5 gode råd til værdiskabende dataarbejde

2. Du bruger for mange, forkerte eller for få data

Kunsten i brugen af data er at vælge the right data: Det data blend, der giver dig den indsigt, der driver din forretning frem. Derfor er det vigtigt, at de data, der anvendes, er relevante og skaber den viden om dine kunder, du har brug for. Består din kundebase af både kundestamdata med navne, adresser, køn, alder og købshistorik, er du godt i gang og kan skabe viden om dine kunders geografiske fordeling, alders- og kønsfordeling, deres RFM-score, og du kan matche disse værdigrupper med hvilke produkter, der købes - men du kan ikke forklare, hvorfor billedet ser ud, som det gør

Fix 1

Inddrag flere eksterne data

Den viden får du ved at inddrage flere eksterne data. Selvom flere data ikke i sig selv er den direkte vej til nirvana, kan tilføjelsen af de rette ekstra variable give dig et 360° indblik i dine kunder. Måske er kundernes køb påvirket af deres boligtype, indkomstniveau, familieforhold eller andet, der endnu er ubelyst i dit dataarbejde, hvis du kun bruger dine interne data

I vores datakataloger finder du en oversigt over de variable, vi oplever den hyppigste efterspørgsel på, og som er velegnede til at supplere dine interne data med yderligere indsigter

Fix 2

Identificér de forklarende variable

At finde de forklarende variable kan være svært og gøres det manuelt af analytikere, kan de overse vigtige pointer. Det er derfor machine learning er på manges læber; med en god algoritme kan hidtil usete mønstre afdækkes, og din segmentering tilsvarende tilpasses

Vi har på baggrund af mange års rådgivning af B2C-virksomheder i hele Norden selv udviklet en machine learning-algoritme, der fx kan identificere de variable, der har den største betydning for dine kunders churn

Læs mere om vores tilgang til segmentering

Fix 3

Bortsortér overflødige data

Har du inddraget for mange variable, kan datamængden blive uoverskuelig. Den rette datamængde afhænger i høj grad af formålet med din segmentering, så skær til i forhold til de spørgsmål, analysen skal svare på. Har du identificeret de forklarende variable som beskrevet i fix 2, bliver de overflødige data lettere at udpege. Og har du overflødige data, er der en positiv sidegevinst ved at skære dem fra, for så bliver du nemlig mere compliant med GDPRs ideal om dataminimering

3. Du mangler dataanalytiske kompetencer

Det er ikke simpelt at få opstillet den korrekte model, for alene det at finde frem til de forretningsmæssige spørgsmål, den skal besvare, kræver overblik. Er du og din virksomhed derfor ikke erfaren inden for kundeanalyse og segmentering, kan segmenteringen risikere at koste mange ressourcer uden at skabe den forventede værdi

Fix 1

Alliér dig med data scientists

Data science er en disciplin, der mestres af fagfolk, der har et indgående kendskab til, hvordan data skal struktureres, bearbejdes og tolkes, så det understøtter dine forretningsstrategiske mål. Engagér eksperter, der kan hjælpe dig og din virksomhed godt fra start

Fix 2

Brug et godt analytisk værktøj, der matcher dine behov

Dine dataanalytiske kompetencer er også begrænset af de metoder og programmer, du anvender. Spændvidden går fra pivottabeller i Excel til egentlige analytiske værktøjer, der kan håndtere machine learning og AI. Der findes et væld af løsninger på markedet, så investér i den løsning, der passer til din forretnings behov. Du kan evt. starte din research her: 2018 Gartner Magic Quadrant for Business Intelligence and Analytics

4. Din segmenteringsmodel er uaktuel

Næsten en tredjedel af respondenterne i vores nylige analyse af B2C-virksomhedernes indsamling og brug af data svarede, at de ikke ved, hvor deres segmenteringsmodel kommer fra! Det er et grundvilkår for forankringen af din segmenteringsmodel, at alle medarbejdere oplever den som værende aktuel. Synes de ikke dét, udarbejder de enkelte afdelinger egne modeller eller bruger slet ingenting, og dermed kommer dine investerede ressourcer ikke tilbage i form af bedre salg og fastholdelse

Fix 1

Dokumentér din segmenteringsmodel

Uanset om din segmenteringsmodel er egenudviklet eller tager udgangspunkt i et standardiseret segmenteringsværktøj, bør dens oprindelse være dokumenteret og beskrevet, så videreudvikling og opdatering gøres uafhængig af medarbejderudskiftninger

Fix 2

Sørg for at segmenteringsmodellen er databaseret

Derudover bør den være baseret på data, enten ud fra din nuværende kundebase eller din research af et potentielt marked. Personaer udviklet på baggrund af brainstorms og ønskelister viser sig så godt som altid at være umulige at operationalisere

5. Du mangler ambitioner

Hvis du – som 46 % af respondenterne i vores undersøgelse gav udtryk for – mener, at dit dataarbejde er på et højt eller meget højt niveau, men samtidig ikke synes, at din virksomheds segmenteringsmodel er værdiskabende, er det tid til at sætte ambitionsniveauet op. At højne ambitionsniveauet i sit dataarbejde behøver ikke betyde, at ens segmenteringsmodel skal ændres, hvis den allerede er god. Men det kan være, at den kan udnyttes bedre – eller at dens kvalitet kan løftes yderligere, hvis datagrundlaget var bedre eller bedre opdateret? Det er i hvert fald ikke nok at ønske sig værdiskabende segmentering; det kræver også prioritering af tid, penge og - hvis man ikke har kompetencerne in-house - en god samarbejdspartner