En hændelse udløses. Den registrerer et køb. Købsbeløbet skulle være 99 kr. Men den registrerer 990 kr. Et komma er forkert. Det er dårlige data. En hændelse udløses. Den skulle fange en produktkategori. Men den fanger ingenting. Det er manglende data. Dårlige data forvrider din analytics. Forkerte konklusioner følger. Du træffer beslutninger på forkerte tal. Datakvalitet er afgørende. Hver hændelse skal fange præcise data. Hver parameter skal have den rigtige værdi. Det kræver omhyggelig opsætning og løbende overvågning.
Denne artikel forklarer, hvordan du sikrer, at hændelsesparametre fanger data af høj kvalitet.
Hvorfor datakvalitet er vigtig
Analytics er kun nyttigt, hvis data er præcise. Du analyserer konverteringsrater. Du optimerer ud fra tallene. Men er tallene for konvertering forkerte, er din optimering forkert. Du optimerer måske det forkerte. Du går måske glip af muligheder.
Dårlige data hober sig op. En lille fejl i én hændelse bliver til en stor fejl i summen. Har 10 procent af købshændelserne forkerte beløb, er dine tal for omsætning 10 procent forkerte. Det er en stor fejl i forretningsbeslutninger.
Datakvalitet skaber tillid. Dit team stoler på analytics, når tallene er præcise. De træffer beslutninger ud fra det. Er data upålidelige, holder de op med at stole på dem. De holder op med at bruge analytics.
Definér hændelsesparametre præcist
Før du opretter en hændelse, skal du definere, hvad hver parameter skal indeholde. Parameterens navn. Parameterens beskrivelse. Parameterens datatype. Det forventede værdiinterval. Hvor værdien kommer fra.
En parameter for købsbeløb skal defineres tydeligt. Er det det samlede beløb med moms og fragt? Eller kun produktprisen? Er det i øre eller kroner? Er det tekst eller et tal? Definér det præcist. Implementeringen afhænger af det.
Dokumentér hver parameter. Dokumentation forhindrer forvirring. En udvikler, der implementerer hændelsen, ved præcis, hvad der skal fanges. En analytiker, der læser data, ved, hvad de betyder.
Hent data fra den rigtige kilde
Datakvaliteten afhænger af, at du henter data fra den rigtige kilde. Et købsbeløb skal komme fra dit system til behandling af ordrer. Ikke et skøn. Ikke noget, brugeren har skrevet. Det faktiske, bekræftede beløb.
En produktkategori skal komme fra din produktdatabase. Ikke fra det, brugeren har skrevet. Ikke et gæt. Den korrekte kategori.
Hent data så tæt på kilden som muligt. De rigtige transaktionssystemer kender de rigtige beløb. De rigtige databaser kender den rigtige inddeling. Hent derfra. Beregn eller skøn ikke.
Valider data, før hændelser udløses
Valider data, før du sender dem til analytics. Tjek, at købsbeløbet er et tal. Tjek, at det er positivt. Tjek, at produkt-id'et findes.
Validering fanger fejl, før de bliver til problemer i analytics. En udvikler laver en fejl. Valideringen fanger den. Dataene når aldrig analytics. Hændelsen udløses med gode data.
Almindelig validering omfatter tjek af type (er det tekst, tal eller dato), tjek af interval (er det inden for de forventede værdier) og tjek af eksistens (findes den vare, der henvises til).
Brug ens parameternavne
Parameternavne er vigtige. Kalder én hændelse en parameter "amount" og en anden "purchase_amount", behandler dine rapporter dem som forskellige parametre. Du kan ikke sammenligne dem.
Lav en standard for navne. Alle pengebeløb bruger endelsen "_amount". Alle id'er bruger endelsen "_id". Alle antal bruger endelsen "_count". Brug standarden ens overalt.
Når du har givet en parameter et navn, så lad være med at ændre det. Ændrer du parameternavne, bliver dine data delt op. Gamle data ligger under det gamle navn. Nye data ligger under det nye navn. Rapporterne viser delte data. Få navnene rigtige, før du udruller.
Håndtér grænsetilfælde og manglende data
Nogle data er svære at fange. Transaktioner uden for nettet. Transaktioner fra gamle systemer. Ufuldstændige oplysninger om brugeren. Hvordan håndterer du manglende data?
Send aldrig hændelser, hvor vigtige parametre mangler. Kan du ikke få købsbeløbet, så udløs ikke købshændelsen. Send kun hændelsen, når du har komplette data.
Til valgfrie data skal du bruge null eller en tom tekst ens hver gang. Brug ikke "unknown" ét sted og "N/A" et andet. Ens håndtering af manglende data gør analysen lettere.
Overvåg datakvaliteten over tid
Datakvaliteten forværres over tid. Integrationer går i stykker. Systemer ændrer sig. Det, der virkede sidste måned, kan gå i stykker denne måned. Overvåg hele tiden.
Led efter uventede mønstre. Null-værdier, hvor der ikke burde være nogen. Afvigende beløb. Manglende parametre. Sæt alarmer op. Ser noget forkert ud, så find årsagen.
Gennemgå rapporter om datakvalitet jævnligt. De fleste analytics-platforme har rapporter om datakvalitet. Brug dem. Fang problemer tidligt.
Ofte stillede spørgsmål
Hvordan tester vi, om hændelsesparametre fanger rigtigt?
Brug rapporter i realtid. Udfør handlingen. Se på rapporten. Tjek, at hændelsen dukker op med de rigtige parametre og værdier. Brug browserens udviklerværktøjer. Undersøg dataene, før de bliver sendt til analytics. Kontrollér, at de passer til det, du forventer. Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Hvad hvis en parameterværdi altid er tom?
Så bliver dataene ikke fanget. Tjek din implementering. Er parameteren indstillet rigtigt? Er dataene tilgængelige, når hændelsen udløses? Er der et problem med timing? Find fejlen ved kilden. Send ikke tomme data. Ret den egentlige årsag.
Kan vi omdøbe en parameter, efter at data er indsamlet?
Teknisk set ja, men lad være. Gamle data bliver under det gamle navn. Nye data kommer under det nye navn. Dine rapporter viser delte data. Få navnet rigtigt fra start. Skal du omdøbe, så planlæg for, at data bliver delt.
Hvordan håndterer vi valuta i hændelsesparametre?
Fang det numeriske beløb og valutakoden hver for sig. Beløbet i en parameter som "purchase_amount". Valutaen i en parameter som "currency_code" med værdier som "USD" eller "EUR". Så kan du analysere på tværs af valutaer.
Skal vi gemme rå data eller formaterede data i parametre?
Gem rå data. Beløb i cent og ikke i dollars. Tidsstempler i ISO-format og ikke i en form, mennesker kan læse. Formaterede data er sværere at analysere og sammenligne. Rå data er mere fleksible. Formatér dem i rapporterne, hvis det er nødvendigt.
Hvad er en rimelig fejlrate for hændelsesdata?
Nul er målet. Men i praksis er under 1 procent acceptabelt. Nogle grænsetilfælde vil give problemer. Gamle systemer har måske ikke data. Men overstiger fejlraten 1 til 2 procent, så find og ret den egentlige årsag.