10 Gemeinsame Analytic Fehler

Sammeln, Analysieren und Entscheidungen von Daten zu machen ist das Herz der Kundenanalyse. Aber ob Sie die Datenanalyse neu sind oder haben es getan, eine Weile, zehn häufigsten Fehler, die Qualität der Ergebnisse beeinflussen. Sie sollten für sie auf der Suche. Sie folgen, und einige Ideen, wie sie zu vermeiden sind auch enthalten.

Optimierung rund um die falsche Metrik

Metrics gibt es für fast alles in einer Organisation und die meisten sind wahrscheinlich aus gutem Grund gesammelt. Seien Sie sicher, dass die Metrik, die Sie optimieren möchten erreichen wird nicht nur Ihre Ziele, sondern auch Ziele Ihrer Kunden.

Wenn Fluggesellschaften optimieren Pünktlichkeit statt auf Zeit Ankunft um ein Flugzeug, das weg vom Tor zieht und setzt sich auf dem Asphalt ist ein metrisches Erfolg, auch wenn die Kunden das Gefühl, die Erfahrung ist enttäuschend, da sie an ihrem Bestimmungsort ankommen eine Stunde zu spät .

Wenn Sie rund um die Anzahl der Anrufe in einer Stunde bei einem Call-Center beantwortet optimieren, ordnen Sie Quantität über Qualität. Während die Kunden im Allgemeinen schnell Auflösung erhalten möchten, werden ihre Probleme richtig behandelt?

Seien Sie sicher, dass Ihre Messdaten sinnvoll sind, um Ihre Kunden und dass diese Metriken Optimierung sorgt für eine bessere Erfahrung.

Sich zu sehr auf Verhaltens- oder Einstellungsdaten

Mining Kundentransaktionen können eine Menge von Mustern in Sachen zeigen, wie welche Produkte Kunden zusammen kaufen oder die durchschnittliche Zeit zwischen Käufen. Aber diese Verhaltensdaten nicht unbedingt helfen, die Einstellungen und Motivationen verstehen hinter warum Kunden zusammen, um Dinge zu kaufen. Diese Einstellungsdaten kann leichter aufgefangen werden Erhebungen oder andere Methoden der Kunden zu fragen.

Nicht mit einer groß genug Probengröße

Wenn Sie schauen, kleine Unterschiede in der Metriken zu erfassen, wie Konversionsraten oder die Einstellung der Kunden, und Sie sind eine Stichprobe von Kunden oder Daten zu messen, sollten Sie Ihre Probengröße groß genug ist, diesen Unterschied zu erkennen. Verwenden Sie die Probengröße Tabellen in diesem Buch oder ein Statistiker konsultieren, um zu wissen, welche Stichprobengröße Sie vor der Zeit benötigen.

Viel Aufwand und Kosten sind auf der Suche nach sehr kleine Unterschiede in der Einstellung der Kunden, wie die Zufriedenheit, die Wahrnehmung der Nutzbarkeit vergeudet oder Wahrscheinlichkeit nach der Herstellung sehr kleine Änderungen an den Produkten oder Websites mit einem zu geringen einer Probengröße zu empfehlen.

Anglotzen Daten und Muster

Anglotzen Statistiken ist die Tendenz, die Sie denken kann, ohne Statistiken durch die Untersuchung es Muster von Daten erfassen. Für sehr große Muster, können Sie diese einfach und ohne Berechnungen, aber diese Art von offensichtlichen Muster zeigen nur selten sehen, nach oben. Zur Minimierung der Chance, dass Sie in Daten, Statistiken Verwendung durch Zufall täuschen wir Sie und mathematische Berechnungen die Nachricht vom Rauschen zu unterscheiden.

Verwirrende statistische Signifikanz mit praktischer Bedeutung

Mit einer großen Probengröße, werden Sie in der Lage sein, sehr kleine Unterschiede und Muster zu erkennen, die statistisch signifikant sind. Die statistische Signifikanz bedeutet nur, dass das Muster oder die Differenz zu zufälliges Rauschen in den Daten zurückzuführen ist. Aber das bedeutet nicht, dass das, was erkannt hat wird viel praktische Bedeutung haben.

Analytics-Programme Flagge verschiedene Muster und Unterschiede, aber man braucht, um zu bestimmen, ob eine 1% Unterschied in der Conversion-Raten Ergebnisse werden einen großen oder einen vernachlässigbaren Einfluss. Dies hängt vom Kontext ab, sondern bedeutet, dass Sie Urteil ausüben müssen und nicht blind der Software folgen.

Denken Sie nicht, sofort jede statistisch signifikantes Ergebnis sinnvoll ist. sorgfältig Denken Sie über die geschäftlichen Auswirkungen des Ergebnisses.

Nicht mit einem interdisziplinären Team

Wenn Sie eine Statistik PhD Knirschen Zahlen in Ihrem Unternehmen Keller haben, kann es sich das Recht vor insights- erzeugen, aber wenn Vertrieb, Marketing, Service oder Produkt-Teams nicht beteiligt sind, es wird schwierig sein, zu bekommen Buy-in und Umsetzung der Erkenntnisse . Holen Sie sich die richtigen Leute und Teams in Ihrer Initiative beteiligt früh und freuen sich ergänzenden Fähigkeiten zu haben, einschließlich der mathematischen, Software, Business, Marketing und Produkterfahrung.

Nicht die Reinigung Ihrer Daten zuerst

Garbage in, garbage out (GIGO) ist eine gemeinsame Ausdrucksdaten-Junkies, dass die Daten zu verwenden, wie zu erklären, die Probleme hat, Vor Analyse haben Probleme nach Analyse. Dies kann von Datenbanken (Kundennamen übereinstimmen Transaktionen nicht) oder fehlende Werte gezogen etwas von mismatched Daten sein.

Wenn die Daten schlecht gehen in, werden Sie schlechte Einsichten herauskommen. Vor jeder Analyse ausgeführt wird, führen Sie eine Qualitätsprüfung auf Ihre Daten durch eine Stichprobe von Daten Auswahl und Auditierung es für Qualität. Mauern sie mit anderen Quellen ihre Richtigkeit zu überprüfen.

Falsch formatierte Daten

Wenn Sie Ihre Daten analysieren, zumindest die Hälfte der Mühe aufgewendet wird die Formatierung der Daten, so dass Ihre Software es richtig analysieren kann. Dabei geht es oft disaggregierenden und Kundentransaktionen oder Vermessungsdaten in Zeilen und Spalten zu bekommen.

Je auf die richtige Formatierung bedeutet in der Regel eine Menge Nacharbeit später, so sicher sein, Ihre Daten richtig formatiert - und früh.

Nicht klar Forschungsfragen, die zu beantworten

Manchmal ist es in Ordnung einen Angelausflug zu haben und Muster in Daten zu untersuchen. Aber nicht mit der Fischerei zu stoppen Expedition- verwenden, was Sie Hypothesen über das Kundenverhalten zu bilden, und überzeugen Sie schauen, zu verfeinern, oder diese Hypothesen mit zusätzlichen Daten ablehnen.

Warten auf perfekte Daten

Jedes Dataset neigt ein Problem irgendeiner Art zu haben. Einige sind klein, wie ein paar fehlende Felder-andere Haupt sind, mit vielen fehlenden Felder und nicht übereinstimmen Daten. Für Umfragedaten scheint es immer ein Anliegen zu sein, wie eine Frage gestellt wurde und an wen sie gefragt wurde.

Das heißt, erwarten einige Unvollkommenheit in allen Datensätzen und Umfragen. Aber lassen Sie es nicht Sie aufhören von der Arbeit mit dem, was Sie haben. Seien Sie einfach vorsichtig über Ihre Interpretation.