Reference › Action selection from AS findings

Action selection from AS findings

Action selection from AS findings

An AS finding is not a number; it is a structured measurement with multiple layers. Action selection works from the layers, not from the headline.

The reading proceeds top-down for engagement-level conversation and bottom-up for action selection. The two readings produce the same conclusions but follow different paths.

Top-down reading:

  1. Headline AS — what scoring band is the brand in? Critical, Developing, Strong, or Elite?
  2. Pillar scores — which of the three pillars is the strongest, which is the weakest, which is balanced?
  3. Vector scores within the weakest pillar — which vector is dragging the pillar down?
  4. Datapoint scores within the dragging vector — which specific datapoints are at floor or low?
  5. Action selection — which actions affect those datapoints?

Bottom-up reading:

  1. Datapoint scan — which datapoints are at floor or low?
  2. Datapoint clustering — do they share a vector or a pillar?
  3. Vector and pillar implications — does the cluster indicate systemic deficit or concentrated deficit?
  4. Stage assessment — does the brand’s overall pattern indicate foundations, depth, or authority stage?
  5. Action selection — what is the right action set for the identified deficit and stage?

For action selection specifically, the bottom-up reading is usually more precise because it surfaces specific datapoints rather than inferring them from aggregate scores.

Pemilihan action dari temuan AS

Temuan AS bukan sekadar angka; ia adalah pengukuran terstruktur dengan beberapa lapisan. Pemilihan action bekerja dari lapisan-lapisan tersebut, bukan dari angka utama.

Pembacaan dilakukan secara top-down untuk percakapan tingkat engagement dan bottom-up untuk pemilihan action. Kedua pembacaan menghasilkan kesimpulan yang sama, tetapi mengikuti jalur yang berbeda.

Pembacaan top-down:

  1. AS utama — di band penilaian mana merek berada? Critical, Developing, Strong, atau Elite?
  2. Skor pillar — mana dari ketiga pillar yang paling kuat, mana yang paling lemah, mana yang seimbang?
  3. Skor vector dalam pillar terlemah — vector mana yang menarik pillar ke bawah?
  4. Skor datapoint dalam vector yang menarik ke bawah — datapoints spesifik mana yang berada di floor atau rendah?
  5. Pemilihan action — action mana yang memengaruhi datapoints tersebut?

Pembacaan bottom-up:

  1. Pemindaian datapoint — datapoints mana yang berada di floor atau rendah?
  2. Pengelompokan datapoint — apakah mereka berbagi satu vector atau satu pillar?
  3. Implikasi vector dan pillar — apakah kluster tersebut mengindikasikan defisit sistemik atau defisit terkonsentrasi?
  4. Penilaian tahap — apakah pola keseluruhan merek mengindikasikan tahap Foundations, depth, atau authority?
  5. Pemilihan action — apa kumpulan action yang tepat untuk defisit dan tahap yang teridentifikasi?

Untuk pemilihan action secara khusus, pembacaan bottom-up biasanya lebih presisi karena ia menampilkan datapoints spesifik alih-alih menyimpulkannya dari skor agregat.