02_Elements/Icons/ArrowLeft Powrót do Insight
Insights > Wydajność marketingu

Osiąganie ambitnych wyników dzięki Data Science

4 minute read | Avi Jain, Regional Data Science Client Lead, Nielsen | Marzec 2019 r.

Żyjemy w świecie, w którym dane rosną wykładniczo i coraz więcej wysiłku wkłada się w ich lepsze wykorzystanie. Marketerzy mają dziś do dyspozycji więcej niż wystarczającą ilość danych, ale szukają lepszych sposobów na wykorzystanie i połączenie swoich zbiorów danych w celu uzyskania głębszych, bardziej wartościowych informacji.

Wyzwanie leży w sposobie, w jaki patrzymy na zastosowanie nauki o danych oraz w sposobie, w jaki my jako naukowcy zajmujący się danymi zostaliśmy przeszkoleni. Pracując przez lata nad projektami z zakresu nauki o danych i analityki, udało mi się dostrzec łatwiejszą drogę do osiągnięcia większych, bardziej śmiałych celów.

Jest to proces czterostopniowy:

  1. Zacznij od ambitnego wyniku
  2. Podziel wynik na mniejsze zestawy działań
  3. Zbadaj dane i przeprowadź analizę (iteracyjną)
  4. Powiązanie wyników z ustalonym rezultatem

Proces ten działa lepiej niż tradycyjny proces rozwiązywania problemów w nauce o danych, ponieważ zmniejsza niejednoznaczność i napędza dążenie do osiągnięcia rezultatów przez wszystkich zaangażowanych. Tradycyjny proces data science zazwyczaj rozpoczyna się od określenia problemu, następnie przechodzi do zbierania danych, modelowania danych i oceny. Sercem tradycyjnego procesu data science jest złożoność. Złożoność zazwyczaj zmusza nas do bardziej racjonalnego, analitycznego myślenia i nie zmusza nas do wykorzystania naszej kreatywności. Ambicja natomiast zachęca nas do rozpoczęcia od kreatywnego myślenia, a następnie przejścia do naszej analitycznej strony mózgu.

Teraz rozbijmy nasz proces na poszczególne kroki.

Zacznij od ambitnego wyniku

Powiedzmy, że chcesz osiągnąć 5% dodatkowych udziałów w ciągu najbliższego roku. Najpierw zdefiniuj swój ambitny wynik. W tym przypadku, 5% więcej udziałów. Psychologia behawioralna mówi, że ważne jest pozytywne przeformułowanie celu, ponieważ oszukuje twój umysł, aby myślał bardziej kreatywnie w celu osiągnięcia celów.

W tym przykładzie powiedzmy, że chcesz zwiększyć udziały poprzez rozbudowę sieci dystrybucji w Indonezji. Indonezja jest bardzo rozdrobnionym geograficznie krajem, z 17.000 wysp, a transport jest wyzwaniem. Aby to osiągnąć, celem jest osiągnięcie od 50% do 80% rynku przy najniższych możliwych kosztach, a wszystko to w ciągu roku.

Podziel swój wynik na mniejsze zestawy działań

Jest to krytyczne, ponieważ chcesz rozbić swój duży ambitny wynik na mniejsze zarządzalne zestawy. Pomaga to również umieścić swoje dane w "wzajemnie wykluczających się, kolektywnie wyczerpujących się" zestawach. Pomaga to podzielić go na wiele podcelów i przyspieszyć proces. W naszym przykładzie podzieliliśmy wynik na trzy zestawy działań:

  1. Gęstość geograficzna wymagająca konfiguracji dystrybutora
  2. Rozproszone geograficznie obszary wymagające konfiguracji subdystrybutorów
  3. Rosnące skupiska ludności

Eksploruj zbiory danych i przeprowadź analizę

Jest to duża część procesu. Zacznij od zbadania źródeł danych i wymienienia, co jest dostępne, a co nie (ale jest koniecznością). W tym przykładzie możemy użyć danych ze spisu detalicznego Nielsena i danych z panelu detalicznego z różnymi cechami, takimi jak rozmiar sklepu, sprzedaż w sklepie, współrzędne lokalizacji sklepu itp. Następnie możemy zintegrować te dwa zestawy danych, aby uzyskać szereg znaczących cech.

Jednak wiemy również, gdzie nasze zestawy danych są niewystarczające. W takim przypadku możemy stwierdzić, że istnieje spory obszar poza naszym zasięgiem detalicznym. W rezultacie możemy nie mieć pewnych informacji, takich jak liczba ludności, liczba banków, która może wskazywać na dobrobyt, oraz innych danych. Musimy więc określić inne źródła, takie jak spisy ludności, aby uzyskać te cechy.

Te zestawy danych są następnie łączone i przepuszczane przez model regresji wielokrotnej, który identyfikuje możliwości dla każdego obszaru/lokalu.

Aby zapewnić dokładność przewidywań, prawdopodobnie konieczne jest wykonanie kilku iteracji. Wreszcie, dane te mogą być połączone z danymi klienta lub danymi o dystrybucji pierwszej strony.

Powiązanie wyników z rezultatami

Ostatnim krokiem jest powiązanie ze sobą wszystkich wyników zestawów działań.

W tym przykładzie jesteśmy w stanie wykorzystać te dane do wyznaczenia obszarów/bloków, które dają największe możliwości i mogą być realnie obsługiwane przez istniejącą sieć dystrybucji przy niewielkim zwiększeniu jej promienia i utworzeniu kilku subdystrybutorów w rozwijających się klastrach.

W tym przykładzie jesteśmy w stanie połączyć wiele zestawów danych, aby dostarczyć proste rozwiązanie, które nakreśla jasne rozwiązanie dużego, ambitnego celu. To pokazuje, że nie zawsze opłaca się zaczynać od stwierdzenia problemu, ale raczej od pozytywnego, ambitnego celu.

Więc następnym razem, gdy zaczniesz z nowym projektem, daj temu procesowi szansę i zacznij od ambitnego celu i kreatywnego myślenia.

Kontynuuj przeglądanie podobnych spostrzeżeń