6 wskazówek, jak dbać o jakość danych klientów

1 sierpnia 2017

Co dwanaście miesięcy ilość danych w internecie rośnie blisko o 40%, co przekłada się na przyrost wagi danych o 30 GB w ciągu sekundy. Jeszcze 20 lat temu tyle informacji składało się na całą sieć. Jak w tym zalewie informacji szukać prawdziwych i właściwych danych o klientach?

Po pierwsze: określ strukturę danych swoich klientów

Według badań Instytutu DBMS tylko 21% przedsiębiorstw wie, jak pozyskiwać i przetwarzać swoje dane do celów marketingowych. A zatem w pierwszej kolejności trzeba określić, jakie dane konkretnie mają wartość. Najlepiej podzielić je według 3 kategorii: demografia, zainteresowania, zachowanie.

Do danych demograficznych zaliczyć można podstawowe dane o tym, czym lub kim jest podmiot, informacje o statusie i formie prawnej klienta, posiadanej umowie, czy też dane kontaktowe takie jak nr telefonu, adres e-mail, informacja o profilu na LinkedIn czy Facebook.

Do danych dotyczących zainteresowań użytkowników można zaliczyć typy kupowanych produktów, branże, w jakich działają, polubienia w social mediach czy też, na jakich forach wypowiadają się w internecie.

Dane dotyczące zachowań najlepiej określają informacje o ich aktywności np. w Twoim sklepie internetowym, wykorzystywania usługi, produktu czy też serwisów typu SAAS.

Taką listą danych dysponujemy od razu w przypadku, gdy posiadamy np. CRM lub system umożliwiający prowadzenie sprzedaży internetowej. Poniżej przykładowy model danych księgarni internetowej.

źródło: https://4programmers.net/Forum/Bazy_danych/232574-schemat_bazy_ksiegarni_internetowej

 

Po drugie: określ wiarygodne źródła danych oraz weryfikuj ich poprawność

Zwykle podstawowymi źródłami danych są: system CRM i dane wprowadzane przez sprzedaż oraz obsługę, dane systemu transakcyjnego – tam gdzie użytkownicy kreują konta lub realizują usługę oraz dane pochodzące z social media i samej strony internetowej przedsiębiorstwa. Wprowadzenie walidacji na kluczowe dla nas dane, może mieć zbawienny wpływ na późniejszą kontakt i budowanie zaangażowania. Najlepszym przykładem jest stosowanie modelu double opt-in w kampaniach leadowych i do rejestracji w naszej usłudze internetowej. Nie dość, że klient świadomie daje zgodę na pozostawienie swojego kontaktu, to jeszcze w procesie potwierdzimy istnienie jego danych kontaktowych, co zabezpieczy nas przed umieszczeniem w naszych zasobach nieprawdziwych informacji. A na te narażeni są przedsiębiorcy wykorzystujący systemy afiliacji, gdzie obecnie szacuje się na podstawie badań Instytutu DBMS, że 38% wprowadzanych danych nie spełnia reguł walidacji określonych przez reklamodawcę. Dlatego warto proces rejestracji klienta połączyć z kontem Facebook, który podczas swojej rejestracji wymaga podania nr telefonu komórkowego i ma wprowadzoną walidację poprzez SMS.

Natomiast jeśli już posiadamy bazę danych kontaktowych, to warto raz na miesiąc zweryfikować dane w usłudze typu „Sprawdź bazę”, dzięki której przy użyciu API można określić, czy adres e-mail ma poprawny format czy wybrany adres e-mail istnieje na serwerze poczty.

Należy wystrzegać się tzw. twardych odrzuceń, które mogą powodować wpisanie Waszych serwerów na czarne listy.

Po trzecie: wchodź w interakcje z klientami

Obserwowanie zachowań klientów jest fajne, ale jeszcze fajniejsze jest wchodzenie w interakcję z nimi. W ostatnim tygodniu w newsletterze DBMS informowaliśmy ich o nowym wpisie na blogu, a tym, którzy przeczytali dziękowaliśmy osobiście. Jednakże w komunikacji dotyczącej spersonalizowanego komunikatu trafił się błąd. Panom w mailu nie wyświetliło się imię. Tego samego dnia od jednego z nich dostaliśmy info.

Ta prosta wymiana informacji uświadomiła nam ważną kwestię. Nasi klienci są naszymi sprzymierzeńcami, dzięki czemu możemy praktycznie doskonalić w tym przypadku jakość komunikacji.

Po czwarte: wykorzystuj dane z różnych źródeł

Wg raportu Data-Driven Marketing przygotowanego przez grupę Netsprint najczęściej wykorzystywanymi danymi są tzw. 1st party data, czyli dane własne klientów (czerpane z ich platform transakcyjnych i systemów do zarządzania klientami) – używa ich 75% respondentów. Jednakże, już tylko 47% badanych korzysta z 3rd party data, czyli danych zewnętrznych, pochodzących od firm trzecich – bezpośrednio od właściciela danych, albo z agregatorów i hurtowni danych.

Dane te są dostępne w formie gotowych segmentów, do których reklamodawca kieruje przekaz marketingowy, które mogą być wykorzystywane w kampaniach SMS, czy też kampaniach e-mail marketingowych i display. Jednakże najmniej marketerów (21%) korzysta z tzw. 2nd party data – danych własnych pochodzących od partnera (najczęściej wydawcy) i udostępnionych reklamodawcy do kampanii. To duży błąd, bo w nich drzemie wiedza na temat zachowań osób, które przynajmniej raz zetknęły się z naszą marką.

Jawi się więc pytanie jak ją wyłuskać? Po pierwsze warto nadać odpowiedni identyfikator każdemu kontaktowi i przeanalizować jego zachowanie poprzez zdarzenia, jakie np. wykonał na stronie WWW, dzięki czemu jeśli odbiorca pojawi się na stronie lub fanpage’u, będziemy mogli podać mu spersonalizowany komunikaty lub podziękować za zainteresowanie i obdarzyć go miłym upominkiem. Po drugie jest to dodatkowe paliwo umożliwiające nadanie wartości punktacyjnej określonemu zachowaniu.

Czy to wszystko? Oczywiście, że nie –  Głównym celem kampanii z wykorzystaniem danych szczególnie 2nd party oraz 3rd party jest pozyskiwanie leadów i generowanie sprzedaży online. Aż 81 % marketerów w kampaniach nastawionych na efekt chętnie używają danych własnych w retargetingu, docierając z reklamą do użytkowników, którzy już odwiedzili ich serwis lub sklep internetowy, ale nie dokonali konwersji. Z kolei spośród danych 3rd party (zewnętrznych) reklamodawcy do działań efektywnościowych wykorzystują głównie:

– intencje zakupowe – jakie produkty użytkownik wrzucił do koszyka, ale nie dokonał zakupu,
– precyzyjne profile zainteresowań – na jakie tematy intensywnie poszukiwał treści i czytał je w internecie,
– geolokalizację – gdzie przebywał fizycznie lub jest w danym momencie,
– look-alike – dane pozwalające znajdować w internecie i docierać z reklamą do użytkowników podobnych do tych, którzy odwiedzili serwis reklamodawcy czy zrobili w nim zakupy.

Jakie korzyści daje takie podejście? Przede wszystkim zrozumienie szerszego kontekstu zachowania klienta: od reakcji na wysyłkę maila czy artykuł internetowy, aż po ponowna wizytę na naszym serwisie lub fanpage’u.

Po piąte: mierz skutki ekonomiczne poprawy jakości danych

Proces pomiaru efektów w poprawie danych jest zależny od priorytetu nałożonego na nie. W przypadku biznesów internetowych może on być oznaczony np. odsetkiem otwarć w stosunku do wysłanych komunikatów. Ten parametr, trochę niedoceniany przez marketerów wskazuje, jak często odbiorca wchodzi w interakcję z marką i czy komunikat w ogóle dociera, a to ma bezpośrednie przełożenie na sprzedaż. Z kolei w biznesach opartych na działania w tzw. „realu” metryki korelujące Wasz biznes z danymi mogą wyglądać inaczej. Np. w branży windykacyjnej liczy się kontakt z dłużnikiem. Jeśli dane kontaktowe, które stanowią podstawę, nie będą należytej jakości, to jest zapewniać minimum 30-procentowych, właściwych kontaktów, w stosunku do zakupionych długów. Taka firma może mieć problem z dotarciem do dłużnika.

Wybierzcie 2-3 KPI, które będziecie obserwować na co dzień, a które mają bezpośrednie przełożenie na Twój biznes. To może być poziom interakcji, to może być stopień wykorzystania usługi lub też ilość faktur korygujących. Ważne, aby różne działy mogły wypowiedzieć się na temat pochodzenia liczb i ich wiarygodności.

Po szóste: buduj kulturę pracy z danymi

Rozwój internetu i konsumpcji danych pociąga za sobą procesy związane z procesem zapewnienia jakości danych. Wciąż sporo się  słyszy o „demokratyzacji danych”. W sumie dobry slogan, a do tego bardzo aktualny „buzz word”. Ale jest pewien haczyk. Firmy wcale nie potrzebują, by każdy pracownik miał dostęp do danych i informacji. To, czego potrzebują, to szerszy dostęp pracowników do dobrych danych i wartościowych informacji. A jakość danych i efektywność analiz to kwestia bardziej procesów (czyszczenie danych, data governance, zarządzanie słownikami) i ludzi (analityków, ekspertów dziedzinowych rozumiejących kontekst danych), niż narzędzi.

Tagi:

Komentarze:

Comments

comments

Blogi

X