Data Driven: как принимать решения на основе данных

Data Driven (дословно — «управляемый данными») — это подход к управлению, основанный на данных. Его главный постулат: решения нужно принимать, опираясь на анализ цифр, а не интуицию и личный опыт.

Data Driven применяют в разных областях бизнеса и науки. Мы рассмотрим, как подход используется в digital: маркетинге, дизайне и менеджменте.

01

Готовность к инвестициям
Данные необходимо извлекать, хранить, анализировать, интерпретировать и визуализировать. На все это требуется внимание, время и деньги.

Умение анализировать и интерпретировать
Важная часть работы с данными — их анализ и построение гипотез. Для этого требуются специальные знания и опыт.

02

04

Принятие решений на основе данных
Прежде чем предпринять что-то важное, нужно собрать и проанализировать цифры.

Доверие данным
Данные должны быть точными и чистыми — тогда им можно будет доверять и правильно интерпретировать.

03

Подпишитесь на нашу рассылку — получите в подарок наглядную инструкцию, как использовать большие данные в маркетинге.

Получите эксклюзивный плакат «Big Data — что это такое?»

Отправляя, вы даете согласие на обработку персональных данных и получение ежемесячной рассылки

Понятие Data Driven появилось еще в 90-х годах прошлого века и получило широкое распространение в бизнесе. В менеджменте чаще всего всего упоминается термин Data Driven Decision, в переводе — «решения, принятые на основе данных».

Подход подразумевает, что нужно понимать данные и уметь строить прогнозы на их основе. То есть на этапе принятия решения должно быть понимание, на что оно повлияет, что нужно изменить, какого результата можно добиться. Так появился термин Data Driven Decision, который подразумевает использование фактических данных для принятия управленческих решений.

В первую очередь нужно определить бизнес-цель на текущем этапе, например, это может быть рост прибыли или доли на рынке. Второй шаг — обозначить стадии и промежуточные цели, достижение которых определяется метриками. Достижение метрики говорит о том, что компания движется в правильном направлении.

К примеру, рост прибыли можно оценить по количеству новых клиентов, среднему показателю оттока клиентов, размеру среднего чека, количеству повторных продаж, проценту конверсии и показателю маржинальности.

Важно, чтобы цели были достижимы, а метрики грамотно подобраны:

Метрика должна выражаться в относительных показателях. Например, измерять скорость удобнее всего в километрах в час, то есть скорость — это пройденное расстояние относительно времени.

•

Метрика должна быть сравнительной — это значит, что вы должны иметь возможность сравнить показатели с предыдущим периодом.

•

Их не должно быть много: по 3−5 на этап.

•

Популярные метрики для оценки бизнеса: уровень удовлетворенности клиента, вовлеченности сотрудников, объем прибыли до вычета расходов и т.д.

Еще один важный момент, который необходимо учитывать, — поведенческая психология руководителей, те моменты, когда интерпретация данных подстраивается под личные приоритеты менеджера.

В компаниях, где процесс принятия решений основан на данных, заведен четкий порядок: сначала принимающий решения определяет условия выбора и только после этого требует кропотливого анализа от остальной команды.

Кэсси Козырьков

главный специалист по принятию решений на основе данных в Google (Chief Decision Scientist)

Если в традиционном «ручном» подсчете используется небольшое количество данных, то может возникнуть дискуссия относительно репрезентативности построенных на основе этих данных графиков и диаграмм. Зато одной из удобных особенностей методики Big Data является возможность построить объективную и наглядную визуализацию. Такая опция обеспечивает понятность полученных данных даже специалистам, которые далеки от понимания технологии.

Сгенерированные на основе Big Data графики и тепловые карты можно использовать в качестве неопровержимого аргумента. Это особенно важно, когда необходимо принять решение о распределении бюджета. Если на длительном временном промежутке влияние определенного явления не очевидно, визуализация поможет увидеть взаимосвязь между явлениями. Аналогично, визуализация данных помогает оценить масштаб эффекта после введения определенных мер.

Американское издание Wall Street Journal продемонстрировало эффект на население после внедрения различных вакцин. Наиболее показательным является тепловая карта по распространению полиомиелита. Данные собраны за 70 лет со всех 50 штатов США. Каждый прямоугольник обозначает количество заболеваний на 100 000 жителей.

Еще один наглядный пример визуализации показывает одновременно бюджет фильма, отношение кассовых сборов к бюджету и среднюю оценку кинокритиков. По шкале X отображена оценка кинокритиков на основании данных Rotten Tomatoes. Чем правее на шкале фильм, тем выше его оценка. Шкале Y показывает процентное соотношение мирового бокс-офиса к затраченным на производство средствам. Величина кругов — размер бюджета. Цвет кругов — жанр. В данном примере отобраны все голливудские фильмы 2016 года.

Из приведенного распределения можно сделать много выводов. Например, что мнение кинокритиков не влияет на коммерческий успех фильма. Или тот факт, что у крупнобюджетных кинокартин выше вероятность собрать кассу, которая вдвое превышает бюджет. Или тот факт, что некоторые малобюджетные хорроры становятся суперхитами.

Издание New York Times в 2014 году подготовило впечатляющую визуализацию из 255 графиков, каждый из которых отображает изменение в количестве рабочей силы в определенной индустрии за период с 2004 по 2013. Данные были подготовлены в связи со знаковым событием: к 2014 году в американской экономике были восстановлены 9 млн рабочих мест, утраченных в ходе экономического кризиса 2008−2009 годов. Интерактивный график показывает, в каких индустриях происходил рост, а в каких — падение числа рабочих мест.

В современном цифровом мире данные генерируются и обновляются регулярно. Разработчики опираются на них при создании практически любого программного обеспечения. Но этим не ограничивается сфера применения Big Data.

Бизнес-аналитики используют данные о поведении пользователей, отчёты об ошибках, отзывы пользователей и другую обратную связь, чтобы принимать верные решения при разработке и продвижении продукта. Информация о трафике, загрузках, количестве зарегистрированных пользователей, сообщения и внутренних проблемах сервисов используют для мониторинга качества услуг. А оценка качества кода и согласованности его блоков подскажет оптимальные способы улучшить программное обеспечение. Когда компания следует этим трем направлениям, она разрабатывает и поддерживает услуги на основе данных. А значит исповедует принципы Data Driven бизнеса.

Сбор, интерпретация и обработка данных играют все бо́лее важную роль в любой промышленности. Они обеспечивают точную и действенную обратную связь, которая помогает инженерам понять, где и как вносить улучшения в продукт или процесс. С их помощью ИТ-руководители визуализируют, рабочие процессы, анализируют качество и количество результатов и прогнозируют возможные улучшения.

Искусственный интеллект и большие данные позволяют принимать более обоснованные конструктивные решения и быстрее реализовывать оптимальные бизнес-модели. Машинное обучение помогает разрабатывать новые передовые производственные процессы, повышающие комфорт рабочих и производительность компании.

Data Driven Management — управление бизнесом на основе объективных, фактических данных.

Подход открывает перед управленцами широкие возможности:

Сокращение маркетинговых издержек
Анализ рекламных кампаний направлен на то, чтобы они были эффективнее: тратить по минимуму, чтобы зарабатывать по максимуму.

•

Повышение эффективности инвестиций
Данные могут рассказать, как привлечь новую аудиторию, повысить качество пользовательского опыта и пр.

•

•

Рост клиентоориентированности
Детальный анализ данных помогает понять предпочтения целевой аудитории, выстроить персональные коммуникации с клиентом, отслеживать отзывы.

•

Оперативное реагирование на изменения рынка
Отслеживание данных в реальном времени позволяет принимать решения практически молниеносно.

Результат — рост прибыли.

Data Driven используют крупнейшие компании мира: Intel, Google, Chevron. В России, например, «Сбербанк». В банке с каждым годом растет количество решений, принятых на основе анализа данных. В качестве ключевого подхода к моделированию «Сбербанк» использует CRISP — Cross Industries Standard Process по Data Mining — межотраслевой стандарт извлечения данных.

Иногда надо убедить себя, что аналитика данных дает более консистентный, более достоверный результат, чем эксперт, который сидит в этом направлении уже 25 лет. Но он может не знать чего-то, что показывают данные.

Максим Еременко

старший управляющий директор и главный исследователь данных «Сбербанка»

Data Driven Design — проектирование продуктов на основе данных, полученных с помощью тестов, исследований, проверки гипотез.

Раньше предполагалось, что дизайнер принимает решения на основе собственного вкуса и опыта, однако сейчас этого недостаточно. Работа в digital оценивается по KPI (Key Performance Indicators) и, чтобы их достичь, необходимо уметь прогнозировать, а значит анализировать.

Преимущества подхода:

Для дизайнера. Меньше необоснованных правок и споров, исключается элемент вкусовщины.

•

Для заказчика. Нет действий, сделанных наугад, все решения обоснованы.

•

При таком подходе подрядчик и заказчик концентрируют свои усилия, чтобы сделать сервис удобным пользователям, а не удовлетворять чьи-либо амбиции.

Новый уровень требований привел к тому, что профессия дизайнера распалась на несколько самостоятельных единиц — теперь над проектами работают целые дизайн-команды: UI-дизайнер, UX-проектировщик, дизайнер анимации, аналитики и арт-директор. Также подключаются специалисты по Big Data (data scientist).

Data Driven Design — это постоянные циклы улучшений, но здесь есть риск погрязнуть в данных и уделить излишнее внимание мелочам.

Такое явление получило название датацентризм. Например, в 2009 году из-за подобного подхода из Google уволился ведущий дизайнер.

Да, это правда, что команда в Google не могла выбрать между двумя вариантами синего, поэтому они тестируют 41 оттенок, чтобы увидеть, какой из них лучше работает. Недавно у меня была дискуссия о том, должна ли граница быть шириной 3, 4 или 5 пикселей, и меня попросили доказать свою правоту. Я не могу действовать в такой обстановке. Я уже устал обсуждать такие незначительные дизайнерские решения. В этом мире есть более захватывающие проблемы дизайна, которые требуют решения.

Дуглас Боумен

бывший креативный директор Twitter, был ведущим дизайнером в Google, Stopdesign и Wired

Новая концепция Data-driven маркетинга опирается на старую поговорку: «Невозможно управлять тем, что нельзя измерить». В Data driven бизнесе измерить можно и нужно все. В первую очередь это касается маркетинговой аналитики: релевантная информация о клиентах необходима для выстраивания персонализированных и действенных таргет-кампаний.

Еще в 2013 году 74% онлайн-потребителей заявляли, что разочаровываются в сайтах, на которых появляется контент, не соответствующий их интересам. 50% посетителей сайта просто покинут платформу, увидев такой контент. Чтобы оставаться конкурентоспособными при таких условиях рынка, предприятиям необходимо сосредоточиться на анализе и применении данных в своих маркетинговых кампаниях.

Контент со всех старых версий веб-страниц наши программисты импортировали автоматически без потерь и дублей.

Data Driven маркетинг позволяет персонализировать взаимодействие с клиентом, что необходимо в условиях постоянно растущей конкуренции. Сегодня персонализированный маркетинг выходит далеко за рамки именных приветствий по электронной почте. Он определяет что, как и когда видит клиент онлайн. Все всплывающие окна, акции и реклама появляются перед глазами пользователя в наиболее удачный для компании момент.

Такие целевые сообщения достигают бо́льших результатов, чем общие рассылки, а сегментация рекламных кампаний позволяет получить более высокий ROI. Например, если магазин продает и мужскую, и женскую одежду, ему понадобятся как минимум два набора маркетинговых рассылок. Такая же ситуация с разными точками дистрибьюции − маркетинговая тактика для московской аудитории должна отличаться от кампаний, ориентированных на казанских покупателей. На основе данных и создается оптимальная рабочая схема, удобная для управления и масштабирования.

Успех Data Driven маркетинга зависит от точности данных о клиентах. Даже самые простые алгоритмы сбора информации бесполезны, если, если она не будет правильно отражать интересы клиентов и целевой рынок. Следует обращаться к существующей клиентской базе, чтобы сформировать представление о целевой аудитории.

Маркетинг на основе данных − это итеративный процесс, который постоянно развивается и расширяется. В грамотно выстроенном маркетинге процесс анализа и интерпретации данных ведется постоянно. Нельзя оперировать данными пятилетней давности для работы с современной аудиторией сайта. Поэтому важным фактором успеха является управление данными. Оно помогает выстроить процесс регулярного анализа данных о клиентах, оценивать новые возможности маркетинга, а также экономить время и ресурсы команды.

Какие данные собирают:

О поведении пользователей на сайте или приложении.

•

Об удовлетворенности пользователей.

•

Об обслуживании клиентов.

•

Цели:

Персонализированный подход к коммуникациям с пользователями.

•

Привлечение новых и удержание постоянных клиентов.

•

Увеличение эффективности.

•

•

Понимание потребностей пользователей с помощью анализа данных.

•

Повышение клиентоориентированности.

Data Driven Marketing позволяет:

Прогнозировать поведение пользователей на основе паттернов.

•

Таргетировать предложения, сообщения и контент.

•

Определить целевую аудиторию рекламной кампании.

•

•

Повысить эффективность рекламных кампаний.

•

Увеличить пожизненную ценность клиента (LTV) за счет повышения количества повторных продаж.

•

Оперативно реагировать на изменения рынка.

Метрики

Чтобы не распыляться, важно отслеживать только самое важное.

Метрики для электронной коммерции:

Conversion Rate — показатель конверсии, процент пользователей, которые совершили конверсионное действие, например оставили заявки или купили. Позволяет прогнозировать прибыль.

•

Cost Per Action — цена за клик, стоимость, которую вы платите за привлечение одного пользователя. Позволяет оценить целесообразность вложений и возврат инвестиций из рекламного канала.

•

•

Shopping Cart Abandonment — «брошенные корзины», количество пользователей, которые бросили оформление заказа на определенном этапе. Позволяет найти узкие места в воронке продаж.

Метрики для сервисов с подпиской (SAAS):

Churn Rate — показатель оттока клиентов, количество пользователей, которые не стали вашими постоянными покупателями и покинули вас. Позволяет прогнозировать убытки. Хорошими цифрами считаются показатели менее 3%.

•

Monthly Recurring Revenue — регулярная месячная выручка. Нужна для того, чтобы понять, сколько вы зарабатываете в среднем за указанный промежуток времени.

•

•

Lifetime Value — пожизненная ценность клиента, доход с потребителя за все время пользования сервисом. Показатель используется для расчета вложений в таргетированную рекламу, чтобы понять, сколько вы можете потратить без убытков.

•

Customer Retention Rate) — показатель удержания клиентов. Демонстрирует какой процент пользователей вы способны превратить в постоянных клиентов.

Data Driven уже сейчас широко используется в маркетинге — об этом, например, говорит исследование Google:

Новое исследование Boston Consulting Group по заказу Google показало, что компании-лидеры в digital-маркетинге добиваются в 1,4 раза большего снижения расходов и в 2,5 раза большего повышения доходов, чем другие.

Google активно внедряет Data Driven, например, вы можете использовать атрибуцию на основе данных при запуске контекстной рекламы в Google AdWords.

Чтобы получить такую возможность вы должны накопить определенный объем данных: получить более 15 000 кликов и 600 конверсий за всю историю рекламного кабинета. Также нужно учесть, что инструмент эффективно работает лишь в сочетании с автоматическим управлением ставками.

Не обязательно нанимать специализированного дата-аналитика, чтобы использовать его знания в бизнесе. Более грамотным шагом станет инвестиция в уже слаженный коллектив: все больше предпринимателей вкладываются в дополнительное обучение штатных сотрудников. Каким работникам обязательно необходим Data Learning?

Специалист по поисковой оптимизации: он стремится повысить трафик на сайте. Они определяют ключевые слова и темы, которые ищут потенциальные клиенты, и выясняют, где компания может предоставить полезные продукты, услуги или информацию.

•

•

Специалист по оптимизации конверсии: он отвечает за повышение отдачи от клиентов при сохранении затрат на рекламу. Такой человек должен постоянно анализировать поведение потребителей и понимать их мотивацию. Его подкованность и оперативность в работе с данными являются ключевым моментом успешной оптимизации.

•

Маркетолог, выстраивающий воронку продаж: он следит за чистой прибылью, поэтому должен понимать, что способствует ее увеличению. Такие специалисты занимают кросс-функциональную позицию, одновременно участвуя в проектировании и производстве. Они сосредоточены на поиске новых возможностей роста. Поэтому основное направление их работы − анализ и расширение существующих маркетинговых каналов. Не стоит даже объяснять, что маркетологом, которые занимаются повышением ROI, необходимо понимать как поведение потребителей, так и рынка в целом.

•

Аналитик маркетинговых данных: его работа заключается в анализе информации и разработке отчетов, диаграмм и убедительных презентаций, которые могут понять люди, не заинтересованные в анализе массивов данных. Чем более обширными данными в сфере аналитики он обладает, тем более успешны будут его проекты.

Чтобы стать Data Driven компанией, необходимо определенным образом подготовиться: у вас уже должны быть основные навыки работы с данными, ресурсы и решимость в преодолении определенных преград.

Соберите все источники на одной платформе (нужны данные из максимального количества источников: продукт, рекламные кабинеты, CRM, ERP система и т.д.).

•

Сформируйте команду: специалист и аналитик (например, маркетолог и data scientist).

•

Определите источники, убедитесь в точности, актуальности и чистоте данных.

•

•

Создайте инфраструктуру для хранения данных: соберите всю релевантную информацию, систематизируйте ее в подходящий формат, загрузите в базу.

•

Визуализируйте: используйте для этого дашборды и BI-платформы.

•

Получите опыт: экспериментируйте и оценивайте результаты, развивайтесь в анализе и интерпретации. Всегда проверяйте гипотезы.

•

Оптимизируйте. Данные необходимо очищать и структурировать, а иногда проверять их на достоверность. Это отнимает время, но необходимо отлаживать процессы.

•

Формируйте в компании культуру работы с данными.

Недешевая инфраструктура. Необходимо установить системы веб-аналитики, системы учета ресурсов (ERP), CRM, системы коллтрекинга и сквозной аналитики. Также вам потребуется визуализировать отчеты в дашбордах. И все это должно быть отлажено и работать в связке.

•

Просто собирать данные недостаточно, их необходимо обрабатывать, анализировать, интерпретировать, строить гипотезы, проверять и снова анализировать.

•

•

Необходима команда технических специалистов. Как минимум должен быть один аналитик и один профильный специалист, который в дальнейшем будет использовать результаты в работе.

•

Нужна культура управления данными. Менеджмент компании должен быть подготовлен: уметь работать с данными и своевременно их обрабатывать. Поэтому Data Driven необходимо внедрять постепенно, так, чтобы команда успевала развиваться вместе с ним.

•

Результаты требуют определенного времени. И если вы начали работать на основе данных, то они должны ставиться во главу угла, иначе подход не даст никакого результата.

Если вы можете обойтись без анализа данных и машинного обучения, то обойдитесь.

Кэсси Козырьков

главный специалист по принятию решений на основе данных в Google (Chief Decision Scientist)

•

Технологии Big Data, в частности Data Mining, обеспечивают сбор, хранение и сортировку огромных объемных данных.

•

Веб-аналитика: Google Analytics, «Яндекс.Метрика», Google Tag Manager — инструменты собирают и хранят данные о пользователях сайтов и их поведении.

•

•

Сквозная аналитика оценивает эффективность и прибыльность рекламных каналов, например, Roistat, Mixpanel, Rick, Alytics и CoMagic.

•

CRM позволяет прогнозировать продажи или оценивать эффективность работы отдела маркетинга.

•

Визуализация данных производится с помощью дашбордов или мощных платформ Business Intelligence.

Инструменты позволяют принимать цепочки решений на основе данных, то есть каждое из них будет обдуманным и с прогнозируемым результатом.

Одна из самых доступных платформ для работы с массивами данных — «Битрикс24». Он объединяет в себе корпоративный портал, CRM, инструменты сквозной аналитики, Big Data и автоматизацию бизнеса. Пользователям доступны чат-боты, роботы в задачах, AI-скоринг для прогнозирования успешности сделок, интеграции с популярными коммерческими площадками, соцсетями, мессенджерами.

Платформа собирает все источники информации в одном месте и визуализирует их для последующего анализа и прогноза.

Сбор и анализ данных могут значительно улучшить процессы в вашей организации, если будут использоваться правильно и системно: на всем пути клиента, от формирования потребности до рекомендации знакомым. Подход Data Driven должен стать частью культуры вашей компании, каждого ее сотрудника.

•

•

•

•