О практическом подходе к маркетинговой аналитике рассказывает Артем Первухин, продакшн-директор в KINETICA.
Люди не понимают, что такое аналитика. Особенно в маркетинге. В надежде увеличить ценность работы, аналитикой называют отчеты и статистические выкладки, что обычно игнорируется заказчиком, а впечатление об «анализе» складывается из количества страниц документа.
Дело в том, что данных, на основании которых строится анализ, всегда много и какие-то простые группировки часто выдают за аналитику. На самом же деле, данные отдельно от целей не представляют особой ценности.
- Отчет — не анализ
- Порядок формирования анализа
- Формирование задачи на изменение KPI
- Формирование и сбор данных
- Выводы и рекомендации
- Ретроспектива
- Разные взгляды на аналитику
- Борьба с когнитивными искажениями
- Что видишь, то и есть (поспешные выводы)
- Прайминг
- Критерии хорошего анализа
- Гибкость
- Актуальность
- Статистическая значимость
- Объяснимость
- Идеальный аналитик
Отчет — не анализ
Между отчетом и анализом есть принципиальная разница:
Любой анализ начинается с формирования и исследования ключевых показателей и взаимосвязей между ними. Подмена понятий: настройку целей часто называют аналитикой, хотя это не так.
Анализ всегда представляет из себя ответы на вопросы с понятными и измеримыми параметрами оценки, включая шаги, необходимые для получения ответов на эти вопросы. Основа анализа — статистически значимые, актуальные и достоверные данные.
Порой экспертное мнение человека пытаются выдать за данные, на базе которых строятся выводы. Тут нужно разобрать пару моментов:
- Эксперт — это признание компетенций в профессиональной среде, и если у специалиста оно есть, то это действительно может быть основой для каких-то аналитических выкладок. Но если нет — необходимо опираться на статистически значимые исследования своей компании или компаний, которые такие исследования проводят, например, TNS, Google, «Яндекс», Facebook и другие;
- Актуальность данных, особенно в маркетинге, это главное, потому что выводы на базе устаревшей информации будут ложными.
Порядок формирования анализа
Формирование KPI → Формирование задачи на изменение KPI → Формирование и сбор данных → Выводы на основе данных → Рекомендации, что конкретно сделать, чтобы изменилось KPI → Внедрение изменений → Ретроспектива.
Формирование задачи на изменение KPI
Бизнес диктует планы по увеличению доходов, маркетинг трансформирует эти задачи в планы по заказам, заявкам, трафику и отдает их агентству или подрядчику. На этом этапе постоянно страдает корректность постановки задач из-за больших амбиций и скромных ресурсов. Извечная проблема человечества — получить как можно больше, затратив как можно меньше. В целом в этом нет ничего плохого, но опытный аналитик во время приемки задачи всегда оценивает насколько адекватны требования.
Например, разберем типичную задачу: «Сформировать и обосновать гипотезы для увеличения среднего чека по продажам сервисных карт для корпоративных клиентов». В такой постановке ошибка в том, что решения, которые вырабатывалось аналитиком не подходили для текущих клиентов. Не проговорив, что нас интересуют только новые клиенты, мы получили неподходящие гипотезы.
Формирование и сбор данных
Цели в Google Analytics, коллтрекинг, отчет по сделкам за период, статистика поведения потребителей — это все информация, сбор которой должен быть настроен заранее, желательно централизованно, для быстрого и удобного доступа к различным срезам данных.
Выводы и рекомендации
Имея статистически значимые выводы, мы можем генерировать рекомендации по изменениям. Задача на этом этапе указать конкретные шаги, которые можно предпринять, чтобы использовать результаты анализа для улучшения бизнеса.
Представьте, что у вас есть две гипотезы по результатам анализа:
- С вероятностью 90% действие А принесет рост продаж на 5% в год. Стоимость внедрения 10% от годового оборота.
- С вероятностью 50% действие Б принесет рост продаж на 30% в год. Стоимость внедрения 5% от годового оборота.
Какое решение вы бы выбрали при прочих равных?
Ретроспектива
Аналитик отвечает головой, зарплатой, перед богом за качество своего анализа, как и любой профессионал. Ретроспектива должна показать, какие гипотезы отработали, и какое отклонение от плановых показателей произошло фактически. А также почему эти отклонения возникли и что предпринять в будущем.
Я сознательно использую слово «отклонение», а не «падение», поскольку считаю, что значимые отходы от плана в обе стороны — это ошибка анализа и планирования. Просто при отклонении в сторону роста показателя клиент радуется, а в отрицательную — грустит, но мне грустно всегда, когда аналитик значимо отошел от плана.
Ретроспектива — прекрасный инструмент оценки своей квалификации и накопления опыта, когда понимаешь разницу между «данные говорили об ХХХ» и «по факту получилось NNN».
Разные взгляды на аналитику
Давайте разберемся, как видит аналитику заказчик:
Грубо говоря, заказчикам важны лишь рекомендации и технические задания на изменения, именно в них они видят ключевую сложность и определяют эти этапы как основные.
Так происходит потому, что рынок предоставления данных довольно развит — это разные виды баз данных, включая Google Analytics, CRM, облачные данные и Big Data — все это стоит относительно небольших денег, а отчеты можно снимать и агрегировать практически мгновенно и автоматически. Но некоторые ребята пытаются монетизировать и эту работу, называя аналитикой сбор данных.
Для аналитика же все этапы равнозначны по трудозатратам и сильно зависят друг от друга — выдать отдельно каждый участок за аналитику нельзя. Например, когда в отчете просто набор данных, тот, кто его формировал перекладывает работу по выводам и рекомендациям на читателя.
Для того чтобы прийти к рекомендациям и конкретным ТЗ на изменения чего-либо, нужно отработать на каждом участке большое количество времени.
Серия аналитических отчетов может стать новым стандартом и видением бизнеса. Например, если вам нужно понять ключевые причины оттока покупателей, аналитик берет текущие данные, анализирует причинно-следственные связи, и вы получаете отчет, который можно формировать системно, видя KPI бизнеса под новым углом.
Борьба с когнитивными искажениями
Кто читал Даниэля Канемана знает насколько человек находится в плену своих убеждений и заблуждений. Аналитику нужно регулярно раздупляться, поэтому эту работу я даю прорабатывать в паре. Кто не читал — кратко опишу искажения, которые регулярно накрывают аналитика.
Что видишь, то и есть (поспешные выводы)
Набирая шаг за шагом данные, аналитик выстраивает картину, в которой твердо убежден в каждый момент времени, и его подмывает прекратить изучение, ведь «все уже ясно». Если вы недобрали данных и кто-то, обладая ими, поставит под сомнения ваши выводы — вы будете доказывать обратное просто потому что для правильных выводов нет полной картины данных.
Прайминг
Воздействия личных воспоминаний или ассоциаций на анализ. В нашем случае, когда вопрос изначально формулируется с оценкой. Например, в брифинге клиент убежден в росте рынка, и задача ставится на основе того, что этот рост продлится сам по себе. Клиент продает эту идею аналитику, и он, находясь под влиянием, начинает искать зацепки, почему рынок будет расти, хотя никакой базы для этого нет.
Вспомните как мы ищем информацию, когда уверены что болезнь можно победить народными средствами: мы пишем «куда приложить подорожник, чтобы прошла гангрена». То есть изначальное убеждение ложное, и на его базе строятся неверные выводы, что вопрос лишь в том, куда прикладывать.
Критерии хорошего анализа
Гибкость
Дополнительная цель аналитика найти только нужные данные, которые значимо влияют на проблему, и ответить насколько необходимо изменить показатель для достижения цели. Чаще всего ответ упирается в ресурсы компании, которыми она располагает.
Ключевая компетенция аналитика — уметь смотреть на задачи под разным углом и забывать про свое мнение. Важна только статистика.
Основная проблема аналитика — отсутствие полного объема данных. В таких условиях ему необходимо обладать творческим подходом и определить, как использовать текущие данные для решения задачи.
Отличительная черта хорошего аналитика — генерация нескольких путей решения одной и той же задачи, в условиях ограниченных данных.
Актуальность
Хороший анализ руководствуется бизнес-потребностью. Он не производится потому что это интересно или весело. В случае с большим объемом данных легко втянуться в их разбор с непонятной целью. Конкретная бизнес-задача — прекрасный старт для аналитика.
Дальше задача трансформируется в подзадачи, например, бизнес-задача в маркетинговую, а затем в коммуникационную. Нет смысла анализировать, насколько различные сегменты рынка чувствительны к цене продукта, если его доля составляет всего 2% от оборота.
Статистическая значимость
Аналитику нужно видеть, когда отклонение в показателях достаточно значимо, чтобы бить тревогу и срочно что-то править. Как определить эту значимость? Если параметр дает отклонение больше, чем в 10% — я считаю его математически значимым.
Отдельно отмечу исследования групп. Чаще всего, аналитику важно, что думает, делает и ожидает большинство выборки, а не вся аудитория. Всем угодить невозможно и перфекционизм будет лишь увеличивать бюджет и срок анализа. Помните, чем больше размер выборки, тем меньше погрешность и выше вероятность того, что «правильный» ответ очень близок к тому, который был найден на основе исследования группы.
Объяснимость
Вас должны понимать люди, которые не обязаны знать технических деталей. Аналитику нужно уметь представлять и позиционировать свои результаты спонсорам проекта, далеким от технических вопросов.
Отчеты, которые нужно «переводить» с языка аналитика на русский — плохие отчеты.
Идеальный аналитик
Хороший специалист в области аналитики быстро считает в уме, разбирается в бизнес-моделях той сферы, в которой работает — это важно для понимания порядка затрат на внедрение гипотез и риск-анализа. Еще он легко устанавливает причинно-следственные связи между имеющимися данными, обладает деловой смекалкой, умеет четко выражать свои мысли и презентовать результат. И не существует.
