10 erreurs analytiques communs

Recueillir, analyser et prendre des décisions à partir de données est au cœur de l'analyse client. Mais si vous êtes nouveau à l'analyse des données ou l'avez fait un certain temps, dix erreurs les plus courantes peuvent affecter la qualité de vos résultats. Vous devriez être à l'affût pour eux. Ils suivent, et quelques idées sur la façon de les éviter sont inclus ainsi.

Optimisation autour du mauvais métrique

Metrics existent pour à peu près tout dans une organisation et probablement sont collectées pour une bonne raison. Soyez sûr la métrique que vous souhaitez optimiser permettra d'atteindre non seulement vos objectifs, mais aussi les objectifs de vos clients.

Si les compagnies aériennes à optimiser autour de départ le temps au lieu de l'arrivée à temps, un avion qui tire loin de la porte et se trouve sur le tarmac est une mesure de réussite même si les clients se sentent l'expérience est décevante car ils arrivent à leur destination une heure de retard .

Si vous optimisez autour du nombre d'appels en une heure à un centre d'appel, vous placez quantité sur la qualité. Alors que les clients veulent généralement obtenir une résolution rapide, sont leurs questions correctement traitées?

Soyez sûr que vos mesures sont significatives à votre client et que l'optimisation de ces paramètres rend pour une meilleure expérience.

Trop compter sur les données de comportement ou d'attitude

Les transactions des clients de l'exploitation minière peut révéler beaucoup de motifs dans des choses comme les produits que les clients achètent ensemble ou le temps moyen entre les achats. Mais ces données comportementales ne vous aide pas nécessairement comprendre les attitudes et les motivations pour lesquelles les clients achètent des choses ensemble. Ces données d'attitude peut plus facilement être collectées au moyen de sondages ou d'autres méthodes de demander aux clients.

Ne pas avoir une grande taille d'échantillon suffisamment

Si vous cherchez à détecter de petites différences dans les mesures, comme les taux de conversion ou les attitudes des clients, et vous mesurez un échantillon de clients ou de données, être sûr que votre taille de l'échantillon est suffisamment grande pour détecter cette différence. Utilisez les tables de taille de l'échantillon dans ce livre ou de consulter un statisticien pour savoir ce que la taille des échantillons que vous aurez besoin à l'avance.

Un grand nombre de coûts et des efforts sont gaspillés sur la recherche de très petites différences dans les attitudes des clients, tels que la satisfaction, la perception de la facilité d'utilisation, ou la probabilité de recommander après avoir fait de très petites modifications aux produits ou sites Web avec trop petite d'une taille de l'échantillon.

Eyeballing données et modèles

Eyeballing statistiques est la tendance à penser que vous pouvez détecter des modèles à partir de données en examinant sans aucune statistique. Pour les très grands modèles, vous pouvez voir ces facilement sans aucun calcul, mais ces sortes de motifs évidents apparaissent rarement. Afin de minimiser la chance que vous avez d'être dupé par hasard dans les données, des statistiques d'utilisation et les calculs mathématiques pour différencier les nouvelles du bruit.

La signification statistique de la confusion avec une signification pratique

Avec un échantillon de grande taille, vous serez en mesure de détecter de très petites différences et des motifs qui sont statistiquement significatives. La signification statistique signifie simplement que le motif ou la différence est pas due à un bruit aléatoire dans vos données. Mais cela ne signifie pas que ce qui est détecté aura beaucoup d'importance pratique.

Programmes Analytics drapeau des motifs différents et des différences, mais vous avez besoin pour déterminer si une différence de 1% des taux de conversion des résultats aura un impact majeur ou négligeable. Cela dépend du contexte, mais signifie que vous aurez besoin de faire preuve de jugement et non pas suivre aveuglément le logiciel.

Ne pense immédiatement à chaque résultat statistiquement significatif est significative. Pensez à travers les implications commerciales du résultat attentivement.

Ne pas avoir une équipe interdisciplinaire

Si vous avez un doctorat de stats croquer des nombres dans votre entreprise sous-sol, il peut générer le droit insights- mais si les ventes, le marketing, le service, ou des équipes de produits ne sont pas impliqués, il va être difficile d'obtenir buy-in et mettre en œuvre les idées . Obtenez les bonnes personnes et les équipes impliquées dans votre initiative précoce et chercher à avoir des compétences complémentaires, y compris les mathématiques, les logiciels, les affaires, le marketing, et de l'expérience du produit.

Ne pas nettoyer vos données d'abord

Garbage In, Garbage Out (GIGO) est une expression commune junkies de données aiment utiliser pour expliquer que les données qui a des problèmes avant analyse des problèmes après analyse. Cela peut être quelque chose à partir de données tirées des bases de données incompatibles (noms des clients ne correspondent pas à des transactions) ou les valeurs manquantes.

Si les données sont mal aller, vous aurez de mauvaises idées sortant. Avant d'exécuter une analyse, faire une vérification de la qualité de vos données en sélectionnant un échantillon de données et d'audit pour la qualité. Corroborer avec d'autres sources pour vérifier son exactitude.

Données mal formatées

Lorsque vous analysez vos données, au moins la moitié de l'effort est passé le formatage des données de sorte que votre logiciel peut analyser correctement il. Cela implique souvent la désagrégation et d'obtenir les transactions des clients ou des données de l'enquête en lignes et en colonnes.

Lésiner sur le bon formatage signifie généralement beaucoup de retravailler plus tard, alors assurez-vous que vos données sont correctement formaté - et au début.

Ne pas avoir de questions de recherche claires pour répondre

Parfois, il est bien d'avoir une expédition de pêche et examiner les tendances dans les données. Mais ne vous arrêtez pas à la pêche expéditionnaire utilisez ce que vous trouvez pour former des hypothèses sur le comportement des clients et chercher à confirmer, affiner, ou de rejeter ces hypothèses avec des données supplémentaires.

En attente de données parfaite

Chaque jeu de données a tendance à avoir un problème d'une certaine sorte. Certaines sont mineures, comme quelques autres Fields-manquantes sont majeurs, avec beaucoup de champs manquants et données incohérentes. Pour les données de l'enquête, il semble toujours y avoir une préoccupation sur la façon dont a été posé une question et à qui il a été demandé.

Cela dit, attendre quelque imperfection dans tous vos jeux de données et des enquêtes. Mais ne vous laissez pas arrêter de travailler avec ce que vous avez. Juste être prudent au sujet de votre interprétation.