Hur Entity Resolution adderar värde till dina marknadsföringsprocesser

Vad är enhetsupplösning i marknadsföringsdata

Ett stort antal B2B-marknadsförare – nästan 27 % – erkänner det otillräcklig data har kostat dem 10 %, eller i vissa fall ännu mer i årliga inkomstbortfall.

Detta belyser tydligt ett betydande problem som de flesta marknadsförare står inför idag, och det är: dålig datakvalitet. Ofullständiga, saknade eller dåliga data kan ha stor inverkan på framgången för dina marknadsföringsprocesser. Detta händer eftersom nästan alla avdelningsprocesser på ett företag – men specifikt försäljning och marknadsföring – drivs kraftigt av organisationsdata.

Oavsett om det är en komplett 360-vy av dina kunder, potentiella kunder eller potentiella kunder, eller annan information relaterad till produkter, tjänsteerbjudanden eller adresser – marknadsföring är där allt kommer ihop. Det är därför marknadsförare lider mest när ett företag inte använder korrekta ramverk för datakvalitetshantering för kontinuerlig dataprofilering och datakvalitetsfixering.

I den här bloggen vill jag uppmärksamma det vanligaste datakvalitetsproblemet och hur det påverkar dina kritiska marknadsföringsprocesser; vi kommer sedan att titta på en potentiell lösning för detta problem, och slutligen kommer vi att se hur vi kan etablera det på en kontinuerlig basis.

Så, låt oss börja!

Det största problemet med datakvalitet som marknadsförare möter

Även om dålig datakvalitet orsakar en lång rad problem för marknadsförare på ett företag, men efter att ha levererat datalösningar till 100+ kunder är det vanligaste problemet med datakvalitet som vi har sett människor möta:

Få en enda vy av kärndatatillgångar.

Det här problemet dyker upp när dubbletter av poster lagras för samma enhet. Här kan termen enhet betyda vad som helst. Mestadels, inom marknadsföringsområdet, kan ordet entitet syfta på: kund, lead, prospekt, produkt, plats eller något annat som är kärnan för hur dina marknadsföringsaktiviteter ska fungera.

Effekten av dubbletter av poster på dina marknadsföringsprocesser

Förekomsten av dubbletter i datauppsättningar som används för marknadsföringsändamål kan vara en mardröm för alla marknadsförare. När du har dubbletter av poster följer några allvarliga scenarier som du kan stöta på:

  • Slöseri med tid, budget och ansträngningar – Eftersom din datauppsättning innehåller flera poster för samma enhet kan det sluta med att du investerar tid, budget och ansträngningar flera gånger för samma kund, prospekt eller lead.
  • Det går inte att underlätta personliga upplevelser – Dubblettposter innehåller ofta olika delar av information om en enhet. Om du genomförde marknadsföringskampanjer med en ofullständig bild av dina kunder kan det sluta med att dina kunder känner sig ohörda eller missförstådda.
  • Felaktiga marknadsföringsrapporter – Med dubbla dataposter kan det sluta med att du ger en felaktig bild av dina marknadsföringsinsatser och deras avkastning. Till exempel mailade du 100 potentiella kunder, men fick bara svar från 10 – det kan vara så att bara 80 av dessa 100 var unika och resten av de 20 var dubbletter.
  • Minskad operativ effektivitet och anställdas produktivitet – När gruppmedlemmar hämtar data för en viss enhet och hittar flera poster lagrade över olika källor eller samlade över tid i samma källa, fungerar det som en enorm vägspärr för de anställdas produktivitet. Om detta händer ganska ofta, så påverkar det märkbart den operativa effektiviteten i en hel organisation.
  • Det gick inte att utföra korrekt konverteringstillskrivning – Om du har registrerat samma besökare som en ny enhet varje gång de besökte dina sociala kanaler eller webbplats, blir det nästan omöjligt för dig att utföra korrekt konverteringstillskrivning och veta exakt vilken väg besökaren följde mot konvertering.
  • Ej levererad fysisk och elektronisk post – Det här är den vanligaste konsekvensen av dubbletter av poster. Som nämnts tidigare tenderar varje dubblettpost att innehålla en partiell vy av entiteten (det är därför posterna slutade som dubbletter i din datauppsättning i första hand). Av denna anledning kan vissa poster sakna fysiska platser eller kontaktinformation, vilket kan göra att e-post inte levereras.

Vad är Entity Resolution?

Enhetsupplösning (ER) är processen för att avgöra när referenser till verkliga enheter är likvärdiga (samma enhet) eller inte likvärdiga (olika enheter). Med andra ord är det processen att identifiera och länka flera poster till samma enhet när posterna beskrivs på olika sätt och vice versa.

Entitetsupplösning och informationskvalitet av John R. Talburt

Implementera Entity Resolution i dina marknadsföringsdataset

Efter att ha sett den fruktansvärda effekten av dubbletter på framgången för dina marknadsföringsaktiviteter, är det absolut nödvändigt att ha en enkel men kraftfull metod för deduplicerar dina datauppsättningar. Det är här processen enhetsupplösning kommer in. Entity resolution refererar helt enkelt till processen att identifiera vilka poster som tillhör samma enhet.

Beroende på komplexiteten och kvaliteten på dina datauppsättningar kan denna process innehålla ett antal steg. Jag kommer att ta dig igenom varje steg i denna process så att du kan förstå exakt vad det innebär.

Obs: Jag kommer att använda den generiska termen "entitet" när jag beskriver processen nedan. Men samma process är tillämplig och möjlig för alla enheter som är involverade i din marknadsföringsprocess, såsom kund, lead, prospekt, platsadress, etc.

Steg i Entity Resolution Process

  1. Samla in enhetsdataposter som finns över olika datakällor – Det här är det första och viktigaste steget i processen, där man identifierar sig var exakt enhetsposterna lagras. Detta kan vara data som kommer från annonser i sociala medier, webbplatstrafik eller manuellt inmatade av säljare eller marknadsföringspersonal. När källorna har identifierats måste alla register samlas på ett ställe.
  2. Profilering av kombinerade poster – När posterna väl har samlats i en datauppsättning är det nu dags att förstå data och avslöja de dolda detaljerna om dess struktur och innehåll. Dataprofilering analyserar din data statistiskt och tar reda på om datavärdena är ofullständiga, tomma eller följer ogiltiga mönster och format. Profilering av din datauppsättning avslöjar andra sådana detaljer och lyfter fram potentiella datarensningsmöjligheter.
  3. Rengöring och standardisering av dataposter – En djupgående dataprofil ger dig en handlingsbar lista över objekt för rengöring och standardisering av din datauppsättning. Detta kan innebära steg för att fylla i saknad data, korrigera datatyper, fixa mönster och format, samt att analysera komplexa fält till underelement för bättre dataanalys.
  4. Matcha och länka poster som tillhör samma enhet – Nu är dina dataposter redo att matchas och länkas, och sedan slutföra vilka poster som tillhör samma enhet. Denna process görs vanligtvis genom att implementera branschklassade eller proprietära matchningsalgoritmer som antingen utför exakt matchning på unikt identifierande attribut, eller fuzzy matchning på en kombination av attribut för en enhet. Om resultaten från matchningsalgoritmen är felaktiga eller innehåller falska positiva resultat, kan du behöva finjustera algoritmen eller manuellt markera felaktiga matchningar som dubbletter eller icke-dubbletter.
  5. Implementeringsregler för att slå samman enheter till gyllene register – Det är här den slutliga sammanslagningen sker. Du vill förmodligen inte förlora data om en enhet som lagras över poster, så det här steget handlar om att konfigurera regler för att bestämma:
    • Vilken post är huvudposten och var finns dess dubbletter?
    • Vilka attribut från dubbletter vill du kopiera över till masterposten?

När dessa regler väl har konfigurerats och implementerats är resultatet en uppsättning gyllene register över dina enheter.

Upprätta ett pågående ramverk för upplösning av entitet

Även om vi gick igenom en enkel steg-för-steg-guide för att lösa entiteter i en marknadsföringsdatauppsättning, är det viktigt att förstå att detta bör behandlas som en pågående process i din organisation. Företag som investerar i att förstå sin data och åtgärda dess kärnkvalitetsproblem är redo för en mycket mer lovande tillväxt.

För snabb och enklare implementering av sådana processer kan du också förse dataoperatörer eller till och med marknadsförare på ditt företag med lättanvänd mjukvara för enhetsupplösning, som kan vägleda dem genom stegen som nämns ovan.

Sammanfattningsvis kan vi med säkerhet säga att en dubblettfri datauppsättning fungerar som en avgörande aktör för att maximera ROI för marknadsföringsaktiviteter och stärka varumärkets rykte över alla marknadsföringskanaler.