10 errores analíticos comunes

Reunir, analizar y tomar decisiones a partir de datos es el corazón del análisis de clientes. Pero si usted es nuevo en el análisis de datos o ha estado haciendo desde hace tiempo, diez errores comunes pueden afectar la calidad de sus resultados. Usted debe estar al pendiente de ellos. Siguen, y algunas ideas sobre cómo evitarlos se incluyen también.

Optimización de la vuelta de la métrica equivocada

Existen métricas para casi cualquier cosa en una organización y, muy probablemente son recogidos por una buena razón. Asegúrese de que la métrica que desea optimizar alcanzará no sólo a sus metas, sino también los objetivos de sus clientes.

Si las aerolíneas a optimizar alrededor salida el tiempo en lugar de llegada a tiempo, un avión que se aleja de la puerta y se sienta en el asfalto es un éxito métrica a pesar de que los clientes se sientan la experiencia es decepcionante, ya que llegan a su destino una hora de retraso .

Si optimiza todo el número de llamadas atendidas en una hora a un centro de llamadas, usted está poniendo la cantidad sobre la calidad. Mientras que los clientes en general, quieren conseguir una resolución rápida, son sus temas se abordan adecuadamente?

Asegúrese de que sus indicadores son significativos a su cliente, optimizando los parámetros hace que para una mejor experiencia.

Confiar demasiado en los datos del comportamiento o de actitud

Transacciones de los clientes de minería pueden revelar una gran cantidad de patrones en las cosas como lo que compran productos clientes juntos o el tiempo medio entre las compras. Pero estos datos de comportamiento no necesariamente ayudará a entender las actitudes y motivaciones detrás de por qué los clientes compran cosas juntos. Estos datos de actitud puede ser más fácilmente recolectados a través de encuestas u otros métodos de pedir a los clientes.

No tener un tamaño de la muestra lo suficientemente grande

Si usted está buscando para detectar pequeñas diferencias en las mediciones, como las tasas de conversión o actitudes de los clientes, y usted está midiendo una muestra de clientes o de datos, asegúrese de que su tamaño de la muestra es lo suficientemente grande para detectar esa diferencia. Utilice las tablas de tamaño de la muestra en este libro o consultar a un estadístico para saber qué tamaño de muestra que necesita antes de tiempo.

Una gran cantidad de costo y el esfuerzo se desperdicia en busca de diferencias muy pequeñas en las actitudes de los clientes, tales como la satisfacción, la percepción de facilidad de uso, o la probabilidad de recomendar después de hacer cambios muy pequeños a los productos o sitios web con demasiado pequeño de un tamaño de la muestra.

Echando un vistazo a los datos y patrones

Echando un vistazo a las estadísticas es la tendencia a pensar que puede detectar patrones de datos mediante el examen sin ninguna estadística. Para patrones muy grandes, se puede ver éstos fácilmente y sin ningún cálculo, pero este tipo de patrones obvios raramente aparecer. Para reducir al mínimo la posibilidad de que usted está siendo engañado por el azar de los datos, el uso de estadísticas y cálculos matemáticos para diferenciar las noticias del ruido.

Significación estadística confusa con significado práctico

Con un tamaño de muestra grande, usted será capaz de detectar pequeñas diferencias y patrones que son estadísticamente significativas. La significación estadística sólo significa que el patrón o diferencia no se debe a ruido aleatorio en los datos. Pero eso no quiere decir que lo que está detectado tendrá mucha importancia práctica.

Programas Analytics bandera diferentes patrones y diferencias, pero es necesario determinar si una diferencia de 1% en las tasas de conversión de los resultados tendrá un impacto importante o insignificante. Esto depende del contexto, pero significa que tendrá que ejercer un juicio y no sigue ciegamente el software.

No creo que de inmediato cada resultado estadísticamente significativo es significativa. Piense en las implicaciones empresariales del resultado cuidadosamente.

No tener un equipo interdisciplinario

Si usted tiene un doctorado estadísticas haciendo números en el sótano de la empresa, que puede generar el insights- derecho pero si de ventas, marketing, servicio, o los equipos de producto no están involucrados, que va a ser difícil conseguir el buy-in y poner en práctica los conocimientos . Recibe las personas adecuadas y los equipos que participan en su iniciativa temprana y buscar tener habilidades complementarias, incluyendo matemática, software, negocio, comercialización, y la experiencia del producto.

No limpiar sus datos primero

Basura entra, basura sale (Gigo) es una frase común adictos datos les gusta usar para explicar que los datos que tiene problemas antes de El análisis tendrá problemas después análisis. Esto puede ser cualquier cosa a partir de datos no coincidentes extraídos de bases de datos (nombres de los clientes no se ajustan a las transacciones) o valores perdidos.

Si los datos son mal entrar, tendrás malas ideas que salen. Antes de ejecutar cualquier análisis, hacer una verificación de la calidad de sus datos mediante la selección de una muestra de datos y auditoría para la calidad. Corroborarlo con otras fuentes para verificar su exactitud.

Datos con formato incorrecto

Al analizar los datos, al menos la mitad del esfuerzo que se gasta formatear los datos para que el software puede analizar adecuadamente. Esto a menudo implica la desagregación y conseguir transacciones de los clientes o los datos de la encuesta en filas y columnas.

Escatimar en el formato correcto por lo general significa una gran cantidad de retrabajo más tarde, así que asegúrese de que sus datos tiene el formato correcto - y principios.

No tener preguntas de investigación claras para responder

A veces es bueno tener una expedición de pesca y examinar patrones en los datos. Pero no se detiene con la pesca expedición- utiliza lo que se encuentra para formar hipótesis sobre el comportamiento del cliente y buscar confirmar, refinar o rechazar estas hipótesis con datos adicionales.

A la espera de datos perfecta

Cada conjunto de datos tiende a tener algún problema de algún tipo. Algunos son menores, al igual que algunos otros campos humedos que faltan son importantes, con una gran cantidad de campos que faltan y los datos que no coinciden. Para los datos de la encuesta, siempre parece ser una preocupación sobre cómo se hizo una pregunta ya quién se le preguntó.

Dicho esto, esperamos alguna imperfección en todos sus conjuntos de datos y encuestas. Pero no dejes que te impida trabajar con lo que tienes. Sólo tenga cuidado acerca de su interpretación.