10 Gemensamma analytiska misstag

Samla, analysera och fatta beslut från data är hjärtat av kundanalys. Men om du är ny för dataanalys eller har gjort det ett tag kan tio vanliga misstag påverka kvaliteten på dina resultat. Du borde vara på utkik efter dem. De följer, och några idéer om hur man undviker dem ingår också.

Optimera runt fel metrisk

Metrics existerar för nästan allt i en organisation och är troligen samlade av goda skäl. Se till att den metrik du vill optimera kommer att uppnå inte bara dina mål, utan även dina kunders mål.

Om flygbolagen optimerar runt avgången vid tidpunkten istället för ankomst vid ankomst, är ett flygplan som drar från porten och ligger på asfaltet en metrisk framgång trots att kunderna känner att upplevelsen är en besvikelse när de kommer till deras destination en timme sen.

Om du optimerar runt antalet samtal som besvaras om en timme i ett callcenter, placerar du kvantitet över kvalitet. Medan kunderna i allmänhet vill få upplösning snabbt, hanteras deras problem korrekt?

Se till att dina mätvärden är meningsfulla för din kund och att optimera dessa mätvärden ger en bättre upplevelse.

Beroende för mycket på beteendemässiga eller attityddata

Miningskundtransaktioner kan avslöja många mönster i saker som vilka produkter kunderna köper tillsammans eller den genomsnittliga tiden mellan inköp. Men detta beteendeuppgifter hjälper inte nödvändigtvis dig att förstå attityderna och motivationen bakom varför kunderna köper saker tillsammans. Denna attityddata kan lättare samlas med undersökningar eller andra metoder för att fråga kunder.

Om du inte har tillräckligt stora provstorlekar

Om du vill upptäcka små skillnader i mätvärden, som omräkningskurser eller kunders attityder, och du mäter ett urval av kunder eller data, var noga med att din provstorlek är tillräckligt stor för att upptäcka den skillnaden. Använd provstorlekstabellerna i den här boken eller konsultera en statistiker för att veta vilken provstorlek du behöver i förväg.

Många kostnader och ansträngningar är bortkastade efter att ha letat efter väldigt små skillnader i kundens attityder, till exempel tillfredsställelse, användbarhetskänsla eller sannolikhet att rekommendera efter att små förändringar av produkter eller webbplatser har gjorts med för liten av en provstorlek.

Eyeballing data och mönster

Eyeballing statistik är en tendens att tro att du kan upptäcka mönster från data genom att undersöka det utan statistik. För mycket stora mönster kan du se dessa enkelt utan några beräkningar, men dessa slags uppenbara mönster uppträder sällan.För att minimera chansen att du blir lurad av slumpmässighet i data, använd statistik och matematiska beräkningar för att differentiera nyheterna från bullret.

Förvirrande statistisk signifikans med praktisk betydelse

Med en stor samplingsstorlek kan du upptäcka mycket små skillnader och mönster som är statistiskt signifikanta. Statistisk betydelse betyder bara att mönstret eller skillnaden inte beror på slumpmässigt brus i dina data. Men det betyder inte att det som upptäcks kommer att ha stor praktisk betydelse.

Analytics-program kommer att flagga olika mönster och skillnader, men du måste bestämma om en 1% skillnad i omvandlingsräntans resultat kommer att ha en stor eller försumbar inverkan. Det beror på sammanhanget men innebär att du måste utöva bedömning och inte blint följa programvaran.

Tänk inte omedelbart att varje statistiskt signifikant resultat är meningsfullt. Tänk igenom resultatets affärsmässiga konsekvenser noggrant.

Har inte ett tvärvetenskapligt team

Om du har ett doktorandkrävande nummer i företagskällaren kan det ge rätt inblick; men om försäljning, marknadsföring, service eller produktgrupper inte är inblandade kommer det att bli svårt att få inköp och genomföra insikten. Få rätt personer och team som är involverade i ditt initiativ tidigt och se till att ha komplementära färdigheter, inklusive matematik, programvara, affärer, marknadsföring och produktupplevelse.

Rengöring av data först

Garbage In, Garbage Out (GIGO) är en gemensam frasdatabasks som används för att förklara att data som har problem före analysen kommer att ha problem efter analys. Detta kan vara allt från felaktiga data som dras från databaser (kundnamn matchar inte transaktioner) eller saknade värden.

Om uppgifterna är dåliga kommer du att få dåliga insikter att komma ut. Innan du gör någon analys gör du en kvalitetskontroll av dina data genom att välja ett urval av data och granska det för kvalitet. Bekräfta det med andra källor för att verifiera dess noggrannhet.

Felaktigt formaterad data

När du analyserar dina data används åtminstone hälften av ansträngningen för att formatera data så att programvaran kan analysera den korrekt. Det innebär ofta disaggregering och kundtransaktioner eller undersökningsdata i rader och kolumner.

Skimping på korrekt formatering betyder vanligtvis mycket omarbetande senare, så var noga med att dina data formateras ordentligt - och tidigt.

Att inte ha tydliga forskningsfrågor att svara på

Ibland är det bra att ha en fiskedepedition och undersöka mönster i data. Men sluta inte med fisketillgången; använd vad du tycker för att skapa hypoteser om kundbeteende och se till att bekräfta, förfina eller avvisa dessa hypoteser med ytterligare data.

Väntar på perfekt data

Varje dataset tenderar att ha något problem av något slag. Vissa är mindre, som några saknade fält; Andra är stora, med massor av saknade fält och felaktiga data. För undersökningsdata verkar det alltid vara en oro för hur en fråga ställdes och till vilken den ställdes.

Förmodat, förvänta dig en viss ofullkomlighet i alla dina dataset och undersökningar. Men låt det inte hindra dig från att arbeta med det du har. Var bara försiktig med din tolkning.