¿La mala calidad de los datos socava su inteligencia artificial de marketing?

El potencial del marketing para generar resultados depende de la calidad de los datos, pero la precisión, coherencia y validez de los datos siguen siendo un desafío para muchas organizaciones. La calidad inconsistente de los datos impide que los equipos de marketing conviertan clientes potenciales en ventas, realicen un seguimiento preciso del rendimiento de la campaña y aborden los mayores desafíos de optimizar la combinación de productos y la previsión de ingresos de productos / servicios.

Las últimas herramientas de análisis, marketing basado en cuentas (ABM), CRM, automatización de marketing y puntuación de clientes potenciales proporcionan captura y análisis de datos en tiempo real. La forma en que las herramientas garantizan una calidad de datos constante afecta directamente la calidad de la IA y los modelos de aprendizaje automático utilizados por las herramientas.

Los datos inconsistentes sofocan las oportunidades

Los equipos de marketing no pueden lograr sus objetivos con datos de mala calidad. Por ejemplo, los datos de prospectos inexactos obstruyen los canales de ventas al ralentizar los esfuerzos para convertir los prospectos calificados de marketing (MQL) en prospectos calificados de ventas (SQL).

Los problemas con la calidad de los datos aumentan las posibilidades de falla de las iniciativas de inteligencia artificial, como ofertas y promociones de audiencia predictiva, personalización, chatbots habilitados para inteligencia artificial para servicios avanzados y recuperación automática de servicios. Una cuarta parte de las organizaciones que intentan adoptar la inteligencia artificial informan una tasa de fallas de hasta el 50 por ciento, dijo IDC recientemente. Las principales causas de la calidad de los datos inconsistentes en el marketing incluyen problemas con la taxonomía y el metaetiquetado, la falta de gobernanza de los datos y la pérdida de productividad.

Sin consistencia de datos

La razón más común por la que la inteligencia artificial y el aprendizaje automático fallan en la industria del marketing es que hay poca consistencia entre los datos en todas las campañas y estrategias. Cada campaña, iniciativa y programa tiene sus propias metaetiquetas, taxonomías y estructuras de datos únicas. Es común encontrar departamentos de marketing con 26 o más sistemas que admiten 18 o más taxonomías, cada una creada en algún momento del historial de un departamento de marketing para respaldar campañas específicas. La encuesta The State of Data Quality In 2020 de O’Reilly encontró que más del 60% de las empresas ven que sus proyectos de inteligencia artificial y aprendizaje automático fallan debido a demasiadas fuentes de datos y datos inconsistentes. Aunque la encuesta se realizó en toda la organización, no sería exagerado asumir que la tasa de fracaso sería mayor dentro de los departamentos de marketing, ya que es común crear taxonomías, bases de datos y metaetiquetas únicas para cada campaña en cada región.

Arriba: Los departamentos de marketing se enfrentan a una variedad de problemas de calidad de los datos. (O’Reilly, Estado de la calidad de los datos en 2020)

Cuanto más grande, más global y fragmentado sea un departamento de marketing, más difícil será lograr la gobernanza de los datos. La encuesta O’Reilly State of Data Quality Survey encontró que solo el 20% de las empresas publican información sobre el origen de los datos o la ascendencia de los mismos, herramientas esenciales para diagnosticar y resolver problemas de calidad de datos. La creación de una mayor coherencia entre taxonomías, estructuras de datos, definiciones de campos de datos y metaetiquetas les daría a los científicos de datos de marketing una mayor posibilidad de éxito con sus modelos ML a gran escala.

Según el estudio de Forrester Por qué los especialistas en marketing no pueden ignorar la calidad de los datos, hasta un tercio del tiempo de un equipo de marketing típico se dedica a problemas de calidad de los datos, lo que tiene un impacto directo en la productividad. Los datos inexactos dificultan las decisiones tácticas, lo que podría afectar los ingresos. Forrester descubrió que 21 centavos de cada dólar de los medios se han desperdiciado en los últimos 12 meses (a partir de 2019) debido a la mala calidad de los datos. Tomarse el tiempo para mejorar la calidad y la coherencia de sus datos de marketing convertirá la productividad perdida en ingresos.

Comience con la gestión de cambios y la gobernanza de datos

Con demasiada frecuencia, los especialistas en marketing y los equipos de TI que los respaldan dependen de los científicos de datos para mejorar los datos inconsistentes. Es un trabajo tedioso y que requiere mucho tiempo y puede consumir hasta el 80% o más del tiempo del científico de datos. Como era de esperar, los científicos de datos ven la limpieza de datos como la actividad menos popular.

En lugar de pedir a los científicos de datos que resuelvan los desafíos de calidad de los datos del departamento de marketing, sería mucho mejor que el departamento de marketing se concentrara en crear un único modelo de datos de contenido unificado. El departamento debe consolidar las diversas necesidades de requisitos de datos en un solo modelo unificado con una taxonomía que sea lo suficientemente rígida para garantizar la coherencia, pero lo suficientemente adaptable para satisfacer las necesidades específicas de la campaña. La gestión de cambios hace que el trabajo de marketing sea más fácil y productivo porque existe una única taxonomía empresarial común. La gobernanza de datos es clave para resolver este problema, y ​​los líderes de marketing deben poder explicar cómo la mejora de la coherencia de los metadatos y los modelos de datos de contenido encaja en el contexto del rol de cada miembro del equipo. A continuación, la organización de marketing debería centrarse en estandarizar todas las taxonomías y los sistemas que las respaldan.

La conclusión es que la calidad inconsistente de los datos en el marketing afecta al equipo al poner en riesgo nuevos ciclos de ventas y crear confusión en las relaciones con los clientes. La capacidad de poner en producción pilotos de IA y ML y proporcionar información lo suficientemente valiosa como para cambiar la dirección estratégica de una empresa depende de datos fiables. Las empresas descubrirán que las contribuciones futuras de sus campañas de marketing al crecimiento se definen por la forma en que el equipo mejora la calidad de los datos en la actualidad.