Wir leben in einer Welt, in der Daten exponentiell wachsen, und immer mehr Anstrengungen werden unternommen, um sie besser zu nutzen. Vermarkter haben heute mehr als genug Daten zur Verfügung, aber sie suchen nach besseren Möglichkeiten, ihre Datensätze zu nutzen und zu verbinden, um tiefere, wertvollere Einblicke zu gewinnen.
Die Herausforderung liegt in der Art und Weise, wie wir die Anwendung der Datenwissenschaft betrachten und wie wir als Datenwissenschaftler ausgebildet wurden. Im Laufe der Jahre, in denen ich an datenwissenschaftlichen und analytischen Projekten gearbeitet habe, konnte ich erkennen, dass es einen einfacheren Weg gibt, um größere, kühnere Ziele zu erreichen.
Es ist ein vierstufiger Prozess:
- Beginnen Sie mit dem ehrgeizigen Ergebnis
- Zerlegen Sie das Ergebnis in kleinere Maßnahmenpakete
- Untersuchung der Daten und Durchführung der Analyse (iterativ)
- Verknüpfung der Ergebnisse mit dem angestrebten Ziel
Dieser Prozess funktioniert besser als der herkömmliche datenwissenschaftliche Problemlösungsprozess, weil er die Mehrdeutigkeit reduziert und die Ergebnisorientierung bei allen Beteiligten fördert. Der herkömmliche Data-Science-Prozess beginnt in der Regel mit der Identifizierung einer Problemstellung und geht dann zur Datenerfassung, Datenmodellierung und Auswertung über. Das Herzstück des traditionellen datenwissenschaftlichen Prozesses ist die Komplexität. Komplexität zwingt uns im Allgemeinen dazu, rationaler und analytischer zu denken, und zwingt uns nicht dazu, unsere Kreativität einzusetzen. Ehrgeiz hingegen ermutigt uns, mit kreativem Denken zu beginnen und uns dann der analytischen Seite unseres Gehirns zuzuwenden.
Zerlegen wir nun unseren Prozess in die einzelnen Schritte.
Beginnen Sie mit dem ehrgeizigen Ergebnis
Nehmen wir an, Sie wollen im nächsten Jahr einen zusätzlichen Anteil von 5 % erreichen. Definieren Sie zunächst Ihr ehrgeiziges Ziel. In diesem Fall: 5 % mehr Marktanteil. Die Verhaltenspsychologie sagt, dass es wichtig ist, das Ziel positiv zu formulieren, weil es Ihren Verstand dazu bringt, kreativer zu denken, um die Ziele zu erreichen.
Nehmen wir an, Sie möchten Ihren Marktanteil erhöhen, indem Sie Ihr Vertriebsnetz in Indonesien ausbauen. Indonesien ist ein geografisch sehr zersplittertes Land mit 17.000 Inseln, und der Transport stellt eine Herausforderung dar. Um dies zu erreichen, wollen Sie 50 % bis 80 % des Marktes zu den geringstmöglichen Kosten erreichen, und das alles innerhalb eines Jahres.
Zerlegen Sie Ihr Ergebnis in kleinere Maßnahmenpakete
Dies ist von entscheidender Bedeutung, da Sie Ihr großes, ehrgeiziges Ergebnis in kleinere, überschaubare Gruppen aufteilen möchten. Es ist auch hilfreich, Ihre Daten in "sich gegenseitig ausschließende, kollektiv erschöpfende" Gruppen einzuteilen. Dies hilft bei der Unterteilung in mehrere Teilziele und beschleunigt den Prozess. In unserem Beispiel haben wir das Ergebnis in drei Aktionsgruppen unterteilt:
- Dichte geografische Gebiete, die die Einrichtung von Verteilern erfordern
- Verstreute Gebiete, die die Einrichtung von Unterverteilern erfordern
- Wachsende Bevölkerungscluster
Datensätze erkunden und die Analyse durchführen
Dies ist ein wichtiger Teil des Prozesses. Beginnen Sie mit der Erkundung von Datenquellen und listen Sie auf, was verfügbar ist und was nicht (aber ein Muss ist). In diesem Beispiel können wir die Daten der Nielsen-Einzelhandelserhebung und des Einzelhandelspanels mit verschiedenen Merkmalen wie Ladengröße, Ladenumsatz, Koordinaten des Ladenstandorts usw. verwenden. Wir können diese beiden Datensätze dann integrieren, um eine Reihe von aussagekräftigen Merkmalen zu erhalten.
Wir erkennen jedoch auch, wo unsere Datensätze unzureichend sind. In diesem Fall könnten wir feststellen, dass es ein beträchtliches Gebiet gibt, das außerhalb unseres Einzelhandelsbereichs liegt. Infolgedessen liegen uns bestimmte Informationen nicht vor, wie z. B. die Bevölkerungszahl, die Anzahl der Banken, die auf Wohlstand hindeuten kann, und andere Daten. Wir müssen also andere Quellen wie Volkszählungen ermitteln, um diese Merkmale zu erhalten.
Diese Datensätze werden dann fusioniert und durch ein multiples Regressionsmodell laufen gelassen, das die Chancen für jedes Gebiet/jeden Ort ermittelt.
Es sind wahrscheinlich einige Iterationen erforderlich, um die Genauigkeit der Vorhersage zu gewährleisten. Schließlich können diese Daten mit Kunden- oder Erstanbieter-Vertriebsdaten zusammengeführt werden.
Verknüpfung der Erkenntnisse mit dem Ergebnis
Der letzte Schritt besteht darin, alle Ergebnisse der Aktionssätze miteinander zu verknüpfen.
In diesem Beispiel sind wir dann in der Lage, diese Daten zu nutzen, um Gebiete/Blockcluster zu zeichnen, die die meisten Möglichkeiten bieten und realistischerweise durch das bestehende Vertriebsnetz unterstützt werden können, wobei ihr Radius nur geringfügig vergrößert und einige wenige Unterverteiler in wachsenden Clustern eingerichtet werden müssen.
In diesem Beispiel sind wir in der Lage, mehrere Datensätze zu kombinieren, um eine einfache Lösung zu finden, die eine klare Lösung für ein großes, ehrgeiziges Ziel skizziert. Das zeigt, dass es sich nicht immer lohnt, mit einer Problemstellung zu beginnen, sondern eher mit einem positiven, ehrgeizigen Ziel.
Wenn Sie also das nächste Mal ein neues Projekt in Angriff nehmen, geben Sie diesem Prozess eine Chance und beginnen Sie mit einem ehrgeizigen Ziel und kreativem Denken.
