Siirry sisältöön
logo
Kuva keltaisesta kumihanskasta ja ikkunalastasta, pyyhkimässä pesuaineen muodostamaa pilven kuviota.

Miten datan puhdistaminen ja rikastuttaminen parantavat CRM:ää


Meltwater

Mar 31, 2022

Nykyään puhutaan paljon dataan perustuvien päätösten tekemisestä. Mutta mitä tapahtuu, kun päätökset perustuvat epätarkkaan, epäolennaiseen tai tarpeettomaan dataan? Johtoryhmät eivät keskustele tästä asiasta tarpeeksi. Luotettavien näkemysten saamiseksi datan puhdistaminen ja rikastaminen olisi asetettava etusijalle sen keräämisen sijaan.

Organisaatioilla on runsaasti dataa asiakkaistaan. Tästä on tullut sekä siunaus että kirous, sillä yritysten on luotettava hallussaan olevaan dataan ja osattava käyttää sitä. Tämä on kuitenkin helpommin sanottu kuin tehty.

Datan kerääminen ei ole toimistojen tai yritysten päätehtävä. Sen sijaan tulisi keskittyä siihen, miten data voi parantaa yrityksen toimintaa. Kerromme, miksi datan puhdistamisella ja parantamisella on väliä ja miten voit käyttää molempia CRM:n kehittämiseen.

Sisältö

Mitä on datan puhdistus?

Pölyhuiska pyyhkimässä tietokoneen näyttöä.

Aloitetaan muutamalla perusmääritelmällä, ennen kuin syvennymme yksityiskohtiin. Ensinnäkin mitä on datan puhdistus (eng. data cleansing)?

Datan puhdistus on kuin B2B-tietojen Marie Kondo -menetelmä. Sen sijaan, että annat huonon datan kerääntyä, siivoat ennakoivasti puuttuvan tai epätarkan datan sekä poistat tarpeettomat ja merkityksettömät tiedot. Kun olet valmis, asiakastiedot ovat järjestyksessä ja tärkeä data löytyy helpommin.

Mitä on datan rikastuttaminen?

Datan rikastuttaminen (eng. data enrichment tai data augmentation) (jota kutsutaan myös datan täydentämiseksi tai laajentamiseksi) on keino, jota käytetään sen puhdistamiseen. Tämä tehdään usein kolmannen osapuolen datatyökalulla, ohjelmistolla tai prosessilla, jotka tarkentavat ja parantavat ensimmäisen osapuolen dataa. CRM-käyttötapauksissa rikastamisen työkalut voivat etsiä puuttuvaa dataa ja ulkoisia lähteitä täyttääkseen aukot. Jos esimerkiksi yrityksen osoite- ja puhelinnumerokentät ovat tyhjiä, täydentämistyökalut voivat tuoda datan ulkoisten signaalien avulla.

Sekä puhdistus että täydentäminen pyrkivät parantamaan dataa, jotta voit hyödyntää niitä paremmin.

Miten datan puhdistus ja rikastuttaminen eroavat toisistaan?

Datan puhdistus ja rikastuttaminen kuuluvat molemmat datan täydennyksen piiriin. Suurin ero on niiden tavoitteessa.

Datan puhdistuksessa keskitytään jo olemassa olevan siivoamiseen. Jos sinulla on esimerkiksi kaksi merkintää samasta asiakkaasta, voit yhdistää nämä merkinnät yhdeksi asiakastiedostoksi. Puhdistus poistaa päällekkäisen tai epätarkan datan ja jättää tarkan tiedon saataville.

Rikastamisen tavoitteena on tehdä asiakastiedoista mahdollisimman tarkat. Kohderyhmää koskeva data on avainasemassa liiketoimintaan liittyvien päätösten tekemisessä. Mitä enemmän tiedät asiakkaasta, sitä paremmin voit räätälöidä lähestymistapaa ja luoda asiakasuskollisuutta. Jos CRM-järjestelmästä puuttuu asiakkaita koskevia avaintietoja, kuten yhteystietoja, rikastettu data auttaa täyttämään puutteet.

Miksi datan puhdistus ja rikastuttaminen ovat tärkeitä?

Dataan perustuva markkinointi, liidien tuottaminen ja koko asiakaskokemus ovat kaikki riippuvaisia selkeästä datasta. Kun raakadata on virheellistä, markkinointikampanjat eivät onnistu parhaalla mahdollisella tavalla.

Tarkkojen asiakastietojen hyödyt ovat lähes rajattomat:

  • Paranna profilointia, jotta voit tarjota relevantteja tarjouksia oikeille, potentiaalisille asiakkaille.
  • Varmista, että lähetät sähköpostia ym. suoramainontaa oikealle henkilölle ja oikeaan osoitteeseen.
  • Vähennä turhia kustannuksia, joita syntyy olemattomiin sähköposteihin, osoitteisiin jne. kohdistuvasta markkinoinnista.
  • Rikastamalla olemassa olevaa dataa voit oppia lisää asiakkaistasi.
  • Hallitse paremmin B2B-asiakkaiden matkaa.
  • Tee ''Big Datasta'' arvokkaampi voimavara

Nykypäivän syvällisen oppimisteknologian avulla voit puhdistaa ja rikastuttaa dataa hyvin pienellä panoksella. Tämä on valtava etu CRM:n kasvaessa, sillä sinun ei tarvitse huolehtia datan manuaalisesta päivittämisestä asiakastietojen muuttuessa.

Miksi et ottaisi datanhallintaa ensisijaiseksi tavoitteeksi?

Kuinka dataa puhdistetaan?

Kuvituskuva henkilöistä poistamassa dataa tietokoneelta.

Jos datan parantaminen on toiveena, suosittelemme aloittamaan sen puhdistamisella. Ei kannata rikastuttaa dataa, joka on epäolennaista tai epätarkkaa.

Kerrataanpa datan puhdistamisen perusteet:

Vaihe 1: Poista päällekkäiset ja epäolennaiset merkinnät

Tietokannan koolla ei ole merkitystä, vaan sen sisältämän datan laadulla. Siksi on hyödytöntä säilyttää päällekkäistä tai epäolennaista dataa, joka aiheuttaa sekaannusta.

Kaksinkertaiset merkinnät johtuvat yleensä datankeruuprosesseista. Kun tuot tai puhdistat dataa kolmansilta osapuolilta, tai yhdistät useiden osastojen kokonaisuuksia, vaarana on päällekkäisyyksien syntyminen. Deduplikointiprosessi yhdistää tiedostot häiriötekijöiden minimoimiseksi ja säilyttää vain tärkeän datan.

Tässä vaiheessa voit myös hylätä kaiken merkityksettömän datan. Jos esimerkiksi haluat luoda tietokannan, joka on suunnattu vain New Yorkin alueen asiakkaille, et halua, että Bostonin tai Miamin asiakkaat näkyvät tietokannassa.

Kun olet suorittanut vaiheen 1, sinulla pitäisi olla siisti tietokanta, jossa on vain olennainen data.

Vaihe 2: Korjaa rakennevirheet

Data-aineistoja yhdistettäessä kentät eivät aina siirry täydellisesti. Eri dataseteillä voi olla yksilölliset nimeämiskäytännöt tai tyylit, jotka näyttävät erilaisilta kuin se data, joihin niitä yhdistetään. Tämän seurauksena jotkin kentät saatetaan kirjoittaa kokonaan isoilla kirjaimilla tai niissä voi olla kirjoitusvirheitä tai vääränlaista sijoittelua.

Rakenteellisten virheiden korjaaminen saa sekalaisen datan näyttämään puhtaammalta. Kaikesta datasta tulee yhdenmukaista ja vakiomuotoista. Tämä vähentää mahdollisuutta, että jokin data kuuluu väärään luokkaan tai että sitä ei käytetä oikein.

Vaihe 3: Vakioi datan puhdistusprosessisi

Datan puhdistamisen pitäisi olla jatkuva prosessi, ei vain kertaluontoinen toimenpide. Virheitä voi esiintyä milloin tahansa. Rutiininomaisella puhdistamisella voidaan varmistaa, että data on mahdollisimman tarkkaa ja ajantasaista.

Voit vähentää virheiden määrää myös standardoimalla dataprosessit. Aseta säännöt siitä, miten käyttäjien tulisi syöttää data, sekä siitä, minkä tyyppistä dataa on kerättävä. Se auttaa lisäämään tarkkuutta ja luottamusta.

Miten dataa rikastetaan?

Kuva kädestä kasaamassa rakennuspalikoita.

Yrityksen datan puhdistaminen luo hyvän perustan. Nyt on aika parantaa sitä rikastamalla. Näin muutat epätäydellisen datan laadukkaaksi:

Vaihe 1: Arvioi datasi

Datan parantamisessa on kolme osaa: mitä tiedät, mitä et tiedä ja mitä sinun on tiedettävä. Puhdistuksen jälkeen sinulla pitäisi olla parempi käsitys siitä, mitä dataa sinulla on. Sen perusteella voit päättää, mitä muuta tarvitset ihanteellisen asiakasprofiilin täydentämiseksi.

Tärkeintä on olla valikoiva. Tämä voi olla hankalaa, koska valikoinnilla osa datasta jää pois. Sinulla saattaa olla valtavasti kenttiä, jotka voisit täyttää. On kuitenkin parasta keskittyä vain olennaiseen. Liika data häiritsee ja vaikeuttaa keskittymistä siihen, millä on merkitystä.

Segmentointi on hyödyllinen harjoitus, kun arvioit dataa. Data-aineistosi käyttötarkoituksen mukaan voit päättää, mitä muuta sinun on tiedettävä ja mitä sinulla ei vielä ole.

Vaihe 2: Datanparannustyökalun käyttöönotto

Huomasit, että joidenkin asiakkaidesi puhelinnumerot puuttuvat. Lähetätkö jokaiselle sähköpostia ja pyydät numeroita? Et tietenkään!

Datanparannustyökalu voi tehdä suuren osan raskaasta työstä puolestasi. Työkalut voivat tuoda dataa luotetuilta kolmansilta osapuolilta reaaliaikaisesti. Ne täyttävät puuttuvat kentät ilman, että sinun tarvitsee kirjoittaa niitä manuaalisesti.

Vaihe 3: Puhdista ja toista

Datalla ei välttämättä ole päättymispäivää, mutta se vanhenee nopeasti. Siksi sen rikastamista (ja puhdistamista) olisi käsiteltävä jatkuvana prosessina.

Ihmiset muuttavat. He vaihtavat työpaikkaa. He saavat uudet sähköpostiosoitteet. He saattavat jopa vaihtaa täysin eri alalle. Kun pysyt ajan tasalla näistä muutoksista, voit säilyttää yhteydet ja jatkaa yhteydenpitoa näiden yhteyksien avulla.

Standardisoinnista huolimatta datanhallinnan tulisi olla aktiivista, eikä vain kertaalleen toteutettu toiminto. Virheitä voi esiintyä milloin tahansa, joten rutiininomaisella validoinnilla voidaan varmistaa mahdollisimman tarkka ja ajantasainen data.

Miten datan puhdistus ja rikastuttaminen voivat parantaa CRM:ää?

Datan organisointi. Kuva kädestä, jonka yläpuolella leijuu virtuaalisia ihmisen symboleita.

Data on ratkaisu parempaan markkinointiin. Tarvitset luotettavat ja täydelliset asiakastiedot, koska jokainen ''touchpoint'' riippuu niistä. Postituslistat varmistavat, että markkinointi kohdennetaan oikeille henkilöille ja oikeaan paikkaan. Myyntitiimisi soittaa oikeaan puhelinnumeroon jo ensimmäisellä kerralla.

Lopuksi jäät entistä helpommin kuluttajien mieleen ja voit edistää markkinointikampanjoita.

Datan täydentämisen ja syväoppimisen työkalut tekevät sen puhdistamisesta ja rikastamisesta helpompaa ja nopeampaa toteuttaa. Koneoppimisen ja automaation avulla datan rikastamisesta ja puhdistamisesta tulee jatkuva sykli, jota ei tarvitse miettiä aina erikseen.

Parempi datan laatu parantaa analytiikkaa ja asiakaskokemusta. Lisäksi käyttäessäsi koneoppimisen työkaluja, voit välttää datan ulkoistamisen ja pitää datan omassa yrityksessäsi.