En este momento hay innumerables "emperadores" que toman decisiones audazmente que están revestidas de "datos". La terrible verdad es que esas decisiones no llevan nada en absoluto. Como especialista en marketing, vivo y muero según los datos, y he descubierto que las plataformas de automatización de marketing como SharpSpring son los mejores sastres posibles para evitar que se me llame a la exposición indecente en las reuniones.
Ha habido una explosión en lo fácil que es recoger montañas de datos, por lo que todo el mundo está tomando mejores decisiones como resultado, ¿verdad? Lamentablemente no. Estamos recopilando más datos que nunca, pero eso no significa que lo estamos utilizando efectivamente. La solución es simple: calidad sobre cantidad. Recuerde que con los datos, más no siempre es mejor.
Como vendedor orientado a datos, presento regularmente a varios grupos y mi objetivo es centrarse en datos impactantes y reales que mueven a nuestra compañía hacia adelante. En mi experiencia, los datos de calidad se reducen a tres factores clave:
- Pertinencia
- Exactitud
- Digestibilidad
Pertinencia: centrarse en los datos que realmente importan
El hecho de que los datos puedan ser recopilados y analizados no significa que deba serlo. Empiece por determinar qué es realmente importante y escriba los indicadores clave de rendimiento (KPI) para lo que está evaluando. Tome un proceso de ventas por ejemplo: los KPI pueden ser el número de plomos que el equipo de ventas obtiene, cuántos de esos plomos se convierten en ventas, y la venta resultante media. Dependiendo de la complejidad y de la parte del proceso que está analizando, es posible que desee segmentar aún más sus datos, como por tipo de cliente (SMB vs empresa), región (Norteamérica vs Europa) o vendedor. No te detengas ahí. Dé a su contexto de métricas estableciendo metas para cada una de ellas. Establezca estos objetivos tan alto como usted cree que es posible, no sólo en el nivel de rendimiento actual. Si observa que no cumple esos objetivos, retroceda y compruebe por qué no está en cada KPI. Puede resultar que usted establece metas que son demasiado ambiciosas, pero eche un vistazo a por qué no fueron capaces de cumplir con esos objetivos, y asegúrese de que el problema es en realidad las metas, y no los procesos, antes de bajarlos.
Precisión: porque cualquiera puede componer números
Los datos de hoy se recogen de muchas fuentes diferentes. Esto abre la oportunidad - y las lagunas. Es crítico que los datos se emparejan correctamente y que no haya grandes desventuras de las brechas. Una solución es utilizar una plataforma totalmente integrada que extraiga todos los números relevantes en un gran cuadro cohesivo. Si eso no es una opción, usted va a tener que asegurarse de que sus datos no están llenos de baches (o al menos saber dónde están para que pueda desviarse a su alrededor).
Para averiguar dónde necesita tomar un poco más de atención, primero trace el proceso que está viendo, con atención adicional en cualquier transición (también conocido como agujeros negros donde desaparecen los datos), y anote todas las áreas en las que tiene poco -no hay visibilidad. ¿Esas lagunas le van a descarrilar, o puede usted trabajar alrededor de ellos? A veces, realmente no sabes la respuesta a eso, así que puedes tener que hacer algunas aproximaciones y simplemente presionar. Por ejemplo, si tiene dificultades para ver confirmaciones de que las perspectivas se presentaron a las reuniones con su equipo de ventas, pero su equipo de ventas constantemente le dice cuán grande es la asistencia, puede aproximar ese número como relativamente alto (digamos 85% -100% ) Ya que la asistencia no es una fuga significativa en su embudo de ventas. No dejes que las lagunas te retengan si no lo necesitan.
Hay otra gran inexactitud en cómo un número sorprendente de gente mira datos. Viene tan a menudo y puede ser tan impactante que recibe su propia mención especial (y es realmente cerca y querido a mi corazón). ¡Los datos deben ser vistos desde una perspectiva de cohortes!En su forma más simple, el análisis de cohorte sólo significa agrupar las unidades de base de un proceso por tiempo (al menos), y luego agrupar todo lo que fluye de esas unidades de base en ese mismo período de tiempo. Suena simple, ¿verdad? Hay dos desafíos principales: en primer lugar, los datos casi nunca se informa de esta manera, y segundo, puede ser difícil obtener realmente datos de cohortes.
Tomemos, por ejemplo, los plomos y las ventas. Es fácil demostrar que en abril obtuvo las ventas de 1,000 y 200. Es tentador decir que significa que su tasa de conversión de plomo a ventas es 20% (200 / 1,000), pero eso no es probablemente exacto. Si usted tiene un ciclo de ventas moderado a largo, las ventas en abril son probables de los plomos que vinieron adentro durante los meses previos. En su lugar, un enfoque más iluminador para determinar las tasas de conversión es el seguimiento de los clientes potenciales que llegaron durante cada mes, y reportar las ventas que vinieron de abril conduce en abril. Por lo tanto, de los terminales 1,000 que entraron en abril, 250 de esos clientes se convirtió en ventas, por lo que su tasa real de conversión de plomo a ventas es 25% (250 / 1000). Esto toma un poco de trabajo adicional, ya que las ventas de cohorte para abril seguirán aumentando en mayo, junio y más allá, por lo que las actualizaciones serán necesarias, pero el valor de la visión supera con creces el tiempo extra.
Personalmente, he cortado el tiempo necesario para bajar usando SharpSpring todos los días para obtener la imagen completa de la cohorte, ya que vincula todas las piezas del proceso juntos para mí. Como alguien que solía pasar horas reuniendo datos de diferentes sistemas, no puedo exagerar la cantidad de un cambiador de juegos de una sola plataforma totalmente integrada.
Digestibilidad: sus datos no importan si nadie lo entiende
La recolección y crujido de datos es sólo la mitad de la batalla. Después de eso, usted necesita ponerlo todo junto de una manera que pueda ser entendido fácilmente. Una vez que tenga una comprensión profunda de los datos, tendrá que empaquetar de forma eficaz para los demás. Hay dos desafíos principales que pueden causar indigestión cuando se trata de datos: volumen y claridad.
La línea entre los datos demasiado pocos y demasiados datos puede ser difícil de encontrar. Piense en los problemas que está tratando de resolver, las decisiones que está tratando de hacer y las preguntas que los interesados tendrán. Camine a través de estas tres piezas, anotando las preguntas involucradas en cada una, y vea cuán bien los datos son capaces de responderlas. Si hay datos que no responden a ninguna de las preguntas, ¿proporciona el contexto necesario para los datos que responden a las preguntas? Si no, es probable que los datos que puede omitir.
Para los datos que responden a las preguntas anteriores, ¿qué tan bien les responde? Si tiene que agregar calificadores mientras está respondiendo, por ejemplo, por qué ciertos factores oscurecen los datos, es una buena señal de que no tiene suficientes datos y / o puede que tenga que desglosarla de forma más detallada. Anticipar las preguntas de seguimiento y ver si los datos pueden responder a esas, también.
La claridad es bastante fácil de tratar, pero a menudo se pasa por alto. Las dos cosas que contribuyen más a la claridad son el orden / la agrupación y el etiquetado. Ordenar / agrupar es fácil, sólo asegúrese de que todo fluya en un orden lógico (de etapa a etapa, cronológicamente, etc.). El etiquetado es engañoso. Parece fácil, pero eso es una ilusión. El mayor problema que veo que impacta claridad es la falta de especificidad en las etiquetas. Recuerde que si diseñó el informe / panel / etc, tiene una ventaja: sus etiquetas tienen más sentido para usted que para alguien que vea los datos por primera vez. Darse un paso atrás y mirarlo objetivamente. Luego, haga una prueba con un colega y enfrente cualquier punto de confusión.
Sigue llegando
Los datos mejores y más claros significan mejores decisiones, mejores resultados y, en última instancia, mayores líneas de fondo. Lo anterior es un buen punto de partida, pero comprometerse a trabajar constantemente para mejorar los datos que recopila, utiliza y comparte. El esfuerzo tiene un ROI enorme para su operación. Además, su emperador se está enfriando - es hora de ponerse algo de ropa.
