Όπως έχουμε δει και στο κεφάλαιο 1, υπάρχουν πολλά διαθέσιμα δεδομένα που έρχονται από διάφορες πηγές και μπορούν να είναι διάφορων τύπων. Αλλά ποια είναι τα πιο σχετικά δεδομένα για εμάς τους ιδιοκτήτες νεοφυών επιχειρήσεων; Αν απαντήσετε «οι Πελάτες» είστε απόλυτα σωστοί, αφού χωρίς τους πελάτες οι εταιρείες μας δεν μπορούν να είναι πετυχημένες. Σε αυτή την ενότητα, θα δούμε και θα κατανοήσουμε τους διάφορους τύπους αναλυτικής δεδομένων πελατών και τις διάφορες πληροφορίες που μπορούν να παρέχουν.

Κατανοώντας την Αναλυτικών των Δεδομένων των Πελατών

Θυμάστε τι είναι η αναλυτική; Βασικά είναι η συλλογή, η αναφορά και η ανάλυση δεδομένων.  Η Αναλυτική των Δεδομένων των Πελατών δεν διαφέρει κατά πολύ αφού είναι η διαδικασία συλλογής και ανάλυσης δεδομένων των πελατών, αλλά σε αυτή την περίπτωση για να μάθουμε για τη συμπεριφορά των πελατών μας και τις προτιμήσεις τους που θα μας βοηθήσουν να κάνουμε αποδοτικές επιχειρηματικές αποφάσεις.

Αυτή η αναλυτική μπορεί να είναι δύο τύπων, ποσοτική και ποιοτική.  Μπορείτε να σκεφτείτε τα 5V των Μεγάλων Δεδομένων;  Η Ποικιλία (Variety) παίζει σημαντικό ρόλο εδώ!

–Ποσοτική αναλυτική  περιλαμβάνει τη μελέτη των δεδομένων που βασίζονται σε πραγματικά γεγονότα, τους πραγματικούς αριθμούς, νοήματα που είναι στατιστικά και τυπικά δομημένα στη φύση. Αυτά τα δεδομένα θα σημάνουν συναγερμό για προβλήματα όπως για παράδειγμα θα σας ενημερώσουν για αύξηση στον αριθμό χαμένων πελατών.

-Από την άλλη η ποιοτική αναλυτική αφορά υποκειμενικά χαρακτηριστικά και γνώμες, θα απαντήσει το γιατί στα προβλήματα που βρίσκονται στην ποσοτική ανάλυση. Τα ποιοτικά δεδομένα, είναι μη-στατιστικά και συνήθως είναι μη-δομημένα ή ημι-δομημένα στη φύση τους. Ερχόμενοι πίσω στα παραδείγματα, η ποιοτική ανάλυση μπορεί να μας πληροφορήσει ότι η απώλεια πελατών προκλήθηκε από τη σύγχυση των πελατών στο πώς να χρησιμοποιήσουν το προϊόν.

Τύποι Δεδομένων Πελατών

ΟΙ νεοφυείς επιχειρήσεις μπορούν να χρησιμοποιήσουν διαφορετικά δεδομένα που σχετίζονται με τους πελάτες για να τρέξουν την αναλυτική δεδομένων πελατών, τα οποία σήμερα κυρίως πηγάζουν από τα Μεγάλα Δεδομένα παρά από τα παραδοσιακά δεδομένα.  Σε αυτή την ενότητα θα δούμε τους 5 κύριους τύπους δεδομένων πελατών για να βρούμε πώς εμείς οι ιδιοκτήτες νεοφυών επιχειρήσεων σε διάφορους βιομηχανικούς κλάδους μπορούμε να τα χρησιμοποιήσουμε.

Πηγή: https://www.freepik.es/vector-gratis/personas-gestion-relaciones-comerciales-pie-alrededor-datos-documentos-estadistica-servidor-portatil-crm-texto_11249912.htm#page=1&query=crm&position=22

Δεδομένα Διαφημίσεων

Ας αρχίσουμε με τον πρώτο τύπο Δεδομένων Πελατών. Γνωρίζετε τις διαφημίσεις; Αν όχι, πιθανόν να τις έχετε δει στα αποτελέσματα αναζήτησης σας στο Google, ως συνήθως εμφανίζονται πρώτα στη λίστα. Τα Δεδομένα των διαφημίσεων χρησιμοποιούν αυτοματισμούς και μηχανές για να μηχανοποιήσουν και να απλοποιήσουν την παράδοση των πληροφοριών στους πελάτες μας. Με άλλα λόγια, λαμβάνουν υπόψη όλα τα δεδομένα που έχετε για τις συμπεριφορές των πελατών και τα εφαρμόζουν σε αλληλεπιδράσεις με περισσότερο νόημα.

Δεδομένα κίνησης ιστοσελίδας

Η κίνηση της ιστοσελίδας αναφέρεται σε χρήστες του διαδικτύου που επισκέπτονται την ιστοσελίδα της εταιρείας μας. Η κίνηση της ιστοσελίδας μετριέται με τις επισκέψεις ή «συνεδριάσεις» όπως θα δείτε αργότερα, και χρησιμοποιείται ευρέως για να μετρηθεί η αποτελεσματικότητα της ιστοσελίδας μιας εταιρείας στο να ελκύει ένα κοινό.

Δεδομένα ηλεκτρονικού εμπορίου

Τα δεδομένα ηλεκτρονικού εμπορίου αναφέρονται σε όλες τις πληροφορίες που μπορούμε να πάρουμε από όλους τους τομείς που έχουν επίδραση στο διαδικτυακό μας κατάστημα, εάν φυσικά έχουμε. Μπορούμε να χρησιμοποιήσουμε αυτές τις πληροφορίες για να κατανοήσουμε τις τάσεις και τις αλλαγές στη συμπεριφορά των πελατών για να πάρουμε αποφάσεις βασισμένες σε δεδομένα που θα μας βοηθήσουν να αυξήσουμε τις διαδικτυακές πωλήσεις. Για παράδειγμα, ένας πελάτης μπορεί να επισκεφθεί πολλές ιστοσελίδες για να κάνει μια ικανοποιητική αγορά που παρέχει ένα επώνυμο προϊόν υψηλής ποιότητας στην καλύτερη τιμή.  Όλες αυτές οι κινήσεις που γίνονται από τον πελάτη θα δημιουργήσουν ένα μεγάλο και πολύτιμο ποσοστό δεδομένων τα οποία μπορούμε να αξιοποιήσουμε.

Δεδομένα CRM

Τα δεδομένα CRM είναι ο όγκος των δεδομένων που μπορεί να πάρει μια εταιρεία από τους πελάτες και χρήστες της ιστοσελίδας της ή των Μέσων Κοινωνικής Δικτύωσης της μέσω των αγορών, της πλοήγησης και των δεδομένων που αφήνονται από τις διάφορες πράξεις τους.  Αυτό μπορεί να ακούγεται παρόμοιο με τα δεδομένα του ηλεκτρονικού εμπορίου αλλά επίσης αποτελείται από πληροφορίες που αφορούν τα likes και shares ανάμεσα σε άλλα. Με την ανάλυση αυτών των δεδομένων, μπορούμε να καθιερώσουμε μια περισσότερο αποτελεσματική στρατηγική για να προσελκύσουμε πελάτες να επισκεφθούν τις πλατφόρμες.

Δεδομένα Καθαρής Βαθμολογίας Προωθητή (Net Promoter Score)

Τελευταία αλλά όχι έσχατα, και συνδεδεμένα με τα Δεδομένα CRM βρίσκουμε τα Δεδομένα Καθαρής Βαθμολογίας Προωθητή (NPS). Αυτά τα δεδομένα αποκαλύπτουν πόσοι πελάτες είναι πρόθυμοι να συστήσουν ένα προϊόν ή υπηρεσία σε άλλους ανθρώπους. Αυτός είναι ένας από τους πιο σημαντικούς ΚΔΑ (Κύριοι Δείκτες Απόδοσης) που θα πρέπει να ελέγχει μια νεοφυής επιχείρηση καθώς δίνει άμεση εικόνα για την ικανοποίηση των πελατών και την πίστη τους στη μάρκα.

Ο Κύκλος των Δεδομένων

 

Πηγή: Επεξεργασμένο από:  file:///C:/Users/User/Downloads/Processing-cuate.svg

Τώρα γνωρίζουμε τι είναι η Αναλυτικών των Πελατών και τους τύπους Δεδομένων Πελατών που μπορείτε να πάρετε. Αλλά από πού θα ξεκινήσετε; Η καλύτερη στρατηγική είναι να χρησιμοποιήσετε τον κύκλο δεδομένων. Ο κύκλος δεδομένων είναι ένας δημοφιλής τρόπος που μπορεί να σας βοηθήσει να εκμεταλλευτείτε στο μέγιστο τις πληροφορίες που έχουν συλλεχθεί από τους πελάτες σας στις διαδικτυακές σας πλατφόρμες. Μπορείτε να τον χρησιμοποιήσετε για να σας βοηθήσει να ετοιμάσετε, να δράσετε και να τεκμηριώσετε τις αποφάσεις της επιχείρησης σας διαδικτυακά. Τα τέσσερα κύρια στάδια του κύκλου δεδομένων είναι Σχεδιασμός, Πράξη, Έλεγχος και Δράση.

Ας δούμε τον κύκλο δεδομένων στην πράξη. Φανταστείτε μια ομάδα μάρκετινγκ μιας εταιρείας Κατασκευής Αυτοκινήτων να θέλει να οργανώσει μια ψηφιακή διαδικτυακή εκστρατεία για να ενθαρρύνει τους ανθρώπους να αγοράσουν ηλεκτρικά αυτοκίνητα εκτός από αυτοκίνητα με κινητήρες καύσης.

Σχεδιασμός

Στο στάδιο Σχεδιασμού η ομάδα θα θέσει τον στόχο της για αυτή την εκστρατεία και να περιγράψει πώς σχεδιάζει να την προωθήσει. Αποφασίζουν ότι ο στόχος τους είναι να δουν αύξηση 18% των πωλήσεων ηλεκτρονικών αυτοκινήτων στους δύο επόμενους μήνες χρησιμοποιώντας το ηλεκτρονικό ταχυδρομείο και μάρκετινγκ μέσων κοινωνικής δικτύωσης.

Πράξη

Στη συνέχεια του κύκλου βρίσκεται το στάδιο της Πράξης. Εδώ είναι που η ομάδα γράφει το περιεχόμενο του ηλεκτρονικού μηνύματος και σχεδιάζει τη στρατηγική στα Μέσα Κοινωνικής Δικτύωσης και λανσάρει την εκστρατεία.

Έλεγχος

Έναν μήνα μετά το τέλος της εκστρατείας η ομάδα μετρά πόσοι άνθρωποι άνοιξαν τα ηλεκτρονικά μηνύματα και αξιολογεί κατά πόσο η εκστρατεία είχε επίδραση στον αριθμό των πελατών που αγοράζουν ηλεκτρικά αυτοκίνητα. Παρατηρούν ότι καθώς η εκστρατεία στα Μέσα Κοινωνικής Δικτύωσης είχε καλή απήχηση εξαιτίας των προωθητικών βίντεο, πολύ λίγοι έκαναν κλικ ή άνοιξαν τα ηλεκτρονικά μηνύματα που είχαν σταλεί. Αυτή η πληροφόρηση τονίζει ότι η τεχνική των ηλεκτρονικών μηνυμάτων θα πρέπει να επανασχεδιαστεί. Αυτό είναι το στάδιο Ελέγχου του κύκλου δεδομένων.

Δράση

Τέλος το στάδιο της Δράσης αποκαλύπτει πού μπορεί μια επιχείρηση να χρησιμοποιήσει τα ευρήματα της για να βελτιώσει μελλοντικές εκστρατείες. Σε αυτή την περίπτωση, η ομάδα μάρκετινγκ θα μπορούσε να αποφασίσει να επανασχεδιάσει τη στρατηγική των ηλεκτρονικών μηνυμάτων με την επανεξέταση του περιεχομένου που στέλνουν ή με την ανταλλαγή του με μια διαφορετική δράση όπως Διαφημίσεις/πληρωμένες αναζητήσεις για να βοηθήσει στη βελτίωση της εμπλοκής του κοινού.

Διορατικότητα των Δεδομένων

Τώρα κατανοούμε ότι μπορούμε να συλλέξουμε Μεγάλα Δεδομένα από τους πελάτες μας και να εφαρμόσουμε την αναλυτική αλλά πώς ερμηνεύουμε αυτή την αναλυτική δεδομένων. Εδώ είναι που έρχεται η διορατικότητα. Η διορατικότητα είναι η αξία που αποκτάται μέσα από τη χρήση της αναλυτικής, με άλλα λόγια, η συλλογή δεδομένων είναι σημαντική αλλά γνωρίζοντας τι θα κάνετε με αυτά τα δεδομένα είναι αυτό που θα προσθέσει αξία στη νεοφυή επιχείρηση σας.

Ας δούμε ένα σύντομο παράδειγμα:

Φανταστείτε ότι έχετε μια ιστοσελίδα ηλεκτρονικού εμπορίου:

• Τα δεδομένα μπορούν να σας δείξουν ότι οι χρήστες σας είχαν 5000 επισκέψεις τον περασμένο μήνα.
• Η αναλυτική μπορεί να σας δείξει πόσες επισκέψεις έλαβαν χώρα σε περιηγητή Chrome στη Νορβηγία.
• H διορατικότητα μπορεί να αποκαλύψει ότι οι επισκέψεις σε περιηγητές Chrome στη Νορβηγία είχαν 45% λιγότερη πιθανότητα να αγοράσουν.

Τακτική και Πρακτική Διορατικότητα

Για να το θέσουμε απλά, η τακτική διορατικότητα αναλύει το «γιατί» κάτι έχει συμβεί.  Η τακτική διορατικότητα είναι κριτική για τον καθορισμό των δράσεων και σας βοηθά να επικεντρωθείτε σε τι είναι σημαντικό για τους στόχους της νεοφυούς επιχείρησης σας.

Από την άλλη, η πρακτική διορατικότητα παίρνει την ανάλυση ένα βήμα πάρα πέρα και καθορίζει τι θα κάνετε μετά ούτως ώστε να βελτιώσετε επιτυχώς και να επαναπροσδιορίσετε τι θα κάνετε.

Για να αποκαλύψετε τη δική σας πρακτική διορατικότητα, προσπαθήστε να ακολουθήσετε αυτά τα έξι βήματα:

1. Καθορίστε τον στόχο σας: Δώστε το περίγραμμα του τι θέλετε να πετύχετε με την εκστρατεία σας.
2. Συλλέξτε τα δεδομένα: Αναλύστε τάσεις και εντοπίστε μοτίβα για να δείτε πώς αυτό έχει επηρεάσει την επίτευξη των στόχων σας.
3. Αναπτύξτε συστάσεις: Παρέχετε τεκμηριωμένες εισηγήσεις στο πώς να βελτιώσετε τις επιχειρηματικές πρακτικές σας βασισμένοι στο τι έχετε μάθει από την ανάλυση των δεδομένων σας.
4. Λάβετε δράση: Κάνετε πράξη τις εισηγήσεις σας και δημιουργήστε ένα πλάνο δράσης για να δοκιμάσετε τις εικασίες σας.
5. Επισκοπείστε τα αποτελέσματα: Αξιολογήστε το κατά πόσο οι πράξεις σας είχαν την επιθυμητή επίδραση και σημειώστε το πώς μπορείτε να βελτιωθείτε περαιτέρω για να καλυτερεύσετε τα αποτελέσματα.

Ας δούμε ένα παράδειγμα που εξερευνά το πώς τα δεδομένα μπορούν να οδηγήσουν σε πρακτική διορατικότητα.

Η Μάρθα είναι η κοινοτική διευθύντρια μιας Ναυτικής Περιβαλλοντικής ΜΚΟ. Χρειάζονται νέα μέλη για να μπουν στον οργανισμό και έχει θέσει έναν στόχο να κάνει 500 νέα μέλη να γραφτούν στους επόμενους 6 μήνες. Καθώς ο στόχος της είναι να αυξήσει τα μέλη, τα δεδομένα που συλλέγει από το λογισμικό αναλυτικής της συμπεριλαμβάνουν το πόσοι άνθρωποι συμπλήρωσαν τη φόρμα εγγραφής, ποιο διαδικτυακή κανάλι χρησιμοποίησαν για να εγγραφούν και πόσο άνθρωποι κοινοποίησαν δημοσιεύσεις στα μέσα κοινωνικής δικτύωσης.

Η αναλυτική αποκαλύπτει ότι τα κανάλια που προέρχονται από μέσα κοινωνικής δικτύωσης είναι η κύρια πηγή εγγραφών έτσι το επόμενο βήμα για τη Μάρθα είναι να βρει ποιες δημοσιεύσεις στα μέσα κοινωνικής δικτύωσης ήταν περισσότερο αποτελεσματικές στο να γίνουν εγγραφές.

Όταν αναλύει και ερμηνεύει τα δεδομένα, βρίσκει ότι τα μέλη που είναι ήδη εγγεγραμμένα και κοινοποιούν τις δημοσιεύσεις της ΜΚΟ στα μέσα κοινωνικής δικτύωσης στους προσωπικούς λογαριασμούς τους έχουν οδηγήσει στον μεγαλύτερο αριθμό νέων εγγραφών.

Από αυτή την τυπική διορατικότητα, η Μάρθα φτάνει στο συμπέρασμα ότι τα εγγεγραμμένα μέλη ενθαρρύνουν περισσότερο τις εγγραφές με το να κοινοποιούν τις δημοσιεύσεις της ΜΚΟ στα Μέσα Κοινωνικής Δικτύωσης.

Για να μετατραπεί αυτό σε πρακτική διορατικότητα, η Μάρθα τώρα χρειάζεται να σκεφτεί μια δράση στα πλαίσια αυτής της έρευνας δεδομένων η οποία θα έχει πραγματική επίδραση στη ΜΚΟ.  Για παράδειγμα, θα μπορούσε να σχεδιάσει μια σειρά δημοσιεύσεων στα μέσα κοινωνικής δικτύωσης που παρέχουν εύκολες οδηγίες στο πώς να γίνει κάποιος μέλος της ΜΚΟ ούτως ώστε οι ήδη εγγεγραμμένοι χρήστες να μπορούν να προωθήσουμε τη ΜΚΟ στα δικά τους μέσα κοινωνικής δικτύωσης.

Τώρα που έχετε μάθει πώς να παράγετε πρακτική διορατικότητα από τα δεδομένα, σκεφτείτε πώς μπορείτε να χρησιμοποιήσετε τα διαδικτυακά δεδομένα για να πάρετε τις καλύτερες αποφάσεις για τη νεοφυή επιχείρηση σας.