Markedsføring trenger kvalitetsdata for å være datadrevet – kamper og løsninger

Markedsdatakvalitet og datadrevet markedsføring

Markedsførere er under ekstremt press for å være datadrevne. Likevel vil du ikke finne markedsførere som snakker om dårlig datakvalitet eller stiller spørsmål ved mangelen på dataadministrasjon og dataeierskap i organisasjonene deres. I stedet streber de etter å være datadrevet med dårlige data. Tragisk ironi! 

For de fleste markedsførere er problemer som ufullstendige data, skrivefeil og duplikater ikke engang anerkjent som et problem. De ville brukt timer på å fikse feil i Excel, eller de ville undersøkt etter plugins for å koble til datakilder og forbedre arbeidsflyter, men de er ikke klar over at dette er datakvalitetsproblemer som har en ringvirkning på tvers av organisasjonen som resulterer i millioner av tapte penger. 

Hvordan datakvalitet påvirker forretningsprosessen

Markedsførere i dag er så overveldet av beregninger, trender, rapporter og analyser at de rett og slett ikke har tid til å være nøye med datakvalitetsutfordringer. Men det er det som er problemet. Hvis markedsførere ikke har nøyaktige data til å begynne med, hvordan i all verden skulle de kunne lage effektive kampanjer? 

Jeg nådde ut til flere markedsførere da jeg begynte å skrive dette stykket. Jeg var så heldig å ha Axel Lavergne, medgründer av ReviewFlowz å dele sin erfaring med dårlige data. 

Her er hans innsiktsfulle svar på spørsmålene mine. 

  1. Hva var dine første problemer med datakvalitet da du bygde produktet ditt? Jeg satte opp en gjennomgangsmotor og trengte noen få kroker for å sende anmeldelsesforespørsler til fornøyde kunder på et tidspunkt da de sannsynligvis ville gi en positiv anmeldelse. 

    For å få dette til, laget teamet en Net Promoter Score (NPS) spørreundersøkelse som sendes ut 30 dager etter registrering. Når en kunde ville forlate en positiv NPS, først 9 og 10, senere utvidet til 8, 9 og 10, ville de bli invitert til å legge igjen en anmeldelse og få et gavekort på $10 i retur. Den største utfordringen her var at NPS-segmentet ble satt opp på marketing automation-plattformen, mens dataene satt i NPS-verktøyet. Frakoblede datakilder og inkonsistente data på tvers av verktøy ble en flaskehals som krevde bruk av tilleggsverktøy og arbeidsflyter.

    Etter hvert som teamet fortsatte med å integrere ulike logikkflyter og integrasjonspunkter, måtte de forholde seg til å opprettholde konsistens med eldre data. Produktet utvikler seg, noe som betyr at produktdata er i konstant endring, noe som krever at selskaper holder et konsistent rapporteringsdataskjema over tid.

  2. Hvilke skritt tok du for å løse problemet? Det tok mye arbeid med datateamet for å bygge opp riktig datateknikk rundt integrasjonsaspektet. Høres kanskje ganske grunnleggende ut, men med mange forskjellige integrasjoner og mange oppdateringer som sendes, inkludert oppdateringer som påvirker registreringsflyten, måtte vi bygge mange forskjellige logiske flyter basert på hendelser, statiske data, etc.
  3. Hadde markedsavdelingen din noe å si for å løse disse utfordringene? Det er en vanskelig ting. Når du går til datateamet med et veldig spesifikt problem, tror du kanskje det er en enkel løsning og det tar bare 1 time å fikse men det innebærer egentlig ofte massevis av endringer du ikke er klar over. I mitt spesifikke tilfelle angående plugins, var hovedkilden til problemer å opprettholde konsistente data med eldre data. Produktene utvikler seg, og det er veldig vanskelig å holde et konsistent rapporteringsdataskjema over tid.

    Så ja, definitivt noe å si når det gjelder behovene, men når det kommer til hvordan man implementerer oppdateringene osv. kan man virkelig ikke utfordre et ordentlig dataingeniørteam som vet at de må håndtere mange endringer for å få det til, og for å "beskytte" dataene mot fremtidige oppdateringer.

  4. Hvorfor snakker ikke markedsførere om Dataledelse eller datakvalitet selv om de prøver å være datadrevne? Jeg tror det egentlig handler om å ikke innse problemet. De fleste markedsførere jeg har snakket med undervurderer datainnsamlingsutfordringene, og ser i utgangspunktet på KPIer som har eksistert i årevis uten å stille spørsmål ved dem. Men det du kaller en registrering, en potensiell kunde eller til og med en unik besøkende endres massivt avhengig av sporingsoppsettet ditt og produktet ditt.

    Veldig grunnleggende eksempel: du hadde ingen e-postvalidering, og produktteamet ditt legger det til. Hva er en påmelding da? Før eller etter validering? Jeg vil ikke engang begynne å gå inn på alle finesser i nettsporing.

    Jeg tror det også har mye å gjøre med attribusjon og måten markedsføringsteam er bygget på. De fleste markedsførere er ansvarlige for en kanal eller et undersett av kanaler, og når du summerer hva hvert medlem av et team tilskriver kanalen sin, er du vanligvis rundt 150 % eller 200 % av attribusjonen. Høres urimelig ut når du sier det sånn, og det er derfor ingen gjør det. Det andre aspektet er sannsynligvis at datainnsamling ofte kommer ned til svært tekniske problemer, og de fleste markedsførere er ikke helt kjent med dem. Til syvende og sist kan du ikke bruke tiden din på å fikse data og lete etter pikselperfekt informasjon fordi du bare ikke får det.

  5. Hvilke praktiske/umiddelbare skritt tror du markedsførere kan ta for å fikse kvaliteten på kundedataene deres?Sett deg selv i en brukers sted, og test hver eneste av traktene dine. Spør deg selv hva slags hendelse eller konverteringshandling du utløser ved hvert trinn. Du vil sannsynligvis bli veldig overrasket over hva som egentlig skjer. Å forstå hva et tall betyr i det virkelige liv, for en kunde, kundeemne eller besøkende, er helt grunnleggende for å forstå dataene dine.

Markedsføring har den dypeste forståelsen av kunden, men strever med å få orden på problemene med datakvalitet

Markedsføring er kjernen i enhver organisasjon. Det er avdelingen som sprer ordet om produktet. Det er avdelingen som er en bro mellom kunden og virksomheten. Avdelingen som helt ærlig driver showet.

Likevel sliter de også mest med tilgang til kvalitetsdata. Verre, som Axel nevnte, de skjønner nok ikke engang hva dårlig data betyr og hva de er oppe mot! Her er noen statistikker hentet fra DOMO-rapporten, Marketings nye MO, for å sette ting i perspektiv:

  • 46 % av markedsførerne sier at det store antallet datakanaler og kilder har gjort det vanskeligere å planlegge på lang sikt.
  • 30 % seniormarkedsførere mener at CTO og IT-avdelingen bør ta ansvaret for å eie data. Bedrifter finner fortsatt ut eierskap til data!
  • 17.5 % mener det er mangel på systemer som samler data og tilbyr åpenhet på tvers av teamet.

Disse tallene indikerer at det er på tide at markedsføring eier data og krever generering for at den virkelig skal være datadrevet.

Hva kan markedsførere gjøre for å forstå, identifisere og håndtere datakvalitetsutfordringer?

Til tross for at data er ryggraden for forretningsbeslutninger, sliter mange selskaper fortsatt med å forbedre rammeverket for dataadministrasjon for å løse kvalitetsproblemer. 

I en rapport fra Marketing Evolution, mer enn en fjerdedel av de 82 % selskaper i undersøkelsen ble skadet av dårlige data. Markedsførere har ikke lenger råd til å feie datakvalitetshensyn under teppet, og de har heller ikke råd til å være uvitende om disse utfordringene. Så hva kan markedsførere egentlig gjøre for å møte disse utfordringene? Her er fem beste fremgangsmåter for å komme i gang med.

Beste praksis 1: Begynn å lære om datakvalitetsproblemer

En markedsfører må være like bevisst på datakvalitetsproblemer som sin IT-kollega. Du må kjenne til vanlige problemer knyttet til datasett som inkluderer, men ikke er begrenset til:

  • Skrivefeil, stavefeil, navnefeil, dataregistreringsfeil
  • Problemer med navnekonvensjoner og mangel på standarder som telefonnumre uten landskoder eller bruk av forskjellige datoformater
  • Ufullstendige detaljer som manglende e-postadresser, etternavn eller viktig informasjon som kreves for effektive kampanjer
  • Unøyaktig informasjon som feil navn, feil nummer, e-post osv
  • Ulike datakilder der du registrerer informasjon om samme person, men de er lagret på forskjellige plattformer eller verktøy som hindrer deg i å få en konsolidert visning
  • Dupliserte data der informasjonen ved et uhell gjentas i samme datakilde eller i en annen datakilde

Slik ser dårlige data ut i en datakilde:

dårlige dataproblemer med markedsføring

Å gjøre deg kjent med begreper som datakvalitet, dataadministrasjon og datastyring kan hjelpe deg å komme langt med å identifisere feil i Customer Relationship Management (CRM) plattform, og på den strekningen, slik at du kan iverksette tiltak etter behov.

Beste praksis 2: Prioriter alltid kvalitetsdata

Jeg har vært der, gjort det. Det er fristende å ignorere dårlige data, for hvis du virkelig skulle grave dypt, ville bare 20 % av dataene dine faktisk vært brukbare. Mer enn 80 % av dataene er bortkastet. Prioriter alltid kvalitet fremfor kvantitet! Du kan gjøre det ved å optimalisere datainnsamlingsmetodene dine. For eksempel, hvis du registrerer data fra et nettskjema, sørg for at du bare samler inn data som er nødvendig og begrense behovet for brukeren til å skrive inn informasjonen manuelt. Jo mer en person må "skrive" inn informasjon, jo høyere er det sannsynlig at de sender inn ufullstendige eller unøyaktige data.

Beste praksis 3: Utnytt riktig datakvalitetsteknologi

Du trenger ikke å bruke en million dollar på å fikse datakvaliteten din. Det finnes dusinvis av verktøy og plattformer der ute som kan hjelpe deg med å få orden på dataene dine uten å sette i gang noe oppstyr. Ting disse verktøyene kan hjelpe deg med inkluderer:

  • Dataprofilering: Hjelper deg med å identifisere ulike feil i datasettet ditt, for eksempel manglende felt, dupliserte oppføringer, stavefeil osv.
  • Data rensing: Hjelper deg med å rense dataene dine ved å muliggjøre raskere transformasjon fra dårlige til optimaliserte data.
  • Datamatching: Hjelper deg å matche datasett i forskjellige datakilder og koble/slå sammen dataene fra disse kildene. Du kan for eksempel bruke datamatch for å koble til både online og offline datakilder.

Datakvalitetsteknologi lar deg fokusere på det som betyr noe ved å ta deg av det overflødige arbeidet. Du trenger ikke å bekymre deg for å kaste bort tid på å fikse dataene dine i Excel eller i CRM før du starter en kampanje. Med integreringen av et datakvalitetsverktøy vil du kunne få tilgang til kvalitetsdata før hver kampanje.

Beste praksis 4: Involver toppledelsen 

Beslutningstakere i organisasjonen din er kanskje ikke klar over problemet, eller selv om de er det, antar de fortsatt at det er et IT-problem og ikke et markedsføringsproblem. Det er her du må gå inn for å foreslå en løsning. Dårlige data i CRM? Dårlige data fra undersøkelser? Dårlige kundedata? Alle disse er markedsføringsproblemer og har ingenting med IT-team å gjøre! Men med mindre en markedsfører går opp for å foreslå å løse problemet, kan organisasjoner ikke gjøre noe med datakvalitetsproblemer. 

Beste praksis 5: Identifiser problemer på kildenivå 

Noen ganger er dårlige dataproblemer forårsaket av en ineffektiv prosess. Selv om du kan rydde opp i data på overflaten, med mindre du ikke identifiserer årsaken til problemet, vil du bli rammet av de samme kvalitetsproblemene ved gjentakelse. 

Hvis du for eksempel samler inn kundeemnedata fra en landingsside, og du legger merke til at 80 % av dataene har et problem med telefonnummeroppføringer, kan du implementere dataregistreringskontroller (som å plassere et obligatorisk bykodefelt) for å sikre at får nøyaktige data. 

Grunnårsaken til de fleste dataproblemer er relativt enkel å løse. Du trenger bare å bruke tid på å grave dypere og identifisere kjerneproblemet og gjøre en ekstra innsats for å løse problemet! 

Data er ryggraden i markedsføringsoperasjoner

Data er ryggraden i markedsføringsoperasjoner, men hvis disse dataene ikke er nøyaktige, fullstendige eller pålitelige, vil du tape penger på kostbare feil. Datakvalitet er ikke lenger begrenset til IT-avdelingen. Markedsførere er eiere av kundedata og må derfor kunne implementere de riktige prosessene og teknologien for å nå sine datadrevne mål.

Hva tror du?

Dette nettstedet bruker Akismet for å redusere spam. Lær hvordan kommentaren din behandles.