Datan ylikuormitus on sekä liiketoiminnan että analyytikon näkökulmasta väistämätöntä. Päivittäin kerätään loputtomia määriä dataa, erityisesti yhä digitaalisemmassa maailmassa, jossa kuluttajadataa voidaan kerätä nopeammin ja laajemmin kuin koskaan aiemmin. Datan ylikuormitusta on mahdotonta välttää kokonaan. Ylikuormitusta voi kuitenkin välttää käyttämällä sitä fiksusti. Tätä silmällä pitäen olen keksinyt 5 parasta vinkkiä analyytikolle, joiden avulla voi välttyä datan ylikuormitukselta.
Aseta selkeä tavoite
Ennen kuin alat edes miettiä datan analysointia, on tärkeää, että sinulla on yksi selkeä tavoite mielessäsi. Kysy ”mitä haluan selvittää?” ja varmista, että tämä on hyvin määritelty ja mitattavissa. Voit kysyä tämän kysymyksen itseltäsi, kun kohtaat tiedot, tai varmistaa, että henkilö, jonka puolesta analysoit tietoja, on asettanut selkeän tavoitteen etukäteen. Haluat yhden selkeän tavoitteen ja yhden testattavan hypoteesin.
Twiittaus
”Ensimmäinen askel datan ylikuormituksen välttämiseksi on selkeän tavoitteen määrittely.”
Tavoitetta muotoillessasi vältä ”ja”-sanojen käyttöä, esimerkiksi ”Ostavatko asiakkaat X:n ja milloin?”. Tämä naamioi kaksi tavoitetta yhdeksi. Pidä sen sijaan asia yksinkertaisena ja aseta yksi ylätason tavoite, esim. ”Ostavatko asiakkaat X:n?”. Pysy tässä tavoitteessa koko ajan.
Tietolähteen priorisointi
Nyt kun olet keksinyt tavoitteen, voit alkaa miettiä, mistä tiedoista on eniten apua siihen vastaamisessa. Erityisesti, mikä tietolähde on muita tärkeämpi ja voi tarjota sinulle eniten tietoa? Pohdi tavoitettasi ja seulo tietosi. Pidä vain olennaiset tiedot ja poista loput. Vaikka jäljelle jäisikin merkityksellisiä tietoja, aseta paras tietolähde etusijalle. Kysy itseltäsi: ”Mikä on hyödyllisin vastaamaan tavoitteeseeni?” ja pitäydy siinä.
Jos tavoitteesi on esimerkiksi: ”Kuinka paljon asiakkaat käyttävät rahaa kesälomaansa?”, valitset todennäköisesti transaktiotiedot nettiselailutottumusten tai bränditwiittien käytön sijaan. Transaktiodata kertoo sinulle tarkan määrän siitä, mitä he käyttivät. Kahdesta muusta datasta saat kuitenkin vain tietoa heidän ostoaikomuksistaan tai brändimielipiteistään. Vaikka nämä voivat olla kiinnostavia jonain toisena päivänä, tällä kertaa pidä asiat yksinkertaisina ja keskity yhteen lähteeseen.
Aseta määräaika
Kun analysoit tietoja, älä anna niiden häiritä itseäsi. Aseta aikaraja ja pidä siitä kiinni. Jos sinulle ei ole annettu määräaikaa analyysille, anna itsellesi sellainen. Jos sinulle on annettu, siirrä se aikaisemmaksi päivämääräksi. Se, ettet käytä liikaa aikaa dataan, estää sinua menettämästä keskittymistäsi ja tutkimasta dataa, joka ei kerro tavoitteestasi. Kannusta itseäsi tekemään nopeita päätöksiä, sillä se auttaa yksinkertaistamaan prosessia. Sinulla on epäilemättä paljon hyvää tietoa käytettävissäsi, mutta kun sinulla on määräaika, voit ottaa huomioon vain parhaat.
Datan esittäminen visuaalisesti
Datan analysoinnin jälkeen tuloksesi ovat mitä todennäköisimmin myös kooltaan ylivoimaisia. Sinun vastuullasi on yksinkertaistaa nämä tiedot, tehdä niistä selkeitä ja esitettäviä sidosryhmille. Esrl UK:n uusi tutkimus, joka tehtiin 1000 aikuiselle eri puolilla Yhdistynyttä kuningaskuntaa, osoitti, että 60 prosenttia piti karttoja ja grafiikkaa helpommin ymmärrettävinä kuin tekstiä. Graafien, taulukoiden ja kaavioiden käyttö on siis selvästi yksi tapa edetä.
Tweet This Stat
”60 % Ison-Britannian aikuisista pitää kaavioita &grafiikoita helpommin ymmärrettävinä kuin tekstiä.”
Tämä riippuu tietysti myös asiakkaan mieltymyksistä sekä käsiteltävästä aiheesta. Esimerkiksi talousjohtaja saattaa suosia numeerisia tietoja, kun taas markkinointijohtaja saattaa suosia visuaalisempia kaavioita. Mitä tulee aiheeseen, jos tavoitteesi on enemmän numeerinen, kuten ”Kuinka paljon asiakkaat käyttävät rahaa X:ään?”, se soveltuu luonnollisesti paremmin taulukoihin ja kaavioihin. Avoimempi kysymys, kuten ”Miksi asiakkaat ostavat X:ää?”, edellyttää yksityiskohtaisempaa vastausta ja selitystä. Ennen tulosten raportointia kysy yleisöltäsi, kuinka yksityiskohtaisia tietoja he haluavat, ja vältä liikaa, jos se on tarpeetonta. Selvitä, mitkä ovat heidän mieltymyksensä. Heidän mielestään helpoimmin tulkittava esitystapa auttaa heitä todennäköisesti sulattamaan tiedot paremmin ja tekemään tietoon perustuvamman päätöksen.
Voi olla, että tarvitset lisää tietoja
Kaiken priorisoinnin, analyysin ja tietojen esittämisen jälkeen saatat itse asiassa huomata, että sinulla ei ole tarpeeksi oikeaa tietoa alkuperäiseen tavoitteeseesi vastaamiseksi. Saamasi tiedot voivat olla arvokkaita toisesta näkökulmasta; ne voivat esimerkiksi kertoa sinulle, milloin asiakkaat ostavat tiettyä tuotetta, kuinka paljon he ostavat ja kuinka usein. Sinulta saattaa kuitenkin edelleen puuttua ymmärrystä asiakkaiden taustalla olevista mielipiteistä tai vaikuttimista. Saamasi datan määrästä huolimatta saattaa olla, että tarvitset enemmän, jotta ymmärrät, miksi asiakkaat käyttäytyvät niin kuin käyttäytyvät.
Nämä ovat vain muutamia vinkkejä datan ylikuormituksen välttämiseksi, olen varma, että niitä on paljon muitakin. Tuleeko sinulle mieleen muita lähestymistapoja? Käytätkö tällä hetkellä jotain näistä jo nyt analysoidessasi tai esitellessäsi dataa? Kerro meille alla olevissa kommenteissa.
Katsele infograafiamme, josta näet, miten voit integroida Big Datan markkinatutkimukseen ja välttää datan ylikuormituksen. Tai katso kaksiminuuttinen demomme nähdäksesi online-markkinatutkimusalustamme toiminnassa.