事件数据：最后一个巨大的地雷，隐藏在众目睽睽之下

[nihatsarker65]

我们正处于现代企业数据挖掘淘金热的第三个十年。随着多维数据分析 (MDA) 的不断加速，寻找新的“接缝”进行探索的工作也越来越激烈。 如何收集和使用事件数据这篇文章探讨了直到最近才相对未开发的大量企业数据——由现场活动和会议生成的数据。 我们相信这些数据可以在离散应用程序中或在营销堆栈中实施时产生高度可操作的情报。 鉴于当今商业数据的海啸，很难相信任何新来源都会被忽视。然而，直到最近，现场活动生成的出勤率、参与度、销售和其他指标数据的可见度远低于企业中的其他数据孤岛。 其中一些可能是由于人们错误地认为现场活动正在减少。这也可能与以下事实有关：事件数据仅与数据驱动公司概述的目标和关键结果（OKR）松散地联系在一起。然而，随着事件中的活动和行为被数字化并在线优化，实时事件数据现在可以很容易地与几乎任何业务成果联系起来。 更好的输入。更好的输出 活动照明 现代商业分析需要高质量的输入来优化输出。现场活动数据与信息一样纯粹。



借助 正确的工具，任何企业都可以收集和 塞浦路斯 电话号码 管理事件过程中的每个数据点。由于现场活动数据本质上是有机的，因此它比内容农场、点击诱饵和其他可能扭曲输出的中介机构生成的在线数据具有更高的质量。 深入 我们只是浏览了为企业提供的潜在事件数据的表面。虽然可能性是无限的，但一种流行的新方法称为 数据驱动的企业活动规划（DEEP），为公司提供了首先挖掘和利用最高质量数据的工具。 DEEP 工具的设计是为了响应以前的事件管理系统所采用的护城河方法。虽然这些系统可用于将纸笔数据转换为数字存储库，但它们的构建有点像银行金库。尽管数据是关系型数据和基于对象的，但它仍然针对遗留使用进行了优化，并且并不是那么可扩展。 最重要的是，遗留管理系统中存在的数据不适合大规模聚合，因此无法有效地挖掘“大数据”。



大数据涉及对大量数据进行套利，以产生通常很小但有意义的差异，可以利用这些差异来获得业务优势。数据越异构越好。虽然数据已经存在可供获取，但获取所需数据并对其进行有效分析可能很困难。 Google Analytics 和最近推出的 Tableau 等分析工具缓解了大数据带来的一些麻烦，当然，这得益于 cookie 的广泛应用、行为分析、漏斗分析的普及等。虽然运行 Google Analytics 与 NSA 的数据挖掘不同，但它仍然涉及分析在线生成的不同数据，并且仍然可以获得巨大回报。 看到并抓住潜力 协同公园 这让我们回到了现场活动生成的数据以及 DEEP 工具本质上是如何工作的。 就像在线数据一样， 来自实时事件信号的数据 现在可以与潜在客户分数、参与率、用户体验、产品适应、转化目标或营销资源堆栈中存在的无数其他业务成果相关联。