fbpx
HyTrade Inbound Marketing

Dados quantitativos vs qualitativos: como analisar os dados

por HyTrade
Dados quantitativos vs qualitativos - como analisar os dados

Por Joel Garland

No momento, existem incontáveis “imperadores” que tomam decisões corajosas que são revestidas por “dados”. A terrível verdade é que essas decisões não trazem qualquer coisa. Como profissional de marketing, vivo e morro pelos dados e descobri que plataformas de automação de marketing como a SharpSpring são os melhores alfaiates possíveis para evitar ser chamado a uma exposição indecente em reuniões.

Houve uma explosão da facilidade para coletar montanhas de dados, então, consequentemente, todos estão tomando decisões melhores, certo? Infelizmente não. Estamos coletando mais dados do que nunca, mas isso não significa que os estamos usando de forma eficaz. A solução é simples: qualidade em vez de quantidade. Lembre-se de que, com dados, mais nem sempre é melhor.

Como profissional de marketing orientado por dados, faço apresentações regulares a vários grupos e meu objetivo é focar em dados impactantes do mundo real, que impulsionam nossa empresa. Na minha experiência, os dados de qualidade se resumem a três fatores principais:

  • Relevância
  • Precisão
  • Digestibilidade

Relevância: foco nos dados que realmente importam

Só porque os dados podem ser coletados e analisados, isto não significa que eles devam ser. Comece determinando o que é realmente importante e liste os principais indicadores de desempenho (Key Performance Indicators, ou KPIs) para o que você estiver avaliando. Por exemplo, pegue um processo de vendas: os KPIs podem ser o número de leads que a equipe de vendas obtém, quantos desses leads são convertidos em vendas e a venda média resultante. Dependendo da complexidade e da parte do processo que você estiver analisando, você também poderá desejar segmentar ainda mais seus dados, como por tipo de tamanho de cliente (PMEs x Grandes Empresas), região, ou vendedor. Não pare aí. Dê contexto às suas métricas, estabelecendo metas para cada uma delas. Defina essas metas o mais alto possível, não apenas no nível de desempenho atual. Se você perceber que não está cumprindo essas metas, dê um passo para trás e descubra por que você não satisfaz cada KPI. Pode acontecer que você defina metas ambiciosas demais, mas analise com atenção por que não foi capaz de cumprir essas metas e certifique-se, antes de reduzi-las, de que o problema realmente são as metas, e não os processos.

Precisão: por que qualquer pessoa pode apenas fabricar números

Os dados de hoje são coletados de muitas fontes diferentes. Isso abre oportunidades e lacunas. É fundamental que os dados sejam correspondidos corretamente e que não haja grandes lacunas não contabilizadas. Uma solução é usar uma plataforma totalmente integrada, que reúna todos os números relevantes em uma grande imagem coesa. Se isso não for uma opção, você terá que se certificar de que seus dados não estão cheios de furos (ou pelo menos saber onde eles estão para que você possa contorna-los).

Para descobrir onde você precisa ter um pouco mais de cuidado, primeiro mapeie o processo que está olhando, com atenção extra em quaisquer transições (também conhecidas como buracos negros em potencial, onde os dados desaparecem) e observe todas as áreas sobre as quais você tem pouca visibilidade, ou nenhuma. Essas lacunas vão atrapalhar você ou você poderá contorna-las? Às vezes, você não sabe realmente a resposta para isso, então pode ter que fazer algumas aproximações e apenas seguir em frente. Por exemplo, se você tiver dificuldade em ver as confirmações de que os clientes em potencial compareceram às reuniões com sua equipe de vendas, mas sua equipe de vendas está constantemente dizendo a você o quão grande é o comparecimento, você poderá aproximar esse número como relativamente alto (digamos 85%-100% ), visto que o comparecimento não é um vazamento significativo em seu funil de vendas. Não deixe que as lacunas o impeçam, se isto não for necessário.

Há outra grande imprecisão em como um número surpreendente de pessoas vê os dados. Ela surge com tanta frequência e pode ser tão impactante que recebe sua própria menção especial (e é muito próxima e querida do meu coração). Os dados precisam ser analisados sob uma perspectiva de coorte! Em sua forma mais simples, a análise de coorte significa apenas agrupar as unidades básicas de um processo por tempo (pelo menos) e, em seguida, agrupar tudo o que flui dessas unidades básicas no mesmo período de tempo. Parece simples, certo? Existem dois desafios principais: primeiro, os dados quase nunca são relatados dessa forma e, segundo, pode ser difícil realmente obter dados de coorte.

Por exemplo, considere leads e vendas. É fácil mostrar que em abril você obteve 1.000 leads e 200 vendas. É tentador dizer que isso significa que sua taxa de conversão de leads para vendas é de 20% (200/1.000), mas isso provavelmente não é exato. Se você tiver um ciclo de vendas de moderado a longo, as vendas em abril provavelmente serão provenientes de leads recebidos durante os meses anteriores. Em vez disso, uma abordagem mais esclarecedora para determinar as taxas de conversão é rastrear os leads recebidos durante cada mês e relatar as vendas provenientes dos leads de abril em abril. Portanto, dos 1.000 leads recebidos durante o mês de abril, 250 desses leads se transformaram em vendas, portanto, sua taxa de conversão real de leads em vendas é de 25% (250/1000). Isso exige algum trabalho extra, já que as vendas de coorte de abril continuarão a aumentar em maio, junho e além e, portanto, as atualizações serão necessárias, mas o valor do insight supera em muito o tempo extra.

Pessoalmente, eu reduzo o tempo necessário usando a SharpSpring todos os dias para obter a imagem de coorte completa, uma vez que une todas as peças do processo para mim. Como alguém que costumava passar horas reunindo dados de diferentes sistemas, não posso exagerar o quanto uma única plataforma totalmente integrada é uma virada de jogo.

Digestibilidade: seus dados não terão importância se ninguém puder entendê-los

Coletar e processar dados é apenas metade da batalha. Depois disso, você precisará colocar tudo junto de uma forma que possa ser facilmente compreendida. Depois de ter um entendimento profundo dos dados, você precisará empacota-los de forma eficaz para outros. Existem dois desafios principais que poderão causar indigestão quando se trata de dados: volume e clareza.

A linha entre demasiados e poucos dados pode ser difícil de encontrar. Pense sobre os problemas que você está tentando resolver, as decisões que está tentando tomar e as perguntas que as partes interessadas farão. Percorra todas as três peças, observando as perguntas envolvidas em cada uma delas, e veja como os dados são capazes de respondê-las. Se houver dados que não respondem a nenhuma das perguntas, eles fornecem o contexto necessário para os dados que respondem às perguntas? Se não, provavelmente são dados que você pode omitir.

Para os dados que respondem às perguntas acima mencionadas, quão bem eles as respondem? Se você tiver que adicionar qualificadores enquanto está respondendo, como por que certos fatores estão obscurecendo os dados, este é um bom sinal de que você não tem dados suficientes, e/ou que pode ser necessário dividi-los de forma mais detalhada. Antecipe as perguntas de acompanhamento e veja se os dados também podem respondê-las.

Clareza é muito fácil de abordar, mas muitas vezes isto é esquecido. As duas coisas que mais contribuem para a clareza são a ordenação/agrupamento e a rotulagem. A ordenação/agrupamento é fácil, apenas certifique-se de que tudo flui em uma ordem lógica (de estágio a estágio, cronologicamente, etc.). A rotulagem é enganosa. Parece fácil, mas isso é uma ilusão. O maior problema que vejo que afeta a clareza é a falta de especificidade nos rótulos. Lembre-se de que, se você projetou o relatório/painel/etc, você tem uma vantagem: seus rótulos fazem mais sentido para você do que para alguém que está vendo os dados pela primeira vez. Dê um passo para trás e olhe objetivamente. Em seguida, faça um teste com um colega e foque em quaisquer pontos de confusão.

Continue alcançando

Dados melhores e mais claros significam melhores decisões, melhores entregas e, em última análise, maiores resultados financeiros. O ponto acima mencionado é um bom ponto de partida, mas comprometa-se a trabalhar constantemente para melhorar os dados que você coleta, utiliza e compartilha. O esforço tem um grande retorno sobre o investimento para sua operação.


Uma plataforma de automação de marketing, como a SharpSpring, que tem a HyTrade como agência parceira, torna mais fácil analisar os seus esforços de marketing e vendas para que a sua equipe comercial bata as suas metas. Saiba mais sobre as principais características aqui ou agende uma demonstração hoje mesmo.


Sobre o autor: Com formação em direito e negócios, Joel sempre se concentrou em dados. Como parte da equipe da SharpSpring, essa paixão por números e análises cresceu exponencialmente. Liderando os esforços de marketing para a divisão de automação de marketing da SharpSpring, Joel vive e respira dados todos os dias, usando os dados que a SharpSpring fornece para identificar as principais oportunidades de obtenção de ROI.

Fonte: SharpSpring

Tradução: Fernando B. T. Leite

® Copyright: A HyTrade é agência parceira da SharpSpring e todos os artigos são traduzidos e republicados com autorização.

Você também pode gostar desses artigos

Deixe um comentário

* Ao realizar este comentário você concorda com a nossa política de privacidade.