10 Häufige analytische Fehler

Das Sammeln, Analysieren und Treffen von Entscheidungen aus Daten ist das Herzstück der Kundenanalyse. Aber ob Sie mit der Datenanalyse noch nicht vertraut sind oder es schon eine Weile getan haben, zehn häufige Fehler können die Qualität Ihrer Ergebnisse beeinträchtigen. Sie sollten nach ihnen Ausschau halten. Sie folgen, und einige Ideen, wie sie vermieden werden können, sind ebenfalls enthalten.

Optimieren um die falsche Metrik

Metriken existieren für fast alles in einer Organisation und werden wahrscheinlich aus gutem Grund gesammelt. Stellen Sie sicher, dass der Messwert, den Sie optimieren möchten, nicht nur Ihre Ziele, sondern auch die Ziele Ihrer Kunden erreicht.

Wenn die Fluggesellschaften die pünktliche Abreise anstelle der pünktlichen Ankunft optimieren, ist ein Flugzeug, das sich von der Pforte wegzieht und auf dem Asphalt sitzt, ein Erfolg, auch wenn die Kunden die Erfahrung als enttäuschend empfinden. als sie eine Stunde zu spät am Ziel ankommen.

Wenn Sie die Anzahl der Anrufe optimieren, die in einer Stunde in einem Callcenter beantwortet werden, legen Sie Quantität über die Qualität. Während Kunden in der Regel schnell eine Lösung finden wollen, werden ihre Probleme angemessen angegangen?

Stellen Sie sicher, dass Ihre Messwerte für Ihre Kunden aussagekräftig sind und dass die Optimierung dieser Messwerte eine bessere Erfahrung ermöglicht.

Zu ​​stark auf verhaltensbezogene oder einstellungsbezogene Daten verlassen

Bei Mining-Kundengeschäften können viele Muster aufgedeckt werden, z. B. welche Produkte Kunden zusammen kaufen oder wie viel Zeit zwischen den Käufen liegt. Aber diese Verhaltensdaten helfen Ihnen nicht unbedingt, die Einstellungen und Motivationen zu verstehen, warum Kunden Dinge zusammen kaufen. Diese Einstellungsdaten können leichter mittels Umfragen oder anderen Methoden der Kundenanfragen erhoben werden.

Die Stichprobengröße ist nicht groß genug.

Wenn Sie kleine Unterschiede bei den Messwerten wie Conversion-Raten oder Kundeneinstellungen erkennen möchten und eine Stichprobe von Kunden oder Daten erfassen, Stellen Sie sicher, dass Ihre Stichprobengröße groß genug ist, um diesen Unterschied zu erkennen. Verwenden Sie die Beispielgrößentabellen in diesem Buch oder wenden Sie sich an einen Statistiker, um zu erfahren, welche Beispielgröße Sie im Voraus benötigen.

Viele Kosten und Mühen werden verschwendet, um nach sehr kleinen Unterschieden in den Kundeneinstellungen zu suchen, wie z. B. Zufriedenheit, Wahrnehmung der Benutzerfreundlichkeit oder der Wahrscheinlichkeit, nach sehr kleinen Änderungen an Produkten oder Websites mit zu geringer Stichprobengröße zu empfehlen.

Augapfel-Daten und -Muster

Augapfel-Statistik ist die Tendenz zu denken, dass Sie Muster aus Daten erkennen können, indem Sie sie ohne Statistiken untersuchen. Bei sehr großen Mustern können Sie diese leicht ohne Berechnungen sehen, aber diese offensichtlichen Muster tauchen selten auf.Um die Wahrscheinlichkeit zu minimieren, dass Sie durch Zufälligkeit in Daten getäuscht werden, verwenden Sie Statistiken und mathematische Berechnungen, um die Nachrichten vom Rauschen zu unterscheiden.

Verwirrende statistische Signifikanz mit praktischer Signifikanz

Mit einer großen Stichprobengröße können Sie sehr kleine Unterschiede und Muster erkennen, die statistisch signifikant sind. Statistische Signifikanz bedeutet nur, dass das Muster oder die Differenz nicht auf zufälliges Rauschen in Ihren Daten zurückzuführen ist. Aber das bedeutet nicht, dass das, was entdeckt wird, viel praktische Bedeutung haben wird.

Analytics-Programme kennzeichnen unterschiedliche Muster und Unterschiede. Sie müssen jedoch feststellen, ob ein Unterschied von 1% bei den Conversion-Raten einen größeren oder vernachlässigbaren Einfluss hat. Dies hängt vom Kontext ab, bedeutet aber, dass Sie ein Urteil fällen müssen und nicht blind der Software folgen müssen.

Denken Sie nicht sofort, dass jedes statistisch signifikante Ergebnis aussagekräftig ist. Denken Sie sorgfältig über die geschäftlichen Auswirkungen des Ergebnisses nach.

Kein interdisziplinäres Team

Wenn Sie Statistiken in Ihrem Unternehmenskeller haben, kann dies zu den richtigen Einsichten führen. Aber wenn Vertriebs-, Marketing-, Service- oder Produktteams nicht involviert sind, wird es schwierig sein, Buy-in zu erhalten und die Erkenntnisse umzusetzen. Holen Sie sich frühzeitig die richtigen Personen und Teams, die an Ihrer Initiative beteiligt sind, und suchen Sie nach ergänzenden Fähigkeiten, einschließlich mathematischer, Software-, Geschäfts-, Marketing- und Produkterfahrung.

Die Daten werden nicht zuerst gesäubert

Garbage In, Garbage Out (GIGO) ist eine gebräuchliche Phrase, die Datenjunkies gern verwenden, um zu erklären, dass Daten mit Problemen Probleme haben nach Analyse. Dies kann alles von nicht übereinstimmenden Daten sein, die aus Datenbanken abgerufen werden (Kundennamen stimmen nicht mit Transaktionen überein) oder fehlenden Werten.

Wenn die Daten schlecht sind, werden Sie schlechte Einsichten erhalten. Bevor Sie eine Analyse durchführen, führen Sie eine Qualitätsprüfung Ihrer Daten durch, indem Sie eine Datenprobe auswählen und sie auf Qualität prüfen. Bestätigen Sie es mit anderen Quellen, um die Richtigkeit zu überprüfen.

Falsch formatierte Daten

Wenn Sie Ihre Daten analysieren, wird mindestens die Hälfte des Aufwands für die Formatierung der Daten aufgewendet, damit Ihre Software diese richtig analysieren kann. Dies beinhaltet häufig die Aufschlüsselung und das Abrufen von Kundentransaktionen oder Umfragedaten in Zeilen und Spalten.

Wenn Sie die richtige Formatierung unterdrücken, bedeutet dies in der Regel, dass Sie später viel nacharbeiten müssen. Vergewissern Sie sich daher, dass Ihre Daten richtig formatiert sind - und zwar frühzeitig.

Keine klaren Forschungsfragen zu beantworten

Manchmal ist es in Ordnung, eine Fischenexpedition durchzuführen und Muster in Daten zu untersuchen. Aber hör nicht auf mit der Fischerexpedition; Verwenden Sie das, was Sie finden, um Hypothesen über das Kundenverhalten zu bilden, und prüfen Sie, ob diese Hypothesen mit zusätzlichen Daten bestätigt, verfeinert oder abgelehnt werden.

Warten auf perfekte Daten

Jeder Datensatz hat in der Regel ein Problem. Einige sind klein, wie ein paar fehlende Felder; andere sind groß, mit vielen fehlenden Feldern und nicht übereinstimmenden Daten. Bei Umfragedaten scheint es immer Bedenken zu geben, wie eine Frage gestellt wurde und an wen sie gestellt wurde.

Das heißt, erwarten Sie eine Unvollkommenheit in all Ihren Datensätzen und Umfragen. Aber lass dich nicht davon abhalten, mit dem zu arbeiten, was du hast. Sei nur vorsichtig mit deiner Interpretation.

Teilen Sie Mit Ihren Freunden
Vorheriger Artikel
Nächster Artikel