×

מדוע ארגונים עשירים בנתונים אך נותרים עניים בתובנות ?

blog
Amit-ProfilePic.jpg
תאריך פרסום : 22/06/2020
מאת : עמית קמה, בעלים, קמדיה דיגיטל בע"מ

ארגונים משקיעים כיום את מרבית המשאבים שלהם באיסוף וניסיון לנתח Big Data שזורם אליהם מהערוצים הדיגיטליים הרבים שהם השיקו בשנים האחרונות. ולמרות המאמצים הגדולים רוב הארגונים מדווחים שהם לא מצליחים לממש את המטרות שבשמם הם יצאו לפרויקטים לאיסוף וניתוח הנתונים : הגדלת ההכנסות והרווחיות, השקה מוצלחת של שרותים ומוצרים חדשים, ומצוינות תפעולית. אם כך מדוע BigData אינו מספיק? על כך ועוד במאמר הבא :

עשירים בנתונים, עניים בתובנות.

המרדף אחר הדאטה הפך למרוץ החימוש של העשור האחרון. (כמו במקרים רבים של טכנולוגיות או תפיסות טכנולוגיות חדשות), האמירה הרווחת של בואו נאסוף נתונים ואחר כך כבר נמצא מה לעשות איתם, יצרה מציאות בה ארגונים רבים הולכים לאיבוד במגוון ובכמות הנתונים שהם אוספים. ככל שהארגון עובר תהליכי דיגיטיליזציה ויצירה של ערוצים דיגיטליים כך נאגרים אצלו יותר נתונים, והאתגר להפיק מהם תובנות הולך וגובר.

לביג דאטה יש שימושים רבים וחשובים, אך מכיוון שאני דוגל במצויינות תפעולית שמקורה בחזית הארגון, אני מאמין שבעידן של גלובליזציה, כשמוצרים הופכים לצרכניים (Commodity), ושירותים רבים עוברים לאותם ערוצים דיגיטליים בכל החברות, הנכס המשמעותי של הארגון הופך להיות החוויה שהוא מספק ללקוחות שלו, וכדי לספק חוייה מצויינת ללקוח צריכים להבין את הצרכים והרצונות שלו.

בחמש שנים האחרונות התפתחה מגמה ותעשייה שלמה סביב התובנה הזו. חברות רבות כמו GlassBox, Optimove, BounceX, Quantummetric ולמעשה כמעט כל כלי Marketing Automation מתהדרים ביכולות לנתח ולהציג תובנות מהפעילות של הלקוחות שלנו בערוצים הדיגיטליים השונים.

הניתוחים הנ"ל כוללים את ההקלקות של הלקוחות שלנו בערוצים הדיגיטליים (clickstream), אנליטיקה כללית של ביצועי האתר (website analytics), ומפורטת ברמת הרכיבים השונים (In-Page Analytics) נתונים מרשתות חברתיות (Social Interaction), פעילות באפליקציות (mobile), ניתוח מיילים (Newsletter Activity) ועוד עוד.

אך המציאות ברוב הארגונים היא שלמרות האיסוף הרחב של הנתונים הם עדיין מתקשים להבין את הלקוחות שלהם. הם עשירים בנתונים אך נותרים עניים בתובנות.

Image

SOURCE: HARVARD BUSINESS REVIEW ANALYTIC SERVICES, JULY 2019

ביג דאטה מספר לכם את ה-"מה", בכדי להשלים את התמונה חסר לכם מימד ה-"למה".

לביג דאטה יש יתרונות רבים, ראשית הוא מבסס תפיסה על ספקטרום רחב מאד של נתונים שנאספים ממקורות שונים, לאורך זמן, על אוכלוסיות שונות במצבים שונים ומגוונים. הוא יודע לתת לנו תמונה רחבה המתארת את הפעילות שלנו בתחומים רבים. החל מפעילות תפעולית ועד לתאור האינטרקציות של הלקוחות שלנו עם הערוצים הדיגיטליים שלנו.

ביג דאטה הינו מקור חשוב להפעלה של מודלים מבוססי AI בכדי לנסות ולצפות מה יקרה על בסיס מה שקרה לרבות משתנים רבים שאנו משלבים במודלים שלנו (משתנים פנימיים וחיצוניים) וסביר להניח שבדרך כלל יהיה לנו קשה לנתח אותם ללא אמצעים מתקדמים.

אך (כיום) ביג דאטה (המסורתי המצוי) מספר לנו מה קרה, מה המשתמשים שלנו עשו בערוצים הדיגיטליים, כיצד הם התנהגו הלכה למעשה, מהיכן הם יצאו ולאן הם הגיעו. ביג דאטה מספר לנו את ה "מה" במספרים גדולים.

הוא יכול להצביע על אוכלוסיות שונות שמתנהגות באופן שונה, ובשילוב מימדים שונים של סיגמנטציה (דמוגרפי, גאוגרפי, התנהגותי, פסיכוגרפי) הוא גם יכולים לספר לנו מה אוכלוסיות שונות מבצעות. כאשר אנו יכולים להרשות לעצמנו אנו נעזרים במומחים בהבנת שפת גוף דיגיטלית (Digital Body Language) אשר מנסים לנתח את ההתנהגות של הלקוחות בכדי להסביר לנו את ה-"למה" מאחורי ההתנהגות של הלקוחות.

אך למעשה הרכיב המשמעותי שחסר לכם בכדי להשלים את התמונה הוא Small Data. אותם נתונים שבשנים האחרונות קצת הזנחנו כי הבאזז הסקסקי סביב הביג דאטה רק הלך וגדל והטכנולוגיות לאיסוף וניתוח נתונים הפכו לזמינות, זולות ויחסית מהימנות.

לאחר שניתחנו וסידרנו את ההתנהגות של המשתמשים והלקוחות שלנו, אנו צריכים לחזור לייסודות ולהבין מדוע הם עשו את מה שהם עשו. מדוע הם בחרו במסלול המסויים באתר שלנו, מדוע הם נטשו את העגלה, מדוע הם פתחו את המייל ששלחנו או הסירו את עצמם מרשימת התפוצה.

שילוב נכון של "נתונים קטנים - Small Data" עם ביג דאטה מסייעים לנו להשלים את התמונה החשובה באמת שמסבירה לנו למה הלקוחות שלנו פעלו כפי שהם פעלו וכיצד ניתן לתת להם מענה. "נתונים קטנים" מאפשרים לנו להבין את ה "micro-frictions" בהתנהלות (מסע) המשתמש וכל לתת לו מענה טוב יותר לאתגרים איתו הוא מתמודד.

לרשותנו מגוון מאד רחב של מקורות ל "נתונים קטנים" ואלו רק חלק מהדוגמאות האפשריות : יומני לקוחות (Customer diaries) , צפייה בלקוחות בזמן הפעולות שלהם (Customer Shadowing) , סקרים כללים (surveys) , וסקרי שביעות רצון (satisfaction surveys) , ראיונות עם לקוחות (customer interviews), תובנות מרוכשים (shopper insights) , פאנלים פיזיים ואון-ליין (online community panels), ביקורים בבתי הלקוחות (in-home visits) קבוצות מיקוד (moderated and unmoderated user testing) ותהליכי יצירה ובדיקה משותפים עם הלקוחות (co-creations sessions).


SOURCE: HARVARD BUSINESS REVIEW ANALYTIC SERVICES, JULY 2019

כאשר אנו משלבים את "הנתונים הקטנים" עם הנתונים הגדולים אנו יכולים לייצר את התובנות הנ"ל על מגוון רחב של קבוצות (סיגמנטים) שונות וכך לתת מענה לכל סיגמנט. זה מאפשר לנו לאזן בין הצורך והרצונות של הלקוחות ליעדים העסקיים שלרוב כוללים הגדלת הכנסות, שיפור הרווחיות, שימור לקוחות קיימים והגעה ללקוחות חדשים כל זאת לצד מצוינות תפעולית שמקורה יצירת חוויה משפורת ללקוח.

תגובות