Sampah masuk, sampah keluar: seberapa buruk data memengaruhi pertumbuhan bisnis

Pemasar duduk di atas segunung data konsumen yang berharga. Tetapi tidak semua data yang mereka miliki berguna. Bekerja dengan data berkualitas buruk meracuni upaya pemasaran Anda, mengarah pada peluang yang terlewatkan dan pada akhirnya merugikan keuntungan Anda.

Data buruk adalah data yang sering rusak oleh keadaan. Dan itu lebih umum daripada yang kita sadari. Tidak pernah disengaja atau jahat, sering kali merupakan akibat kesalahan manusia atau pengumpulan yang tidak tepat. Terkadang sesederhana alamat email yang berubah seiring waktu. Dalam kasus lain, itu adalah sesuatu yang merusak proses Anda. Meskipun penyebabnya bisa sederhana, efeknya—kesenjangan dan ketidakakuratan dalam analitik Anda yang menyebabkan semua yang Anda ukur menjadi tidak efektif—bisa menjadi bencana.

Tidak setiap organisasi memiliki juara data di tim mereka, tetapi karena perusahaan semakin menganut budaya data-first, memprioritaskan kesehatan data akan menjadi suatu keharusan.

Data buruk tidak distandarisasi

Dalam kehidupan pribadi Anda, biasanya ada beberapa cara untuk merekonsiliasi data. Katakanlah Anda menemukan perbedaan di rekening bank Anda: Anda tahu apa yang Anda peroleh versus apa yang Anda belanjakan, dan Anda dapat memeriksanya dengan data historis di laporan mutasi bank Anda. Dengan kata lain, Anda memiliki sumber kebenaran. Tetapi dalam pemasaran, lebih sering daripada tidak, tidak ada dasar. Sebagai seorang pemasar, Anda tentu memiliki beberapa gagasan tentang apa yang benar, tetapi semua data Anda relatif terhadap dirinya sendiri.

Masalah ini bukanlah hal baru, itu hanya dengan mudah terbang di bawah radar. Jika Anda menggunakan Google Analytics, misalnya, untuk melacak lalu lintas di semua halaman web Anda, dan untuk alasan apa pun skrip tidak melacak 10% halaman Anda, Anda tidak akan tahu bahwa Anda kehilangan 10 % data Anda. Kesenjangan seperti ini bisa terjadi dalam beberapa cara. Tapi satu cara besar itu terjadi adalah melalui kurangnya standarisasi.

Untuk bisnis SaaS, mengukur “pengunjung ke situs” mungkin tidak berarti sama dengan “pengguna di platform”. Saat Anda menyiapkan metrik ini di berbagai platform analitik, dan memecahnya di beberapa departemen—dari pemasaran hingga penjualan hingga teknik—itu membuat perbedaan. “Klik” di AdWords tidak selalu diterjemahkan ke keseluruhan lalu lintas karena ada perbedaan antara pengguna baru, sesi unik, dan total. Dalam skala besar, Anda mengambil data dari ratusan sumber. Tidak menstandardisasi apa yang Anda ukur, namun memperlakukannya dengan sama, adalah resep untuk data yang buruk.

Data buruk itu mahal

Baik Anda mengabaikan masalah karena Anda tidak yakin bagaimana cara memperbaikinya, atau mungkin Anda belum menyadarinya, bekerja dengan data berkualitas buruk memengaruhi banyak bisnis di luar pemasaran. Jika data Anda ada di mana-mana, itu akan menghentikan inisiatif yang berharga dan merugikan keuntungan Anda.

Sebagai perbandingan, karena data meluruh pada tingkat 70% per tahun, data yang buruk membebani bisnis rata-rata $9,7 juta per tahun. Harvard Business Review menyimpulkan bahwa biaya data yang buruk sangat mahal karena pengambil keputusan, manajer, ilmuwan data, dan anggota tim lainnya harus mengakomodasi perbedaan dalam pekerjaan sehari-hari mereka—memburu ketidakakuratan dan sumber buruk, mengoreksi kesalahan. Melakukannya memakan waktu dan mahal.

Di luar dolar, data yang buruk membahayakan strategi Anda, yang mengarah ke peluang yang terbuang sia-sia akibat keputusan bisnis yang tidak diinformasikan. Berurusan dengan sejumlah besar data yang disediakan melalui berbagai sumber, dalam format yang berbeda dan pada frekuensi yang berbeda adalah proses yang terfragmentasi. Dapat dimengerti bahwa departemen pemasaran sering kekurangan tenaga untuk menganalisis, memahami, dan memanfaatkan semua data ini secara berkelanjutan.

Data yang bagus itu bersih

Hasil data yang baik saat Anda meluangkan waktu untuk membersihkan, memverifikasi, dan mengatur data sehingga masalah umum seperti informasi usang, duplikat, atau ketidakakuratan tidak lagi mengganggu sistem Anda.

Berurusan dengan kompleksitas ini membutuhkan sumber daya khusus dan proses serta kebijakan yang terdefinisi dengan baik untuk standardisasi, pengoptimalan, pelaporan, dan pendekatan yang gesit. Ini adalah penyimpangan dari pelaporan bulanan, peramalan triwulanan, dan pembuatan wawasan episodik yang biasa dilakukan oleh sebagian besar organisasi. Tetapi perubahan ini sangat penting untuk kesuksesan di dunia yang semakin didorong oleh data. Organisasi pemasaran kelas dunia harus memadukan data, analitik, strategi, orang, proses, dan kemampuan dengan mulus untuk memberikan hasil bisnis.

Jika organisasi Anda berkembang, dan Anda baru saja membuka pintu air untuk berbagi data antar departemen, cari area di mana informasi dapat digabungkan sehingga Anda memiliki gambaran pelanggan yang lebih lengkap. Pertimbangkan untuk membentuk gugus tugas, di mana anggota tim memiliki bagian yang berbeda dari jalur pipa dan memperjuangkan data yang baik di organisasi Anda.

Jika mengalokasikan sumber daya ke gugus tugas untuk membersihkan saluran data Anda secara manual adalah opsi yang tidak realistis bagi Anda, pertimbangkan untuk menerapkan alat AI. Pembelajaran mesin prediktif dapat mempelajari perilaku dasar metrik data Anda dan memiliki kemampuan untuk dengan cepat mengubah sejumlah besar data menjadi informasi bisnis tepercaya serta mengotomatiskan penemuan anomali.

Sumber daya khusus untuk membersihkan saluran pipa memperbaiki masalah yang dihadapi, tetapi tidak ada yang lebih protektif daripada menerapkan prinsip-prinsip ini secara proaktif. Luangkan waktu yang akan dihabiskan tim Anda untuk mengoreksi data buruk dan menukarnya dengan waktu yang dihabiskan untuk membangun proses data yang aman dan akurat ke dalam upaya Anda sejak awal.

Mengejar, bukan kesempurnaan

Menjadi realistis itu penting. Dan kenyataan dari data yang buruk adalah bahwa membersihkannya adalah proses yang tidak pernah berakhir. Tujuannya bukanlah keadaan akhir di mana semuanya sempurna. Tujuannya adalah untuk mengupayakan kebiasaan dan proses di tempat kerja Anda yang mendorong data yang lebih baik.

Konon, kualitas data pada akhirnya adalah urusan semua orang. Baik Anda bekerja secara langsung dengan angka atau tidak, data memengaruhi setiap keluaran organisasi. Saluran pipa yang bersih dan terawat berarti Anda dan tim Anda dapat memangkas biaya yang salah untuk kebaikan dan lebih mudah mengejar strategi data yang sehat.

Memindahkan pemasaran menuju budaya data pertama yang benar bisa menjadi perjalanan yang panjang. Tapi itu salah satu yang membuktikan nilainya.

Bagian ini adalah bagian dari seri kami tentang pemasaran berbasis data di mana para ahli kami mengeksplorasi kunci untuk mengembangkan tim dan pendekatan strategis yang didasarkan pada data. Baca artikel pertama di sini.