Das Data Maturity Model – Was ist das?

Wenn Sie dies lesen, wissen Sie wahrscheinlich ein oder zwei Dinge über Daten. Daten sind eine der am schnellsten wachsenden Ressourcen unserer Welt, mit geschätzten 2,5 Trillionen Bytes, die jeden Tag erstellt werden. Es scheint, dass über 90 % der heute vorhandenen Daten in den letzten fünf Jahren erstellt wurden.

Menschen machen Fehler. Wir machen Tatsachen- und Beurteilungsfehler. Wir haben blinde Flecken in unserem Blickfeld und Lücken in unserem Aufmerksamkeitsstrom. Manchmal können wir nicht einmal die einfachsten Fragen beantworten. Wo war ich letzte Woche um diese Zeit? Seit wann habe ich diese Knieschmerzen? Wie viel Geld gebe ich normalerweise an einem Tag aus? Diese Schwächen benachteiligen uns. Wir treffen Entscheidungen mit Teilinformationen. Wir sind gezwungen, durch Vermutungen zu steuern. Wir gehen mit unserem Bauchgefühl.

Das heißt, einige von uns tun es. Andere nutzen Daten.

Was ist also das Datenreifemodell?

Das Datenreifemodell ist einfach ausgedrückt ein Fahrplan von Punkt A nach Punkt B mit dazwischen liegenden Meilensteinen, um einen Rahmen bereitzustellen, der Organisationen dabei hilft, ihre Datenverwaltungspraktiken zu verstehen und zu verbessern. Es wurde entwickelt, um Organisationen dabei zu helfen, ihren aktuellen Stand der Datenverwaltung zu beurteilen und Bereiche für Verbesserungen zu identifizieren.

In den letzten 5 Jahren hat sich mit der Zunahme der produzierten Datenmenge auch unsere Fähigkeit zur Verarbeitung und Extraktion von Informationen aus diesen Daten erhöht. Mit dieser Fähigkeit hat sich die Kluft zwischen Punkt A und Punkt B weiter vergrößert, da Unternehmen anspruchsvolle Datenanwendungsfälle erstellen, um ihre Geschäftsanforderungen besser zu unterstützen. Mit dem Vorsprung von Daten gegenüber seinen Konkurrenten ist eine Datenstrategie kein Vielleicht mehr, sondern ein Muss.

Das Framework wird normalerweise grob in 4 oder 5 große Kategorien eingeteilt, um dieses Modell zu verallgemeinern.

Wie sehen die wichtigsten Meilensteine ​​auf dem Weg vom Data Awareness zum Data Pioneer aus?

Datenbewusst:

1. Ermächtigen Sie die richtigen Personen, Ihre Datenreise zu unterstützen – Stellen Sie in dieser Phase der Breite der Fähigkeiten und Erfahrungen Vorrang vor engem Fachwissen. Während Sie mit zunehmender Reife Ihres Unternehmens möglicherweise einen Datenspezialisten benötigen, ist in dieser Phase ein Datengeneralist wichtiger
2. Geben Sie Ihre Daten aus Paketlösungen wie Google Analytics frei, die keine Kennzahlen unter der Haube liefern, sondern Ihre Daten über breite Kategorien hinweg aggregieren. Durch die Übertragung Ihrer rohen, nicht meinungsbezogenen Daten auf eine andere Plattform haben Sie mehr Flexibilität bei der Bearbeitung von Daten.

1. Definieren Sie das übergeordnete Ziel Ihrer Data Journey. Vielleicht möchten Sie ein internes Team stärken oder ein Datenprodukt für die externe Nutzung erstellen. Richten Sie Ihre Datenziele an Ihren Geschäftszielen aus und planen Sie, wie Sie diese erreichen
2. Erkundung des Wechsels zu einem modularen Datenstapel. Verständnis der Einschränkungen von gepackten Analyseplattformen und wie der Aufbau eines benutzerdefinierten Datenstapels diese überwinden würde.
3. Denken Sie an Data Governance, da diese mit zunehmender Reife Ihrer Daten immer wichtiger wird. Dadurch soll sichergestellt werden, dass die Daten in Ihrer gesamten Organisation verstanden und vertrauenswürdig sind und dass sie korrekt, vollständig und konform sind.
4. Legen Sie den Grundstein für First-Party-Datenerfassung, anonymes oder cookieloses Tracking, das wiederum auch Ihre Nutzer schützt.

1. Aufbau einer Single Source of Truth – Es ist wichtig, ein zentrales Datenrepository aufzubauen, das als „Gehirn“ der Organisation dient, Datensilos beseitigt, Teams vereinheitlicht und Analysten in die Lage versetzt, Daten aus einer Single Source of Truth bereitzustellen. Dies schafft Vertrauen in die Daten, mit denen die Teams arbeiten.
2. Befreien Sie sich von einer Paketlösung wie Google Analytics zugunsten eines modularen Aufbaus, der Sie auf den Fahrersitz Ihrer Daten setzt. Sie werden auch in der Lage sein, Ihre Infrastruktur um Ihr Unternehmen herum aufzubauen, nicht umgekehrt. Open-Source-Tools sind ebenfalls eine großartige Option, da sie Anbietersperren verhindern und Ihnen Flexibilität im Umgang mit Ihren Daten bieten.

1. Daten als Produkt behandeln — Jetzt, da alle Ihre internen Stakeholder ein integraler Bestandteil Ihrer Daten-Workflows sind, werden sie zu Ihren größten Stakeholdern. Erkunden Sie, was die Ziele Ihrer internen Stakeholder waren, und erstellen Sie dedizierte Datenprodukte, um sie zu erreichen
2. Beweisen Sie den Wert von Daten, indem Sie von der Visualisierung zum Geschichtenerzählen übergehen – Nutzen Sie die Kraft der Kundeneinblicke, um die Automatisierung zu stärken, wo möglich, oder nutzen Sie sie, wo zutreffend.

1. Förderung einer lebendigen Datenkultur , sodass Daten Teil der täglichen Geschäftsentscheidungen sind. In dieser Phase profitieren mehrere Teams von einer engen Beziehung zu Daten. Konzentrieren Sie sich darauf, es Datennutzern noch einfacher zu machen, Daten mit Datenkatalogen zu löschen und die Datenkompetenz zu verbessern – und investieren Sie in die Produktion von Daten, um sie allgegenwärtig zugänglich zu machen.
2. Verbessern Sie die Datenverwaltung – Nutzen Sie automatisierte Tests, um sicherzustellen, dass Tracking und Validierung wie erwartet funktionieren, bevor Sie neues Tracking bereitstellen. Dadurch wird Ihre Datenqualität weiter erhöht und die Sicherheit gewährleistet, dass Ihre Daten korrekt und vollständig sind
3. Überprüfen und überarbeiten Sie schließlich, um die Grenzen für Innovationen mit Daten kontinuierlich zu erweitern.

(Ich spreche gerne über Medien, da sich viele meiner Arbeiten, Umsetzungen und Ideen um die Medienbranche drehen.)

Medien sind eine der wettbewerbsintensivsten Branchen, Unternehmen versuchen ständig, sich einen Vorteil gegenüber ihren Konkurrenten zu verschaffen, und ein solcher Vorteil sind Daten.

Beispiele für Medienunternehmen, die datengesteuerte Entscheidungen treffen:

1. Netflix in seinem ersten großen Originalfilm, Bright, mit Will Smith in der Hauptrolle, kostete das Unternehmen 90 Millionen US-Dollar und wurde im Dezember auf der Plattform eingeführt. Der Einkauf des Filmkonzepts und die anschließende Vermarktung erfolgten vollständig über Kundendaten. Bright sah in den ersten 3 Tagen 11 Millionen Zuschauer, trotz ausgesprochen schlechter Kritiken von Bewertungsseiten wie Rotten Tomatoes. Letztendlich war Netflix in der Lage, das Drehbuch für das Blockbuster-Filmemachen mithilfe von Daten neu zu schreiben.
2. Readerscope , eine von der New York Times entwickelte Lösung, kann als Inhaltsstrategie-Tool verwendet werden, um kreative Ideen für Markeninhalte oder Kampagnen zu entwickeln, indem das Zielgruppensegment einer Marke (z. B. Millennial-Frauen) durchsucht wird, um zu verstehen, was sie lesen, entweder als Themen oder als repräsentative Artikel, die diese Themen veranschaulichen. Es kann Marken auch dabei helfen, das richtige Publikum oder die richtige Region für eine bestimmte Botschaft zu finden, indem sie nach einem Thema suchen (z. B. Menschenrechte, Philanthropie oder Reisen ) und sehen, welche Zielgruppensegmente das Interesse an diesem Thema übersteigen. Die Themen werden algorithmisch aus dem Artikelarchiv der New York Times unter Verwendung modernster natürlicher Sprachverarbeitung gelernt, und alle Lesersegmente können mit Medien auf NYTimes.com angesprochen werden.