olemme puhuneet paljon tietojen laadusta aiemmin-myös huonon datan kustannuksista. Mutta huolimatta perustiedot tietojen laatua, monet ihmiset eivät vieläkään aivan ymmärrä, mitä tarkalleen tarkoittaa ”laatu”.

esimerkiksi, onko olemassa keinoa mitata kyseistä ominaisuutta, ja jos on, niin miten se tehdään? Tässä artikkelissa, etsimme vastaamaan näihin kysymyksiin ja paljon muuta. Mutta ensin…

tiedon Laatumyyttien hälventäminen

decision-makers
tiedon laadun varmistamisen perusta alkaa, kun perusvaatimukset luodaan

yksi suurimmista myyteistä tiedon laadussa on se, että sen on oltava täysin virheetöntä. Koska verkkosivustot ja muut kampanjat keräävät niin paljon dataa, nollavirheiden saaminen on lähes mahdotonta. Sen sijaan tietojen on vain vastattava sille asetettuja standardeja. Määrittääksemme, mitä ”laatu” on, meidän on ensin tiedettävä kolme asiaa:

  1. kuka luo vaatimukset
  2. miten vaatimukset luodaan, ja
  3. mikä leveysaste meillä on noiden vaatimusten täyttämisessä

monilla yrityksillä on yksikäsitteinen ”tietojen hoitaja”, joka ymmärtää ja asettaa nämä vaatimukset, sekä henkilö, joka määrittää virheiden sietokyvyn. Jos tietovalvojaa ei ole, sillä on usein rooli varmistaa, että tiedoista vastaavat ymmärtävät siihen mahdollisesti vaikuttavat puutteet.

voit olla hyvä, nopea tai halpa-Pick Two

mcdonalds-junk-food

Kaikki tietojen keräämisestä siihen, että ne sopivat yrityksen tarpeisiin, avaa ne mahdollisille virheille. Ottaa tietoja, jotka ovat 100% täydellisiä ja 100% tarkkoja, ei ole vain kohtuuttoman kallista, mutta aikaa vievää ja tuskin tönäisee ROI-neulaa.

kun tietoa tulee niin paljon, päätöksiä on tehtävä ja nopeasti. Siksi tietojen laatu on hyvin herkkä tasapainotus – jongleeraus ja päätellen tarkkuus ja täydellisyys. Jos se kuulostaa pitkä jotta täyttää, voit olla iloinen tietää, että on olemassa menetelmä hulluutta, ja ensimmäinen askel on tietojen profilointi.

mitä on tietojen profilointi?

data-quality

tietojen profilointiin liittyy tarkastella kaikkia tietoja tietokannan määrittää, jos se on tarkka ja / tai täydellinen, ja mitä tehdä merkinnät, jotka eivät ole. Se on melko helppoa, esimerkiksi, tuoda tietokantaan tuotteita, jotka yrityksesi valmistaa ja varmista, että kaikki tiedot ovat tarkkoja, mutta se on eri tarina, Kun tuot tietoja kilpailijoiden tuotteita tai muita vastaavia yksityiskohtia.

dataprofiloinnilla katsotaan myös, kuinka tarkkoja tiedot ovat. Jos olet käynnistänyt 7/1/16, kirjaako järjestelmä, että 1916 tai 2016? On mahdollista, että saatat jopa paljastaa kaksoiskappaleet ja muita kysymyksiä kampaamalla tietoja olet saanut. Tietojen profilointi tällä tavalla antaa meille lähtökohdan – ponnahduslaudan, josta voimme hypätä varmistaaksemme, että käyttämämme tieto on parasta mahdollista laatua.

tiedon laadun määrittäminen

joten nyt kun meillä on lähtökohta, josta voimme päätellä, ovatko tietomme täydellisiä ja paikkansapitäviä, seuraava kysymys on – mitä teemme, kun löydämme virheitä tai ongelmia? Tyypillisesti voit tehdä yhden neljästä asiasta:

  • hyväksy virhe-jos se kuuluu hyväksyttävään standardiin (ts. Main Street sijasta Main St) voit päättää hyväksyä sen ja siirtyä seuraavaan merkintä.
  • hylkää virhe – joskus, erityisesti tietojen tuonnissa, tieto on niin pahasti vaurioitunut tai virheellinen, että olisi parempi yksinkertaisesti poistaa merkintä kokonaan kuin yrittää korjata se.
  • Korjaa virhe-asiakkaiden nimien kirjoitusvirheet ovat yleinen virhe, joka on helposti korjattavissa. Jos nimestä on variaatioita, voit asettaa sen ”päälliköksi” ja pitää tiedot koottuina ja oikeina kaikissa tietokannoissa.
  • luo oletusarvo – jos et tiedä arvoa, voi olla parempi, että siellä on jotain (tuntematonta tai ei mitään) kuin ei mitään.

tietojen integrointi

kun samat tiedot ovat eri tietokannoissa, mahdollisuus on kypsä virheille ja päällekkäisyyksille. Ensimmäinen askel kohti menestyksekästä integraatiota on nähdä, missä data on ja sitten yhdistää se Data tavalla, joka on johdonmukainen. Tässä voi olla erittäin kannattavaa investoida todistettuihin tietojen laatu-ja tarkkuustyökaluihin, jotka auttavat koordinoimaan ja synkronoimaan tietoja eri tietokantojen välillä.

tietojen laadun tarkistuslista

clean-data

lopuksi, koska olet tekemisissä niin paljon dataa niin monilla eri alueilla, se on hyödyllistä olla tarkistuslista määrittää, että olet työskennellyt korkealaatuisia tietoja mahdollista. Dama UK on luonut erinomaisen oppaan ”data dimensions”, jota voidaan käyttää paremmin saada kokonaiskuva siitä, miten tietojen laatua päätetään.

niiden tietojen laatua koskeviin muuttujiin kuuluvat:

täydellisyys-prosenttiosuus tiedoista, jotka sisältävät yhden tai useamman arvon. On tärkeää, että kriittiset tiedot (kuten asiakkaiden nimet, puhelinnumerot, sähköpostiosoitteet, jne.) täytetään ensin, koska täydellisyys ei vaikuta ei-kriittisiin tietoihin niin paljon.

ainutlaatuisuus-muihin tietokokonaisuuksiin verrattuna on olemassa vain yksi tietue.

ajantasaisuus – kuinka suuri vaikutus päivämäärällä ja ajalla on tietoihin? Tämä voi olla aikaisempi myynti, tuotelanseerauksia tai tietoja, jotka on vedottu yli ajan olla tarkkoja.

validiteetti-vastaavatko tiedot sille asetettuja standardeja?

tarkkuus-kuinka hyvin aineisto kuvastaa reaalimaailman henkilöä tai asiaa, jonka se tunnistaa?

johdonmukaisuus-kuinka hyvin tiedot vastaavat ennakkokäsitystä? Syntymäajoilla on yhteinen yhdenmukaisuusongelma, sillä Yhdysvalloissa standardi on kk/pp/vvvv, kun taas Euroopassa ja muilla alueilla käytetään standardia pp/kk/vvvv.

iso kuva tietojen laadusta

kuten näette, ei ole olemassa ”yksi koko sopii kaikille” – lähestymistapaa, jolla ylläpidettäisiin tarkkuutta ja täydellisyyttä kaikentyyppisissä tiedoissa jokaisen yrityksen osalta. Big datan tiedonhalun kasvaessa päivä päivältä yhä enemmän, on entistä tärkeämpää puuttua tietojen laatuongelmiin suoraan. Vaikka se voi tuntua ylivoimaiselta, kannattaa värvätä datahygieniatyökaluja, jotta tietokoneet voivat tehdä sitä, mitä ne parhaiten tekevät – crunch-numeroita.

tärkein askel, jonka voit ottaa, on yksinkertaisesti aloittaminen. Data tulee aina kasvamaan, kun uusia näkymiä tulee ja uusia markkinoita löydetään, joten ei tule koskaan olemaan ”paras aika” puuttua tietojen laatuongelmiin. Kun aikaa nyt kartoittaa, mitä tietojen laatu tarkoittaa yrityksesi tai organisaatiosi voi luoda aaltoilu-vaikutus parempaa asiakaspalvelua, parempaa asiakaskokemusta, korkeampi muuntokurssi ja pidempi asiakkaan säilyttäminen – ja nämä ovat erilaisia tuottoja investoinneille, että kaikki yritykset koko sydämestään omaksua!

tietoja tekijästä: Sherice Jacob auttaa yritysten omistajia parantamaan verkkosivujen suunnittelua ja lisäämään muuntokursseja pakottavan copywritingin, käyttäjäystävällisen suunnittelun ja älykkään analytiikan analysoinnin avulla. Lue lisää osoitteesta iElectrify.com ja lataa ilmainen web copy tune-up ja muuntaminen tarkistuslista tänään!

Kasvata liikennettä

Vastaa

Sähköpostiosoitettasi ei julkaista.

lg