Почему вы можете (или не можете) доверять своим отчетам

По данным Harvard Business Review, 90% бизнес-лидеров считают, что грамотность в отношении данных имеет решающее значение для успеха компании. Однако 84% маркетологов испытывают трудности с доступом к данным и информации. Информационные панели и отчеты не отображают реальную картину, и им нельзя слепо доверять.

Почему это так? Плохое качество данных и ошибки в данных являются одними из основных причин, по которым вы не можете доверять своим маркетинговым отчетам. Согласно опросу Gartner, «среднее финансовое воздействие низкого качества данных на организацию оценивается в 15 миллионов долларов в год».

Если вы не доверяете своим информационным панелям и данным, на которых они построены, управленческие решения не будут приниматься на основе реальных цифр. А для бизнеса это ужасно.

В этой статье мы обсудим все возможные ошибки данных и этапы, на которых эти ошибки могут возникнуть. Тогда мы даем вам конкретные советы, как их избежать. Вот ваш контрольный список, чтобы сказать нет плохому качеству данных!

Если вы хотите, чтобы ваша компания преуспела, вы должны предоставить бизнес-пользователям высококачественные аналитические данные. Имея под рукой всю доступную информацию, маркетологи могут легко объяснить, почему то или иное решение сработало, что повлияло на успех или провал рекламных кампаний, что можно сделать лучше и т. д.

Более того, с быстрорастущим цифровым медиа-ландшафтом клиенты используют все больше и больше медиа-каналов и ожидают персонализированного подхода, подкрепленного данными, чтобы они могли получить точные рекомендации. Неразумно игнорировать возможности маркетинговой аналитики, особенно учитывая, что более 80% маркетинговых бюджетов опираются на цифровые каналы для привлечения клиентов. Это как если бы у тебя в гараже стоял мощный Феррари и ты боялся на нем ездить!

Однако реализовать этот логичный и простой подход сложно: чтобы руководители и специалисты по маркетингу применяли собранные данные, они должны им доверять . И в этом корень всех проблем.

Что можно сделать, чтобы улучшить качество данных, собираемых по всем каналам, с которыми работают маркетологи, и повысить доверие к полученным данным? Не допускайте появления ошибок!

Ошибки данных обычно возникают в три этапа:

1. Планирование измерений
2. Сбор и подготовка данных (нормализация)
3. Создание отчета

Примечание! На каждом из этих этапов данные могут быть неправильно обработаны из-за человеческого фактора.

Давайте посмотрим, что можно сделать, чтобы ошибки не появлялись. Ведь гораздо проще предотвратить ошибки, чем искать ошибки и расхождения данных во всей системе отчетности.

Первый шаг в работе с данными кажется довольно простым — вы должны спланировать сбор всех необходимых вам маркетинговых данных. Однако сбор данных часто планируется только для конкретной задачи, поэтому у вас может не хватить данных для новых задач, которые вы выполняете, или новых проектов, которые вы начинаете. Поэтому пропускать этап планирования неразумно. Команда OWOX всегда делает экспресс-анализ перед началом работы над проектом. Почему? Выявление возможных узких мест в сборе данных. Иногда команда даже разрабатывает целые системы метрик и перечисляет все возможные параметры.

Задача состоит в том, чтобы собрать все фрагментированные данные из всех источников данных (разных рекламных платформ и сервисов, с которыми вы работаете) и заставить эти данные работать на вас.

Отсутствие этого этапа планирования или неструктурированный подход приводит к перенастройке передачи идентификаторов при отсутствии исторических данных. Если у вас нет всех данных, ваши решения и действия будут основаны на неверной или неполной информации. Чтобы избежать этого, вам необходимо учитывать все точки соприкосновения с клиентом, собирая:

• Данные о поведении пользователей с вашего сайта и/или приложения
• Данные о расходах с рекламных площадок
• Отслеживание звонков, чат-бот и данные электронной почты
• Фактические данные о продажах из ваших систем CRM/ERP и т. д.

Основные ошибки, которые могут появиться на этом этапе, являются следствием:

• Получение агрегированных выборочных данных . Выборочные данные — это обобщенные данные, которые возникают, когда только часть данных анализируется и используется для составления отчетов. Давайте представим, что у вас есть килограмм яблок, и ваша задача решить, хорошие эти яблоки или гнилые. Если вы используете выборочные данные (два-три яблока из всей грозди), вы можете решить, что этот килограмм отличного качества, тогда как на самом деле все остальные яблоки, которые вы не пробовали, гнилые.

Почему это происходит? Поскольку обработка больших массивов данных в кратчайшие сроки является сложной и ресурсоемкой задачей, системы обрабатывают данные быстро, используя выборку данных, агрегацию и фильтрацию для максимально быстрого создания отчетов.

Как это влияет на качество данных и отчетов? Очевидно, плохо. Умные решения не могут быть приняты на основе небольшой выборки данных. Например, вы можете не увидеть прибыльную рекламную кампанию и отключить ее из-за искаженных данных в отчете.

Как можно определить эту проблему? В интерфейсе Google Analytics в верхней части отчета вы увидите сообщение Этот отчет основан на N% сеансов .

Если вы хотите получать отчеты, которым можно доверять, необходимо получать необработанные данные без выборки. Итак, после того, как вы определились со всеми источниками данных, вам нужно предпочтительно использовать коннекторы, которые автоматически собирают необработанные данные и регулярно проверяют полноту данных.

• Получение неполных и некорректных данных из API рекламного сервиса . Почему это происходит? Рекламные сервисы собирают множество данных о пользователях и их поведении; однако при передаче данных могут возникать такие ошибки, как дублирование данных, потеря данных или расхождения во время ретроспективного обновления. Как это влияет на качество ваших данных и отчетов? Эти ошибки переносятся в отчеты, и, как следствие, принимать правильные решения из-за неточной отчетности просто невозможно.

Как решить эту проблему? Поскольку невозможно напрямую управлять кодом при работе с API, взаимодействие со службами может быть затруднено. Мы настоятельно рекомендуем использовать инструменты импорта данных, поддерживающие изменения API. Если данные недоступны, эти инструменты могут показать существующие пробелы в данных и впоследствии загрузить данные.

Где хранить всю эту информацию?

Если вы хотите хранить каждый байт данных на своих собственных серверах, это будет стоить вам целое состояние. Мы рекомендуем использовать облачные решения, так как они сэкономят ваши ресурсы и предоставят доступ к данным по всему миру. Без сомнения, лучшим вариантом на рынке, учитывающим потребности маркетологов, является Google BigQuery. Вы можете использовать этот облачный сервис для хранения необработанных данных с веб-сайтов, CRM-систем, рекламных площадок и т. д.

По сути, лучший способ избежать ошибок при сборе данных — никогда не собирать данные вручную. Сегодня существует множество маркетинговых программных решений, таких как OWOX BI, которые автоматически собирают данные в хранилище данных (или озеро данных) из различных сервисов и веб-сайтов.

Многие годы маркетинг зависел от сторонних данных. Но теперь крупные влиятельные компании, такие как Google и Apple, меняют способ использования персональных данных. Вскоре мир откажется от сторонних файлов cookie. Для маркетологов это означает сложный сбор данных и потерю множества ценных данных о действиях пользователей в разных точках взаимодействия. Что можно сделать, чтобы сохранить свою работоспособность? Прежде всего, вы должны сосредоточиться на сборе первых и сторонних данных. Во-вторых, вы должны быть готовы к использованию озер данных, так как только данные, хранящиеся в таких озерах, принадлежат и контролируются вами (а не рекламными площадками). В связи с обновлениями в продуктах Google (Google Analytics 4, инициатива Privacy Sandbox) мы рекомендуем использовать Google BigQuery, так как новая версия Google Analytics имеет встроенную интеграцию с GBQ и обеспечивает полный экспорт данных.

Второй шаг после сбора всех данных — их использование. Однако сделать это сразу нельзя. С данными невозможно работать, пока они не будут подготовлены (нормализованы). Почему это так? Данные с разных рекламных площадок/сервисов имеют разную структуру и находятся в разных форматах и ​​валютах. Чтобы иметь возможность создавать отчеты, вам необходимо, чтобы ваши данные были структурированы, обновлены и полны.

При попытке нормализовать данные вы можете столкнуться с проблемами, связанными с:

• Различные форматы данных, структуры и уровни детализации. Почему это так? Разные сервисы используют разные схемы выгрузки данных. Например, в одном рекламном сервисе может быть столбец « Название продукта », а в другом — столбец « Категория продукта» .

Как это влияет на качество данных и отчетов? Строить отчеты, если данные находятся в разных структурах, просто невозможно.

Как решить эту проблему? Перед анализом данных их необходимо преобразовать в единый формат; иначе ничего хорошего из вашего анализа не выйдет. Например, вам следует объединить данные о сеансах пользователей с данными о затратах на рекламу, чтобы измерить влияние каждого конкретного источника трафика или маркетингового канала и увидеть, какие рекламные кампании приносят вам больше дохода.

• Разные валюты. В разных рекламных сервисах используются разные валюты, и чтобы в отчетах отображались правильные цифры, всегда следует проверять, какая валюта используется, и конвертировать все валюты в единую базовую валюту.
• Вставка, обновление и удаление зависимостей. При устранении неструктурированных данных для идеальной однородности по всем записям и полям могут возникнуть различные нежелательные побочные эффекты.

Как эти зависимости влияют на качество данных и отчетов? Наиболее частым результатом таких ошибок является то, что данные отбрасываются системой и не учитываются при создании отчетов, что делает сами отчеты ошибочными. Например, скажем, у нас есть объект сеансов и объект рекламы . В сессиях у нас есть данные за дни с 10 по 20, а в рекламе данные за дни с 10 по 15 (почему-то нет данных о расходах за дни с 16 по 20). Соответственно, либо мы теряем данные по рекламе за 16-20 дней, либо данные о сессиях будут доступны только за 10-15 дни.

Как решить эту проблему? Если пользователь не знает особенностей объединения данных и не проверяет данные, с которыми работает, вероятность ошибки очень высока. Поэтому решение состоит в том, чтобы проверить свои данные перед их использованием.

Примечание! Нормализация данных — это ручная и рутинная «обезьянья работа», которая не очень вдохновляет и мешает аналитикам извлекать информацию. Трудности нормализации обычно занимают до 50% рабочего времени аналитика. И давайте будем честными: это довольно неприятно. Чтобы этого не произошло, используйте средства автоматизации!

Идеальный выход — применять автоматизированные решения, которые могут собирать, очищать, нормализовать и контролировать качество ваших данных, чтобы они были готовы к работе. Еще лучше вариант, если выбранный вами коннектор данных может сделать все это за вас, как это делает универсальная платформа OWOX BI. С помощью OWOX BI вы легко справитесь со всеми задачами, ожидающими маркетологов и аналитиков, и получите готовые к использованию данные, которым можно доверять.

Ошибки сбора данных и нормализации никогда не побеспокоят вас с OWOX BI. Эта услуга освобождает ваше драгоценное время и позволяет:

• Сбор информации. Получите все необходимые данные из Google Analytics, рекламных сервисов, вашего сайта, офлайн-магазина, сервисов коллтрекинга и CRM-систем в Google BigQuery. OWOX BI позволяет получать отчеты без выборки по любым доступным параметрам. Сервис собирает необработанные данные и предупреждает вас в случае ошибок при передаче данных через API. Все, что вам нужно сделать, это предоставить доступ к источникам данных и выбрать, какие данные вы хотите собрать.
• Мониторинг данных. С помощью OWOX BI вы всегда можете увидеть, где у вас есть расхождения в данных, за какой период и насколько они критичны. Он ежедневно сравнивает объем данных в вашем проекте BigQuery по обращениям, сеансам, пользователям и транзакциям с Google Analytics и выявляет значительные расхождения.
• Нормализация данных. OWOX BI помогает с очисткой, дедупликацией и обновлением данных, а также переводом затрат в одну базовую валюту и мониторингом актуальности данных. Также OWOX BI может определять ошибки в UTM-тегах, такие как неподдерживаемые динамические параметры, синтаксические ошибки или полное отсутствие обязательных UTM-тегов.

С OWOX BI вы можете собирать маркетинговые данные для отчетов любой сложности в безопасном облачном хранилище BigQuery от Google, что является лучшим выбором для нужд маркетинга.

Согласно опросам, 84% маркетологов испытывают трудности с доступом к данным и информации, тогда как 86% считают, что им нужны более совершенные инструменты для их получения. Проще говоря, маркетологи хотят получать отчет, как только они об этом думают. Бизнес выигрывает, когда маркетинговая команда реализует идеи, а аналитическая команда их извлекает. А учитывая, что маркетологи собирают все больше и больше данных о поведении пользователей, получить полезную информацию должно быть легко. Однако на практике часто все происходит совсем наоборот.

После преодоления препятствий на уровнях сбора и подготовки данных остаются и другие трудности с созданием отчетов, такие как:

• Принятие решениякакую модель атрибуции использовать. Правильного ответа нет, так как для разных задач требуются разные модели. Также следует учитывать особенности вашего бизнеса. Подробный обзор всех представленных на рынке моделей атрибуции поможет выбрать наиболее подходящую для вас.
• Принятие решениякакую службу построения отчетов использовать. Выберите службу, которая может легко обеспечить понятную визуализацию данных и может автоматически обновлять отчеты. Обратите внимание, что хотя сервисы визуализации данных, такие как Google Data Studio, могут работать с более чем двумя источниками данных, их по-прежнему нельзя использовать для слияния и преобразования данных. Если вы хотите создать отчет на основе множества источников данных, вам необходимо сначала собрать все необходимые данные в озеро данных (например, Google BigQuery).

Чем сложнее становится вся экосистема отчетности (особенно для корпоративных предприятий) и чем больше создается отчетов и SQL-запросов, тем легче система выходит из строя. Помимо фактических ошибок в данных, также могут возникнуть различные трудности, которые могут привести к еще большему количеству ошибок, некорректным SQL-запросам или неправильному пониманию и неправильному использованию собранных данных .

• Слишком много правок в отчетах (и/или SQL-запросах) за короткий промежуток времени. Почему это происходит? В классической архитектуре отчетов под каждым отчетом, построенным с помощью SQL-запросов, был набор данных, и ничего не менялось. Но сегодня эти SQL-запросы время от времени меняются и редактируются. Как это влияет на качество данных и отчетов? Изменений так много, что легко забыть, какие изменения были сделаны и когда. Это означает, что изменения на уровне одного набора данных не применяются к другому набору данных.
• Требования постоянно меняются (и переход на новую версию Google Analytics 4 и ограничения на использование данных не облегчают ситуацию). Почему это происходит? Поскольку потребность в различных отчетах растет, аналитикам необходимо создавать наборы данных, нормализовать данные и писать SQL-запросы для каждого отчета. Как это влияет на качество данных и отчетов? Когда значение объекта меняется — например, то, что понимается под конверсией, меняется на посещение веб-сайта вместо оформления заказа — сложно вспомнить, что нужно изменить, чтобы данные оставались точными и правильными в каждом отчете.
• Долгий процесс отчетности. Почему это происходит? Аналитики всегда перегружены, а маркетологам приходится ждать отчетов. Более того, по исследованиям, создание даже одного дашборда занимает в среднем 4,5 дня, минимум три итерации, а самое главное — около 18 000 долларов. Как это влияет на качество данных и отчетов? У маркетологов нет возможности найти немедленные ответы на всевозможные вопросы « что », « почему », « когда » и « где » в момент их возникновения. В результате решения принимаются на основе интуиции или неполных и неверных данных.
• Трудности в понимании данных. Почему это происходит? С одними и теми же отчетами работают разные люди, и не всегда за той или иной метрикой и конкретным параметром скрывается одно и то же значение. Например, в различных отчетах пользовательская метрика может означать зарегистрированного пользователя без покупок или вернувшегося клиента. Как это влияет на качество данных и отчетов? Когда вы принимаете решение, вы определяете пользователя одним способом, но нет гарантии, что отчет, на который вы ссылаетесь, определяет пользователя таким же образом.

Все эти факторы можно проиллюстрировать одним примером: игра в шепот в переулке . Ваши входные данные кажутся правильными и актуальными, но результат все равно совсем не тот, что должен был быть.

Сделать данные и отчеты достоверными и применимыми — непростая задача. Среди основных трудностей и препятствий на пути к достижению этой цели можно выделить следующие:

• Доступ к актуальным, полным, качественным готовым для бизнеса данным освобождает время аналитиков для поиска зон риска и роста и поиска новых подходов к работе с данными.
• Возможность создавать маркетинговые отчеты за считанные минуты, чтобы маркетологи могли быстро проверять гипотезы и искать идеи.

К счастью, современные решения для облачной аналитики предоставляют маркетологам и аналитикам отчеты и данные, которым они могут доверять. Если вы хотите создавать отчеты, которым можно доверять — отчеты, которые не ломаются и не готовятся днями, — попробуйте использовать OWOX BI. Это сервис, разработанный специально для нужд маркетинговой отчетности на основе полных высококачественных данных. Благодаря продуманному подходу аналитики могут проверять гипотезы и находить ценные сведения в пять раз быстрее.

OWOX BI демократизирует доступ к данным для всех пользователей, независимо от их технического образования. Сервис предоставляет вам автоматизированные процессы сбора и подготовки бизнес-данных, позволяя создавать и редактировать отчеты за считанные минуты. Кроме того, вы можете не беспокоиться об ошибках в отчетах при внесении изменений, так как с OWOX BI ваши отчеты никогда не ломаются!

OWOX BI позволяет проще, чем когда-либо, разблокировать информацию, скрытую в ваших данных, и создавать отчеты, которым вы можете доверять. Закажите бесплатную демонстрацию, чтобы узнать, как еще OWOX BI гарантирует качество данных и как вы можете извлечь выгоду из полностью автоматизированного управления данными уже сегодня!

Компания получает наибольшую ценность от своих данных, когда эти данные высокого качества и когда лица, принимающие решения, могут быстро действовать на основе полученных данных.

Аналитик наиболее ценен, когда он работает с готовыми для бизнеса данными, может быстро ответить на бизнес-вопросы с помощью данных и может дать полезную информацию. Работа аналитика больше не заключается в том, чтобы тратить время на сбор, подготовку и согласование данных и написание SQL-запросов.

Компании необходимо использовать инструменты автоматизации с смоделированными данными, готовыми для бизнеса, чтобы расти быстрее, чем конкуренты, использующие маркетинговую информацию. Качественные данные — это основа, на которой должны строиться каждый отчет и управленческое решение. Несмотря на то, что может быть много препятствий для получения высококачественных данных, которым можно доверять, начиная со стадии сбора данных и заканчивая этапом создания отчета, это все же возможно.

Что можно сделать, чтобы преодолеть эти проблемы?

• Предотвращайте ошибки при сборе данных, так как проще и дешевле не допустить возникновения ошибок, чем смягчать их последствия.
• Избегайте самой возможности ошибки, максимально используя автоматизацию рабочих процессов. Не говоря уже о том, что автоматизация ручных и повторяющихся задач позволяет специалистам сосредоточиться на дополнительных действиях, таких как разработка полезных аналитических данных.