Гадать Нельзя Анализировать

Прощай, рутина!

Каждый день мы делаем выбор. Даже рутина и повторение одних и тех же действий — это наш выбор. Осознанный или нет — зависит от человека.

Рутина — это неотъемлемая часть любого процесса. Но стоп, сейчас же 21-й век — время компьютеров, автоматизации и роботизации. Человечество сильно продвинулось в создании Искусственного интеллекта, уже есть отрасли, которые используют машинное обучение для определения вектора развития.

Представь свой рабочий день. Не важно, в какой ты роли: маркетолог, специалист, владелец бизнеса, управляющий бизнесом.

Важно то, что у любого человека в рабочем процессе есть рутина. Всё, что касается развития проекта, продвижения и жизнедеятельности — это хорошо спланированная рутина. И это означает, что тебе придётся тратить много времени на сбор, обработку и анализ информации.

И прелесть нашего времени в том, что нам уже сделали много разных инструментов для того, чтобы рутину не то, чтобы уничтожить, но структурировать и уменьшить.

Почему важно сокращать рутину?

Зайдём чуть издалека.

Кто такие маркетологи? — Это люди, которые делают так, чтобы о твоём продукте узнали и купили. А потом пришли ещё раз и купили ещё раз. И желательно, чтобы порекомендовали друзьям.

Но мало просто привлечь клиента. Вообще, продать можно, что угодно. Вопрос в том, что, если мы тратим на продажу больше денег, чем получаем — это глупо и невыгодно. Так вот маркетолог должен сделать так, чтобы процесс привлечения клиентов был эффективен. Сейчас нужно подумать про рентабельность, а дальше я объясню, причём тут это.

Смотри: Рентабельность — это отношение прибыли к затратам. Чем лучше маркетолог, тем глубже он готов провалиться в анализ данных: т.е. рассчитать рентабельность каждого маленького атома в продвижении.

Сравним два варианта:

Вариант 1: посчитали рентабельность рекламных затрат в общем. Вложили 200 000 рублей, получили 500 000 выручки. Работаем в плюс. Рентабельность — 150%.

Вариант 2: посчитали рентабельность затрат в общем. Установили, что для всех затрат справедлива рентабельность 150%. Это много или мало? Чтобы оценить, где хорошо, а где не хорошо, разбили рассчитали расходы отдельно по каналам. А потом по РК, группам и т.д. Выяснили, что часть каналов не приносит прибыли. Часть РК внутри каналов имеют потенциал роста и требуется их наращивать.

В первом случае мы получили общее представление о том, что происходит. Работаем в плюс — хорошо. Предполагали, что будет меньше. Работаем дальше. Потом посмотрим в динамике и сделаем какие-то выводы

Во втором случае мы не останавливаемся на том, что факт есть факт. Нам нужно понять, почему есть так как есть. Мы декомпозируем процесс на составляющие и находим узкие места и точки роста. Мы понимаем, есть ли потенциал для роста и каков он в рамках того продукта, который имеется. Мы начинаем думать о том, что можно улучшить в процессах коммуникации с клиентов, в продукте, в продвижении.

Итого: Первый подход — это игра вслепую, второй подход — правильный. Я искренне надеюсь, что среди нас нет тех, кто использует первый подход и его это устраивает.

Но, если обратить внимание, можно увидеть, что подход 2 требует гораздо большего внимания со стороны маркетолога. Следовательно — это больше данных и больше времени на их доработку.

«Маркетолог не приносит деньги бизнесу, когда собирает информацию и обрабатывает её. Он приносит деньги, когда выдаёт гипотезу и гипотеза оказывается фактом».

Откуда берутся гипотезы?

Гипотеза — это аргументированное предположение. Вероятность того, что оно правдиво или нет — 50%. Всегда. Мы не можем управлять этой вероятностью (и не надо думать, что более дорогой маркетолог решит эту проблему). Значит, чтобы получить больше денег нам нужно увеличить число гипотез и проверки этих гипотез.

А как увеличить число гипотез?

Нужно сократить время маркетолога на поиск и обработку информации. То есть, максимально автоматизировать всё, что касается информации и создать удобный инструментарий для её обработки.

«Маркетолог приносит деньги, когда выдаёт „верную“ гипотезу. Нужно сокращать время на сбор и обработку информации и увеличивать время на анализ данных и проработку гипотез».

И вот для этого всего люди придумали специальные сервисы и программы.

Обычно это называют системами сквозной или омниканальной аналитики. Разницы в сути нет вне зависимости от того, как мы это назовём.

В общем и целом, системы сквозной аналитики — это рабочая среда, позволяющая настроить сбор и обработку данных в автоматическом режиме для их анализа в разных разрезах. То есть, это системы, которые позволяют нам посвятить всё время анализу и не задумываться о том, как и откуда берутся цифры.

Нужна ли система аналитики вам?

А нужно ли лобовое стекло в машине? Вероятно, если мы поставим вместо стекла кусок фанеры, мы ничего не увидим. Если не поставим стекло и оставим проём пустым — мы будем вынуждены ехать очень медленно, чтобы видеть, куда едем. Чем быстрее мы будем разгоняться, тем больше будет вероятность краха.

Аналитика — это наше лобовое стекло. То что помогает нам видеть всё впереди себя и объективно оценивать происходящее. Можно жить без аналитики?

Можно. Но недолго. Или несчастливо. В общем, итог будет грустным.

Окей, но мы же понимаем, что любая новая система — это дополнительные расходы. И мы должны отдавать себе отчёт в том, что любые расходы должны окупаться. Поэтому — да, без затрат никак, но мы же помним, ради чего всё это было задумано?

Дать маркетологу инструмент, разгрузив его для генерации и проверки гипотез, которые могут принести деньги.

Система сквозной аналитики — это не обязательно готовый сервис. Сервисов сейчас действительно существует много. В конце статьи мы даже собрали таблицу с наиболее популярными альтернативами для построения аналитики.

Как и у всего в этом мире, у сервисов есть свои плюсы и минусы.

Основной плюс, на мой взгляд — максимальная простота построения аналитики и интеграции различных систем. Разумеется, простота и универсальность реализованы в разных системах по-разному, поэтому перед тем как покупать что-либо, мы настоятельно рекомендуем:

А — продумать архитектуру аналитики, чтобы понимать, хватит ли возможностей системы в будущем

Б — попробовать тестовые версии разных сервисов. Система может быть крутой, но неудобной лично вам. Лучше потратить чуть больше времени перед реализацией, чем потом решать вопросы миграции данных между системами.

Основной же минус любой системы — границы. Чем больше пользователей в системе, тем более система «стандартна». То есть, рассчитана под потребности большинства пользователей. И при желании провести доработки, чтобы получить качественно-новую информацию мы столкнёмся с тем, что такие доработки невозможны в принципе.

Как выглядит «окно»:

Кому полуфабрикат?

Все системы сквозной аналитики — это набор созданных форматов отчётов, которые просто заполняются вашими данными. Это значит, что у нас есть серьезные ограничения для обработки информации.

Конечно, не стоит забывать о том, что почти все системы позволяют выгружать данные и анализировать их в стороннем софте. Но, позвольте, это же очень странно заплатить денег за решение своей проблемы и получить полуфабрикат.

Поэтому, перед тем, как что-то внедрять и приобретать, стоит ответить на несколько вопросов:

1. Кто будет пользоваться системой?
2. Какие цели преследуются?
3. Какие системы нужно будет интегрировать?
4. Как часто будет использоваться система?
5. Сколько посетителей на сайте в среднем в день?
6. Как сильно будут отличаться реальные данные от e-comm или от данных из CRM?
7. Какова доля покупок онлайн, оффлайн в POS, оффлайн по звонкам?

Ответы на эти вопросы дадут представление о той архитектуре данных, которая есть и о инфраструктуре, которую требуется выстроить.

Отмечу, что это не все вопросы, и нет однозначного ответа на вопрос: «какую систему выбрать мне?»

Мы выбираем, нас выбирают

Есть примерный алгоритм выбора.

В любой ситуации есть несколько альтернатив развития событий. Снова про выбор.

Нам требуется найти те альтернативы, которые подходят для решения конкретной задачи и оценить их объективно.

И очень важной метрикой в данном случае будет TCO, total cost of ownership (совокупная стоимость владения). В эту стоимость входят как первичные затраты на развёртывание системы, так и все затраты на поддержку системы.

В остальном, можно разработать балльную систему, для формирования рейтинга систем.

Параметры, по которым проставляются баллы могут быть разными. Всё зависит от того, кто будет пользоваться и зачем. Тем не менее, если предполагается, что системой будет пользоваться больше одного человека, обязательно необходимо согласовать выбор с теми, кто непосредственно будет с этим работать.

Теоретически, это можно уложить в модель TCO, но это будет более трудозатратно и долго.

Поэтому рекомендуем составить простой опросник с приблизительно следующими вопросами:

1. Оцените полноту информации в системе для вас по шкале от 1 до 5.
2. Оцените удобство пользования отчётами для вас по шкале от 1 до 5.
3. Оцените качество информации в системе для вас по шкале от 1 до 5.
4. Оцените скорость работы с информацией по шкале от 1 до 5.
5. Оцените отказоустойчивость системы по шкале от 1 до 5.

Итого, с TCO у нас есть 6 метрик. После сбора информации нужно определить победителя.

Считаем сумму по балльным метрикам. Упорядочиваем по убыванию. Больше баллов — система больше подходит именно вам. И вот потом уже смотрим, что там с TCO: выгодно ли самое удобное решение? Можно ли заменить его чем-то другим? Много ли мы потеряем, если выберем самую «лучшую» систему по TCO?

Бесплатно! Звучит дороговато

А можно ли вообще обойтись без сторонних сервисов и построить сквозную аналитику условно-бесплатно?

Бесплатно не получится. Но есть возможность разработать свою кастомную систему, вложив только в первоначальную разработку системы.

Все мы знаем, что у Гугла и Яндекса есть системы аналитики: GA и Метрика, соответственно. Они бесплатны (за исключением GA 360, который нужен только очень большим проектам). И на основе этих систем вполне можно создать систему для сквозной аналитики.

Если устраивают интерфейсы Google или Яндекса, то не потребуется разрабатывать стороннюю систему. Но потребуется доработать сами системы.

Надеюсь, не секрет, что в GA есть возможность импорта расходов из рекламных систем. И есть спец. сервисы для осуществления импорта в автоматическом режиме. Например, OWOX BI Pipeline, который бесплатен для одного канала. Также есть другие сервисы, вроде Albato, которые могут иметь подобный функционал, но быть дешевле.

Также всегда есть возможность ручной загрузки данных в GA: это могут быть данные как о расходах, так и о сделках, доходах, возвратах, клиентах, лидах.

С доходами будет чуть сложнее. Чтобы получить доходы в системах аналитики необходимо будет реализовать e-commerce или интегрировать GA с CRM. Это требует трудозатрат. В зависимости от того, какая CMS сайта, CRM, как это всё кастомизировано, интеграция может потребовать от 0 до 100 000 рублей и более.

Тем не менее, нужно понимать, что разово заплатить 100 000 рублей — выгоднее, чем платить ежемесячно по 10 000 рублей.

И что сбор всей информации в GA — это выгодное мероприятие. Почему?

1. Качество данных. Гугл тратит больше денег на инфраструктуру и качество данных, чем кто бы то ни было. Это моя личная гипотеза, можно со мной спорить в этом, но означает это то, что данные Гугла будут банально точнее: меньше процент потерь, выше точность определения канала, больше метрик по пользователям.
2. Масштабирование. С ростом проекта вся аналитика будет оставаться в GA. Это значит, что нам не нужно будет думать о том, как поженить данные из разных систем, как сохранить то, что было в старой системе.
3. Платим только за нужный функционал. Все массовые системы — это набор компромиссов, которые обеспечивают эту самую массовость. Фактически, это означает, что вы будете платить за неиспользуемый функционал. А вот если мы делаем систему под себя, мы платим только за то, что непосредственно используем.

Последний пункт относится не ко всему построению системы в целом. Допустим, нас не устраивают интерфейсы Гугла и Яндекса и нам хочется построить другие отчеты, сделать более удобное управление.

В таком случае потребуется использовать BI (системы визуального анализа данных). Например так:

А есть еще варианты?

Обычно для своих проектов в sf.ru мы используем Google Data Studio для формирования ежедневного отчёта и простой аналитики и Power BI для осуществления более сложного анализа. GDS — бесплатен и позволяет просто подцепиться в Гуглопродуктам.

Power BI имеет прямые коннекторы к GA, но использовать их не совсем удобно и не очень правильно (с технической точки зрения). Тем не менее, есть варианты корректного транспорта данных. Например, через скрипты-коннекторы к API с промежуточным хранением «сырых данных».

При этом нельзя однозначно сказать, что какой-то из вариантов системы «правильнее и лучше».

Всё очень индивидуально и зависит от конкретного проекта.

Но для вашего удобства мы уже изучили историю вопроса и постарались собрать плюсы и минусы разных систем. Да, в ту же табличку мы добавили альтернативу «своя система».

Создатели систем аналитики стараются сделать удобные системы «одного окна», зайдя в которые у нас будет возможность проанализировать любые маркетинговые данные и внести корректировки в РК.

В реальности же может сложиться ситуация, что система хороша в одном, но плоха в другом.

Да и вообще, если сравнивать любую из перечисленных систем с кастомной, можем говорить, что функционал кастомной системы может быть шире, чем любой из отчётов в системах Сквозной аналитики.

Вопрос только в том, что нужно именно вам.

Остались вопросы? Всегда можете с нами связаться тут dm@sf.ru

Ведущий аналитик SF.RU Андрей Полуэктов

Источник: fcproject.ru