Data-driven маркетинг как часть аналитической культуры компании

Smart Analytics

Smart Analytics

платформа сквозной аналитики enterprise-уровня
12 мин.

Выступление Алены Артемьевой, директора по аналитике «Альфа-Капитал», на конференции по маркетинговой аналитике «Матемаркетинг-2019».

Зачастую, каждая отдельная компания говорит о том, что они data-driven и у них все основано на данных, с которыми нет никаких проблем, но на самом деле это выливается в нечто подобное:

Есть очень много мифов о том, что  мешает построить компанию основанную на данных и оцифровать её. Я консультировала и работала в достаточно большом количестве крупных компаний. Последнее место моей работы это Альфа-капитал, до этого я работала в компании BIglion. Задача была стандартная: нам необходимо было построить все с нуля и главное системно подходить к этой истории. Нужно знать, что мы получим в конечном итоге, делать прогнозы и обосновывать это на цифрах. 

Но при этом нужно понимать, что data-driven company (DDC) это не только data-driven маркетинг, к ней также относятся: продажи, закупки и даже HR. В последнее время появилось много кейсов о том, как использовать e-mail в HR-аналитике, как предсказывать отток сотрудников, что с этим делать и как с этим работать. Всё зависит от того, какая структура у вашей компании. Нельзя построить хорошую историю, если у вас оцифрован только один департамент, потому что инфраструктура IT, где хранятся ваши данные должна быть единым целым. 

Поскольку я консультирую компании, которые пытаются разобраться с данными, то я для себя выделила четыре основных мифа, которые постараюсь опровергнуть:

Миф 1. Это только для крупных компаний

Существует мнение, что стартапу еще далеко до этого и им это не нужно на данном этапе развития. На самом деле, все не так, потому что даже небольшой компании, которой нужно сводить прибыль и убытки, которой нужно понимать куда уходят деньги и насколько она эффективна, без этого никак не обойтись, особенно если этот стартап существует на деньги инвестора. Я работала в такой компании, и мы оцифровали буквально все, потому что нам нужно было отчитываться за каждую копейку. Поэтому масштаб компании далеко не говорит о том, что нам еще рано что-то считать. Здесь важно то, что вы рано или поздно вырастите и вы рискуете упустить тот момент, когда уже пора считать. Многие допускают эту ошибку и упускают тот самый момент.

Естественно, для того, чтобы анализировать данные, нужно их собрать, выстроив при этом единую культуру сбора данных. И вот здесь есть несколько ошибок: 

  • мы собираем все подряд в надежде на то, что когда-нибудь нам это пригодится. В этом случае мы рискуем собрать данные, которые очень быстро устареют, особенно если это онлайн бизнес. У нас может измениться ассортимент, витрина или же вообще направление бизнеса. Плюс ко всему это загружает серверные, которые стоят дорого и мы можем не вместить то, что нам действительно нужно. 
  • зачем нам данные? Важно, чтобы отчетность, которую мы сдаем в налоговую была правильно составлена. Рано или поздно, компания, когда она хочет большего развития может поздно прийти к этому, либо же пришли конкуренты и заняли какую-то часть рынка и мы вынуждены начинать искать проблемы и анализировать данные. Мы сталкиваемся с тем, что данных нет и анализировать нечего, то есть лучше позаботиться о том, чтобы собирать какие-то данные с самого начала. 
  • плохое качество собранных данных. Не все обращают внимание насколько действительно корректные контакты, которые вам оставил клиент, не написал ли он какие-то фейковые номера телефонов и т.д.. 

DDM не может существовать в отрыве от всего. Когда мы собираем данные, аналитик может генерировать большое количество разных идей касающихся сбора данных, но все-таки нужно исходить от цели бизнеса. Есть маркетинговые стратегии, стратегии развития продаж и так далее. Когда вы собираете данные, вы должны понимать как вы будете их использовать. А придумывать огромные регистрационные формы на 20 полей, в которых собрано все, что угодно – это не самый правильный путь. Лучше, если вы будете сразу представлять цифровой портрет клиента, где будут прописаны основные признаки, которые его характеризуют. 

Если вы действительно хотите знать, что у вас  происходит, то вам необходим минимальный набор метрик для маркетинга. Кроме Revenue, Average Check, Active Clients, Marketing Budget есть относительные показатели такие как CPO, CAC, LTV и т.д.. Они необходимы для того, чтобы понимать насколько  эффективно вы строите свой маркетинг, независимо от размера вашего бизнеса. Если вы действительно хотите знать: зарабатываете вы или тратите.

Когда мы что-то измеряем, не стоит забывать о том, что не все метрики одинаково полезны. Есть метрики тщеславия и метрики качества. Метрики тщеславия –  это метрики, которые, как правило, имеют количественное выражение, то есть это трафик, количество подписчиков,  лидов, шерингов и т. д.. При всем этом есть метрики  качества, которые люди не хотят выставлять на показ, потому что они чаще всего  показывают действительное состояние дел – метрики эффективности вашего бизнеса (LTV, Average Check, Installs). Часто, многие допускают ошибку и об этих метриках забывают и ориентируются на метрики тщеславия. 

Миф 2. Это очень сложно

Мы начинаем представлять огромное количество сложного и дорогого софта, большой штат аналитиков и т.д.. В DDM важно начать использовать простые формулы, инструменты и механики. Главное преодолеть первичный страх. Ну и конечно же не всегда самый сложный путь – самый правильный, не обязательно сложная модель даст вам большую точность значимо отличную от простой модели, которую также можно применять в вашем бизнесе. Естественно, если у вас есть хорошие аналитики они смогут снять с вас этот первичный страх объяснив вам сложные вещи простыми словами и хороший маркетолог, который тоже умеет считать, так как сейчас маркетинг все больше от простого креатива уходит к цифрам.

Почему еще сложно? Мы не понимаем как общаться с аналитиками, как их нанимать, что им говорить, какого рода ставить задачи и т.д..

Часто случается, что бизнес вообще не понимает зачем нужен аналитик. Так для чего же он нужен?

  • Знает, где искать потери.
  • Скажет, куда и почему утекают деньги.
  • Покажет новые возможности заработать больше
  • Может иногда заменить штатного психолога.

Основная задача аналитика – превращать данные в ценность и извлекать из них доход.

Есть несколько вариантов устройства аналитики в компании, каждый выбирает свой путь. Для себя я выбрала тот вариант, когда независимое подразделение подчиняется генеральному директору и в каждой из продуктовых команд существует свой аналитик. Но если у вас маленькая компания и у вас нет отдельных департаментов, то скорее всего этот вариант вам не подойдет. 

Какие я определила плюсы выделенного департамента аналитики: 

  • независимость, отсутствие давления и заинтересованности в искажении информации;
  • единый центр методологии расчета показателей;
  • единая точка выхода отчетности (стандартизация);
  • единая точка компетенций в части методологии и особенностей БД;
  • обучение в команде;
  • обеспечение преемственности знаний.

Очень трудно компаниям у которых нет аналитиков и они не понимают как их нанимать. Почему сложно начинать DDM историю? Если нет компетенции внутри компании, то никто не сможет проверить и компетентность аналитика.

Хороший аналитик должен:

  • обращаться к БД сам;
  • делать понятные выводы и предлагать решения проблем;
  • хорошо визуализировать данные;
  • иметь свою точку зрения и быть способным обосновать ее цифрами;
  • быть проактивным, способным предложить лучшее решение вашей задачи, а не просто следовать некорректному ТЗ;
  • быть самостоятельным,  работать не только по ТЗ и внешним задачам, так как он должен знать, куда нужно “копать”;
  • анализировать не только узкую область, постоянно развиваться.

 Конечно же нужно понимать, что проблема у бизнеса тоже есть, здесь не только в аналитиках проблема. Всё потому что бизнес не может общаться с аналитиком на одном языке. Здесь важен диалог, чтобы понять суть задачи и что вы хотите увидеть в итоге.

Часто сложность в построении аналитики – следствие проблем в IT:

  • есть множество не связанных между собой источников данных;
  • данные в разных системах расходятся;
  • методика расчета показателей различается в разных отчетах;
  • за качеством и полнотой данных никто не следит;
  • описание БД отсутствует;
  • архитектурой никто не занимается;
  • вся разработка внешняя и найти “концы” почти невозможно;
  • основная БД перегружена и не позволяет нормально строить отчеты напрямую;
  • IT и бизнес принимают решения по данным без участия аналитиков. К сожалению, бизнес часто допускает эти ошибки и я лично сталкивалась с несколькими случаями.

Как мы пытались решать эти проблемы, которые могут быть абсолютно у всех:

  • “завели” собственного разработчика  в команде аналитики;
  • создали свою БД на ClickHouse;
  • создали свою систему alarms при загрузке данных;
  • своими силами ответили на вопрос бизнеса “почему все данные не совпадают?”;
  • уговорили IT включать аналитиков в процессы, связанные с изменением архитектуры данных с добавлением таблиц;
  • перед проведением любой акции договорились закреплять конкретные метрики и отслеживать их изменение;
  • стандартизировали методологию расчета показателей;
  • начали вести динамические ряды и фиксировать эффекты от маркетинговых акций;
  • избавились от неиспользуемых отчетов.

Ниже приведена упрощенная схема того, что мы получили в результате на одном из проектов: мы собрали данные отовсюду, поместили их в одно место и оттуда мы смогли строить дашборды в tableau и google data studio.

Как преодолеть проблемы сложности? Необходимо делать декомпозицию основных метрик, разделять KPI и метрики, так как KPI – это ключевой показатель, а метрики – показатели, которые на него влияют. Если у вас есть разделение, иерархия, пирамида, треугольник, то дальше все очень просто: у вас есть ключевые показатели, вы знаете какие факторы на него влияют и когда у вас что-то происходит, вы можете быстро понять причинно-следственную связь и дальше сделать прогноз.

Можно разобрать один классический пример: есть случай падения конверсии и есть специалист, который отвечает за конверсию. Он проводит A/B тесты и должен улучшать показатели, но конверсия все равно падает. Нужно понимать, что конверсия состоит из многих факторов, которые на нее влияют и когда она падает это говорит не о том, что все плохо работает, а это значит, что у нас просто изменилась структура трафика. Например, может резко увеличится доля контекстной рекламы, которая более низко конверсионная, может увеличится доля мобильного трафика на витрину, мобильный трафик может быть в разы менее конверсионным, может увеличится  доля новых клиентов, конверсии которых гораздо ниже. То есть структурные сдвиги очень часто многие упускают из виду и смотрят просто на финальный показатель, что есть не правильно.

Для того, чтобы сделать правильные выводы необходимо опираться на максимально большой объем информации, поэтому плоский анализ он не очень хороший. Например, когда мы смотрим на график и ориентируемся на метрики тщеславия. Если смотреть на левый график, который приведен ниже, мы видим, что у нас продажи товара в одном регионе гораздо выше, чем в другом – это как раз метрики тщеславия (количество проданного товара). Но, когда мы идем в качественные метрики показателей эффективности – мы видим, что прибыль в целом и в расчете на один товар у этого региона гораздо хуже. Возможно он там акции не очень хорошие проводит и маржу убивает, возможно он не то продает и т.д. Если бы мы ориентировались только на показатель продаж мы бы ставили в пример регион 2. Тоже самое и акции касается: здесь может быть количество заказов по итогам акции. Но как только мы смотрим на всю картину в целом, мы понимаем, что не стоит регион 2 ставить всем в пример.

По мировому исследованию, компании и бизнес в целом не очень доверяют аналитикам. Многие действует по принципу я эксперт, я лучше знаю. Если вы нанимаете достаточно дорогих людей, вы должны им больше доверять. Понятно, что экспертное мнение имеет место быть, но нельзя ему абсолютно на сто процентов доверять, потому что ни один человек не может быть всегда прав.

Нужно основываться на данных: когда мы все просчитываем и прогнозируем, а экспертное мнение мы принимаем во внимание, но это не основное, на что мы ориентируемся.

Миф 3. Это очень дорого

Не обязательно покупать какой-то безумно дорогой софт, внедрять сразу огромную систему, которая добавит вам сложности, потому что не всегда дорогая BI-система, CRM системы – это залог того, что у вас все будет хорошо. Во-первых, к дорогой BI-системе должен прилагаться хороший специалист, который в ней разбирается. Тот факт, что вы что-то установили и заплатили за это несколько миллионов рублей вообще ничего не говорит. Это может у вас стоять годами и вы не сможете этим пользоваться в полную мощность. Ну и конечно же хороший аналитик может вам помочь разобраться с данными без сложного софта: есть язык запросов, есть бесплатные программы для прогнозирования, то есть можно построить какие-то модели, сделать сегменты, что-то проанализировать без использование сложных  аналитических модулей CRM. Это будет базовая история, но лучше так, чем вообще никак. 

Существует огромное количество бесплатных инструментов, которые дают вам очень много возможностей для анализа данных и об этом часто забывают. Еще несколько ошибок, когда мы говорим о BI-системе, где нужно  визуализировать отчетность, чтобы быть data-driven:

  • Чем больше дашбордов, тем лучше. Когда у нас есть огромное количество разных графиков, то создается иллюзия контроля. Особенно этим грешат некоторые CEO. Ты не можешь одновременно понимать во всех метриках хорошо и ты не понимаешь куда смотреть. 
  • Data-driven равно огромное количество отчетов. Очень многие таблицы создаются один раз и про них забывают, создавая каждый раз новые. Здесь не та история где качество равно количество. 

Ниже представлены уровни отчетности, которые я упоминала ранее. Есть 4 уровня, у которых есть свои дашборды с ключевыми показателями, которыми мотивирована вся компания. Чем дальше мы продвигаемся по этой воронке, тем получаем большее количество метрик с высокой степенью детализации. Когда это все собирается в общее KPI мы понимаем ту самую причинно-следственную связь о которой я говорила, когда развеивала миф 2.

Не совершайте детских ошибок визуализации данных и не ищите удобные периоды и шкалы. Многие выбирают не те показатели и им кажется, что все в норме. Исходя из графика, мы видим в апреле резкий рост. Но на самом деле, если быть честными и показывать общую картинку, то мы видим, что в принципе апрель это сезонный период. Если этого не знать, то можно сделать совершенно не те выводы.

Что касается бесплатных инструментов, то их есть большое количество: и для визуализации данных и для анализа и для A/B тестирований и даже для построения БД.

Как мы использовали эти инструменты в компании Freshbroccoli, которая занималась доставкой продуктов питания: у нас не было много денег на сложные системы, поэтому мы создали свой портал на Google SQL Cloud. Мы собрали основные отчеты и сделали тепловую карту доставок, которая приведена ниже.

Далее, в Google Data Studio мы сделали ключевые отчеты, которые характеризовали бы эффективность нашей витрины, все что люди делают у нас в части веб-аналитики на нашей витрине. Google Data Studio имеет огромнейшее количество готовых шаблонов, в которые вы можете зайти и по образу и подобию сделать что-то свое. 

Миф 4. Это не приносит доход

На самом деле это не так и в этом как раз компании помогут A/B тесты. Когда мы тестируем какие-то гипотезы, начинаем работать по сегментам, принимать решение основанные на данных и считать uplift, мы понимаем, что это действительно работает и данные сами по себе это тот ресурс, который имеет стоимость. Очень многие компании сейчас уже начали объем накопленных данных включать в стоимость компании. Ну и конечно же, когда вы принимаете решения основанные на данных, у вас вероятность ошибки снижается. Не всегда важно заработать – важно не потерять.

Что для меня DDM и какие условия обязательны для его построения, чтобы у вас все было хорошо:

  • есть единое хранилище данных;
  • маркетинг, аналитики, финансы и IT действуют согласованно;
  • методология расчета показателей согласована и едина во всех отчетах;
  • все ключевые показатели в различных источниках сходятся;
  • существует понятная структура аналитической отчетности с описанием взаимосвязей основных метрик;
  • есть описание таблиц БД с картой связей;
  • есть описание отчетов и отсутствуют проблемы преемственности;
  • ведутся динамические ряды показателей;
  • есть зафиксированные показатели всех прошлых акций;
  • основной ориентир – метрика качества, а не тщеславия.

Еще один из самых главных пунктов правильного построения DDM – не пытайтесь никого обмануть с помощью данных.

Читайте также: