营销人员受坏数据影响
营销预算被浪费
实体解析为何如此重要的9个理由
由于各种企业系统和工具数量的激增,造成客户数据具有多个不同版本。每个面向客户和后台的系统(包括 CMS、ERP、营销自动化、CRM、网站和存储系统)都包含一部分客户数据。这包括交易数据(如订单、保单、支付、索赔),还包括渠道交互数据(如客户服务电话、网站和实体店到访)。
所有这些数据存在大量重复和不一致,因此超过 41% 的 B2B 营销者将这视为他们的最大挑战。在流程中及早发现并解决这些问题,是更好、性价比更高的解决方式,如 1-10-100 规则所示:在输入数据时验证数据需要1美元,数据清洗需要 10 美元,未进行清洗的数据进行数据分析可能需要100美元的成本。
现在,企业比以往任何时候都更希望创建一个MDM主数据管理系统,并从中存储交易、交互和主数据,用于有效开展营销活动并增加收入。
传统的主数据(MDM) 解决方案以关系型数据库为基础构建,关系数据库将帐户、联系人、线索、活动和机会等信息分别存储在单独的表中,每张表对应一种类型的业务实体。对于编制索引和搜索数据以及支持交易和执行基本分析,关系型数据库是非常出色的工具。然而,关系数据库在跨表或业务实体连接以及识别跨多个潜在客户、活动和机会的隐藏关系和模式方面的能力很差。
合并多个数据源的客户数据并非易事。其中实体解析是一个巨大挑战,实体解析用于确定不同数据源的多个实体实际代表的是同一个真实实体,然后将它们合并到一个实体中。
TigerGraph 能够分析所有潜在客户的客户互动数据,并将其与其他潜在客户的行为记录进行比较。通过这些洞察信息,营销者能够确定培养流程,并基于潜在客户的行为记录来识别围绕特定主题进行销售谈话的客户,从而尽可能将线索转化为机会,并将机会转化为订单。
Anna Veronika Dorogus
Machine Learning Expert
Anna Veronika Dorogush graduated from Lomonosov Moscow State University and Yandex School of Data Analysis. She used to work at ABBYY, Yandex, Microsoft and Google on Machine Learning infrastructure and Machine Learning frameworks. In 2017 she published the open-source library CatBoost, which is now one of top-3 most popular Gradient Boosting libraries, and the top 7-th most used Machine Learning framework in the world according to Kaggle 2021 review.