Hvordan enhetsoppløsning tilfører verdi til markedsføringsprosessene dine

Hva er enhetsoppløsning i markedsføringsdata

Et stort antall B2B-markedsførere – nesten 27 % – innrømmer det utilstrekkelig data har kostet dem 10 %, eller i noen tilfeller enda mer i årlige inntektstap.

Dette fremhever tydelig et betydelig problem de fleste markedsførere står overfor i dag, og det er: dårlig datakvalitet. Ufullstendige, manglende eller dårlige data kan ha stor innvirkning på suksessen til markedsføringsprosessene dine. Dette skjer siden nesten alle avdelingsprosesser i en bedrift – men spesielt salg og markedsføring – er sterkt drevet av organisasjonsdata.

Enten det er en fullstendig 360-visning av dine kunder, potensielle kunder eller potensielle kunder, eller annen informasjon relatert til produkter, tjenestetilbud eller adresseplasseringer – markedsføring er der alt kommer sammen. Dette er grunnen til at markedsførere lider mest når et selskap ikke bruker riktige rammer for datakvalitetsstyring for kontinuerlig dataprofilering og fiksing av datakvalitet.

I denne bloggen ønsker jeg å bringe oppmerksomhet til det vanligste datakvalitetsproblemet og hvordan det påvirker dine kritiske markedsføringsprosesser; vi vil så se på en potensiell løsning på dette problemet, og til slutt vil vi se hvordan vi kan etablere det på en kontinuerlig basis.

Så, la oss komme i gang!

Det største problemet med datakvalitet som markedsførere står overfor

Selv om dårlig datakvalitet forårsaker en lang liste med problemer for markedsførere i et selskap, men etter å ha levert dataløsninger til 100+ kunder, er det vanligste datakvalitetsproblemet som vi har sett folk møte:

Oppnå en enkelt visning av kjernedataressurser.

Dette problemet dukker opp når dupliserte poster lagres for samme enhet. Her kan begrepet enhet bety hva som helst. For det meste, innenfor markedsføringsområdet, kan ordet enhet referere til: kunde, kundeemne, prospekt, produkt, plassering eller noe annet som er kjernen i ytelsen til markedsføringsaktivitetene dine.

Effekten av dupliserte poster på markedsføringsprosessene dine

Tilstedeværelsen av dupliserte poster i datasett som brukes til markedsføringsformål kan være et mareritt for enhver markedsfører. Når du har dupliserte poster, er følgende alvorlige scenarier du kan støte på:

  • Bortkastet tid, budsjett og innsats – Siden datasettet ditt inneholder flere poster for samme enhet, kan du ende opp med å investere tid, budsjett og innsats flere ganger for samme kunde, prospekt eller kundeemne.
  • Kan ikke legge til rette for personlige opplevelser – Dupliserte poster inneholder ofte ulike deler av informasjon om en enhet. Hvis du gjennomførte markedsføringskampanjer med et ufullstendig syn på kundene dine, kan du ende opp med å få kundene til å føle seg uhørt eller misforstått.
  • Unøyaktige markedsføringsrapporter – Med dupliserte dataposter kan du ende opp med å gi en unøyaktig oversikt over markedsføringstiltakene dine og avkastningen. Du sendte for eksempel e-post til 100 kundeemner, men mottok bare svar fra 10 – det kan være at bare 80 av disse 100 var unike, og resten av de 20 var duplikater.
  • Redusert operasjonell effektivitet og ansattes produktivitet – Når teammedlemmer henter data for en bestemt enhet og finner flere poster lagret på tvers av forskjellige kilder eller samlet over tid i samme kilde, fungerer det som en stor veisperring for ansattes produktivitet. Hvis dette skjer ganske ofte, påvirker det den operasjonelle effektiviteten til en hel organisasjon merkbart.
  • Kan ikke utføre riktig konverteringsattribusjon – Hvis du har registrert den samme besøkende som en ny enhet hver gang de besøkte dine sosiale kanaler eller nettsider, vil det bli nesten umulig for deg å utføre nøyaktig konverteringsattribusjon, og vite den nøyaktige veien den besøkende fulgte mot konvertering.
  • Ikke levert fysisk og elektronisk post – Dette er den vanligste konsekvensen av dupliserte poster. Som nevnt tidligere har hver duplikatpost en tendens til å inneholde en delvis oversikt over enheten (dette er grunnen til at postene endte opp som duplikater i datasettet ditt i utgangspunktet). Av denne grunn kan visse poster ha manglende fysiske plasseringer eller kontaktinformasjon, noe som kan føre til at e-post ikke blir levert.

Hva er enhetsoppløsning?

Enhetsoppløsning (ER) er prosessen med å bestemme når referanser til enheter i den virkelige verden er likeverdige (samme enhet) eller ikke likeverdige (forskjellige enheter). Med andre ord er det prosessen med å identifisere og knytte flere poster til samme enhet når postene beskrives forskjellig og omvendt.

Entitetsoppløsning og informasjonskvalitet av John R. Talburt

Implementere enhetsoppløsning i markedsføringsdatasettene dine

Etter å ha sett den fryktelige virkningen av duplikater på suksessen til markedsføringsaktivitetene dine, er det viktig å ha en enkel, men kraftig, metode for deduplikering av datasettene dine. Det er her prosessen med enhetsoppløsning kommer inn. Enkelt sagt refererer enhetsoppløsning til prosessen med å identifisere hvilke poster som tilhører den samme enheten.

Avhengig av kompleksiteten og kvaliteten på datasettene dine, kan denne prosessen inneholde en rekke trinn. Jeg skal ta deg gjennom hvert trinn i denne prosessen slik at du kan forstå nøyaktig hva det innebærer.

Merk: Jeg vil bruke den generiske termen "entitet" mens jeg beskriver prosessen nedenfor. Men den samme prosessen er aktuelt og mulig for enhver enhet som er involvert i markedsføringsprosessen din, for eksempel kunde, kundeemne, prospekt, lokasjonsadresse osv.

Trinn i Entity Resolution Process

  1. Samle inn enhetsdataposter som ligger på tvers av ulike datakilder – Dette er det første og viktigste trinnet i prosessen, hvor man identifiserer seg hvor nøyaktig enhetspostene er lagret. Dette kan være data som kommer fra annonser på sosiale medier, nettstedtrafikk eller manuelt skrevet inn av selgere eller markedsføringsmedarbeidere. Når kildene er identifisert, må alle poster samles på ett sted.
  2. Profilering av kombinerte poster – Når postene er samlet i ett datasett, er det nå på tide å forstå dataene og avdekke de skjulte detaljene om strukturen og innholdet. Dataprofilering analyserer dataene dine statistisk og finner ut om dataverdiene er ufullstendige, tomme eller følger ugyldig mønster og format. Profilering av datasettet avdekker andre slike detaljer, og fremhever potensielle muligheter for datarensing.
  3. Rengjøring og standardisering av dataposter – En dyptgående dataprofil gir deg en praktisk liste over elementer for rengjøring og standardisering av datasettet. Dette kan innebære trinn for å fylle ut manglende data, korrigere datatyper, fikse mønstre og formater, samt å analysere komplekse felt i underelementer for bedre dataanalyse.
  4. Matching og kobling av poster som tilhører samme enhet – Nå er datapostene dine klare til å matches og kobles, og deretter sluttføre hvilke poster som tilhører samme enhet. Denne prosessen gjøres vanligvis ved å implementere industri-grade eller proprietære samsvarsalgoritmer som enten utfører eksakt samsvar på unikt identifiserende attributter, eller fuzzy match på en kombinasjon av attributter til en enhet. I tilfelle resultatene fra den samsvarende algoritmen er unøyaktige eller inneholder falske positiver, kan det hende du må finjustere algoritmen eller manuelt merke ukorrekte treff som duplikater eller ikke-duplikater.
  5. Implementering av regler for sammenslåing av enheter til gylne poster – Det er her den endelige sammenslåingen skjer. Du vil sannsynligvis ikke miste data om en enhet som er lagret på tvers av poster, så dette trinnet handler om å konfigurere regler for å bestemme:
    • Hvilken post er hovedposten og hvor er duplikatene?
    • Hvilke attributter fra duplikater vil du kopiere over til masterposten?

Når disse reglene er konfigurert og implementert, er utdataene et sett med gylne poster over enhetene dine.

Etablere en pågående enhetsoppløsningsramme

Selv om vi gikk gjennom en enkel steg-for-steg guide for å løse entiteter i et markedsføringsdatasett, er det viktig å forstå at dette bør behandles som en pågående prosess i din organisasjon. Bedrifter som investerer i å forstå dataene deres og fikse kjernekvalitetsproblemer, er klar for en langt mer lovende vekst.

For rask og enklere implementering av slike prosesser, kan du også gi dataoperatører eller til og med markedsførere i bedriften din brukervennlig enhetsoppløsningsprogramvare, som kan lede dem gjennom trinnene nevnt ovenfor.

Avslutningsvis kan vi trygt si at et duplikatfritt datasett fungerer som en avgjørende aktør for å maksimere ROI av markedsaktiviteter og styrke merkevarens omdømme på tvers av alle markedsføringskanaler.