CRM og dataplatformeE-mail marketing og automatisering

Hvordan enhedsopløsning tilføjer værdi til dine marketingprocesser

Et stort antal B2B marketingfolk – næsten 27 % – indrømmer det utilstrækkelige data har kostet dem 10 %eller i nogle tilfælde endnu mere i årlige indtægtstab.

Dette fremhæver klart et væsentligt problem, som de fleste marketingfolk står over for i dag, og det er: dårlig datakvalitet. Ufuldstændige, manglende eller dårlige data kan have stor indflydelse på succesen af ​​dine marketingprocesser. Dette sker, da næsten alle afdelingsprocesser i en virksomhed – men specifikt salg og marketing – er stærkt drevet af organisatoriske data.

Uanset om det er en komplet 360-visning af dine kunder, kundeemner eller kundeemner, eller andre oplysninger relateret til produkter, servicetilbud eller adresseplaceringer - markedsføring er, hvor det hele hænger sammen. Dette er grunden til, at marketingfolk lider mest, når en virksomhed ikke anvender ordentlige datakvalitetsstyringsrammer til kontinuerlig dataprofilering og datakvalitetsfiksering.

I denne blog vil jeg gøre opmærksom på det mest almindelige datakvalitetsproblem, og hvordan det påvirker dine kritiske marketingprocesser; vi vil derefter se på en potentiel løsning på dette problem, og endelig vil vi se, hvordan vi kan etablere det løbende.

Så lad os komme i gang!

Det største problem med datakvalitet, som marketingfolk står over for

Selvom dårlig datakvalitet forårsager en lang række problemer for marketingfolk i en virksomhed, men efter at have leveret dataløsninger til 100+ kunder, er det mest almindelige datakvalitetsproblem, som vi har set folk stå over for:

Opnå en enkelt visning af kernedataaktiver.

Dette problem dukker op, når duplikerede poster gemmes for den samme enhed. Her kan begrebet enhed betyde hvad som helst. For det meste inden for marketingsområdet kan ordet enhed referere til: kunde, kundeemne, kundeemne, produkt, lokation eller noget andet, der er kernen i udførelsen af ​​dine marketingaktiviteter.

Indvirkningen af ​​duplikerede registreringer på dine marketingprocesser

Tilstedeværelsen af ​​duplikerede poster i datasæt, der bruges til markedsføringsformål, kan være et mareridt for enhver marketingmedarbejder. Når du har dublerede poster, er følgende nogle alvorlige scenarier, som du kan løbe ind i:

  • Spildte tid, budget og indsats – Da dit datasæt indeholder flere poster for den samme enhed, kan du ende med at investere tid, budget og indsats flere gange for den samme kunde, kunde eller kundeemne.
  • Ude af stand til at facilitere personlige oplevelser – Duplikerede poster indeholder ofte forskellige dele af information om en enhed. Hvis du gennemførte marketingkampagner med et ufuldstændigt syn på dine kunder, kan du ende med at få dine kunder til at føle sig uhørte eller misforståede.
  • Upræcise markedsføringsrapporter – Med duplikerede dataposter kan du ende med at give et unøjagtigt billede af din marketingindsats og deres afkast. For eksempel har du sendt e-mail til 100 kundeemner, men kun modtaget svar fra 10 – det kunne være, at kun 80 af disse 100 var unikke, og resten af ​​de 20 var dubletter.
  • Reduceret driftseffektivitet og medarbejdernes produktivitet – Når teammedlemmer henter data for en bestemt enhed og finder flere poster gemt på tværs af forskellige kilder eller samlet over tid i den samme kilde, fungerer det som en enorm vejblokering i medarbejdernes produktivitet. Hvis dette sker ret ofte, så påvirker det mærkbart den operationelle effektivitet i en hel organisation.
  • Kan ikke udføre korrekt konverteringstilskrivning – Hvis du har registreret den samme besøgende som en ny enhed, hver gang de besøgte dine sociale kanaler eller hjemmeside, bliver det næsten umuligt for dig at udføre nøjagtig konverteringstilskrivning og kende den nøjagtige vej, den besøgende fulgte mod konvertering.
  • Ikke-leverede fysiske og elektroniske mails – Denne er den mest almindelige konsekvens af duplikerede poster. Som nævnt tidligere har hver dubletpost en tendens til at indeholde en delvis visning af entiteten (det er grunden til, at posterne i første omgang endte som dubletter i dit datasæt). Af denne grund kan visse poster have manglende fysiske placeringer eller kontaktoplysninger, hvilket kan forårsage, at mails ikke bliver leveret.

Hvad er enhedsopløsning?

Enhedsopløsning (ER) er processen med at bestemme, hvornår referencer til enheder i den virkelige verden er ækvivalente (samme enhed) eller ikke ækvivalente (forskellige enheder). Med andre ord er det processen med at identificere og linke flere poster til den samme enhed, når posterne beskrives forskelligt og omvendt.

Enhedsopløsning og informationskvalitet af John R. Talburt

Implementering af enhedsopløsning i dine marketingdatasæt

Efter at have set den frygtelige indvirkning af dubletter på succesen af ​​dine marketingaktiviteter, er det bydende nødvendigt at have en enkel, men kraftfuld metode til deduplikering af dine datasæt. Det er her processen med enhedsopløsning kommer ind. Entity resolution refererer ganske enkelt til processen med at identificere, hvilke poster der tilhører den samme enhed.

Afhængigt af kompleksiteten og kvaliteten af ​​dine datasæt kan denne proces indeholde en række trin. Jeg vil tage dig igennem hvert trin i denne proces, så du kan forstå, hvad det præcist indebærer.

Bemærk: Jeg vil bruge det generiske udtryk "entitet", mens jeg beskriver processen nedenfor. Men den samme proces er anvendelig og mulig for enhver enhed, der er involveret i din marketingproces, såsom kunde, kundeemne, kundeemne, lokationsadresse osv.

Trin i Entity Resolution Process

  1. Indsamling af enhedsdataposter, der findes på tværs af forskellige datakilder – Dette er det første og vigtigste trin i processen, hvor man identificerer sig hvor præcis enhedsposterne er gemt. Dette kan være data, der kommer fra annoncer på sociale medier, trafik på webstedet eller manuelt indtastet af sælgere eller marketingmedarbejdere. Når kilderne er identificeret, skal alle optegnelser samles ét sted.
  2. Profilering af kombinerede poster – Når først registreringerne er samlet i ét datasæt, er det nu tid til at forstå dataene og afdække de skjulte detaljer om deres struktur og indhold. Dataprofilering analyserer statistisk dine data og finder ud af, om dataværdier er ufuldstændige, tomme eller følger ugyldigt mønster og format. Profilering af dit datasæt afdækker andre sådanne detaljer og fremhæver potentielle muligheder for datarensning.
  3. Rengøring og standardisering af dataregistre – En dybdegående dataprofil giver dig en handlingsvenlig liste over elementer til rengøring og standardisering af dit datasæt. Dette kan involvere trin til at udfylde manglende data, korrigere datatyper, rette mønstre og formater samt parse komplekse felter i underelementer for bedre dataanalyse.
  4. Matchende og sammenkædning af poster, der tilhører den samme enhed – Nu er dine dataposter klar til at blive matchet og linket, og derefter færdiggøre, hvilke poster der tilhører den samme enhed. Denne proces udføres normalt ved at implementere branche- eller proprietære matchningsalgoritmer, der enten udfører eksakt match på unikt identificerende attributter eller fuzzy match på en kombination af attributter for en enhed. Hvis resultaterne fra den matchende algoritme er unøjagtige eller indeholder falske positiver, skal du muligvis finjustere algoritmen eller manuelt markere forkerte matches som dubletter eller ikke-duplikater.
  5. Implementering af regler for sammenlægning af enheder til gyldne optegnelser - Det er her, den endelige fusion sker. Du ønsker sandsynligvis ikke at miste data om en enhed, der er gemt på tværs af registreringer, så dette trin handler om at konfigurere regler for at bestemme:
    • Hvilken post er masterposten, og hvor er dens dubletter?
    • Hvilke attributter fra dubletter vil du kopiere over til masterposten?

Når disse regler er konfigureret og implementeret, er outputtet et sæt gyldne optegnelser over dine enheder.

Etabler en løbende Entity Resolution Framework

Selvom vi gennemgik en simpel trin-for-trin guide til løsning af enheder i et marketingdatasæt, er det vigtigt at forstå, at dette skal behandles som en løbende proces i din organisation. Virksomheder, der investerer i at forstå deres data og løse deres kernekvalitetsproblemer, er klar til en langt mere lovende vækst.

For hurtig og lettere implementering af sådanne processer kan du også give dataoperatører eller endda marketingfolk i din virksomhed letanvendelig enhedsopløsningssoftware, der kan guide dem gennem de ovenfor nævnte trin.

Afslutningsvis kan vi roligt sige, at et duplikatfrit datasæt fungerer som en afgørende spiller i at maksimere ROI af marketingaktiviteter og styrke brandets omdømme på tværs af alle marketingkanaler.

Zara Ziad

Zara Ziad er produktmarkedsføringsanalytiker hos Datastige med baggrund i IT. Hun brænder for at designe en kreativ indholdsstrategi, der fremhæver datahygiejneproblemer i den virkelige verden, som mange organisationer står over for i dag. Hun producerer indhold til at kommunikere løsninger, tips og praksisser, der kan hjælpe virksomheder med at implementere og opnå iboende datakvalitet i deres business intelligence-processer. Hun stræber efter at skabe indhold, der er målrettet mod en bred vifte af målgrupper, lige fra teknisk personale til slutbruger, samt at markedsføre det på tværs af forskellige digitale platforme.

Relaterede artikler

Tilbage til toppen knap
Luk

Adblock fundet

Martech Zone er i stand til at give dig dette indhold uden omkostninger, fordi vi tjener penge på vores websted gennem annonceindtægter, affilierede links og sponsorater. Vi ville sætte pris på, hvis du ville fjerne din annonceblokering, mens du ser vores websted.