परिपूर्ण डेटा अशक्य आहे
आधुनिक युगात विपणन एक मजेदार गोष्ट आहे; पारंपारिक मोहिमांपेक्षा वेब आधारित विपणन मोहिमेचा मागोवा घेणे खूप सोपे आहे, परंतु इतकी माहिती उपलब्ध आहे की अधिक डेटा आणि 100% अचूक माहितीच्या शोधात लोकांना अर्धांगवायू घातले जाऊ शकते. काही लोकांसाठी, दिलेल्या महिन्यामध्ये त्यांची ऑनलाइन जाहिरात पाहिल्या गेलेल्या लोकांची संख्या त्वरेने शोधण्यात सक्षम होण्याद्वारे वाचविण्यात आलेला वेळ त्यांच्या रहदारी स्त्रोताच्या संख्येमध्ये का जोपर्यंत वाढत नाही हे पाहण्यात घालविण्याद्वारे दुर्लक्ष केले जाते.
परिपूर्ण डेटासाठी असमर्थता व्यतिरिक्त, त्रास देणार्या डेटाचे प्रमाण देखील आहे. खरं तर, असं बरेच आहे की कधीकधी झाडांसाठी जंगल पाहणे कठीण जाऊ शकते. मला बाउन्स रेट किंवा एक्झिट रेट पाहण्याची आवश्यकता आहे का? निश्चितच, पृष्ठ किंमत ही एक मौल्यवान डेटा आयटम आहे, परंतु असे कोणतेही चांगले चर आहेत जे ऑनलाइन ध्येय पूर्ण करण्यात दिलेल्या सामग्री पृष्ठासाठी किती मूल्यवान आहेत हे मॉडेल करू शकतात? प्रश्न अंतहीन आहेत आणि तशी उत्तरेही आहेत. एखादा तज्ञ कदाचित तुम्हाला सांगू शकेल, “हे फक्त अवलंबून आहे”, पण डोक्यावरची व्यक्ती डिजिटलच्या धुक्यात विश्लेषण कदाचित त्यांनी या सर्व गोष्टींकडे लक्ष दिले तर संख्यांचा परिपूर्ण संच आहे असं त्यांना वाटेल.
या दोन्ही क्षेत्रात उत्तर सोपे आहे - अपूर्णतेसह कार्य करा कारण परिपूर्ण डेटा आणि / किंवा संपूर्ण डेटा अशक्य आहे. याबद्दल बोलणार्या मुलांपैकी एक म्हणजे अविनाश कौशिक. जर आपणास हे नाव माहित नसेल तर तो न्यूयॉर्क टाइम्सचा सर्वाधिक विक्री करणारा कलाकार आहे. तो गूगलचा प्रमुख मित्र आहे आणि बर्याच विद्यापीठांच्या मंडळावर आहे. त्याचा ब्लॉग, ओकेमचा रेझर हा आधुनिक काळातील डेटा विश्लेषकांसाठी शुद्ध सोन्याचा आहे आणि मी अलीकडे त्याच्या जुन्या पोस्ट नावाच्या,
आपले मानसिक मॉडेल विकसित करण्यासाठी 6 चरण प्रक्रिया. त्यामध्ये, त्याने असे म्हटले आहे की परिपूर्ण डेटाचा कोणताही सेट नाही आणि लोकांना “व्हर्चुअस डेटा” जाण्यासाठी सोप्या मार्गाचा अवलंब करण्याची आवश्यकता आहे.त्याने बनवलेल्या सर्व उत्तम गोष्टींपैकी, सर्वात महत्त्वाचे म्हणजे ते:
… तुमची नोकरी वेबवर 100% अखंडतेसह असलेल्या डेटावर अवलंबून नाही. आपली नोकरी आपल्या कंपनीला वेगवान आणि थिंक स्मार्ट हलविण्यात मदत करण्यावर अवलंबून आहे.
पुढच्या वेळी आपण Analyनालिटिक्स लोड करता तेव्हा लक्षात ठेवा की आपण चांगल्या डेटासह कार्य करत असाल आणि सर्वोत्तम सराव केला असेल तर आपण पुढे कसे जायचे याबद्दल निर्णय घेण्यास तयार असले पाहिजे. संपूर्ण आणि परिपूर्ण डेटाच्या शोधात आपण कितीही कठोर परिश्रम घेतले तरी हरकत नाही, आपण ते करण्यात घालवलेले वेळ रूपांतर दरावर काम करणे, नवीन स्प्लिट चाचणी इत्यादी तयार करणे इत्यादी गोष्टींवर खर्च करणे शक्य आहे. आपल्याला माहिती आहे की ज्या गोष्टी आपल्या कंपनीला मदत करतील वाढ आणि आपली नोकरी ठेवा.
संभाषण सुरू करू इच्छिता? ट्विटरवर माझ्यापर्यंत पोहोचा sharpguysweb.