6 façons de Enrich Vos données d'entreprise

Mots-clés: Données Enrichment

Chaque organisation reconnaît la valeur de ses données. Il est essentiel que les utilisateurs finaux aient confiance dans les données de leur organisation pour prendre des décisions commerciales. Un moyen fondamental d'ajouter de la valeur à vos données consiste à utiliser les données enrichment.

Données enrichment améliore et augmente l'ensemble de données en introduisant de nouveaux attributs. Par exemple, en utilisant les codes postaux/ZIP, vous pouvez améliorer les données d'adresse principales en incorporant des informations démographiques concernant le statut socio-économique (taille du ménage, revenu moyen et caractéristiques de la population).

Voici quelques résultats de recherche importants qui soulignent l'importance des expériences client personnalisées :

• 66% de clients attendent des marques qu'elles comprennent leurs besoins et leurs préférences uniques.
• 52% de clients souhaitent que toutes les offres des marques soient adaptées à leurs besoins spécifiques.
• 54% de clients déclarent être susceptibles de parcourir les articles en magasin et de les acheter en ligne (ou vice-versa), tandis que 53 % des marques investissent dans des stratégies omnicanales pour s'adapter à cette tendance.

Qu'est-ce que les données Enrichment ?

Les informations client peuvent provenir de diverses sources. Il peut être obtenu directement auprès des prospects en leur faisant remplir un formulaire pour acquérir un livre blanc, demander une présentation d'un produit ou planifier un rendez-vous avec un commercial ou auprès de plateforme pour les journalistes aussi. De plus, ces informations peuvent être obtenues à partir d'un logiciel de surveillance des données qui surveille les utilisateurs engagement sur vos propres propriétés (comme Google Analytics, Happierleads, Mixpanel, etc.). De plus, il existe un concept connu sous le nom de données tierces. 

Les données tierces sont des informations sur les visiteurs du site Web, les clients et les prospects provenant de leurs interactions avec des propriétés numériques et hors ligne externes. Par exemple, certaines données de tiers enrichles services de placement compareraient les données de LinkedIn avec les données de suivi Web pour "enrich” données utilisateur et mieux comprendre le trafic de notre site Web.

 

Façons de Enrich Vos données d'entreprise

Il y a plusieurs façons de enrich vos données commerciales, ce qui peut vous aider à mieux comprendre vos clients et à améliorer les processus de prise de décision. Dans cet article, nous discuterons de six façons courantes dont les données peuvent être enrichéd :

• Incorporer des données
• Approche de segmentation des données
• Caractéristiques dérivées
• Imputation de données
• Extraction d'entité
• Classification des données

Incorporer des données

En améliorant votre ensemble de données grâce à l'intégration de données, vous pouvez fusionner des informations provenant de plusieurs sources pour créer un ensemble de données plus complet, précis et uniforme que n'importe quelle source individuelle pourrait fournir. Par exemple, collecter les détails des clients à partir de votre CRM, de votre système financier et de vos plates-formes marketing, puis les combiner vous offrira une meilleure compréhension de vos clients par rapport à un système unique.

Intégrer des données comme méthode de enrichCela implique également l'acquisition d'informations tierces, telles que des données démographiques ou spatiales basées sur des codes postaux, et leur intégration dans votre ensemble de données existant. D'autres exemples précieux incluent les données météorologiques, les données de trafic et les taux de change.

Approche de segmentation des données

La segmentation des données est une technique qui catégorise les entités de données (par exemple, les clients, les produits ou les emplacements) en groupes basés sur des caractéristiques communes définies par des variables spécifiques (par exemple, l'âge, le sexe et le revenu des clients). Cette segmentation permet une meilleure organisation et compréhension du sujet. Voici quelques exemples de segmentation de clientèle :

• Segmentation démographique - Cela implique l'âge, le sexe, la profession, l'état civil, les revenus, etc.
• Segmentation géographique - Il est classé par pays, état ou ville.
• Segmentation Technographique – Il est basé sur des appareils, des logiciels et des technologies de préférence.
• Segmentation psychographique – Cela dépend des croyances, des attitudes et des valeurs d'une personne.
• Segmentation comportementale - Il se concentre sur le comportement ou son absence, les habitudes de dépenses, l'utilisation des fonctionnalités, la régularité de la navigation, l'historique des recherches, la valeur des commandes, etc.

Ces classifications peuvent donner lieu à des groupes de clients tels que les Trend Setters et les Tree Changers. En utilisant des champs calculés dans un processus d'extraction, de transformation et de chargement (ETL) ou une couche de métadonnées, vous pouvez développer votre propre segmentation en fonction de vos attributs de données disponibles.

Caractéristiques dérivées

Les entités dérivées sont des champs de données qui ne sont pas présents dans le jeu de données d'origine mais qui peuvent être obtenus à partir d'un ou plusieurs champs existants. Par exemple, 'Age' n'est guère stocké directement, mais il peut être calculé à partir d'un champ contenant une date de naissance. Les caractéristiques dérivées sont avantageuses car elles contiennent souvent une logique pertinente pour l'analyse. 

En les générant dans un processus ETL ou au niveau de la couche de métadonnées, vous pouvez accélérer la création de nouvelles évaluations tout en préservant la précision et la cohérence des mesures utilisées.

Des exemples courants de fonctionnalités dérivées impliquent :

• Champ de compteur – utilise un identifiant unique pour chaque ensemble de données, permettant des agrégations faciles.
• Conversions de date et d'heure – extraire les champs de date tels que les jours de la semaine, les mois, les trimestres, etc.
• Temps – calculer un temps écoulé, comme les temps de réponse des tickets.
• Comptes dimensionnels – créer de nouveaux champs de compteur pour des zones spécifiques en comptant les valeurs dans un champ, comme le nombre d'infractions liées aux stupéfiants, d'infractions liées aux armes ou d'autres crimes. Cela facilite l'analyse comparative au niveau du rapport.
• Classifications de niveau supérieur – dériver des catégories de produits à partir de produits ou de groupes d'âges.
  

Vous pouvez dériver des fonctionnalités avancées de vos données à l'aide de modèles de science des données, par exemple, le risque de désabonnement ou la propension à dépenser. En incorporant Happierleads dans votre stratégie de génération de fonctionnalités dérivées, vous pouvez enrich vos ensembles de données avec des informations précieuses sur le potentiel leads et leurs entreprises, telles que le chiffre d'affaires, la taille et les coordonnées du personnel clé.

Imputation de données

Un processus d'imputation de données consiste à substituer des valeurs aux données manquantes ou incohérentes dans un champ. L'analyse des données devient plus précise lorsque la valeur estimée est utilisée au lieu de prendre la valeur manquante comme zéro, ce qui pourrait fausser les agrégations. 

Par exemple, vous pouvez estimer la valeur d'une commande en fonction des commandes précédentes du client ou du lot de produits spécifique. De plus, en intégrant des outils puissants comme Happierleads dans vos efforts d'imputation de données peut améliorer considérablement vos capacités de génération de prospects et vous aider à garder une longueur d'avance dans le paysage concurrentiel.

Extraction d'entité

L'extraction d'entités consiste à convertir des données non structurées ou semi-structurées en données structurées significatives. Une personne, un lieu, une organisation, un concept et une expression numérique et temporelle peuvent tous être identifiés grâce à l'extraction d'entités (dates, heures, montants en devises, numéros de téléphone, durées et fréquences). Par exemple, grâce à l'analyse des données, vous pouvez extraire le nom d'une personne d'une adresse e-mail, le domaine Web de l'organisation auquel elle appartient, ou séparer les noms, adresses et autres éléments de données en composants distincts à partir d'une adresse de type enveloppe.

De plus, les organisations peuvent avoir besoin d'accéder à des sources de données distantes non disponibles sur l'Internet public pour extraire des données. Ces sources de données peuvent se trouver derrière des pare-feu ou d'autres mesures de sécurité qui empêchent l'accès en dehors du réseau de l'organisation. Dans de tels cas, un VPN peut être utilisé pour créer une connexion sécurisée et cryptée entre le réseau de l'organisation et la source de données distante. Cela permet à l'organisation d'accéder à la source de données comme si elle se trouvait sur son propre réseau sans avoir besoin de solutions de contournement complexes et potentiellement non sécurisées.

Classification des données

La catégorisation des données consiste à étiqueter les données non structurées et à les transformer en données structurées pouvant être analysées. Ce processus se divise en deux catégories principales :

• Analyse des sentiments – extraire les émotions et les sentiments du texte, déterminer si la rétroaction est positive, négative ou neutre.
• Sujet – identifier le sujet du message, comme la politique, le sport ou les prix de l'immobilier.

Dans les deux cas, le texte non structuré peut être analysé, ce qui permet de mieux comprendre les données.

Meilleures pratiques pour les données Enrichment

Données enrichment est rarement une procédure unique. Vous devez répéter votre enrichétapes de traitement dans un environnement d'analyse avec un afflux continu de données. La mise en œuvre de plusieurs meilleures pratiques vous permet d'atteindre les résultats souhaités et de maintenir une qualité élevée des données. Ces pratiques comprennent :

Réplication et cohérence

Chaque donnée enrichLa tentative de ment doit être reproductible et produire systématiquement les résultats souhaités. Tout processus que vous concevez doit suivre des règles, vous permettant de l'exécuter à plusieurs reprises avec l'assurance d'obtenir le même résultat à chaque fois.

Critères d'évaluation clairs

Chaque donnée enrichl'initiative de développement doit avoir des critères d'évaluation clairement définis. Vous devez confirmer l'exécution effective du processus. Par exemple, suite à l'exécution d'un processus, vous pouvez comparer les résultats récents avec ceux des tâches précédentes pour vous assurer que les résultats répondent aux attentes.

Évolutivité

Données enrichLes tâches de gestion doivent être évolutives en termes de ressources, de temps et de coût. Au fur et à mesure que vos données se développent ou que vous ajoutez des processus à vos responsabilités de transformation, tout processus que vous développez doit être maintenable. Par exemple, l'automatisation des processus avec une infrastructure évolutive peut vous aider à traiter plus rapidement de grandes quantités de données.

état complet

Chaque donnée enrichLa tâche de mentation doit être approfondie par rapport aux données sources et produire des résultats avec des traits reconnaissables. Cela signifie que vous avez pris en compte tous les résultats potentiels, même les résultats « inconnus », pour tout résultat prévu. En étant minutieux, assurez-vous que les nouveaux rendements d'entrée sont valides enrichment sortie de manière cohérente.

Généralité

Données enrichLes tâches de gestion doivent être pertinentes pour une grande variété d'ensembles de données. Par conséquent, vous devriez être en mesure de transférer les procédures que vous développez vers divers ensembles de données, ce qui vous permet d'utiliser la logique pour plusieurs tâches. Vous devez appliquer l'extraction uniforme du jour de la semaine à tous les champs de date. Cette méthode assure la cohérence des résultats et préserve les conventions de données entre les sujets.

Conclusion

Données enrichest un processus essentiel qui permet aux entreprises d'optimiser leurs ensembles de données et d'obtenir des informations précieuses sur leur clientèle et leur marché cible. En adoptant diverses techniques telles que l'incorporation de données provenant de plusieurs sources, la segmentation des entités de données en fonction de caractéristiques partagées, la dérivation de caractéristiques à partir de champs existants, l'imputation de données manquantes ou incohérentes, l'extraction d'entités pertinentes et la classification de données non structurées, les entreprises peuvent créer des expériences client ciblées et individualisées qui conduire à une satisfaction et une fidélité accrues.

À mesure que le paysage numérique évolue, précis et enriches données deviennent de plus en plus cruciales pour prendre des décisions éclairées et conserver un avantage concurrentiel. En exploitant les données enrichoutils de gestion, les entreprises peuvent améliorer leur compréhension des clients et identifier les tendances, les modèles et les opportunités pour stimuler la croissance et le succès. Si vous cherchez un moyen d'améliorer votre stratégie de vente et de marketing B2B, envisagez d'utiliser Happierleads pour les données enrichaujourd'hui !