Datasanasto

Valoputkista muodostettu sana D-A-T-A

Oletko hukassa datatermien viidakossa? Ota keskeinen sanasto talteen täältä!

Datasta puhutaan yritysmaailmassa jatkuvasti. Aiheen ympärillä pyörii kuitenkin paljon termejä ja lyhenteitä, jotka eivät vielä täysin avaudu niihin perehtynyttä data-ammattilaisten joukkoa laajemmin. 

Koska data on yhä tiiviimmin osa päivittäistä työtä niin myynnissä, markkinoinnissa kuin muussakin liiketoiminnassa, tässä koottuna yleisimpiä termejä käytännönläheisin esimerkein.

Minun data, sinun data, hänen data

First-party-data

Mitä se on: First-party-datasta eli ensimmäisen osapuolen datasta puhutaan silloin, kun kyseessä on sinun tai yrityksesi oma data.

Tällaiseksi dataksi voidaan luokitella esimerkiksi verkkosivustolta kerätty online-käyttäytyminen, tehdyt toiminnot, yrityksen asiakasrekisteri ja applikaatioiden data.

Soveltuvan teknologian avulla voit muuttaa first-party-datan liiketoimintasi kasvun mahdollistajaksi.

Mitä hyötyä siitä on sinulle: Verkkosivustoilla ja asiakasrekisterissä olevat kuluttajat ovat yrityksesi aktiivisia tai potentiaalisia asiakkaita. Soveltuvan teknologian avulla voit ymmärtää asiakkaiden tarpeita ja kiinnostuksen kohteita paremmin ja muuttaa tämän datan liiketoimintasi kasvun mahdollistajaksi.

Valoputkista muodostettu D-kirjain

Second-party-data

Mitä se on: Second-party-data eli toisen osapuolen data on käytännössä kuin ensimmäisen osapuolen dataa, koska sitä hyödynnetään suoraan datalähteestä.

Se ei ole kuitenkaan yrityksesi omistamaa dataa, vaan sitä voidaan saada käyttöön esimerkiksi kahden yrityksen kumppanuuden seurauksena.

Aller Median ja MTV:n yhdistettyä online-sivustoilta kerättävän kiinnostedatansa yhteiseksi kaupalliseksi tuotteeksi tuli näiden eri yritysten datoista toisilleen second-party-datoja.

Mitä hyötyä siitä on sinulle: Kumppanuus voi olla järkevä vaihtoehto, jos haluat kasvattaa yrityksesi kilpailukykyä ilman raskaita yritysostoja.

Yksi konkreettinen kumppanuuden hyöty voikin olla rikkaampi asiakasdata, joka viisaasti hyödynnettynä on käännettävissä yhdeksi yrityksesi tärkeimmistä kasvun raaka-aineista.

Third-party-data

Mitä se on: Third-party-datasta eli kolmannen osapuolen datasta puhutaan silloin, kun kyseessä on ulkopuolisen tahon keräämä ja jalostama data.

Third-party-datan ostajan kannattaa kiinnittää tarkasti huomiota myynnissä olevan datan laatuun ja eettisyyteen.

Tällaista dataa voidaan hyödyntää monipuolisesti niin liiketoiminnan kehittämisessä kuin markkinoinnissakin maksua vastaan.

Kolmannen osapuolen dataa tarjoavia toimijoita on paljon, joten datan ostajan kannattaa kiinnittää tarkasti huomiota myynnissä olevan datan laatuun ja eettisyyteen.

Mitä hyötyä siitä on sinulle: Kolmannen osapuolen datan hyödyntäminen on järkevä vaihtoehto, kun haluat hyötyä datasta, jota omasta yrityksestäsi ei saada.

Tällaisella datalla voit esimerkiksi rikastaa omaa asiakasrekisteriäsi tai markkinoida kohderyhmille, joihin myymäsi tuote vetoaa.

Kolmansien osapuolten tarjoamissa datoissa voi kuitenkin olla suuriakin laadullisia eroja, joten kannattaa olla tarkkana.

Valoputkesta muodostettu A-kirjain

DMP (Data Management Platform)

Mikä se on: DMP tarkoittaa teknologiaa, jolla voidaan kerätä ja jossa voidaan hallita suuria määriä online-dataa eri lähteistä. DMP:stä data johdetaan usein eteenpäin kaupallisesti hyödynnettäväksi toisiin teknologioihin.

Data Refineryssa data johdetaan DMP:hen ja sieltä eteenpäin esimerkiksi ohjelmallisen ostamisen järjestelmiin, kuten Adformiin ja Aller Median mainonnanhallintaan DFP:hen (DFP on Googlen tarjoama mainonnanhallintajärjestelmä, DoubleClick For Publishers).

Mikäli yrityksesi tahtoo kaupallistaa datansa, DMP on tärkeä osa sen mahdollistamista.

Mitä hyötyä siitä on sinulle: Mikäli yritykselläsi on valtava määrä dataa ja haluat kaupallistaa sitä joko omaan tarkoitukseesi tai ulkopuolisille ostettavaksi, DMP on tärkeä osa sen mahdollistamista.

DMP:iden ansiosta voit myös käyttää monipuolisesti dataa esimerkiksi ohjelmallisen ostamisen datakohdennuksina. DMP-toiminnon voit joko rakentaa suoraan omalle yrityksellesi tai hyödyntää datan kaupallistamista tarjoavaa ammattilaisyritystä.

DAP (Data and Analytics Platform)

Mikä se on: DAP tarkoittaa data- ja analytiikka-alustaa.

DAP on yksinkertaistettuna tietokantarakenne, joka mahdollistaa esimerkiksi henkilötietoja sisältävän datan käsittelyn niin, että EU:n tietosuojadirektiivin vaatimukset täyttyvät. DAP:issa tapahtuvat myös online- ja offline-datojen yhdistymiset.

Data Refinery rakensi tällaisen alustan yhteistyössä Big Data Pumpin kanssa, mahdollistamaan skaalautuvan ja EU:n tietosuojastandardin vaatimukset kestävän liiketoiminnan.

DAP mahdollistaa henkilötietoja sisältävän datan käsittelyn niin, että EU:n tietosuojadirektiivin vaatimukset täyttyvät.

Mitä hyötyä siitä on sinulle:  Osana kokonaisuutta DAP-teknologia mahdollistaa datan muuttamisen muotoon, jossa sen on mahdollista tuoda aitoa lisäarvoa liiketoiminnallesi.

Yrityksen edustajana sinulle on mahdollista ostaa datan kaupallistaminen palveluna ja hypätä moderniin dataliiketoimintaan ketterästi.

Valoputkista muodostettu T-kirjain

Muuta sanastoa:

Avoin data: Yritykselle kertynyt tieto, joka on avattu ilman erillistä maksua hyödynnettäväksi myös organisaation ulkopuolisille.

Datakohderyhmä: Ryhmä valittuja kiinnostuksen kohteita tai ominaisuuksia sisältäviä evästeitä, esimerkiksi lomamatkasta haaveilevat.

Datalähde: Verkkosivu, applikaatio tai asiakasrekisteri, josta dataa kerätään.

Datan kaupallistaminen: Datan jalostaminen hyödyttämään joko omaa liiketoiminnan kasvua tai datan myymistä organisaatiosta ulospäin.

Datapoiminta: Asiakasrekisteristä tai datalähteestä kerätään haluttu kohderyhmä jatkohyödyntämistä varten. Voidaan käyttää markkinointiin, tuotekehitykseen, parempaan päätöksentekoon yrityksessä jne.

Klusterointi: Kerätyn tiedon ryhmittäminen samankaltaisuuden perusteella. Esimerkiksi kyselytutkimuksissa samankaltaisesti vastanneet kuluttajat muodostavat oman klusterin.

Look-a-like: Tapa mallintaa sellaisia online-kohderyhmiä, jotka ovat vastaavia siemenaineiston kanssa.

Jos yritys tahtoo esimerkiksi löytää lisää Opel-merkkisistä autoista kiinnostuneita, voidaan tällaisen kiinnostuksen omaava kohderyhmä löytää look-a-like-mallinnuksen avulla.

Mallinnus (tilastollinen): Siemenaineiston löydökset yleistetään koskemaan koko populaatiota tilastollisen mallinnuksen avulla. Yksi mallinnustapa on esimerkiksi edellä mainittu Look-a-like.

Offline-data : Kuluttajaan liittyvää tietoa, jota on kerätty useasta eri lähteestä. Lähteenä käytetty esimerkiksi Allerin markkinointirekisteriä.

Kuluttajaan liittyvä tieto voi olla joko faktaa tai ennustettua tietoa. Faktatietoa on esimerkiksi kuluttajan nimi ja ennustettu tieto esimerkiksi kuluttaja on kiinnostunut jääkiekosta.

Online-data: Online-kanavan, kuten verkkosivuston tai applikaation data, joka kuvaa kuluttajien käyttäytymistä tai tehtyjä toimenpiteitä.

Online-datan avulla voidaan ymmärtää verkkokävijöiden kiinnostuksia ja ostokäyttäytymistä sekä reaaliaikaisia ostohaluja. Tätä tietoa voidaan hyödyntää esimerkiksi relevantimman mainonnan tekemiseen.

Ohjelmallinen data: Datan hyödyntäminen järjestelmien kautta tapahtuvassa markkinoinnissa. Esimerkiksi Adformin, Appnexuksen tai Googlen Bid Managerin kautta ostettaviin online-kampanjoihin voi myös ostaa ohjelmallista dataa.

Pisteytys: Tilastollinen malli, jonka avulla etsitään todennäköisyyttä esimerkiksi uuden auton ostamiselle. Pisteytyksen avulla useasta tiedosta koostuva monimutkainen asetelma muuttuu yksinkertaiseksi pistearvoksi.

Profiili: Kohteen, esimerkiksi erilaista online-dataa sisältävän selaimen, ominaisuuksien kuvaus.

Yksi profiili voi sisältää esimerkiksi kiinnostedataa liittyen jääkiekkoon, Aasian matkailuun ja valokuvaukseen. Lisäksi profiiliin voi olla liitettynä erilaisia demografioita, kuten ”mies 30–35 vuotta”.

Profilointi: Profiloinnissa arvioidaan asiakkaiden tiettyjä ominaisuuksia.

Profiloinnin avulla ymmärretään esimerkiksi asiakkaiden sukupuoli- ja ikäjakauma, joiden lisäksi pystytään kertomaan mm. asuinaluejakauma sekä arvioimaan sitä, minkä tyyppistä asiakkaiden osto- ja verkkokäyttäytyminen on.

Profiloinnin avulla pystytään esimerkiksi arvioimaan, minkä tyyppistä tietyn ryhmän osto- ja verkkokäyttäytyminen on.

Segmentointi: Yrityksen asiakaskunnan jakaminen osiin niin, että saman tyyppiset profiilit kuuluvat samaan segmenttiin ja toisistaan poikkeavat profiilit eri segmentteihin.

Esimerkiksi samassa jazz-musiikkitapahtumassa käyvä yleisö omaa yhteisen kiinnostuksen jazz-musiikkiin, mutta muuten he voivat olla hyvinkin erilaisia. On siis syytä jakaa tämä porukka esimerkiksi 5 ryhmään muiden kiinnostusten ja ominaisuuksien mukaan.

Esimerkiksi maaseudulta kotoisin olevat, 60–70-vuotiaat miehet kuuluisivat eri segmenttiin kuin kaupunkilaiset alle 35-vuotiaat naiset.

Segmentti: Asiakasryhmä. Yksi segmentti voisi olla esimerkiksi 30–40-vuotiaat perheelliset naiset, jotka suosivat luomua ja lähiruokaa.

Visuaalinen data: Graafinen tapa esittää tietty asia visuaalisemmin.

VKL eli verkkokäyttäytymisluokitus: Data Refineryn kehittämä verkkokäyttäytymisluokitus on rikas ja kattava kuvaus suomalaisista kuluttajista.

Yksittäisen kiinnostuksen kohteen sijasta VKL kuvaa kuluttajaa kokonaisuutena ja lukee mukaan tämän kiinnostukset, elämäntyylin ja ostokäyttäytymisen.

Weedaus: Asiakasrekisterien ristiinajo päällekkäisyyksien poistamiseksi.

Valoputkista muodostettu A-kirjain