Δείτε τις καλύτερες πρακτικές που πρέπει να ακολουθήσουν οι εταιρείες για να επωφεληθούν πραγματικά απο την ανάλυση των δεδομένων τους

Γράφει ο Μιχάλης Τυρίμος

Η Μargera είναι μια εταιρεία που ειδικεύεται σε όλο το φάσμα της ανάλυσης και επεξεργασίας δεδομένων - απο data warehousing, engineering, analytics μέχρι και στο χτίσιμο μοντέλων machine learning. Εξυπηρετεί διεθνείς πελάτες όπως την Philip Morris International (σε 6 χώρες), Publicis Groupe (στο ΗΒ), Eurobank, Aegean, και Piraeus Bank, μεταξύ άλλων.

Στο επεισόδιο 19 του Future Talks, είχαμε μαζί μας τον Γεράσιμο Νικολόπουλο ιδρυτή της Margera ο οποίος έχει μακρά πείρα στον τομέα του programmatic marketing και analytics, συμπεριλαμβανομένου και με εταιρείες όπως η Google και η Coca Cola. Τον ρωτήσαμε λοιπόν ποιές είναι οι καλύτερες πρακτικές που πρέπει να ακολουθήσουν οι εταιρείες για να επωφεληθούν πραγματικά απο την ανάλυση των δεδομένων τους.

1. Συνεχής και μετρήσιμη δοκιμασία. Ο πρώτος παράγοντας είναι το A/B testing, όπου οι εταιρείες μετρούν την διάδραση του πελάτη με το προϊόν ή το περιβάλλον τους. Ένα καλό παράδειγμα, είναι όταν πριν απο μερικά χρόνια ο επικεφαλής για Growth & Analytics του Facebook δήλωσε πως αλλάζοντας ένα κείμενο στην σελίδα του τότε Facebook Ads Manager, αύξησε τις πωλήσεις τους. Πως το επιτυγχάνουμε αυτό; 1. Με την εγκατάσταση των σωστών υποδομών για analytics και funneling,  2. Συνεχή πειραματισμό με νέες δυνατότητες (προγραμματιστικές ή και σχεδιαστικές),  3. Με την συνεχή μέτρηση και ανάλυση των δεδομένων που συλλέχθηκαν και  4. Με την προσαρμογή/αλλαγή του προϊόντος μας βάση των συμπερασμάτων μας. Επιστρέφοντας στο παράδειγμα του Facebook: έκαναν την αλλαγή στο κείμενο, μέτρησαν αύξηση, προσαρμόστηκαν κρατώντας το νέο κείμενο.

2. Μάθε να περπατάς πριν τρέχεις. Αρκετές εταιρείες ενθουσιάζονται απο buzz terms όπως AI, machine learning κτλ. “BI before AI” μας δηλώνει ο Γεράσιμος, “Business Intelligence πριν απο το Artificial Intelligence”. Mε τον όρο business intelligence εννοούμε τις στρατηγικές και τεχνολογίες που χρησιμοποιούν οι επιχειρήσεις για την ανάλυση δεδομένων και επιχειρηματικών πληροφοριών. Έτσι μια εταιρεία πρέπει να βάλει πρώτα τις σωστές βάσεις, κάνοντας data warehousing, επικαιροποίηση και σωστή δόμηση των δεδομένων της, πριν επενδύσει σε τεχνητή νοημοσύνη. Ο λόγος; Τα μοντέλα του machine learning, εκπαιδεύονται και εξελίσσονται με βάση τα υφιστάμενα δεδομένα και την χρήση τους. Αν τα δεδομένα δεν υπάρχουν ή δεν είναι σωστά δομημένα, δεν θα είναι μετρήσιμα. Έτσι η επένδυση σας θα πάει
χαμένη.

3. Πρακτικότητα. Τέλος, επικεντρωθείτε στα πρακτικά αποτελέσματα και βάλτε στόχους / βασικούς δείκτες αποδοτικότητας (KPI). Για παράδειγμα, αν αυτοματοποιήσουμε μια διαδικασία με machine learning, πόσα έξοδα μπορεί να μας γλιτώσει; Αν δεν υπάρχει ROI (return on investment), τότε η επένδυση δεν αξίζει.

Μπορείτε να παρακολουθήσετε όλο το επεισόδιο 19 του Future Talks, πατώντας εδώ.

*To Future Talks είναι νέα εβδομαδιαία εκπομπή στο Digital, με τον Μιχάλη Τυρίμο, που επικεντρώνεται σε θέματα καινοτομίας, startups και επενδύσεων. Προβάλλεται κάθε Τρίτη στις 18:30. Την εκπομπή φέρνει κοντά σας το 1ο δίκτυο 5G από τη Cytamobile Vodafone.