From random numbers to actionable intel: How to manage your Big Data – De números aleatórios para informações úteis: como gerenciar seu Big Data

Compartilhar

Data has many benefits. But with data points constantly being collected and updated, marketers can have trouble managing it. Data is only useful when it’s actionable.

When it comes to big data management, actionable goals that give a purpose to your data will make it more manageable and useful. Here are some of the areas where you can put your big data to work and use it to guide your future campaigns and strategy.

Purchasing Behavior

The purchasing behavior of your customers may be your biggest data asset. By analyzing specific metrics of how and why customers make purchases, you can see what works and what doesn’t in your marketing strategy. Some metrics that are important to look at in your data include:

Conversion Rate: Your average conversion rate can help determine whether or not new campaigns or products are successful. If you try a new product page and see a higher conversion rate, then you know the product page is converting better than the previous version.

Industry Conversion Rate: When you see how your organization’s conversion rate compares to your industry average, you can determine if your campaigns are as successful as they should be.

Repeat Customer Rate: How many times does an average customer make a purchase from you? This can help determine your sales funnel and repeat customer targeting strategy.

Average Order Amount: If the average order amount is less than the cost of some of your premium products, you may see more revenue from promoting more of your lower-cost products. Try experimenting with different selling methods (for example, BOGO, bundles).

Amount Spent on Site Before Purchasing: This relates to the buying cycle. If the average customer visits your product pages three times before making a purchase, they may need more convincing on their first visit. You need to test product page conversion tweaks to try to convince them to make a purchase sooner.

With some big data solutions, you can compare your results to industry standards — such as the industry conversion rate. Use your own data combined with a mixture of data from other sources to make more accurate decisions.

Continue Building with Demographics and Behaviors

Knowing the basics about your average customer helps you form personas, create new campaigns, and build better products. In a process known as data mining, look at your data for patterns in gender, age, location, and interests to flesh out your answer to the question “Who is my average customer?”

Combine these patterns with your metrics and other common customer behaviors. For instance, if you know that your customer base skews 30- to 45-year-old adults who make an average purchase of $100 on your site and reach out to customer service using the phone, you can spend more time testing call tracking and evaluate whether there needs to be more phone support for customers.

Combined data will give you the most information available. This helps all departments make better decisions, including evaluating employee performance, tracking trends, and predicting cash flow.

Campaign Integration

Big data management is all about combining the data you have in the most robust system available so your employees have the information they need.

As you create a picture of who your average customer is, you can integrate other data to better target the behavior patterns of those most likely to make a purchase from you. For instance, you can use social media analytics to pull more data that is relevant to behavioral targeting: It helps you see how and where your customers are engaging with your brand on social media. This will help with asset allocation when it comes time to decide advertising budgets or employee time management. It will also help you see which existing efforts are actually turning into conversions.

If you use Facebook pixel tracking, you can see what percentages of sales come or originate from Facebook. If a customer clicks on an ad about your new product suite and doesn’t complete the lead form, but follows up later to fill out a free content offer, the pixel gives you data on all the customer’s previous actions before completing the lead generation form.

Having better, integrated data allows you to see if all your marketing efforts are worthwhile. For instance, if your company has been creating quarterly white papers, but the data shows that white papers only make up 2% of your total lead source, you can experiment with different facets of the white papers (for example, the length, topic, or landing page copy) or consider cutting them from your marketing plan and refocusing those resources on something that generates a higher percentage of leads.

Sales Integration

Because marketing is mainly responsible for and focused on its own efforts, it may not see where a lead goes once it is collected for the company. This is why customer data from multiple departments and sources should be integrated into one big data management strategy.

In addition, leveraging third-party data sources can help companies predict what products customers in a specific industry will like. This can help shape both marketing and sales strategy and outreach. By using the right platform to collect all external and internal data into one place, you can see from which source a customer originates (for example, social media) as well as their average sales cycle and location. A centralized source of your data is beneficial to all departments.

For instance, if your digital marketing department sees that the average sales cycle of a customer is 12 weeks, but its campaigns usually only run for six weeks, it needs to look into lengthening campaigns to capture more leads within the normal sales cycle.

Integrating data into one platform helps you make better predictions, according to Doug Camplejohn in an article for CIOReview. By analyzing lots of data simultaneously, you can predict sales, customer rate of return, and several other metrics that can influence sales and marketing goals.

Goal Setting

Knowing key data points helps a great deal with goal setting. With the 12-week campaign example, the digital marketing department knows it needs quarterly goals that correspond with its average sales cycle.

Predictive analytics is another tool for big data that helps teams set more effective goals. Looking at a mix of internal and external data can let you determine any outliers. If you had a quarter that doesn’t go as well as predicted, for instance, but historically that’s unusual, you can set clearer goals based off the historical data and focus on what caused the quarter to go the way it did.

Looking at past performance trends can create clearer expectations, which makes goals more attainable. If the past three marketing campaigns have a strong start and then see incoming leads drop by 25% after two weeks, you can compare this historical performance to current campaign performance to see if you hit the mark.

Better use of data is all about leveraging it the right way to make more informed decisions. Big data management tools can help companies organize their own data, and use data from third parties to help predict behaviors and learn purchasing patterns. By using all the available knowledge, organizations can make better decisions for both marketing and overall product strategy.

About the Author:

Kelsey Jones has been working in digital marketing since 2007 and journalism since 2004, gaining proficiency in social media, SEO, content marketing, PR, and web design.

From Random Numbers to Actionable Intel: How to Manage Your Big Data

Os dados têm muitos benefícios. Mas, com os pontos de dados sendo constantemente coletados e atualizados, os profissionais de marketing podem ter problemas para gerenciá-los. Os dados só são úteis quando são acionáveis.

Quando se trata de gerenciamento de big data, metas acionáveis ​​que dão um propósito aos seus dados o tornarão mais gerenciável e útil. Veja algumas das áreas em que você pode colocar seus dados grandes para funcionar e usá-los para orientar suas campanhas e estratégias futuras.

Comportamento de compra

O comportamento de compra de seus clientes pode ser seu maior recurso de dados. Ao analisar métricas específicas de como e por que os clientes fazem compras, você pode ver o que funciona e o que não funciona na sua estratégia de marketing. Algumas métricas importantes para analisar seus dados incluem:

Taxa de conversão: sua taxa de conversão média pode ajudar a determinar se novas campanhas ou produtos são bem-sucedidos ou não. Se você tentar uma nova página de produto e ver uma taxa de conversão mais alta, saberá que a página do produto está convertendo melhor que a versão anterior.

Taxa de conversão do setor: quando você vê como a taxa de conversão da sua organização se compara à sua média do setor, pode determinar se suas campanhas são tão bem-sucedidas quanto deveriam.

Taxa de repetição do cliente: quantas vezes um cliente médio faz uma compra com você? Isso pode ajudar a determinar seu funil de vendas e repetir a estratégia de segmentação de clientes.

Valor médio do pedido: se o valor médio do pedido for menor que o custo de alguns de seus produtos premium, você poderá ver mais receita promovendo mais produtos de baixo custo. Tente experimentar diferentes métodos de venda (por exemplo, BOGO, bundles).

Montante gasto no local antes da compra: refere-se ao ciclo de compra. Se o cliente médio visitar as páginas do seu produto três vezes antes de fazer uma compra, elas talvez precisem ser mais convincentes na primeira visita. Você precisa testar os ajustes de conversão da página do produto para tentar convencê-los a fazer uma compra mais cedo.

Com algumas soluções de big data, você pode comparar seus resultados com os padrões do setor, como a taxa de conversão do setor. Use seus próprios dados combinados com uma mistura de dados de outras fontes para tomar decisões mais precisas.

Continue construindo com dados demográficos e comportamentos

Conhecer o básico sobre o seu cliente médio ajuda você a formar personas, criar novas campanhas e criar produtos melhores. Em um processo conhecido como mineração de dados, analise seus dados em busca de padrões de gênero, idade, localização e interesses para detalhar sua resposta à pergunta “Quem é meu cliente médio?”

Combine esses padrões com suas métricas e outros comportamentos comuns dos clientes. Por exemplo, se você sabe que sua base de clientes distorce adultos de 30 a 45 anos que fazem uma compra média de US $ 100 em seu site e acessam o atendimento ao cliente usando o telefone, você pode passar mais tempo testando o acompanhamento de chamadas e avaliando se é necessário ter mais suporte por telefone para os clientes.

Dados combinados fornecerão a maior quantidade de informações disponíveis. Isso ajuda todos os departamentos a tomar decisões melhores, incluindo a avaliação do desempenho dos funcionários, o rastreamento de tendências e a previsão do fluxo de caixa.

Integração de Campanha

O gerenciamento de big data tem tudo a ver com combinar os dados que você tem no sistema mais robusto disponível para que seus funcionários tenham as informações de que precisam.

À medida que você cria uma imagem de quem é seu cliente médio, é possível integrar outros dados para segmentar melhor os padrões de comportamento dos que têm maior probabilidade de fazer uma compra com você. Por exemplo, você pode usar a análise de mídia social para extrair mais dados relevantes para a segmentação comportamental: ela ajuda a ver como e onde seus clientes estão interagindo com sua marca nas mídias sociais. Isso ajudará na alocação de ativos quando chegar a hora de decidir os orçamentos de publicidade ou o gerenciamento do tempo dos funcionários. Também ajudará você a ver quais esforços existentes estão se transformando em conversões.

Se você usa o acompanhamento de pixels do Facebook, você pode ver quais porcentagens de vendas vêm ou se originam do Facebook. Se um cliente clica em um anúncio sobre seu novo conjunto de produtos e não preenche o formulário de lead, mas acompanha mais tarde para preencher uma oferta de conteúdo gratuito, o pixel fornece dados sobre todas as ações anteriores do cliente antes de preencher o formulário de geração de leads .

Dados melhores e integrados permitem que você veja se todos os seus esforços de marketing valem a pena. Por exemplo, se sua empresa estiver criando white papers trimestrais, mas os dados mostrarem que os white papers representam apenas 2% de sua origem total de leads, você poderá experimentar diferentes facetas dos white papers (por exemplo, o comprimento, o tópico, ou cópia da página de destino) ou considere cortá-los de seu plano de marketing e refocar esses recursos em algo que gere uma porcentagem maior de leads.

Integração de Vendas

Como o marketing é o principal responsável e se concentra em seus próprios esforços, ele pode não ver para onde um lead vai quando é coletado para a empresa. É por isso que os dados de clientes de vários departamentos e fontes devem ser integrados em uma única estratégia de gerenciamento de big data.

Além disso, o aproveitamento de fontes de dados de terceiros pode ajudar as empresas a prever quais produtos os clientes de uma indústria específica preferirão. Isso pode ajudar a moldar a estratégia de marketing e vendas e o alcance. Ao usar a plataforma certa para coletar todos os dados externos e internos em um único local, você pode ver de qual origem um cliente é originado (por exemplo, mídias sociais), além de seu ciclo e local de vendas médios. Uma fonte centralizada de seus dados é benéfica para todos os departamentos.

Por exemplo, se o departamento de marketing digital perceber que o ciclo médio de vendas de um cliente é de 12 semanas, mas suas campanhas normalmente são executadas por seis semanas, é necessário analisar as campanhas para capturar mais leads dentro do ciclo normal de vendas.

A integração de dados em uma plataforma ajuda você a fazer previsões melhores, de acordo com Doug Camplejohn em um artigo para o CIOReview. Ao analisar vários dados simultaneamente, você pode prever as vendas, a taxa de retorno do cliente e várias outras métricas que podem influenciar as metas de vendas e marketing.

Definição de metas

Conhecer os principais pontos de dados ajuda muito na definição de metas. Com o exemplo de campanha de 12 semanas, o departamento de marketing digital sabe que precisa de metas trimestrais que correspondam ao seu ciclo de vendas médio.

A análise preditiva é outra ferramenta para big data que ajuda as equipes a definir metas mais eficazes. Observar uma combinação de dados internos e externos permite determinar quaisquer valores discrepantes. Se você tivesse um trimestre que não fosse tão bem quanto o previsto, por exemplo, mas historicamente isso é incomum, é possível definir metas mais claras com base nos dados históricos e se concentrar no que fez com que o trimestre fosse do jeito que aconteceu.

Observar as tendências de desempenho anteriores pode criar expectativas mais claras, o que torna as metas mais alcançáveis. Se as três campanhas de marketing tiverem um início forte e, em seguida, os leads entrados caírem 25% após duas semanas, você poderá comparar esse desempenho histórico com o desempenho atual da campanha para ver se atingiu a marca.

Melhor uso de dados é tudo sobre alavancar o caminho certo para tomar decisões mais informadas. As ferramentas de gerenciamento de big data podem ajudar as empresas a organizar seus próprios dados e usar dados de terceiros para ajudar a prever comportamentos e aprender padrões de compra. Usando todo o conhecimento disponível, as organizações podem tomar decisões melhores tanto para o marketing quanto para a estratégia geral do produto.

Sobre a autora:

Kelsey Jones trabalha com marketing digital desde 2007 e jornalismo desde 2004, ganhando proficiência em mídias sociais, SEO, marketing de conteúdo, relações públicas e web design.

Source/Fonte: https://www.salesforce.com/products/marketing-cloud/best-practices/big-data-management/