24 thuật ngữ dữ liệu marketing thường bị hiểu sai giữa đội ngũ Marketing và Data Engineering

Hãy tưởng tượng bạn là một marketer đang lên kế hoạch cho chiến dịch lôi kéo khách hàng quay lại (win-back) và bạn yêu cầu đội ngũ dữ liệu cung cấp danh sách “khách hàng không hoạt động”. Bạn mong đợi đó là những người chưa mua bất cứ thứ gì trong 90 ngày. Danh sách trả về lại dựa trên những người dùng chưa mở ứng dụng trong 30 ngày, vì đó là cách định nghĩa “không hoạt động” trong dữ liệu.

Hoặc bạn yêu cầu cập nhật đối tượng theo thời gian thực (“real-time”) để tránh gửi tin nhắn “chúng tôi nhớ bạn” cho người vừa đặt hàng xong. Bạn hình dung về một danh sách được làm mới sau mỗi 15 phút. Đội ngũ dữ liệu lại hiểu là “cập nhật trong vòng vài giây” và quay lại với các câu hỏi về cơ sở hạ tầng mới, chi phí vận hành và mốc thời gian dài hơn.

Những khác biệt này ảnh hưởng đến những gì được xây dựng, chi phí bao nhiêu và khi nào marketing có thể sử dụng. Việc thống nhất sớm về ý nghĩa của “khách hàng”, điều gì tạo nên một đối tượng sẵn sàng và tín hiệu cần mới đến mức nào có thể ngăn chặn những hiểu lầm dẫn đến việc phải làm lại chiến dịch.

Hướng dẫn này bao gồm 24 thuật ngữ mà marketing và kỹ thuật dữ liệu thường hiểu khác nhau, được sắp xếp xoay quanh năm câu hỏi thực tế về việc thực thi chiến dịch. Hãy sử dụng các định nghĩa đối chiếu này làm điểm khởi đầu cho các cuộc thảo luận: bộc lộ các giả định, làm rõ nhu cầu của mỗi bên và thống nhất ý nghĩa phù hợp với doanh nghiệp của bạn trước khi bắt đầu công việc.

Tải trọn bộ 24 thuật ngữ trong bản PDF có thể in tại đây.

1. Dữ liệu chiến dịch đến từ đâu?

Thông tin trong một công cụ marketing có thể phụ thuộc vào nhiều hệ thống và các bước xử lý. Hiểu được lộ trình đó giúp bạn giải thích những gì mình cần và xác định xem một thay đổi thuộc về đâu. Ví dụ, hãy lấy một trường thông tin gọi là “ngày mua hàng gần nhất”. Trước khi sử dụng nó để xác định khách hàng đã rời bỏ, hãy thống nhất xem nó có bao gồm các đơn hàng bị hủy hay không và hệ thống nào cung cấp ngày đó.

Thống nhất về: Giá trị đến từ đâu, bao gồm những gì và ai là người duy trì.

2. Bản ghi khách hàng đại diện cho ai?

Danh tính khách hàng quyết định ai được bao gồm, loại trừ, hoặc tệ hơn – bị đếm hai lần. Hãy bắt đầu bằng việc xác định một bản ghi đại diện cho cái gì và làm thế nào để đội ngũ quyết định rằng hai bản ghi thuộc về cùng một đối tượng.

Kiến thức của marketing về mối quan hệ khách hàng giúp kỹ thuật đưa ra quyết định tốt hơn về danh tính. Trong ví dụ về chiến dịch lôi kéo khách hàng quay lại, một cá nhân và một hộ gia đình đều là những cách hữu ích để tổ chức dữ liệu khách hàng. Chiến dịch cần một lựa chọn rõ ràng giữa hai cách này. Chế độ xem hộ gia đình có thể phù hợp với ưu đãi giới hạn một lần mỗi nhà. Chế độ xem cá nhân có thể phù hợp với quyền lợi khách hàng thân thiết của từng người.

Một nền tảng dữ liệu chung cho phép các đội ngũ duy trì các chế độ xem được đặt tên rõ ràng cho các mục đích đó và tái sử dụng chế độ xem phù hợp. Mỗi chế độ xem cần một ý nghĩa được ghi chép lại, các định danh được sử dụng để kết nối bản ghi và người chịu trách nhiệm cho các quy tắc khớp dữ liệu.

Thống nhất về: Chiến dịch nhắm mục tiêu vào cá nhân, tài khoản, hộ gia đình hay thiết bị, và cách các bản ghi liên quan được khớp với nhau.

3. Điều gì khiến một đối tượng sẵn sàng để kích hoạt?

Một đối tượng trải qua nhiều trạng thái: các quy tắc định nghĩa nó, các bản ghi đủ điều kiện và các bản ghi mà đích đến có thể sử dụng. Mỗi trạng thái trả lời một câu hỏi khác nhau về mức độ sẵn sàng của chiến dịch.

Giả sử 50.000 người khớp với một phân khúc, nhưng nền tảng email chỉ chấp nhận 47.000 bản ghi trong số đó. Trong ví dụ này, sự khác biệt có thể phản ánh các định danh đích đến bị thiếu, các bản ghi bị từ chối hoặc các loại trừ được áp dụng trong quá trình gửi. Đội ngũ cần giải trình sự khác biệt đó trước khi quyết định đối tượng đã sẵn sàng.

Việc giữ cho định nghĩa, tư cách thành viên được đánh giá và kết quả phân phối có thể xác định được sẽ giúp việc này dễ dàng hơn. Marketing có thể kiểm tra xem các quy tắc có phản ánh đúng đối tượng mục tiêu hay không. Engineering có thể kiểm tra xem các bản ghi chính xác đã đến đích chưa. Cả hai đều có thể phân biệt giữa các trường hợp loại trừ dự kiến với một vấn đề cần khắc phục.

Độ chính xác tương tự cũng giúp ích cho các dự đoán. Nếu chiến dịch cần một điểm số xu hướng (propensity score), hãy đặt tên cho dự đoán đó và mục đích ước tính của nó. Điều đó cung cấp cho nhóm thứ gì đó cụ thể hơn để xây dựng và xác thực thay vì chỉ gọi chung là "mô hình".

Thống nhất về: Các quy tắc chọn đối tượng, dự đoán hoặc đặc điểm cần thiết, và cách thức xác thực việc phân phối.

4. Khi nào dữ liệu đủ mới?

Độ mới (freshness) phụ thuộc vào quyết định khách hàng mà bạn đang cố gắng thực hiện. Một chiến dịch đơn lẻ có thể có nhiều yêu cầu về thời gian, ngay cả khi dữ liệu của nó đến từ cùng một nền tảng.

Hãy xem xét điểm số churn được tính toán mỗi đêm và gửi đến công cụ tương tác mỗi 15 phút. Việc phân phối thường xuyên hơn không làm cho dự đoán đó mới hơn 15 phút. Nó vẫn dựa trên kết quả tính toán hàng đêm.

Bây giờ, hãy thêm một khách hàng mua hàng vào sáng nay. Chiến dịch có thể cần loại bỏ người đó khỏi tệp đối tượng "win-back" trước lần gửi tiếp theo, trong khi điểm số churn có thể đợi đến lần tính toán theo lịch trình tiếp theo. Đó là những yêu cầu riêng biệt với các hệ quả khác nhau đối với khách hàng.

Để làm cho độ mới trở nên có ý nghĩa, hãy xác định điểm bắt đầu và kết thúc của độ trễ: từ lúc giao dịch mua hàng diễn ra đến khi nó khả dụng trên nền tảng dữ liệu, từ lúc khả dụng đó đến khi thay đổi tư cách thành viên, hoặc từ lúc thay đổi tư cách thành viên đến khi đích đến có thể thực hiện hành động.

Những phân biệt này giúp nhóm đầu tư vào tốc độ ở những nơi tạo ra sự thay đổi về trải nghiệm. Chúng cũng cung cấp cho Marketing cách mô tả vấn đề tốt hơn là nói rằng toàn bộ chiến dịch cần phải là "thời gian thực".

Thống nhất về: Sự kiện khách hàng nào bắt đầu tính thời gian, nơi dữ liệu cập nhật phải khả dụng, và độ trễ chấp nhận được.

5. Ai chịu trách nhiệm khi dữ liệu được sử dụng?

Việc truy cập vào dữ liệu khách hàng đặt ra các câu hỏi về ý nghĩa, mục đích sử dụng được phép và quyền sở hữu liên tục. Những trách nhiệm đó vẫn tiếp diễn khi một tệp đối tượng rời khỏi nền tảng dữ liệu.

Trên thực tế, quản trị cũng bao gồm chất lượng dữ liệu, quyền sở hữu và mục đích sử dụng phù hợp. Một điểm khởi đầu hữu ích là xác định nguồn được chỉ định cho mỗi quyết định. Hệ thống thiết lập danh tính khách hàng có thể khác với hệ thống ghi lại tùy chọn kênh hoặc tính toán doanh thu.

Sau đó, theo dõi dữ liệu đến đích của nó. Một đối tượng đủ điều kiện khi xuất ra có thể cần được cập nhật loại trừ trước một lần gửi sau đó. Một bản sao đã lưu có thể tồn tại lâu hơn cả chiến dịch đã tạo ra nó. Các nhóm cần biết cách các thay đổi đến được đích và ai sở hữu công việc đó khi chúng không đến nơi.

Databricks CustomerLake, Agentic CDP, mang các khả năng của nền tảng dữ liệu khách hàng vào Databricks và nền tảng quản trị của nó. Làm việc từ nền tảng chia sẻ đó mang lại cho các nhóm Marketing và dữ liệu một nơi để chia sẻ ngữ cảnh khách hàng đáng tin cậy.

Thống nhất về: Nguồn đáng tin cậy cho mỗi quyết định, mục đích sử dụng được phép và người chịu trách nhiệm cập nhật tại đích.

Bài gốc còn tiếp — xem tiếp tại bài gốc ↗