz przechowywać każdy bajt danych na własnych serwerach, będzie to kosztować fortunę. Zalecamy korzystanie z rozwiązań chmurowych, ponieważ zaoszczędzą one Twoje zasoby i zapewnią dostęp do danych na całym świecie. Bez wątpienia najlepszą opcją na rynku uwzględniającą potrzeby marketerów jest Google BigQuery. Możesz użyć tej usługi w chmurze do przechowywania surowych danych ze stron internetowych, systemów CRM, platform reklamowych itp.

Zasadniczo najlepszą opcją uniknięcia błędów w zbieraniu danych jest nigdy nie zbieranie danych ręcznie. Obecnie istnieje mnóstwo rozwiązań oprogramowania marketingowego, takich jak OWOX BI, które automatycznie zbierają dane do hurtowni danych (lub jeziora danych) z różnych usług i stron internetowych.

Przez wiele lat marketing zależał od danych osób trzecich. Ale teraz duże wpływowe firmy, takie jak Google i Apple, zmieniają sposób, w jaki wykorzystują dane osobowe. Wkrótce świat porzuci pliki cookie stron trzecich. Dla marketerów oznacza to skomplikowane zbieranie danych i utratę ton cennych danych o działaniach użytkowników w różnych punktach styku. Co można zrobić, aby utrzymać swoją wydajność? Przede wszystkim musisz skupić się na zbieraniu danych z pierwszej i drugiej strony. Po drugie, należy być przygotowanym na korzystanie z jezior danych, ponieważ tylko dane przechowywane w takich jeziorach są Twoją własnością i są przez Ciebie (a nie platformy reklamowe). Ze względu na aktualizacje produktów Google (Google Analytics 4, inicjatywa Privacy Sandbox), zalecamy korzystanie z Google BigQuery, ponieważ nowa wersja Google Analytics ma natywną integrację z GBQ i zapewnia pełny eksport danych.

Drugim krokiem po zebraniu wszystkich danych jest ich wykorzystanie. Jednak nie możesz tego zrobić od razu. Nie można pracować z danymi, dopóki nie zostaną przygotowane (znormalizowane). Dlaczego to jest takie? Dane z różnych platform/usług reklamowych mają różną strukturę i są w różnych formatach i walutach. Aby móc tworzyć raporty, Twoje dane muszą być uporządkowane, zaktualizowane i kompletne.

Próbując normalizować dane, możesz napotkać wyzwania związane z:

• Różne formaty danych, struktury i poziomy szczegółowości. Dlaczego tak jest? Różne usługi korzystają z różnych schematów przesyłania danych. Na przykład jedna usługa reklamowa może mieć kolumnę o nazwie Product name , podczas gdy inna ma kolumnę o nazwie Product category .

Jak wpływa to na jakość danych i raportów? Po prostu niemożliwe jest budowanie raportów, jeśli dane mają różne struktury.

Jak rozwiązać ten problem? Przed analizą danych należy je przekonwertować do jednego formatu; w przeciwnym razie z twojej analizy nie wyjdzie nic dobrego. Na przykład należy połączyć dane sesji użytkownika z danymi o kosztach reklamy, aby zmierzyć wpływ każdego konkretnego źródła ruchu lub kanału marketingowego i zobaczyć, które kampanie reklamowe przynoszą większe przychody.

• Różne waluty. Różne usługi reklamowe korzystają z różnych walut, a aby uzyskać prawidłowe liczby w raportach, należy zawsze sprawdzić, która waluta jest używana, i przeliczyć wszystkie waluty na jedną walutę bazową.
• Zależności wstawiania, aktualizowania i usuwania. Eliminując nieustrukturyzowane dane, aby były idealnie jednolite we wszystkich rekordach i polach, mogą pojawić się różne niepożądane efekty uboczne.

Jak te zależności wpływają na jakość danych i raportów? Najczęstszym skutkiem takich błędów jest to, że dane są odrzucane przez system i nie są brane pod uwagę podczas tworzenia raportów, przez co same raporty są błędne. Załóżmy na przykład, że mamy obiekt sesji i obiekt reklamy . W sesjach mamy dane od 10 do 20 dni, a w reklamach dane od 10 do 15 dni (z jakiegoś powodu nie ma danych o kosztach od 16 do 20 dni). W związku z tym albo utracimy dane z reklam w dniach od 16 do 20, albo dane z sesji będą dostępne tylko w dniach od 10 do 15.

Jak rozwiązać ten problem? Jeśli użytkownik nie zna specyfiki łączenia danych i nie weryfikuje danych, z którymi pracuje, prawdopodobieństwo popełnienia błędu jest bardzo wysokie. Dlatego rozwiązaniem jest sprawdzenie danych przed ich użyciem.

Notatka! Normalizacja danych to ręczna i rutynowa „małpia robota”, która nie jest zbyt inspirująca i uniemożliwia analitykom wydobywanie spostrzeżeń. Trudności normalizacyjne zajmują zwykle do 50% czasu pracy analityka. I bądźmy szczerzy: to dość frustrujące. Aby temu zapobiec, użyj narzędzi automatyzacji!

Idealnym wyjściem jest zastosowanie zautomatyzowanych rozwiązań, które mogą zbierać, czyścić, normalizować i monitorować jakość danych, aby były gotowe do pracy. Jeszcze lepszym wariantem jest sytuacja, w której wybrane złącze danych może zrobić to wszystko za Ciebie, tak jak robi to platforma OWOX BI typu „wszystko w jednym”. Z pomocą OWOX BI możesz z łatwością stawić czoła wszystkim wyzwaniom, które czekają na marketerów i analityków oraz uzyskać gotowe dane biznesowe, którym możesz zaufać.

Błędy w gromadzeniu i normalizacji danych nigdy nie będą Ci przeszkadzać dzięki OWOX BI. Ta usługa uwalnia Twój cenny czas i zajmuje się:

• Zbieranie danych. Uzyskaj wszystkie potrzebne dane z Google Analytics, usług reklamowych, swojej witryny, sklepu offline, usług śledzenia połączeń i systemów CRM do Google BigQuery. OWOX BI pozwala na uzyskanie raportów bez próbkowania jakichkolwiek dostępnych parametrów. Usługa gromadzi surowe dane i ostrzega w przypadku błędów w transferze danych API. Wszystko, co musisz zrobić, to zapewnić dostęp do źródeł danych i wybrać, jakie dane chcesz zbierać.
• Monitorowanie danych. Dzięki OWOX BI zawsze możesz zobaczyć, gdzie występują rozbieżności danych, w jakim okresie i jak ważne są one. Codziennie porównuje ilość danych w Twoim projekcie BigQuery według działań, sesji, użytkowników i transakcji z Google Analytics i sygnalizuje znaczne rozbieżności.
• Normalizacja danych. OWOX BI pomaga w czyszczeniu, deduplikacji i aktualizacji danych, a także w przeliczaniu kosztów na jedną walutę bazową i monitorowaniu trafności danych. OWOX BI może również definiować błędy w tagach UTM, takie jak nieobsługiwane parametry dynamiczne, błędy składni lub całkowity brak obowiązkowych tagów UTM.

Dzięki OWOX BI możesz zbierać dane marketingowe do raportów o dowolnej złożoności w bezpiecznym magazynie w chmurze Google BigQuery, który jest najlepszym wyborem dla potrzeb marketingowych.

Według ankiet, 84% marketerów ma trudności z dostępem do danych i spostrzeżeń, podczas gdy 86% uważa, że ​​potrzebują lepszych narzędzi do ich pozyskiwania. Mówiąc najprościej, marketerzy chcą mieć raport, gdy tylko o tym pomyślą. Korzyści biznesowe, gdy zespół marketingowy wdraża spostrzeżenia, podczas gdy zespół analityczny je wydobywa. A dzięki coraz większej liczbie danych o zachowaniach użytkowników gromadzonych przez marketerów, uzyskanie przydatnych informacji powinno być łatwe. Jednak w praktyce rzeczy często działają w zupełnie odwrotny sposób.

Po uporaniu się z przeszkodami na poziomie zbierania i przygotowywania danych, wciąż pojawiają się inne trudności z tworzeniem raportów, takie jak:

• Decydującjakiego modelu atrybucji użyć. Nie ma właściwej odpowiedzi, ponieważ do różnych zadań wymagane są różne modele. Należy również pamiętać o specyfice Twojej firmy. Szczegółowy przegląd wszystkich modeli atrybucji dostępnych na rynku pomoże Ci wybrać ten, który jest dla Ciebie najlepszy.
• Decydującktóre zgłaszają usługę budowlaną do użycia. Wybierz usługę, która z łatwością zapewnia zrozumiałe wizualizacje danych i może automatycznie aktualizować raporty. Pamiętaj, że chociaż usługi wizualizacji danych, takie jak Google Data Studio, mogą współpracować z więcej niż dwoma źródłami danych, nadal nie można ich używać do scalania i przekształcania danych. Jeśli chcesz stworzyć raport na podstawie wielu źródeł danych, musisz najpierw zebrać wszystkie potrzebne dane do jeziora danych (np. Google BigQuery).

Im bardziej skomplikowany staje się cały ekosystem raportowania (zwłaszcza dla przedsiębiorstw) oraz im więcej zbudowanych jest raportów i zapytań SQL, tym łatwiej system się psuje. Poza faktycznymi błędami w danych mogą pojawić się również różne trudności, które mogą prowadzić do jeszcze większej liczby błędów, niedziałających zapytań SQL, czy niezrozumienia i niewłaściwego wykorzystania zebranych danych .

• Zbyt wiele zmian w raportach (i/lub zapytaniach SQL) w krótkim czasie. Dlaczego to się dzieje? W klasycznej architekturze raportowania pod każdym raportem znajdował się zestaw danych zbudowany przy użyciu zapytań SQL i nic się nie zmieniło. Ale dzisiaj te zapytania SQL są od czasu do czasu zmieniane i edytowane. Jak wpływa to na jakość danych i raportów? Jest tak wiele zmian, że łatwo zapomnieć, jakie zmiany zostały wprowadzone i kiedy. Oznacza to, że edycje na poziomie jednego zestawu danych nie są stosowane do innego zestawu danych.
• Wymagania ciągle się zmieniają (a przejście na nową wersję Google Analytics 4 i ograniczenia w korzystaniu z danych wcale tego nie ułatwiają). Dlaczego to się dzieje? Podczas gdy zapotrzebowanie na różne raporty rośnie, analitycy muszą tworzyć zestawy danych, normalizować dane i pisać zapytania SQL dla każdego raportu. Jak to wpływa na jakość danych i raportów? Gdy zmienia się znaczenie obiektu — na przykład to, co jest rozumiane jako konwersja, zmienia się na wizytę na stronie, a nie składanie zamówienia — wyzwaniem jest zapamiętanie, co należy zmienić, aby dane były dokładne i poprawne w każdym raporcie.
• Długi proces raportowania. Dlaczego to się dzieje? Analitycy są zawsze przeciążeni, a marketerzy muszą czekać na raporty. Co więcej, według badań, stworzenie choćby jednego dashboardu zajmuje średnio 4,5 dnia, minimum trzy iteracje i co najważniejsze, około 18 000 USD. Jak wpływa to na jakość danych i raportów? Marketerzy nie mają możliwości znalezienia natychmiastowych odpowiedzi na wszelkiego rodzaju pytania co , dlaczego , kiedy i gdzie w chwili ich pojawienia się . Dzięki temu decyzje podejmowane są na podstawie intuicji lub niepełnych i błędnych danych.
• Trudność w zrozumieniu danych. Dlaczego to się dzieje? Różne osoby pracują z tymi samymi raportami i nie zawsze kryje się to samo znaczenie poszczególnych danych i parametrów. Na przykład w różnych raportach metryka użytkownika może oznaczać zarejestrowanego użytkownika bez zakupów lub powracającego klienta. Jak wpływa to na jakość danych i raportów? Podejmując decyzję, definiujesz użytkownika w jeden sposób, ale nie ma gwarancji, że raport, do którego się odwołujesz, definiuje użytkownika w ten sam sposób.

Wszystkie te czynniki można zilustrować na jednym przykładzie: grając w szept na pasie . Twoje dane wejściowe wydają się być poprawne i istotne, ale wynik nadal nie jest taki, jak powinien.

To nie lada zadanie, aby dane i raporty były godne zaufania i możliwe do zastosowania. Wśród głównych bolączek i przeszkód w osiągnięciu tego celu są:

• Dostęp do aktualnych, kompletnych, wysokiej jakości danych gotowych do pracy w firmie, aby dać analitykom wolny czas na szukanie stref ryzyka i stref wzrostu oraz znajdowanie nowych podejść do pracy z danymi.
• Możliwość generowania raportów marketingowych w ciągu kilku minut, dzięki czemu marketerzy mogą szybko testować hipotezy i wyszukiwać spostrzeżenia.

Na szczęście nowoczesne rozwiązania do analizy w chmurze zapewniają marketerom i analitykom raporty i dane, którym mogą ufać. Jeśli chcesz tworzyć raporty, którym możesz ufać — raporty, które się nie psują i których przygotowanie nie zajmuje dni — powinieneś spróbować użyć OWOX BI. Jest to usługa zaprojektowana specjalnie na potrzeby raportowania marketingowego w oparciu o kompletne, wysokiej jakości dane. Dzięki przemyślanemu podejściu analitycy mogą testować hipotezy i znajdować spostrzeżenia pięć razy szybciej.

OWOX BI demokratyzuje dostęp do danych dla wszystkich użytkowników, niezależnie od ich zaplecza technicznego. Usługa zapewnia zautomatyzowane procesy zbierania i przygotowywania danych gotowych do pracy, umożliwiając tworzenie i edycję raportów w ciągu kilku minut. Poza tym możesz przestać martwić się błędami w raportach podczas wprowadzania zmian, ponieważ dzięki OWOX BI Twoje raporty nigdy się nie psują!

OWOX BI sprawia, że ​​odkrywanie spostrzeżeń uwięzionych w danych i tworzenie raportów, którym możesz zaufać, jest łatwiejsze niż kiedykolwiek. Zarezerwuj bezpłatne demo, aby zobaczyć, jak jeszcze OWOX BI gwarantuje jakość danych i jak już dziś możesz skorzystać z w pełni zautomatyzowanego zarządzania danymi!

Firma czerpie największą wartość ze swoich danych, gdy dane te są wysokiej jakości, a decydenci mogą szybko działać na podstawie wyników uzyskanych z danych.

Analityk jest najcenniejszy, gdy pracuje z danymi gotowymi do pracy, może szybko odpowiadać na pytania biznesowe za pomocą danych i może dostarczyć praktycznych spostrzeżeń. Praca analityka nie polega już na spędzaniu czasu na zbieraniu, przygotowywaniu i harmonizowaniu danych oraz pisaniu zapytań SQL.

Firma musi korzystać z narzędzi do automatyzacji z modelowanymi danymi biznesowymi, aby rozwijać się szybciej niż konkurenci, korzystając z analiz marketingowych. Wysokiej jakości dane to podstawa, na której należy budować każdy raport i decyzję zarządczą. Chociaż może istnieć wiele przeszkód w uzyskaniu wysokiej jakości danych, którym można zaufać, począwszy od etapu zbierania danych aż do etapu tworzenia raportu, jest to nadal możliwe.

Co można zrobić, aby przezwyciężyć te problemy?

• Zapobiegaj błędom podczas zbierania danych, ponieważ łatwiej i taniej jest przede wszystkim zapobiegać występowaniu błędów, niż łagodzić ich konsekwencje.
• Unikaj samej możliwości błędu, używając jak największej automatyzacji w przepływach pracy. Nie wspominając o tym, że automatyzacja ręcznych i powtarzalnych zadań umożliwia specjalistom skupienie się na działaniach o większej wartości dodanej, takich jak opracowywanie praktycznych analiz danych.