10 Erros analíticos comuns

Recolha, análise e tomada de decisões a partir de dados é o coração da análise de clientes. Mas se você é novo para a análise de dados ou que tenham sido fazê-lo quando, dez erros comuns pode afetar a qualidade de seus resultados. Você deve estar atento para eles. Eles seguem, e algumas idéias sobre como evitá-los estão incluídos também.

Video: 10 "erros" de gramática mais comuns em inglês | English in Brazil

Otimizando volta a métrica errada

existem métricas para praticamente qualquer coisa em uma organização e, muito provavelmente, são recolhidas por uma boa razão. Certifique-se a métrica que você deseja otimizar vai conseguir não apenas seus objetivos, mas também metas de seus clientes.

Video: Erros Comuns em Matemática Básica

Se as companhias aéreas otimizar perto da partida on-tempo, em vez de chegada no tempo, um avião que se afasta da porta e senta-se na pista é um sucesso métrica mesmo que os clientes se sintam a experiência é decepcionante como eles chegam ao seu destino uma hora de atraso .

Se você otimizar em torno do número de chamadas atendidas em uma hora em um call center, você está colocando quantidade sobre a qualidade. Enquanto os clientes geralmente querem obter resolução rapidamente, são as suas questões a ser devidamente tratados?

Certifique-se de suas métricas são significativos para o seu cliente e que otimizar essas métricas contribui para uma experiência melhor.

Confiar demais em dados comportamentais ou atitudinais

transações dos clientes de mineração pode revelar uma série de padrões em coisas como quais produtos os clientes compram em conjunto ou o tempo médio entre as compras. Mas esses dados comportamentais não necessariamente ajudá-lo a compreender as atitudes e motivações por trás por que os clientes compram coisas juntos. Estes dados de atitude pode ser mais facilmente recolhidas através de inquéritos ou outros métodos de pedir aos clientes.

Não ter um tamanho de amostra grande o suficiente

Se você estiver olhando para detectar pequenas diferenças de métricas, como taxas de conversão ou as atitudes do cliente, e você está medindo uma amostra de clientes ou dados, verifique se o tamanho da amostra é grande o suficiente para detectar essa diferença. Use as tabelas de tamanho de exemplo neste livro ou consultar um estatístico para saber o tamanho da amostra que você precisa antes do tempo.

Um monte de custo e esforço são desperdiçados na procura de diferenças muito pequenas nas atitudes dos clientes, tais como a satisfação, a percepção de usabilidade, ou probabilidade de recomendar depois de fazer mudanças muito pequenas para produtos ou sites com muito pequeno de um tamanho da amostra.

Eyeballing dados e padrões

Eyeballing estatísticas é a tendência de pensar que você pode detectar padrões de dados, examinando-lo sem quaisquer estatísticas. Para grandes padrões, você pode ver estes facilmente, sem quaisquer cálculos, mas esses tipos de padrões óbvios raramente aparecem. Para minimizar a chance de que você está sendo enganado por acaso em dados, estatísticas de uso e cálculos matemáticos para diferenciar a notícia do barulho.

significância estatística confuso com o significado prático

Com um tamanho de amostra grande, você vai ser capaz de detectar diferenças muito pequenas e padrões que são estatisticamente significativos. A significância estatística apenas significa que o padrão ou diferença não é devido ao ruído aleatório em seus dados. Mas isso não significa que o que é detectado terá muita importância prática.

programas Analytics bandeira diferentes padrões e diferenças, mas você precisa para determinar se uma diferença de 1% nas taxas de conversão resultados terão um impacto importante ou insignificante. Isso depende do contexto, mas significa que você precisa para exercer um julgamento e não seguir cegamente o software.

Não pense imediatamente todos os resultados estatisticamente significativa é significativa. Pense nas implicações de negócios do resultado com cuidado.

Video: 10 "erros" de pronúncia dos brasileiros ao falar inglês #2

Não ter uma equipe interdisciplinar

Se você tem um PhD estatísticas mastigando números em seu porão empresa, pode gerar o insights- certo, mas se de vendas, marketing, atendimento, ou equipes de produto não estão envolvidos, que vai ser difícil de obter buy-in e implementar as idéias . Encontrar as pessoas certas e as equipes envolvidas na sua iniciativa de início e procurar ter habilidades complementares, incluindo matemática, software, negócios, marketing e experiência do produto.

Não limpeza de seus dados em primeiro lugar

Garbage in, garbage out (GIGO) é uma frase comum viciados dados gostam de usar para explicar que os dados que tem problemas antes A análise terá problemas depois de análise. Isso pode ser qualquer coisa de dados incompatíveis extraídos de bancos de dados (nomes de clientes não correspondem transações) ou os valores em falta.

Se os dados é ruim entrar, você terá idéias ruins saindo. Antes de executar qualquer análise, fazer uma verificação de qualidade em seus dados selecionando uma amostra de dados e auditoria lo para a qualidade. Corroborá-la com outras fontes para verificar a sua precisão.

dados formatados incorretamente

Quando você analisar seus dados, pelo menos, metade do esforço é gasto formatar os dados para que o seu software pode analisá-lo corretamente. Isso muitas vezes envolve a desagregação e obter transações de clientes ou dados de pesquisa em linhas e colunas.

Poupar na formatação adequada geralmente significa um monte de retrabalho mais tarde, por isso não deixe os seus dados são formatado corretamente - e precoce.

Não ter questões de investigação claras para responder

Às vezes é bom ter uma expedição de pesca e examinar padrões nos dados. Mas não pare com a pesca expedition- usar o que você encontra para formar hipóteses sobre o comportamento do cliente e procurar para confirmar, refinar ou rejeitar estas hipóteses com dados adicionais.

À espera de dados perfeito

Cada conjunto de dados tende a ter algum problema de algum tipo. Alguns são menores, como alguns outros Fields em falta são grandes, com muitos campos em falta e dados incompatíveis. Para dados da pesquisa, há sempre parece ser uma preocupação sobre como foi feito uma pergunta e a quem foi perguntado.

Dito isto, esperamos alguma imperfeição em todos os seus conjuntos de dados e pesquisas. Mas não deixe que você parar de trabalhar com o que você tem. Basta ser cauteloso sobre sua interpretação.