쓰레기를 버리고 쓰레기: 나쁜 데이터가 비즈니스 성장에 미치는 영향

마케터는 산더미 같은 귀중한 소비자 데이터에 앉아 있습니다. 그러나 마음대로 사용할 수 있는 모든 데이터가 유용한 것은 아닙니다. 품질이 좋지 않은 데이터로 작업하면 마케팅 활동에 악영향을 미치고 기회를 놓치고 궁극적으로 수익에 해를 끼칩니다.

잘못된 데이터는 상황에 따라 자주 손상되는 데이터입니다. 그리고 그것은 우리가 생각하는 것보다 더 일반적입니다. 고의적이거나 악의적이지 않으며 종종 사람의 실수나 부적절한 수집의 결과입니다. 때로는 이메일 주소가 시간이 지남에 따라 변경되는 것처럼 간단합니다. 다른 경우에는 프로세스에서 중단되는 것입니다. 원인은 간단할 수 있지만 분석의 격차와 부정확성으로 인해 측정하는 모든 것이 비효율적일 수 있으므로 결과는 재앙이 될 수 있습니다.

모든 조직에 팀에 데이터 챔피언이 있는 것은 아니지만 기업이 점점 더 데이터 우선 문화를 수용함에 따라 데이터 상태의 우선 순위가 필수가 될 것입니다.

잘못된 데이터는 표준화되지 않았습니다.

개인 생활에서 일반적으로 데이터를 조정하는 몇 가지 방법이 있습니다. 귀하의 은행 계좌에서 불일치를 발견했다고 가정해 보겠습니다. 귀하는 귀하가 벌어들인 금액과 지출한 금액을 알고 있으며 이를 은행 거래 명세서의 과거 데이터와 비교할 수 있습니다. 다시 말해서, 당신에게는 진리의 근원이 있습니다. 그러나 마케팅에는 기준선이 없는 경우가 많습니다. 마케터는 물론 무엇이 옳은지 어느 정도 알고 있지만 모든 데이터는 그 자체에 상대적입니다.

이 문제는 새로운 것이 아니라 레이더 아래로 쉽게 날아갑니다. 예를 들어 Google Analytics를 사용하여 모든 웹페이지의 트래픽을 추적하고 어떤 이유에서든 스크립트가 페이지의 10%를 추적하지 않는다면 10개가 누락되었다는 사실을 모를 것입니다. 데이터의 %. 이와 같은 간격은 여러 가지 방법으로 발생할 수 있습니다. 그러나 그것이 발생하는 한 가지 큰 방법은 표준화의 부족입니다.

SaaS 비즈니스의 경우 "사이트 방문자"를 측정하는 것이 "플랫폼의 사용자"와 같은 의미가 아닐 수 있습니다. 다양한 분석 플랫폼에서 이러한 메트릭을 설정하고 마케팅에서 영업, 엔지니어링에 이르기까지 여러 부서에 걸쳐 조각화하면 차이가 생깁니다. 애드워즈의 '클릭수'는 신규 사용자, 순 세션수 및 총 세션수 간에 차이가 있으므로 반드시 전체 트래픽으로 변환되지 않습니다. 규모에 따라 수백 가지 소스에서 데이터를 가져옵니다. 측정 대상을 표준화하지 않고 모두 동일하게 취급하는 것은 잘못된 데이터를 만드는 방법입니다.

나쁜 데이터는 비싸다

문제를 해결하는 방법을 잘 몰라 문제를 무시하든, 아니면 아직 인식하지 못하든, 품질이 낮은 데이터로 작업하는 것은 마케팅 외부의 많은 비즈니스에 영향을 미칩니다. 데이터가 도처에 있으면 가치 있는 이니셔티브가 중단되고 수익이 저하됩니다.

이를 고려하면 데이터가 연간 70%씩 감소하기 때문에 잘못된 데이터로 인해 기업에서 연간 평균 970만 달러의 비용이 발생합니다. Harvard Business Review는 의사 결정자, 관리자, 데이터 과학자 및 기타 팀원들이 부정확성과 잘못된 출처를 찾아내고 실수를 수정하는 등 일상 업무의 불일치를 수용해야 하기 때문에 잘못된 데이터에 많은 비용이 든다고 결론지었습니다. 그렇게 하는 것은 시간과 비용이 많이 듭니다.

비용 외에도 잘못된 데이터는 전략을 손상시키고 정보에 기반하지 않은 비즈니스 결정으로 인해 향후 기회를 낭비하게 됩니다. 여러 소스를 통해 다양한 형식과 빈도로 제공되는 대량의 데이터를 처리하는 것은 단편적인 프로세스입니다. 마케팅 부서에는 이 모든 데이터를 지속적으로 분석, 이해 및 활용할 수 있는 인력이 부족한 경우가 많습니다.

좋은 데이터는 깨끗하다

오래된 정보, 중복 또는 부정확성과 같은 일반적인 문제가 더 이상 시스템을 괴롭히지 않도록 데이터를 정리, 확인 및 구성하는 데 시간을 할애하면 좋은 데이터 결과를 얻을 수 있습니다.

이러한 복잡성을 처리하려면 표준화, 최적화, 보고 및 민첩한 접근 방식을 위한 전용 리소스와 잘 정의된 프로세스 및 정책이 필요합니다. 이는 대부분의 조직에서 익숙한 월간 보고, 분기별 예측 및 일시적인 통찰력 생성과 다릅니다. 그러나 이러한 변화는 점점 더 데이터 중심적인 세상에서 성공하기 위해 매우 중요합니다. 세계적 수준의 마케팅 조직은 데이터, 분석, 전략, 인력, 프로세스 및 기능을 원활하게 통합하여 비즈니스 결과를 제공해야 합니다.

조직이 성장하고 있고 부서 간에 데이터를 공유할 수 있는 수문을 막 열었다면 고객을 보다 완벽하게 파악할 수 있도록 정보를 병합할 수 있는 영역을 찾으십시오. 팀 구성원이 파이프라인의 다른 부분을 소유하고 조직의 좋은 데이터를 옹호하는 태스크 포스 구성을 고려하십시오.

데이터 파이프라인을 수동으로 정리하기 위해 태스크 포스에 리소스를 할당하는 것이 비현실적인 옵션이라면 AI 도구 구현을 고려하십시오. 예측 머신 러닝은 데이터 메트릭의 기준 동작을 학습할 수 있으며 방대한 양의 데이터를 신뢰할 수 있는 비즈니스 정보로 신속하게 변환하고 이상 징후 발견을 자동화할 수 있습니다.

파이프라인을 청소하기 위한 전담 리소스는 당면한 문제를 해결하지만 이러한 원칙을 사전에 적용하는 것보다 더 보호적인 것은 없습니다. 팀이 잘못된 데이터를 수정하는 데 시간을 할애하고 처음부터 귀하의 노력에 안전하고 정확한 데이터 프로세스를 구축하는 데 소요되는 시간으로 바꾸십시오.

완벽이 아닌 추구

현실적이 되는 것이 중요합니다. 불량 데이터의 현실은 이를 정리하는 작업이 끝이 없다는 것입니다. 목표는 모든 것이 완벽한 최종 상태가 아닙니다. 목표는 더 나은 데이터를 장려하는 직장의 습관과 프로세스를 위해 노력하는 것입니다.

즉, 데이터 품질은 궁극적으로 모든 사람의 비즈니스입니다. 숫자로 직접 작업하는지 여부에 관계없이 데이터는 조직의 모든 결과에 영향을 미칩니다. 깨끗하고 유지 관리되는 파이프라인은 귀하와 귀하의 팀이 잘못된 비용을 제거하고 보다 쉽게 ​​건전한 데이터 전략을 추구할 수 있음을 의미합니다.

진정한 데이터 우선 문화로 마케팅을 옮기는 것은 긴 여정이 될 수 있습니다. 그러나 그 가치를 증명하는 것입니다.

이 자료는 데이터 기반 마케팅에 대한 시리즈의 일부로, 당사 전문가가 데이터를 기반으로 하는 팀 및 전략적 접근 방식을 개발하는 열쇠를 탐구합니다. 여기에서 첫 번째 기사를 읽으십시오.