À l'heure actuelle, il y a d'innombrables «empereurs» qui prennent hardiment des décisions habillées de «données». La terrible vérité est que ces décisions ne portent rien du tout. En tant que marketeur, je vis et je meurs par les données, et j'ai trouvé des plates-formes d'automatisation du marketing comme SharpSpring pour être les meilleurs tailleurs possible pour éviter d'être appelé pour une exposition indécente dans les réunions.
Il y a eu une explosion dans la façon dont il est facile de collecter des montagnes de données, donc tout le monde prend de meilleures décisions en conséquence, n'est-ce pas? Malheureusement non. Nous collectons plus de données que jamais, mais cela ne signifie pas que nous l'utilisons efficacement. La solution est simple: qualité supérieure à la quantité. Rappelez-vous qu'avec des données, plus n'est pas toujours mieux.
En tant qu'analyste axé sur les données, je présente régulièrement à divers groupes et mon objectif est de mettre l'accent sur des données d'impact et du monde réel qui avancent notre entreprise. Selon mon expérience, les données de qualité se résument à trois facteurs clés:
- Pertinence
- Précision
- Digestibilité
Pertinence: mettez l'accent sur les données qui comptent vraiment
Juste parce que les données peuvent être collectées et analysées ne signifie pas qu'elle devrait l'être. Commencez par déterminer ce qui est vraiment important et énumérez les principaux indicateurs de performance (KPI) pour ce que vous évaluez. Prenez un processus de vente par exemple: les KPI peuvent être le nombre de prospects que l'équipe de vente obtient, combien de ces prospects sont convertis en ventes et la vente moyenne résultante. En fonction de la complexité et de la partie du processus que vous analysez, vous pouvez également segmenter davantage vos données, par exemple par type de client (SMB vs entreprise), région (Amérique du Nord vs Europe) ou vendeur. Ne vous arrêtez pas là. Donnez votre contexte de métriques en établissant des objectifs pour chacun d'eux. Définissez ces objectifs aussi élevés que vous le pensez possible, pas seulement au niveau de la performance actuelle. Si vous voyez que vous ne respectez pas ces objectifs, reculez et regardez pourquoi vous n'êtes pas pour chaque KPI. Il peut s'avérer que vous avez fixé des objectifs trop ambitieux, mais examinez avec extrême la raison pour laquelle vous ne parvenez pas à atteindre ces objectifs et assurez-vous que le problème est en fait les objectifs, et non les processus avant de les abaisser.
Précision: parce que n'importe qui peut simplement composer des nombres
Les données d'aujourd'hui sont recueillies à partir de nombreuses sources différentes. Cela ouvre l'opportunité - et les lacunes. Il est essentiel que les données correspondent correctement et qu'il n'y ait pas de grandes lacunes inexpliquées. Une solution consiste à utiliser une plate-forme entièrement intégrée qui transmet tous les nombres pertinents dans une grande image cohérente. Si ce n'est pas une option, vous devrez vous assurer que vos données ne sont pas remplies de nids de poule (ou du moins savoir où elles se trouvent afin que vous puissiez vous dévier).
Pour savoir où vous devez prendre un peu plus de soin, décrivez d'abord le processus que vous envisagez, avec une attention supplémentaire sur les transitions (aka les trous noirs potentiels où les données disparaissent) et notez les zones où vous avez peu à faire - pas de visibilité. Est-ce que ces lacunes vont vous dérailler, ou pouvez-vous les contourner? Parfois, vous ne saurez vraiment pas la réponse à cela, alors vous devrez peut-être faire quelques approximations et simplement appuyer dessus. Par exemple, si vous avez de la difficulté à voir les confirmations que les prospects ont montré lors des rencontres avec votre équipe de vente, mais votre équipe de vente vous dit constamment à quel point la qualité de l'assistance est grande, vous pouvez considérer ce nombre comme relativement élevé (disons 85% -100% ) Car la fréquentation n'est pas une fuite importante dans votre entonnoir de vente. Ne laissez pas les lacunes vous empêcher de ne pas avoir besoin.
Il y a une autre grande inexactitude dans la façon dont un nombre surprenant de gens regardent les données. Il arrive si souvent et peut être tellement impactant qu'il obtient sa propre mention spéciale (et c'est vraiment proche et cher à mon coeur). Les données doivent être examinées du point de vue de la cohorte!À son plus simple, l'analyse de cohorte signifie simplement regrouper les unités de base d'un processus par temps (au moins), puis regrouper tout ce qui s'écoule de ces unités de base au cours de la même période. Ca semble simple, n'est-ce pas? Il y a deux défis principaux: d'abord, les données ne sont presque jamais signalées de cette façon, et deuxièmement, il est difficile d'obtenir des données de cohorte.
Prenez, par exemple, les prospects et les ventes. Il est facile de montrer qu'en avril, vous avez obtenu 1,000 et des ventes 200. Il est tentant de dire que cela signifie que votre taux de conversion de prospects est 20% (200 / 1,000), mais ce n'est probablement pas exact. Si vous avez un cycle de vente modéré à long, les ventes en avril sont susceptibles de générer des prospects au cours des mois précédents. Au lieu de cela, une approche plus éclairante pour déterminer les taux de conversion est de suivre les prospects qui sont entrés au cours de chaque mois et de déclarer les ventes venant d'avril en avril. Ainsi, à partir des prospects 1,000 entrés en avril, 250 de ces prospects se sont transformés en ventes, de sorte que votre taux réel de conversion de lead-to-sales est 25% (250 / 1000). Cela prend du travail supplémentaire, car les ventes de cohorte pour avril continueront à augmenter en mai, juin et au-delà, de sorte que des mises à jour seront nécessaires, mais la valeur de l'aperçu l'emporte de loin sur le temps supplémentaire.
Personnellement, je réduis le temps requis en utilisant SharpSpring tous les jours pour obtenir la photo complète de la cohorte, car elle relie tous les morceaux du processus pour moi. Comme quelqu'un qui passait des heures à rassembler des données de différents systèmes, je ne peux pas exagérer la quantité de changeur de jeu d'une seule plate-forme entièrement intégrée.
Digestibilité: vos données ne comptent pas si personne ne le comprend
La collecte et le crunching data ne sont que la moitié de la bataille. Ensuite, vous devez tout ensemble d'une manière compréhensible. Une fois que vous avez bien compris les données, vous devrez l'empaqueter efficacement pour les autres. Il existe deux principaux défis qui peuvent causer une indigestion en matière de données: volume et clarté.
La ligne entre trop peu de données et trop de données peut être difficile à trouver. Pensez aux problèmes que vous essayez de résoudre, aux décisions que vous essayez et aux questions que les parties prenantes auront. Traversez les trois pièces, en notant les questions impliquées dans chacune d'entre elles, et voyez comment les données peuvent les répondre. S'il y a des données qui ne répondent à aucune des questions, fournit-il le contexte nécessaire pour les données qui répondent aux questions? Sinon, ce sont probablement des données que vous pouvez omettre.
Pour les données qui répondent aux questions ci-dessus, dans quelle mesure leur répond-il? Si vous devez ajouter des qualificatifs pendant que vous répondez, par exemple, pourquoi certains facteurs obscurcissent les données, c'est un bon signe que vous ne disposez pas de suffisamment de données et / ou que vous devrez peut-être la décomposer de manière plus détaillée. Prévoyez les questions de suivi et vérifiez si les données peuvent également répondre à ces questions.
La clarté est assez facile à aborder, mais elle est souvent négligée. Les deux éléments qui contribuent le mieux à la clarté sont l'ordre / le regroupement et l'étiquetage. La commande / le regroupement est facile, assurez-vous que tout circule dans un ordre logique (d'étape en étape, chronologiquement, etc.). L'étiquetage est trompeur. Cela semble facile, mais c'est une illusion. Le plus gros problème que je vois qui influe sur la clarté est le manque de spécificité dans les étiquettes. Rappelez-vous que si vous avez conçu le rapport / tableau de bord / etc., vous avez un avantage: vos étiquettes ont plus de sens pour vous que d'avoir vu les données pour la première fois. Faites un pas en arrière et regardez-le objectivement. Ensuite, faites un test avec un collègue et résolvez les points de confusion.
Continuez à atteindre
De meilleures données plus claires signifient de meilleures décisions, de meilleurs résultats et, finalement, des résultats plus importants. Ce qui précède est un bon point de départ, mais s'engage à travailler constamment pour améliorer les données que vous collectez, utilisez et partagez. L'effort a un ROI énorme pour votre opération. De plus, votre empereur devient froid - il est temps de mettre des vêtements.
