I 24 termini relativi ai dati di marketing più comunemente fraintesi

Immagina di essere un esperto di marketing che sta pianificando una campagna di win-back e di chiedere al team dei dati un elenco di “clienti inattivi”. Ti aspetti persone che non acquistano nulla da 90 giorni. L'elenco che ricevi, invece, si basa sugli utenti che non aprono l'app da 30 giorni, perché è così che “inattivo” è definito nei dati. 

Oppure chiedi aggiornamenti del pubblico in “tempo reale” per evitare di inviare un messaggio del tipo “ci manchi” a qualcuno che ha appena effettuato un ordine. Ti immagini un elenco che si aggiorna ogni 15 minuti. Il team dei dati, invece, intende “aggiornamenti in pochi secondi” e si presenta con domande su nuove infrastrutture, costi correnti e tempistiche più lunghe.

Queste differenze influiscono su ciò che viene creato, sul costo e su quando il marketing può utilizzarlo. Accordarsi fin da subito su cosa si intende per “cliente”, su cosa rende pronto un pubblico e su quanto debba essere recente un segnale può evitare che i malintesi si trasformino in un lavoro da rifare per la campagna.

Questa guida illustra 24 termini che il marketing e la data engineering spesso interpretano in modo diverso, organizzati intorno a cinque domande pratiche sull'esecuzione delle campagne. Utilizza queste definizioni accoppiate come spunto di conversazione: fai emergere le ipotesi di partenza, chiarisci le esigenze di ciascuna parte e concorda i significati più adatti alla tua attività prima di iniziare il lavoro.

Scarica qui la guida stampabile in formato PDF con tutti i 24 termini.

1. Da dove provengono i dati della campagna?

Le informazioni in uno strumento di marketing possono dipendere da diversi sistemi e passaggi di elaborazione. Comprendere questo percorso ti aiuta a spiegare ciò di cui hai bisogno e a capire dove apportare una modifica. Ad esempio, prendiamo un campo chiamato “data dell'ultimo acquisto”. Prima di usarlo per identificare i clienti persi, concordate se include gli ordini annullati e quale sistema fornisce tale data.

Concordate su: Da dove proviene il valore, cosa include e chi lo gestisce.

2. Chi rappresenta un record cliente?

L'identità del cliente determina chi viene incluso, escluso o, peggio ancora, contato due volte. Inizia stabilendo cosa rappresenta un singolo record e come il team decide che due record appartengono alla stessa entità.

La conoscenza che il marketing ha della relazione con il cliente aiuta l'engineering a prendere decisioni migliori sull'identità. Nell'esempio del win-back, una persona e un nucleo familiare sono entrambi modi utili per organizzare i dati dei clienti. La campagna richiede una scelta esplicita tra i due. Una vista sul nucleo familiare potrebbe essere adatta per un'offerta limitata a una per abitazione. Una vista sulla persona potrebbe essere adatta per un vantaggio fedeltà individuale.

Una base di dati condivisa consente ai team di mantenere viste con nomi chiari per tali scopi e di riutilizzare quella appropriata. Ognuna ha bisogno di un significato documentato, degli identificatori utilizzati per collegare i record e di un proprietario per le regole di corrispondenza.

Concordate su: Se la campagna si rivolge a una persona, a un account, a un nucleo familiare o a un dispositivo, e come vengono associati i relativi record.

3. Cosa rende un pubblico pronto per l'attivazione?

Un pubblico attraversa diversi stati: le regole che lo definiscono, i record idonei e i record che una destinazione può utilizzare. Ciascuno stato risponde a una domanda diversa sulla prontezza della campagna.

Supponiamo che 50.000 persone corrispondano a un segmento, ma la piattaforma e-mail accetti solo 47.000 di questi record. In questo esempio, la differenza potrebbe riflettere identificatori di destinazione mancanti, record rifiutati o esclusioni applicate durante l'invio. Il team deve tenere conto di questa differenza prima di decidere che il pubblico è pronto.

Mantenere identificabili la definizione, i membri valutati e il risultato della consegna semplifica le cose. Il marketing può verificare se le regole riflettono il pubblico desiderato. L'engineering può verificare se i record corretti hanno raggiunto la destinazione. Entrambi possono distinguere le esclusioni previste da un problema da risolvere.

La stessa precisione aiuta con le previsioni. Se la campagna richiede un punteggio di propensione, assegna un nome alla previsione e a ciò che deve stimare. In questo modo il team avrà qualcosa di più specifico da creare e convalidare rispetto a un generico “modello”.

Concordate su: Le regole di selezione del pubblico, la previsione o l'attributo richiesto e il modo in cui verrà convalidata la consegna.

4. Quando i dati sono abbastanza aggiornati?

L'aggiornamento dei dati dipende dalla decisione del cliente che stai cercando di prendere. Una singola campagna può avere diversi requisiti di tempistica, anche quando i dati provengono da un'unica piattaforma.

Considera un punteggio di churn calcolato ogni notte e inviato a uno strumento di engagement ogni 15 minuti. Un invio più frequente non rende la previsione vecchia di 15 minuti. Si basa comunque sul calcolo notturno.

Ora aggiungi un cliente che effettua un acquisto stamattina. La campagna potrebbe dover rimuovere quella persona da un pubblico di win-back prima dell'invio successivo, mentre il punteggio di churn può attendere il calcolo programmato successivo. Si tratta di requisiti distinti con conseguenze diverse per il cliente.

Per rendere significativo l'aggiornamento dei dati, identifica l'inizio e la fine del ritardo: dall'acquisto alla sua disponibilità nella piattaforma dati, da tale disponibilità a una variazione dell'appartenenza a un segmento, o da tale variazione al momento in cui la destinazione è in grado di agire di conseguenza.

Queste distinzioni aiutano il team a investire nella velocità laddove questa trasforma l'esperienza. Offrono inoltre al marketing un modo migliore per descrivere un problema rispetto a dire che l'intera campagna deve essere in "real time".

Trovate un accordo su: quale evento del cliente avvia il timer, dove devono essere utilizzabili i dati aggiornati e il ritardo accettabile.

5. Chi è responsabile quando i dati vengono utilizzati?

Ottenere l'accesso ai dati dei clienti solleva domande sul loro significato, sull'uso consentito e sulla proprietà continua. Tali responsabilità continuano anche quando un pubblico lascia la piattaforma dati.

In pratica, la governance copre anche la qualità dei dati, la proprietà e l'uso appropriato. Un utile punto di partenza consiste nell'identificare la fonte designata per ciascuna decisione. Il sistema che stabilisce l'identità del cliente può differire da quello che registra una preferenza di canale o calcola i ricavi.

Quindi segui i dati fino alla loro destinazione. Un pubblico idoneo al momento dell'esportazione potrebbe richiedere un'esclusione aggiornata prima di un invio successivo. Una copia salvata può sopravvivere alla campagna che l'ha creata. I team devono sapere in che modo le modifiche raggiungono la destinazione e chi è responsabile del lavoro quando ciò non avviene.

Databricks CustomerLake, la CDP agentica, porta le funzionalità della piattaforma dati dei clienti in modo nativo in Databricks e nella sua base di governance. Lavorare a partire da questa base condivisa offre ai team di marketing e dei dati uno spazio in cui condividere un contesto cliente affidabile. 

Trovate un accordo su: la fonte autorevole per ciascuna decisione, l'uso consentito e il responsabile degli aggiornamenti a destinazione.

Piano d'azione: rendi utile un accordo oltre una singola campagna

Per i team che sviluppano su Databricks, il passo successivo consiste nel rendere riutilizzabili questi accordi critici. I team possono documentare le definizioni aziendali in Unity Catalog, quindi renderle individuabili per l'analisi in Genie, per la creazione di segmenti di pubblico in CustomerLake o nello sviluppo di modelli di ML. Ogni nuova campagna può basarsi su definizioni che il marketing e la data engineering hanno già concordato e messo in pratica.

Scegli un termine che ha causato confusione in una campagna recente. Analizza un esempio di cliente con il tuo team di dati, quindi registra la decisione in modo che la persona successiva che utilizzerà i dati possa trovarla.

Per "cliente", ciò significa definire cosa rappresenta un record e gli identificatori che vi si celano dietro. Per "data dell'ultimo acquisto", significa documentare quali transazioni contano. Per "pubblico pronto", significa concordare cosa deve essere verificato prima del lancio.

Collega il significato concordato al dataset o al flusso di lavoro che lo implementa e identifica chi dovrebbe essere coinvolto in caso di modifiche. La documentazione e l'implementazione devono evolversi insieme.

Questo diventa particolarmente utile quando i professionisti del marketing chiedono a strumenti in linguaggio naturale e agenti di AI di lavorare con i dati dei clienti. "Trova i nostri clienti inattivi di maggior valore" lascia ancora spazio a interpretazioni su valore, inattività, identità e autorizzazione. Senza istruzioni esplicite, l'AI prenderà le proprie decisioni, ma una decisione diversa ogni volta. Fornire agli strumenti di AI definizioni aziendali e contesti espliciti produrrà risultati migliori e più coerenti.

Un test utile consiste nel verificare se chi si unisce alla campagna successiva sia in grado di comprendere la decisione senza dover rintracciare le persone che hanno partecipato alla riunione originale. In caso affermativo, il team ha creato qualcosa che può riutilizzare.

Informazioni su questa serie

Aiutare i marketer a dialogare con la data engineering è una serie in sei parti sviluppata in collaborazione con Matthew Niederberger di MartechTherapy. Le 24 definizioni contenute in questo articolo sono riprodotte dalla sua guida prodotta in modo indipendente, sponsorizzata da Databricks. 

Leggi l'articolo originale di Matthew, Same word, different meaning, per conoscere la sua prospettiva e ottenere il riferimento stampabile da portare alla tua prossima riunione.

Prossimamente nella serie: Come scrivere una richiesta di dati su cui qualcuno possa agire.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale