Signifikansi Tata Kelola Data dalam Analisis Digital

Dalam analitik digital, organisasi menghabiskan banyak waktu untuk mengumpulkan, menafsirkan, dan melaporkan data. Tujuan utamanya adalah memanfaatkan data sebagai keunggulan kompetitif. Anda dapat menggunakan data untuk meningkatkan efektivitas iklan digital atau menyempurnakan produk digital. Tetapi sebelum Anda dapat memanfaatkan data Anda, Anda perlu memastikan bahwa Anda memiliki data yang benar. Membuat keputusan berdasarkan data yang tidak akurat tidak jauh lebih baik daripada membuat keputusan berdasarkan tanpa data. Sangat mudah untuk mengabaikan pentingnya tata kelola data yang baik. Tata kelola data sering dilihat sebagai tugas melelahkan yang dapat diprioritaskan, tetapi itu adalah kesalahan. Dalam postingan ini, saya akan menguraikan beberapa fitur tata kelola data yang penting untuk kesuksesan jangka panjang dalam analitik digital.

Tata kelola data melampaui implementasi awal

Cara terbaik untuk memiliki data analitik digital yang baik adalah dengan menerapkannya dengan baik. Jam yang dihabiskan organisasi untuk merencanakan dan mengimplementasikan acara dan properti analitik digital sangat penting untuk memiliki data yang andal. Beberapa tingkat jaminan kualitas dan pengujian sering terjadi selama implementasi awal untuk memverifikasi kualitas data. Namun setelah penerapan awal, banyak organisasi menemukan bahwa kualitas data analitik digital mereka menurun. Degradasi kualitas data seringkali disebabkan oleh kebutuhan tata kelola data yang lebih banyak. Sementara penyebaran awal dapat menjadi profil tinggi dalam organisasi, tata kelola data kurang menarik. Meskipun implementasi dan tata kelola data memiliki tujuan yang sama untuk kualitas data yang baik, banyak organisasi lebih fokus pada yang pertama daripada yang terakhir.

Salah satu alasan mengapa organisasi tidak melakukan pekerjaan yang baik dengan tata kelola data adalah karena produk analitik digital yang mereka gunakan belum cukup berinvestasi dalam fitur tata kelola data. Banyak produk analitik digital terkemuka di pasar tidak memiliki fitur tata kelola data dasar. Kurangnya fitur tata kelola ini sangat disayangkan karena tata kelola data mendasari segala sesuatu yang berkaitan dengan program analitik digital.

Desain solusi implementasi

Memahami data apa yang Anda kumpulkan dalam penerapan analitik digital sangat penting. Cukup mengidentifikasi dan mengomunikasikan acara dan properti yang telah dipilih organisasi Anda untuk dikumpulkan adalah taruhan meja. Sayangnya, banyak vendor analitik digital menggunakan spreadsheet untuk membagikan apa yang ada dalam solusi analitik. Solusi implementasi pelacakan di spreadsheet memiliki kelemahan berikut:

• Informasi dipisahkan dari produk dan laporan analitik digital
• Beberapa versi dari desain solusi dapat tersebar di seluruh organisasi, sehingga sulit untuk mengetahui versi mana yang saat ini
• Spreadsheet tidak dapat memberi tahu Anda status setiap elemen desain solusi (misalnya, apakah sedang mengumpulkan data?)

Memiliki semua informasi solusi secara langsung di antarmuka produk analitik digital lebih disukai sehingga Anda selalu dapat melihat informasi terbaru:

Ini juga bermanfaat jika banyak orang dapat mengulangi desain solusi, bahkan mungkin secara bersamaan. Idealnya, Anda dapat mengelola iterasi desain solusi melalui "cabang" seperti yang akan Anda lakukan jika menggunakan GitHub:

Validasi skema data

Aspek penting lain dari tata kelola data adalah validasi skema data. Salah satu komponen validasi skema adalah verifikasi otomatis, yang memastikan bahwa data yang dikumpulkan sesuai dengan yang diharapkan. Hal ini penting karena anggota tim analitik digital sering kali sibuk dan tidak memiliki waktu untuk memantau secara proaktif saat peristiwa atau properti baru dikirim ke implementasi. Melacak peristiwa tak terduga lebih baik ditangani oleh produk analitik digital, yang mengetahui desain solusi. Otomasi memungkinkan produk analitik digital untuk memberi tahu tim jika ditemukan peristiwa atau properti yang tidak terduga. Item tak terduga ini dikarantina hingga ditinjau agar tidak mencemari data produksi:

Fitur lain dari validasi skema data adalah kemampuan untuk memverifikasi bahwa nilai data yang dikumpulkan cocok dengan format yang diharapkan. Misalnya, jika Anda memiliki properti data yang dimaksudkan sebagai angka tetapi diteruskan string teks, itu harus ditandai secara otomatis. Jika Anda memiliki format kode pos tertentu yang harus diikuti, setiap nilai harus diverifikasi agar data konsisten. Mengenai validasi skema data, “satu ons pencegahan bernilai satu pon pengobatan!”

Pejabat objek

Saat orang-orang di organisasi Anda menggunakan produk analitik digital Anda, mungkin sulit untuk mengetahui komponen analitik mana yang benar dan mana yang tidak. Sering kali pengguna membuat kelompok, metrik, dll. baru, untuk mencoba berbagai hal, tetapi pemilik penerapan belum memverifikasinya.

Peresmian objek adalah proses menandai objek analitik digital sebagai "resmi" dalam implementasi. Seperti yang ditunjukkan di bawah ini, objek dapat diberikan beberapa indikator (misalnya centang biru) untuk menandakan bahwa seseorang dengan kredensial yang sesuai telah menyetujui objek tersebut. Objek yang diresmikan dapat dipercaya dan dianggap benar.

Peresmian objek tidak perlu menebak-nebak dalam memilih komponen analitik digital dan membantu menghindari pengguna yang berbeda menyebarkan objek non-resmi di seluruh laporan dan dasbor.

Deduplikasi objek

Deduplikasi objek secara tangensial terkait dengan offisiasi objek. Salah satu aspek analitik digital yang paling menyebalkan adalah proliferasi beberapa versi dari objek analitik yang sama. Objek ini dapat dihitung metrik, kohort, dll. Meskipun pejabat objek dapat membantu meminimalkan hal ini, sering kali pengguna analitik masih dapat membuat berbagai versi objek analitik. Versi yang berbeda ini dapat dikaitkan dengan beberapa laporan atau dasbor. Masalah ini diperparah ketika ditemukan cacat pada definisi atau rumus objek analitik. Alih-alih memperbaikinya di satu tempat, organisasi harus menemukan semua versi yang berbeda dan memperbaikinya secara terpisah, yang bisa menjadi mimpi buruk tata kelola!

Produk analitik tingkat lanjut (seperti Amplitudo!) telah mengatasi masalah deduplikasi ini secara langsung. Cara terbaik untuk menghindari deduplikasi adalah mencegah pengguna membuat objek duplikat. Seperti yang ditunjukkan di bawah ini, jika pengguna mencoba membuat duplikat persis, produk analitik digital akan melarang mereka menyimpannya.

Penggunaan objek

Organisasi yang menerapkan analitik digital sering menerapkan berbagai peristiwa dan properti yang berbeda. Setiap tim memiliki data tambahan yang ingin mereka kumpulkan. Ketika Anda memiliki banyak titik data, akan sangat sulit untuk memahami elemen data mana yang paling banyak digunakan atau paling sedikit. Banyak produk analitik digital memperburuk situasi dengan mengaburkan penggunaan objek. Pada beberapa produk analitik digital, memahami objek mana yang digunakan, di mana, dan oleh siapa mengharuskan administrator mengunduh data penggunaan melalui CSV dan membuat laporan.

Produk analitik digital modern memudahkan untuk memahami di mana setiap acara atau properti analitik digital digunakan, seperti yang ditunjukkan di sini:

Informasi ini juga harus terlihat pada tingkat yang lebih mendetail untuk melihat orang dan objek tertentu yang menggunakan peristiwa atau properti:

Memiliki informasi ini yang Anda inginkan memungkinkan administrator dan manajer implementasi untuk:

• Lihat peristiwa dan analisis properti mana yang melibatkan pengguna
• Tentukan apakah beberapa acara dan properti mungkin memerlukan pelatihan tambahan karena kurangnya penggunaan
• Pertimbangkan untuk menghapus acara dan properti yang tidak diperlukan lagi

Memahami peristiwa analitik

Masalah umum dalam penerapan analitik digital adalah bahwa pengguna akhir biasa tidak sepenuhnya yakin apa arti setiap peristiwa analitik. Pengembang terkenal karena membuat nama acara yang tidak dapat dipahami (mis., form_reaction). Banyak pengguna analitik tidak terlibat dalam proses penerapan dan tidak memiliki latar belakang tentang bagaimana dan mengapa peristiwa analitik diberi nama. Oleh karena itu, apa pun yang dapat dilakukan oleh administrator atau manajer untuk membantu pengguna akhir memastikan bahwa mereka menggunakan peristiwa yang benar untuk analisis mereka, sangat dihargai.

Salah satu cara untuk mengatasinya adalah dengan membuat kamus data. Di sinilah pengguna dapat mempelajari tentang setiap peristiwa analitik dan melihat lokasinya di situs web atau aplikasi seluler. Kamus data dapat disimpan dalam dokumen atau ruang bersama seperti Confluence atau Miro.

Di Amplitudo, kami menawarkan dua cara menarik untuk mengomunikasikan informasi tentang penerapan Anda serta peristiwa dan propertinya. Salah satunya adalah melalui fitur Notebook kami. Notebook Amplitudo adalah kanvas bentuk bebas tempat Anda dapat menambahkan teks, gambar, video, laporan analitik, dll. Notebook adalah tempat yang tepat untuk mendokumentasikan penerapan Anda dan berbagi konteks seputar peristiwa dan properti analitik.

Cara lain Amplitudo membantu administrator berbagi informasi tentang acara implementasi adalah melalui tangkapan layar acara. Administrator dapat melampirkan tangkapan layar ke acara di modul Data Amplitudo. Melampirkan tangkapan layar tempat peristiwa analitik disetel ke setiap peristiwa akan memungkinkan pengguna akhir untuk melihat tangkapan layar tersebut saat mereka menelusuri berbagai peristiwa selama pembuatan laporan. Tangkapan layar ini membantu pengguna akhir membangun kepercayaan diri untuk menggunakan peristiwa yang tepat untuk analisis mereka.

Transformasi data

Tidak peduli seberapa keras Anda mencoba, akan ada saatnya data yang salah dikirim ke produk analitik digital Anda. Pengembang dapat mengubah situs web atau aplikasi yang memicu pengiriman data yang salah. Pelanggan dapat memasukkan informasi yang salah ke dalam kolom formulir. Pengguna dapat menyegarkan halaman dan membuat data duplikat. Terlepas dari bagaimana itu terjadi, data yang tidak akurat dikumpulkan. Beberapa item validasi skema sebelumnya dapat membantu mengurangi data yang buruk. Namun, produk analitik digital Anda harus dapat memodifikasi/memperbarui/mengubah data jika diperlukan.

Beberapa produk analitik digital tidak menyediakan cara untuk mengubah data dan mengharuskan Anda melakukan perubahan di gudang data. Ini tidak membantu karena pengguna akhir mungkin menggunakan antarmuka produk analitik digital dengan data yang salah. Administrator harus memiliki opsi untuk mengubah data jika diperlukan. Anda harus mencari fitur transformasi data berikut di penyedia analisis digital Anda.

Modifikasi nilai

Administrator harus memiliki kemampuan untuk mengubah nilai properti tertentu jika diperlukan. Misalnya, bayangkan kode kampanye pemasaran dikirim ke produk analitik tanpa konvensi penamaan yang diinginkan. Administrator harus dapat mengubah nilai ini sehingga pengguna akhir melihat nilai yang benar saat menggunakan laporan dan dasbor.

Selain perubahan nilai satu kali, administrator harus dapat membuat aturan yang mengubah banyak nilai sekaligus. Aturan ini mungkin menggunakan rumus atau fungsi untuk menerapkan perubahan pada semua nilai properti yang terpengaruh.

Kebingungan data

Fitur transformasi data lain yang diinginkan adalah kemampuan untuk menyembunyikan atau mengaburkan data yang salah. Terkadang sebagian data perlu diperbaiki, dan Anda ingin menyembunyikannya dari pengguna. Contohnya mungkin data uji yang secara tidak sengaja dikirim ke produksi. Data ini tidak dihapus tetapi disembunyikan dari semua pengguna.

Penghapusan data

Dalam kasus ekstrim, Anda akan memiliki data analitik yang ingin Anda hapus semuanya. Oleh karena itu, produk analitik digital Anda harus memungkinkan Anda memilih bagian data tertentu dan menghapusnya.

Pengujian data otomatis

Alat tata kelola data penting lainnya adalah pengujian otomatis. Ada produk yang tersedia di pasar yang akan memeriksa situs web atau aplikasi Anda untuk memastikan bahwa kode analitik berfungsi dengan baik. Produk ini juga dapat dikonfigurasi untuk bertindak seperti pelanggan dan memverifikasi bahwa pelacakan analitik Anda berfungsi seperti yang dirancang. Produk populer di area ini termasuk Observepoint dan QA2L. Dibutuhkan seluruh posting blog untuk menjelaskan fungsi lanjutan produk ini, jadi saya mendorong Anda untuk memeriksanya dan mempertimbangkan untuk menambahkannya ke tumpukan analitik digital Anda.

Kepatuhan privasi data pengguna

Aspek lain dari tata kelola data adalah menghormati permintaan penghapusan privasi pengguna. Peraturan privasi seperti GDPR dan CCPA memberi konsumen kemampuan untuk meminta agar data yang dikumpulkan tentang mereka dihapus berdasarkan permintaan. Oleh karena itu, sangat penting bagi tim analitik digital untuk menanggapi dan mengambil tindakan atas permintaan ini sebagaimana ditentukan oleh peraturan pemerintah setempat.

Ringkasan

Seperti yang Anda lihat, ada lebih dari yang terlihat tentang tata kelola data. Memastikan bahwa data analitik digital Anda akurat membutuhkan kerja proaktif yang sangat besar. Penyedia analitik digital yang berbeda menawarkan berbagai tingkat bantuan dalam tata kelola data. Karena semua analisis bergantung pada kualitas data, kemampuan tata kelola data yang disediakan oleh vendor Anda harus dipertimbangkan.