Apa yang harus diketahui pemasar tentang pembersihan data, pemodelan, dan tata kelola – Beragampengetahuan

Anda memiliki akses ke banyak data terkait pemasaran – mulai dari analisis web dan perilaku perjalanan pelanggan hingga analisis pesaing dan penggunaan produk.

Namun jika datanya tidak bersih, Anda tidak dapat membuka nilainya. Atau lebih buruk lagi, Anda bisa mengarahkan pemasaran Anda ke arah yang salah dan melihat hasil yang semakin berkurang.

James Hunt, konsultan utama di Vivanti, mengatakan pembersihan dan pemodelan data sangat penting untuk mengekstraksi nilai dari informasi dan memperoleh pengetahuan dan kebijaksanaan. Dalam ceramahnya di konferensi Analisis Pemasaran dan Ilmu Data, dia merinci mengapa hal ini diperlukan, dasar-dasar pembersihan data, serta peran tata kelola dan kemampuan observasi.

Apa itu pemodelan data?

Model data mengubah data menjadi sesuatu yang berguna, dan Anda perlu memahami pemodelan data sehingga Anda mengetahui opsi pembersihan terbaik. James menjelaskan bahwa pemodelan data melibatkan tiga bagian – lampiran, konteks, dan domain.

aditif Artinya Anda membiarkan mesin mencari cara untuk menormalkan data. Anda tidak perlu “memperbaiki” data secara manual, seperti menggunakan huruf kecil pada nama huruf kapital semua yang sporadis di spreadsheet Anda. Hal ini sebenarnya menghancurkan data karena, seperti yang dikatakan James, “Sebagai manusia, kita sangat buruk dalam melakukan hal yang sama berulang kali.”

konteks Atur data untuk menceritakan sebuah cerita. Anda tidak menambahkan informasi baru; Anda memperkirakan data yang ada. Misalnya, konteks transaksi penjualan dapat mencakup email pemasaran yang dilihat pembeli, konten media sosial yang berinteraksi dengan pembeli, dan produk lain yang mereka lihat.

bidang Adalah himpunan semua nilai data yang mungkin untuk suatu elemen tertentu. Ini bisa bersifat kualitatif dan kuantitatif. James menunjukkan lima jenis domain umum berikut:

• identitas — Nilai unik yang secara unik dan rahasia mengidentifikasi seseorang, seperti alamat email, nomor jaminan sosial, atau ID pelanggan

• nominatif — Identitas tambahan yang tidak cukup untuk berdiri sendiri, seperti nama lengkap atau nama produk seseorang
• rahasia —Grup yang menjangkau batas-batas yang berubah-ubah, seperti jenis pelanggan atau industri yang sering digunakan untuk segmentasi antrean
• mata uang — Mata uang yang dapat dibandingkan, diurutkan, dikumpulkan dan dipilah, seperti total pesanan atau harga satuan
• sementara — Titik atau rentang tanggal dan waktu, seperti tanggal pendaftaran, tanggal pembelian terakhir, atau periode loyalitas

Dengan pemahaman dasar tentang pemodelan, Anda dapat mempelajari cara membersihkan data Anda.

Jenis pembersihan data apa yang ada?

James merinci tiga jenis pembersihan data – pemetaan mekanis, eksplisit, serta pola dan aturan:

Dan Pembersihan mekanisdata dibersihkan tanpa mengubah arti informasi, seperti menormalkan kapitalisasi nama dan menghilangkan spasi yang tidak diperlukan. “Sebagai seorang data engineer, ini adalah hal-hal yang dapat saya lakukan sendiri dan tidak ada seorang pun yang akan marah,” kata James. “Tidak ada yang akan berkata, ‘Yah, kamu menghilangkan spasi dari namanya, jadi itu orang yang berbeda.'”

Pemetaan eksplisit Gunakan aktivitas yang disebut pengurangan kardinalitas untuk mengurangi jumlah nilai unik yang terkait dengan suatu atribut. Ini menyederhanakan kumpulan data dengan mengelompokkan nilai sambil mempertahankan informasi terkait. Kumpulan data ini lebih mudah dikelola dan dapat meningkatkan performa model.

Misalnya, kata James, mungkin bidang status pelanggan dimulai dengan dua nilai—aktif dan tidak aktif. Seiring waktu, bidang ini diperluas hingga mencakup jeda, penangguhan, dan opsi prospektif. Pembersihan peta secara eksplisit dapat mengubah status pelanggan “dijeda” menjadi nilai “aktif”.

Satu bersih pola dan aturan Identifikasi dan perbaiki ketidakkonsistenan, ketidakakuratan, atau kesalahan dalam data berdasarkan struktur yang dapat diidentifikasi (yaitu pola) dan batasan (yaitu aturan).

Skema standar berisi data seperti alamat email, string tanggal, dan nomor telepon. Penyimpangan dari struktur ini menunjukkan perlunya pembersihan data.

Aturan mengacu pada kondisi atau batasan logis. Jadi, misalnya, jika data moneter suatu kebijakan melebihi nilai maksimumnya, entri tersebut perlu dibersihkan.

Anda juga dapat menetapkan aturan dan pola untuk memetakan perjalanan pelanggan, kata James. Katakanlah sebuah merek tidak peduli berapa kali seseorang membuka dan mengklik emailnya. Sebaliknya, ini berkaitan dengan mengidentifikasi siapa yang cenderung membeli dari kampanye pemasaran email. Itu dapat membuat aturan untuk membersihkan data untuk mencapai tujuan tersebut.

Misalnya, semua email yang dikirim akan ditandai sebagai “E”, semua klik akan ditandai sebagai “C”, dan pesanan akan dikenali sebagai “O”. Aturan-aturan ini memperkecil data sehingga sangat berguna bagi merek dan tujuan pemasarannya.

Apa peran tata kelola dalam pembersihan data?

Apa itu observabilitas?

Apakah Anda siap untuk pembersihan data?