5 τρόποι για να χρησιμοποιήσετε προγνωστικές πληροφορίες για να αξιοποιήσετε στο έπακρο τα δεδομένα σας

Εδώ και αρκετά χρόνια, οι ειδικοί έχουν δηλώσει ότι τα δεδομένα είναι πιο πολύτιμα από το πετρέλαιο. Αλλά καταφέρνουν πραγματικά οι εταιρείες να αντλήσουν τη μεγαλύτερη αξία από τα δεδομένα τους; Ποια είναι μερικά από τα κρυφά κόστη συλλογής και αποθήκευσης δεδομένων και πώς μπορούν οι εταιρείες να πάρουν περισσότερα από τα δεδομένα τους;

Καταιγίδες δεδομένων

Σήμερα, οι εταιρείες βρίσκονται αντιμέτωπες με έναν τεράστιο όγκο δεδομένων. Η συλλογή, η αποθήκευση και η διασφάλιση αυτών των δεδομένων σε μια αποθήκη ή μια λίμνη δεδομένων έχει μεγάλο κόστος. Η πανδημία επιδείνωσε το πρόβλημα ωθώντας τον ψηφιακό μετασχηματισμό και μετακινώντας ολόκληρη τη διαδικασία ταξιδιού του αγοραστή στο διαδίκτυο. Αυτή η κίνηση ώθησε πολλές εταιρείες να καταβάλουν αυξημένες προσπάθειες πίσω από τη συλλογή δεδομένων για να κατανοήσουν έναν κόσμο που αλλάζει.

Όμως τα δεδομένα από μόνα τους δεν είναι πολύτιμα. Είναι πολύτιμο μόνο όταν μπορείτε να το χρησιμοποιήσετε για να κατανοήσετε έναν μεταβαλλόμενο κόσμο και να αξιοποιήσετε αυτές τις αλλαγές για να βελτιώσετε την απόδοση της εταιρείας σας, όπως αυξάνοντας την αύξηση των εσόδων, αποκτώντας ανταγωνιστικό πλεονέκτημα ή ανεβάζοντας τον πήχη στη λειτουργική αριστεία.

Ένας οργανισμός μπορεί να έχει ένα σωρό από χρυσά τούβλα, αλλά αν δεν έχει τρόπο να μετατρέψει τον χρυσό σε ταμειακή ροή, αυτός ο χρυσός είναι ουσιαστικά άχρηστος. Αυτή είναι η πρόκληση που αντιμετωπίζουν πολλοί οργανισμοί αυτή τη στιγμή όσον αφορά τα δεδομένα. Πολλές εταιρείες κάθονται σε ένα χρυσωρυχείο δεδομένων. Αλλά δεν έχουν τρόπο να το μετατρέψουν σε πολύτιμες, βασισμένες σε προβλέψεις γνώσεις που θα μπορούσαν να ενημερώσουν τις πολλές αποφάσεις και ενέργειες «εκατομμυρίων δολαρίων» που κάνουν καθημερινά οι ομάδες εσόδων.

Με τον όρο insights που βασίζονται σε προβλέψεις, εννοώ τον τύπο αλγοριθμικά προερχόμενων, πιθανοτικών πληροφοριών που μπορούν να βοηθήσουν στην καθοδήγηση των καθημερινών ενεργειών και στην πρόβλεψη του τι είναι πολύ πιθανό να συμβεί στο μέλλον — και το πιο σημαντικό, να έχει μεγάλο αντίκτυπο στο τελικό αποτέλεσμα. Σήμερα, οι περισσότερες εταιρείες αναλύουν τα δεδομένα μάρκετινγκ εστιάζοντας στο παρελθόν: Τι έκανε αυτό το τμήμα ανθρώπων το τελευταίο τρίμηνο ή την ίδια περίοδο πέρυσι; Αλλά για να περάσουμε από την ιστορική ανάλυση στη νοημοσύνη που βασίζεται στην πρόβλεψη, το υποκείμενο ερώτημα πρέπει να επαναδιαμορφωθεί ως εξής: Ποια συγκεκριμένα άτομα είναι πιο πιθανό να κάνουν κάτι στο μέλλον;

Προγνωστικές πληροφορίες: Χρήση δεδομένων για να κοιτάξουμε μπροστά

Αυτή η στροφή σε μια προγνωστική νοοτροπία δίνει σε ένα άτομο μάρκετινγκ πολλά για να εργαστεί μαζί του και πολλές πιθανές γνώσεις. Θα μπορούσαν να δημιουργήσουν μια εξατομικευμένη προσφορά για να επηρεάσουν τη συμπεριφορά του πελάτη ώστε να αλλάξει πορεία ή να λάβει μια ενέργεια νωρίτερα. Μπορούν επίσης να δημιουργήσουν πολύ πιο ακριβή όμοια είδη κοινού, καθιστώντας τη στόχευσή τους πιο ακριβή ή να επεκτείνουν το κοινό με έναν εξαιρετικά στρατηγικό τρόπο, εστιάζοντας σε όμοια εμφάνισης μελλοντικών πελατών υψηλής αξίας. Μια άλλη επιλογή είναι να προβλέψετε ποιοι πελάτες είναι πιθανό να εκτιναχθούν και να λάβετε μέτρα για να προσπαθήσετε να τους διατηρήσετε πριν φύγουν. Ακόμη και μια μικρή αύξηση στη διατήρηση πελατών μπορεί να προσφέρει δραματική ώθηση στα κέρδη.

Ας υποθέσουμε ότι είστε μια μεγάλη συνδρομητική επωνυμία D2C lifestyle που ξοδεύει εκατομμύρια δολάρια το μήνα σε καμπάνιες εξαγοράς. Είναι επίσης πιθανό να προσφέρετε στους πιθανούς νέους πελάτες σας σημαντικές εκπτώσεις στην πρώτη τους παραγγελία, και ίσως ακόμη και στη δεύτερη και στην τρίτη παραγγελία τους, για να τους προσελκύσετε πραγματικά μακροπρόθεσμα. Αυτά τα κόστη απόκτησης μπορεί να είναι αρκετά μεγάλα και να περιορίζονται. Αυτού του είδους οι προωθήσεις συχνά κατευθύνονται από έναν καθιερωμένο κανόνα ευρετικής ή επιχειρηματικής ευφυΐας (BI).

Για παράδειγμα, ο κανόνας μπορεί να επιβάλλει την προσφορά προώθησης σε κάθε VIP πελάτη. Ωστόσο, με αυτόν τον τρόπο, επεκτείνει τις προσφορές σε όσους θα αγόραζαν ξανά χωρίς την προώθηση — και επίσης χάνει την προσφορά προωθήσεων σε όσους είναι πιθανό να γίνουν VIP. Αυτή η προσέγγιση που βασίζεται σε κανόνες είναι δαπανηρή και αναποτελεσματική. Παρέχει εκπτώσεις σε πελάτες που δεν τις χρειάζονται και αποτυγχάνει να δημιουργήσει αφοσίωση με άλλους πελάτες που είναι πιθανό να δεσμευτούν μακροπρόθεσμα.

Συνεχίζοντας με το παράδειγμα του συνδρομητικού κουτιού: Υπάρχει μια καλή πιθανότητα ότι λιγότερο από το 20% των συνδρομητών σας είναι κερδοφόροι και όχι μέχρι να παραγγείλουν τουλάχιστον έξι κουτιά συνδρομής. Δεν θα θέλατε να μάθετε ποιοι είναι αυτό το 20% την πρώτη ή δύο εβδομάδες και να προσδιορίσετε γρήγορα τους «μελλοντικούς καλύτερους πελάτες» σας; Τι θα λέγατε για εκείνους που θα μπορούσαν να μετατραπούν σε μελλοντικούς VIP με λίγη ώθηση; Η εύρεση αυτών των premium πελατών από νωρίς θα βοηθήσει στον εντοπισμό παρόμοιου κοινού νωρίτερα στη διοχέτευση αφοσίωσης.

Αυτός ο τύπος προγνωστικής νοημοσύνης και πληροφοριών μπορούν να δημιουργηθούν από τα δεδομένα συμβάντων πελατών και συναλλαγών που οι εταιρείες συλλέγουν ήδη ως μέρος των καθημερινών λειτουργιών τους. Τα προγνωστικά αναλυτικά στοιχεία που βασίζονται σε AI μπορούν να εμφανίσουν αυτές τις πληροφορίες.

5 βήματα για τη χρήση προγνωστικών πληροφοριών

Όταν οι εταιρείες θέλουν να χρησιμοποιήσουν προγνωστικές πληροφορίες για να επιτύχουν πιο σημαντικά επιχειρηματικά αποτελέσματα, θα πρέπει να επικεντρωθούν στα ακόλουθα βήματα.

Αξιολογήστε εάν οι κανόνες επιχειρηματικής ευφυΐας βασίζονται πραγματικά από τα δεδομένα

Χρησιμοποιεί η εταιρεία σας προκαθορισμένους κανόνες ή, χειρότερα, ξεπερασμένους κανόνες για τη λήψη αποφάσεων; Παρακολουθείτε τα πραγματικά αποτελέσματα που συνδέονται με αυτούς τους κανόνες και, στη συνέχεια, τα προσαρμόζετε όπως απαιτείται για να εμφανίσετε πραγματικά αποτελέσματα; Αναρωτηθείτε πώς η εταιρεία σας ορίζει έναν καλό πελάτη και πόσο συχνά αυτός ο πελάτης αλληλεπιδρά ενεργά με την επωνυμία σας.

Το Churn μπορεί επίσης να λάβει διαφορετικούς ορισμούς σε συγκεκριμένες επιχειρήσεις. Η ανατροπή μπορεί να σημαίνει ότι ένας πελάτης εξαφανίστηκε εντελώς ή μπορεί να σημαίνει ότι οι αλληλεπιδράσεις τους έχουν γίνει πολύ λιγότερο συχνές. Οι πιο συνηθισμένοι ορισμοί μπορεί να μην είναι πραγματικά ενδεικτικοί της απόδοσης της επιχείρησής σας, ωστόσο βασίζουμε μεγάλο μέρος του σχεδιασμού, των προβλέψεων και του προϋπολογισμού σε αυτούς τους ορισμούς.

Βεβαιωθείτε ότι οι ορισμοί σας για τον ενεργό χρήστη, τον καλό πελάτη και το πλήγμα βελτιώνονται τακτικά. Αυτοί οι ορισμοί πρέπει να λειτουργούν για την επιχείρησή σας — ακόμη και όταν η επιχείρησή σας, οι συνθήκες της αγοράς και το ανταγωνιστικό περιβάλλον εξελίσσονται.

Καταργήστε τα σιλό δεδομένων

Με τον πολλαπλασιασμό των εργαλείων SaaS, φαίνεται να συλλέγουμε πολύ περισσότερα δεδομένα, ωστόσο οι περισσότερες εταιρείες εξακολουθούν να αγωνίζονται να τα ενσωματώσουν σωστά για να εξαγάγουν πληροφορίες που θα ήταν ενδεικτικές της μελλοντικής απόδοσης. Υπάρχουν διάφοροι λόγοι για αυτό: εσωτερικό απόρρητο δεδομένων, νοοτροπία παλαιού τύπου σχετικά με το ποιος κατέχει ποια δεδομένα, καθυστερήσεις στη στρατηγική αποθήκευσης δεδομένων ή επιχειρησιακή τεχνογνωσία σχετικά με τους μηχανισμούς της ενσωμάτωσής τους.

Ακόμη και σε καλά καθορισμένους κλάδους όπως το μάρκετινγκ, το σιλό εξακολουθεί να είναι μια πρόκληση που εμποδίζει την απόδοση. ο Έρευνα CMO διαπίστωσε ότι μετά από μια δεκαετία ενσωμάτωσης δεδομένων πελατών σε όλα τα κανάλια, οι έμποροι εξακολουθούν να δυσκολεύονται, με τους περισσότερους να δίνουν στον οργανισμό τους βαθμολογία 3,5 στα 7 σχετικά με την αποτελεσματικότητα της ενσωμάτωσης πληροφοριών πελατών σε κανάλια αγορών, επικοινωνίας και κοινωνικών μέσων. Κατά ειρωνικό τρόπο, αυτή η βαθμολογία έχει πράγματι μειωθεί από το 2014, με τους επαγγελματίες του μάρκετινγκ να λένε ότι τα προγράμματά τους χειροτερεύουν με την πάροδο του χρόνου. Η δημιουργία μιας ολοκληρωμένης, ολοκληρωμένης άποψης του πελάτη με την κατάργηση των σιλό δεδομένων θα οδηγήσει στις καλύτερες αποφάσεις.

Προσέξτε τον διαχωρισμό των κλάδων BI και AI

Όταν η ομάδα BI αναφέρεται στον επικεφαλής εσόδων και μια ομάδα τεχνητής νοημοσύνης αναφέρει στον CIO, είναι εύκολο να δημιουργήσετε σιλό πληροφοριών που δυσκολεύουν την προβολή της ευρύτερης εικόνας. Γίνεται ακόμη πιο δύσκολο να βρεις χρήσιμες πληροφορίες. Ορισμένες εταιρείες το λύνουν αυτό με τη συγχώνευση των δύο ομάδων κάτω από το γραφείο ενός Chief Data Officer, αλλά η πρόοδος είναι αργή εδώ, εμποδίζοντας έτσι τα αποτελέσματα.

Μην είστε υπερβολικά ερωτευμένοι με πρακτικές ιδέες

Οι περισσότερες προσπάθειες αναλυτικών στοιχείων θα δώσουν κάποιες χρήσιμες πληροφορίες που μπορούν να αξιοποιηθούν. Αλλά κάθε διορατικότητα που είναι εφαρμόσιμη προσφέρει ίση αξία; Με τίποτα. Πρέπει να εστιάσετε στη δημιουργία στρατηγικών δεδομένων και να ξοδέψετε πόρους για να ανακαλύψετε τις ακριβείς πληροφορίες που χρειάζεστε για να επιτύχετε τους πιο σημαντικούς επιχειρηματικούς σας στόχους. Αυτή η εστιασμένη προσέγγιση είναι πολύ πιο αποτελεσματική από το να ψάξετε μέσα από μια στοίβα άχυρων πρακτικών πληροφοριών με την ελπίδα να σκοντάψετε σε αυτήν που θα σας δώσει ακριβώς τη σωστή ώθηση στα έσοδά σας ή ένα σημαντικό κέρδος αποδοτικότητας αυτήν τη στιγμή.

Πηγαίνετε πέρα ​​από την παρατήρηση πινάκων εργαλείων και την ανάγνωση αναφορών

Πολύ συχνά οι οργανισμοί εστιάζουν υπερβολικά στους πίνακες ελέγχου και στην ανάλυση των τάσεων του παρελθόντος για να καθορίσουν τις μελλοντικές ενέργειες. Οι πίνακες ελέγχου και οι αναφορές θεωρούνται συχνά ως τα τελικά παραδοτέα των δεδομένων, αλλά αυτή η σκέψη περιορίζει την αξία των δεδομένων. Σκεφτείτε πώς ενορχηστρώνονται σήμερα τα ταξίδια απόκτησης, δημιουργίας εσόδων και διατήρησης και, στη συνέχεια, τροφοδοτήστε προγνωστικά δεδομένα βαθμολόγησης απευθείας σε αυτά τα επιχειρηματικά συστήματα και εργαλεία. Αυτή η ενσωμάτωση επηρεάζει άμεσα την κορυφαία και την κατώτατη γραμμή σας, αντί να κοιτάτε απλώς το παρελθόν.

Predictive Insights: Αξιοποιήστε στο έπακρο τα δεδομένα σας

Το να αποκαλούμε δεδομένα ως τον πιο πολύτιμο πόρο στον κόσμο είναι λογικό, ειδικά δεδομένης της σημασίας και της αξιοπιστίας που αποδίδουν όλο και περισσότεροι οργανισμοί στη συλλογή και ανάλυση δεδομένων. Αλλά αν δεν χρησιμοποιείτε σωστά τα δεδομένα σας, δεν πρόκειται να έχετε τα καλύτερα αποτελέσματα από τις καμπάνιες μάρκετινγκ.

Οι εταιρείες πρέπει να εξετάσουν πώς χρησιμοποιούν τα δεδομένα τους και να εντοπίσουν τις πιο πολύτιμες πληροφορίες που μπορούν να αντλήσουν από αυτά — και στη συνέχεια μπορούν να δουν ποια δεδομένα είναι πραγματικά χρήσιμα για τους στόχους τους. Σε τελική ανάλυση, εάν το 87% των έργων επιστήμης δεδομένων δεν φτάσουν ποτέ στην παραγωγή, χρησιμοποιούνται τα δεδομένα με τον πιο πολύτιμο δυνατό τρόπο;

Ζοχάρ Μπρόνφμαν είναι συνιδρυτής και διευθύνων σύμβουλος της Pecan Όλα συμπεριλαμβάνονται.