Миф № 1. Аналитика — только для крупных компаний
На самом деле, даже небольшому бизнесу или стартапу нужно знать, как у него идут дела. Во-первых, чтобы достигать конкретных целей, необходимо понимать, как они формируются и какие на них влияют факторы. Во-вторых, многие стартапы работают на инвесторские средства — значит, в будущем инвестор потребует отчет о финансовых показателях бизнеса. И в-третьих, при грамотной аналитике любая маленькая компания рано или поздно вырастает.
Миф № 2. Это очень сложно
Чтобы уметь анализировать данные, не обязательно использовать сложные формулы и глубоко погружаться в статистику. Например, прогнозы часто создаются на основе Excel с наложением сезонных составляющих, и они оказываются точнее, чем сложные прогнозы, построенные на множестве разных факторов. Поэтому не всегда трудно = хорошо.
Миф № 3. Аналитика — это дорого
Хороший аналитик может ответить на сложные вопросы без дополнительных затрат на дорогой софт. Бесплатные программы дают огромное количество возможностей: например, с ними можно сделать прогноз и просчитать вероятность оттока, разделить пользователей на сегменты.
Миф № 4. Аналитика не приносит доход и не окупается
Качественные данные — это ресурс, который имеет стоимость. Во многих организациях они включаются в капитализацию компании, поскольку некоторые данные о пользователях продаются. Более того, правильная обработка данных экономит время на принятие решения и снижает риск ошибки — следовательно, потери денег.
Правила анализа данных
1. Используйте метод сравнения
Это ключевой метод, который помогает оценить эффективность процессов в компании. Например, при анализе данных ресторана маркетолог опирается на размер среднего чека. Однако сухое число в виде 10 000 рублей не дает никакой информации о бизнесе. Когда появляется второе число — допустим, средний чек в январе прошлого года — можно увидеть, что компания выросла на 2000 рублей. Но нельзя сразу делать выводы: эти данные нужно сравнить с планом продаж.
2. Проверяйте качество данных
Чтобы принимать решения на основе данных, необходимо быть уверенным, что эти данные — качественные. Например, многие маркетологи не знают, сколько у бизнеса реальных(!) клиентов для рассылок. Как это работает: компания рассылает письма, при этом не запрашивая у адресата подтверждения контактов и подписывая его автоматически на все рассылки. Благодаря этому будет казаться, что в клиентской базе очень много аккаунтов — при том, что на самом деле не каждая почта вообще существует.
Другой пример: при регистрации на платформе компании отсутствует ограничение возраста или выбора пола. Неверифицированные данные приводят к тому, что портрет клиента искажается: например, наличие в базе людей, которые еще не родились (т.е. установили дату рождения позже текущего дня) сместит средний возраст покупателя в меньшую сторону. Как итог, при разработке стратегии маркетолог будет ориентироваться на молодежь как на целевую аудиторию.
3. Анализируйте не только общие показатели, но и детали по группам
Анализ деталей лежит в основе разработки стратегий и любых изменений в целом, поскольку отдельные сегменты влияют на финальный результат. К примеру, статистика на общем графике с количеством заказов может быть неплохая. Однако, если смотреть на показатели по каналам, можно зафиксировать, что один канал растет очень быстро, а другой — упал до нуля. Именно на этом моменте начинается анализ проблемы: почему второй канал потерял эффективность и что можно исправить.
4. Используйте возможности визуализации данных
Во-первых, визуализация позволяет лучше воспринимать информацию, во-вторых, лучше ее запоминать. А еще на основании визуальных образов можно сразу делать выводы. В качестве примера можно привести парадокс квартета Энскомба, который подтверждает, что благодаря визуализации можно увидеть то, что скрыто. На иллюстрации изображены четыре набора числовых данных, у которых простые статистические свойства идентичны, но их графики существенно отличаются.
Если бы мы не визуализировали данные и основывались только на таблицах и характеристиках описательной статистики, мы бы сделали вывод, что все понятно — но на самом деле, конечно, все обстоит иначе.
Ошибки в анализе данных
1. Игнорирование контекста
Самая распространенная ошибка — это проведение исследования, не учитывая методологию и то, каким образом были получены данные. Если аналитик будет изучать лишь один показатель, игнорируя происходящее вокруг, в результате будут сделаны неправильные выводы.
2. Ошибка выжившего
Она заставляет нас сосредоточиться не на том, что действительно важно, а на том, что только кажется таким. Например, чтобы оценить отношения между клиентом и бизнесом, многие компании проводят опросы. Однако, опрашивают они только лояльных покупателей — тем самым не анализируя свои негативные и слабые стороны. Это может привести к тому, что компания пусть и будет транслировать свои конкурентные преимущества и привлекать новых клиентов, они все равно будут видеть минусы бренда и уходить.
Научиться анализировать данные и принимать обоснованные решения, рассчитывать ключевые маркетинговые метрики, прогнозировать поведение пользователей и генерировать гипотезы для повышения эффективности бизнеса можно на интенсиве «Как принимать решения на основе данных».
