![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/09\/Data-solving-.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NIEUWS \/ GEGEVENSMARKETING<\/p>\n<\/div>
10 september 2020
\nHet waarborgen van de data kwaliteit is moeilijk voor de meeste bedrijven, ongeacht hun data maturiteit, grootte of industrie. Fabien Cros, Data Consulting Director en Marine Sortais, Data Consulting Manager bij Artefact, delen vijf manieren waarop merken de kwaliteit van hun data kunnen verbeteren.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
De nauwkeurigheid van een algoritme kan met data van hoge kwaliteit tot wel 28% worden verbeterd - wat leidt tot betere targeting en meer omzet. Maar het probleem is dat veel bedrijven geen data van hoge kwaliteit hebben; 44% van de projecten die we bij Artefact ontvangen, hebben betrekking op het opschonen van data sets die onvolledig, gedeeltelijk beschadigd of niet gekarakteriseerd zijn.<\/p>\n
Om de kwaliteit van hun organisatorische data te verbeteren, moeten merkmarketeers beginnen met het volgende: 1. Neem de tijd om de probleemgebieden te identificeren<\/b><\/p>\n In plaats van te proberen problemen op te lossen, moet u ze eerst begrijpen. Vaak zijn data kwaliteitsproblemen diep geworteld in afdelingen. Het is dus belangrijk om een \u201cissue-driven path\u201d te gebruiken om problemen te defini\u00ebren, te verzamelen en de diepte en hoofdoorzaken van elk data probleem te begrijpen.\u00a0<\/span><\/p>\n Een voorbeeld: een klant gaf slechte data kwaliteit de schuld van de slechte resultaten van hun CRM retargeting use case. Maar toen we naar de omvang van de case keken, ontdekten we dat ze de verkeerde Google Analytics activeringsgroep gebruikten. Het probleem was niet de data kwaliteit, maar een verkeerd begrip van de verschillende data sets.\u00a0<\/span><\/p>\n 2. Een data steward aanwijzen om problemen op te lossen<\/b><\/p>\n Nadat u hebt vastgesteld waar de data kwaliteitsproblemen liggen, identificeert u een data steward die manieren kan vinden om deze uitdagingen op te lossen en de operationele data kan beheren, controleren en bewaken.\u00a0<\/span><\/p>\n Een data steward voert alle noodzakelijke data actie- en herstelplannen uit. Hij verzekert de kwaliteit van de geproduceerde data (hiaten tussen verschillende bronnen en systemen, volledigheid, versheid, etc.) en documenteert alle data (bronnen, types, kwaliteit, betrouwbaarheid, etc.) zodat het veilig opgeslagen kan worden en op de juiste manier benaderd en gebruikt kan worden.\u00a0<\/span><\/p>\n Het is niet eenvoudig om een gekwalificeerde data steward te vinden. Een manier om de creatie van de rol te versnellen is om te beginnen met een externe consultant en vervolgens een interne resource op te leiden om het over te nemen.<\/span><\/p>\n 3. Een data SPOC (Single Point of Contact)-team samenstellen<\/b><\/p>\n Hoewel de data steward de data kwaliteit kan beheren, heeft u ondersteuning nodig van elke afdeling in uw organisatie om het succes van alle data kwaliteitsprojecten te garanderen. Een sterk netwerk van data-savvy SPOC's kan de data steward voorzien van vitale en tijdige informatie, documentatie en inzichten over wat er in elk van hun afdelingen gebeurt.\u00a0<\/span><\/p>\n De data steward moet ook samenwerken met uw data SPOC's als \u201ceen feature team\u201d, waarbij contacten van relevante afdelingen worden uitgenodigd om te werken in agile sprints met duidelijk gedefinieerde doelstellingen. Het is belangrijk dat SPOC's hun afdelingen op de hoogte houden, zodat het volledige data-traject transparant, begrijpelijk en gemakkelijk toegankelijk is.\u00a0<\/span><\/p>\n 4. Hanteer een data kwaliteitsbenadering op basis van use-cases.<\/b><\/p>\n Als het op data organisatie aankomt, hebben de meeste marketeers een backlog en weten ze niet waar ze moeten beginnen. Ze zouden hun sprints moeten defini\u00ebren op basis van de use cases die ze kunnen verbeteren of ontsluiten met een betere data kwaliteit. Dit is waarom:<\/span><\/p>\n 5. data kwaliteitsinstrumenten aanschaffen om deze aanpak te ondersteunen en te vergemakkelijken<\/b><\/p>\n Zodra u een gemeenschap van data kwaliteitsexperts in uw organisatie hebt, geeft u hen de juiste methodologie\u00ebn en tools.<\/span><\/p>\n Rust uw organisatie echter in eerste instantie niet uit met specifieke tools voor het detecteren, beoordelen, opschonen en verhelpen van data kwaliteitsproblemen. Begin integendeel met handmatige, maar goed gedefinieerde processen om de kennis van uw data erfgoed te herstellen en uw inzicht in de hoofdoorzaken achter uw data kwaliteitsproblemen te vergroten.\u00a0<\/span><\/p>\n Geef vervolgens prioriteit aan een data domein (klant data, verkoop data, etc.) dat cruciaal is voor uw bedrijf - maar waar niet te veel complexe problemen zijn - en definieer teamoverschrijdende processen om te detecteren wanneer er een data kwaliteitsprobleem is en hoe dit op te lossen. U kunt bijvoorbeeld een intern dashboard maken om regelmatig de volledigheid en geldigheid van uw klant data te controleren, door benchmarks zoals e-mailadressen of het aantal websitebezoeken te vergelijken.\u00a0\u00a0\u00a0<\/span><\/p>\n Zodra u een meer geavanceerd niveau van data kwaliteitsvolwassenheid hebt bereikt, kunt u investeren in tools zoals Talend of Attacama die u kunnen helpen bij het automatisch detecteren, profileren en opstellen van saneringsplannen. Toegewijde tools zoals deze sluiten aan op uw data ecosysteem (data meer, data magazijn, enz.) en veranderen het in een echte controletoren voor data kwaliteit.\u00a0<\/span><\/p>\n Als er niets aan gedaan wordt, kan slechte data de groeiambities van bedrijven de das omdoen - maar dat hoeft niet zo te zijn. Marketeers kunnen met een paar tactische en pragmatische maatregelen gemakkelijk beginnen de zaken op te schonen. Het belangrijkste is om te beginnen. Zoals Lao Tzu zei: \u2019Een reis van duizend mijl begint met \u00e9\u00e9n stap.\u201c<\/span><\/p>\n Voor het eerst gepubliceerd door<\/span><\/i> DecisionMarketing.nl<\/span><\/i><\/a>.\u00a0<\/span><\/i><\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>
\n<\/span><\/b><\/p>\n\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>