Прежде чем приступить к анализу информационной панели вашей компании, лучше всего начать с плана действий, который подробно описывает, как вы найдете нужные данные, и, что более важно, как вы будете интерпретировать данные для принятия правильных бизнес–решений.
Вот пятиэтапный процесс, который вы можете использовать, чтобы начать работу по DDDM.
Посмотрите на свои цели и расставьте приоритеты
Любое принятое вами решение должно начинаться с основных целей вашего бизнеса.
Итак, начните с вопроса: какие цели вы хотите улучшить?
Начните с самого важного, когда вы принимаете решения.
Например, допустим, вы хотите, чтобы больше людей подписалось на ваш премиальный SaaS–инструмент в Европе. В этом случае получение новых регистраций — ваш главный приоритет.
Но на этапе исследования вы можете обнаружить, что 75% премиальных подписок происходят из Норвегии. Менее 10% — из Великобритании или Германии.
Поэтому, вероятно, цель на самом деле состоит в том, чтобы «увеличить премиальные подписки в Великобритании и Германии».
Это простейший пример того, как данные помогают принимать решения. В данном случае они помогли вам конкретизировать цель, чтобы решать её более эффективно.
Найти и использовать релевантные данные
После того, как вы определили проблему, которую хотите решить, и решение, которое вы собираетесь принять, пришло время найти и использовать релеватные данные.
Важно: «релевантность» является ключевым здесь.
Вы не хотите тратить часы на сбор и анализ данных, которые не повлияют на ваше окончательное решение. Поэтому сохраняйте актуальность данных и собирайте только те данные, которые релевантны вашей цели.
Вы можете найти релеватные данные в таких источниках, как:
- Аналитика сайта
- CRM
- Платформы бизнес–аналитики
- Инструменты мониторинга социальных медиа
- Отзывы клиентов
Последний пункт особенно важен, поскольку 60% компаний говорят, что использование отзывов клиентов как часть процесса принятия решений способствовало их наиболее успешным проектам.
Возвращаясь к нашему примеру с премиальной подпиской, вы могли бы спросить пользователей, почему они стали клиентами, и что заставило их выбрать ваш продукт вместо продуктов конкурента. Эта обратная связь поможет вам создать более убедительное и привлекательное сообщение для подписчиков в Великобритании и Германии.
Даже если ваша цель не связана с привлечением клиентов — например, «Что мы можем сделать, чтобы уменьшить отток клиентов (Churn Rate)?» — вы все равно сможете найти соответствующие данные. В этом случае вам может понадобиться посмотреть последовательность регистрации, чтобы определить, на каком этапе происходит наибольшее снижение коэффициентов конверсии.
Сделайте выводы на основе данных
Посмотрите на собранные вами исторические данные и постарайтесь выявить закономерности или тенденции, которые в них есть.
Если мы воспользуемся приведенным выше примером «уменьшения оттока», вы можете, например, переписать последовательность входящих сообщений электронной почты, чтобы увидеть, сильно ли это улучшение повлияет на показатель оттока.
Для компании это означает, что нужно посмотреть на их исторические данные, чтобы увидеть, есть ли какие–либо признаки того, что перезапись будет работать хорошо.
Например, вы можете обнаружить что–то вроде такого:
- Переписывание вашей последовательности в прошлом привело к положительному улучшению.
- Сообщения в социальных сетях, которые делятся более легким и более юмористическим тоном, стали более интересными (и это в ваших шаблонах электронной почты в настоящее время не используется).
- Большинство людей, посещающих ваш центр поддержки, являются действующими клиентами, но ваши действия не направляют туда новых пользователей.
В этом случае вы можете сделать вывод, что переписывание вашей последовательности вовлечения аудитории является безопасным экспериментом, поскольку данные указывают на то, что это может привести к успеху. И это было бы разумным решением!
Теперь сравните это с примером принятия решений, не основанным на данных.
Вы хотели бы уменьшить отток, поэтому вы решили переписать последовательность первой цепочки сообщений для новых клиентов. Вместо того, чтобы смотреть на исторические данные, ваша перезапись в основном состоит в обновлении шаблона, но в итоге вы сохраняете тот же строгий тон в сообщениях и направляете новых пользователей на те же веб–страницы.
Проходит несколько недель, и нет разницы в скорости оттока. Вы решаете, что проблема не в последовательности электронной почты, а в чем–то другом. Вы делаете новое предположение и идете дальше.
Видите разницу здесь?
А теперь представьте, что вам нужно использовать подход, основанный на данных, для каждого подразделения вашей организации. Легко понять, почему компании, использующие принятие решений на основе данных, намного более успешны.
Запланируйте свою стратегию
Вы нашли вещь, которую хотите улучшить, и проанализировали данные, чтобы принять решение, базирующееся на новой стратегии.
Чтобы вы приняли решение по жизни.
Ключевым моментом в этом этапе является постановка четко определенных целей относительно того, что и кем должно быть сделано. Плохая альтернатива — это создать неопределенные цели, которые «необходимо сделать до конца года».
Предположим, что вы проанализировали данные и сделали заключение, что программа поощрения клиентов поможет с лояльностью клиентов. В этом случае «постановка четко определенных целей» может выглядеть примерно так:
«Антон и Мария создадут программу вознаграждений, основанную на баллах, для повышения уровня удержания клиентов в течение следующих 2 месяцев. Это повысит лояльность клиентов и увеличит удержание на 15%».
Просто, но на удивление эффективно.
Измерьте успех
Ваше решение было принято, и у вас есть результаты — отличная работа!
Это означает, что ваш процесс принятия решений окончен.
Посмотрите на данные, которые были изначально собраны и на которых основывалось ваше решение. Сравните исторические данные с новыми данными, и ответьте на вопрос:
Оказало ли ваше решение положительное влияние на рост вашего бизнеса?
Если ваше решение было успешным, поздравляем!
Но даже если нет — все в порядке.Иногда понимать, что не работает — буквально так же важно, как понимать, что работает.
Эдисон однажды сказал об изобретении лампочек: «Я не терпел поражений. Я просто нашел 10. 000 способов, которые не работают».
Термин data-driven появился на стыке девяностых и двухтысячных. Именно тогда бизнес-среда стала говорить о новом подходе в маркетинге, который позволял принимать решения на основе собранных данных.
Елена Герасимова, руководитель направления Data Science и эксперт курса «Аналитика для руководителей» в «Нетологии», рассказала, на чем основывается подход data-driven, как он используется в современных компаниях и что нужно делать руководителю, чтобы успешно внедрить культуру принятия решений на основе данных.
Сегодня в дефиците не только технические специалисты, способные организовать работу с данными и устройствами, но и менеджеры, понимающие, как интегрировать Data Science и новейшие технологии в бизнес-процессы, правильно нанимать специалистов, ставить им задачи и организовывать их работу.
Менеджмент data-driven — это культура принятия стратегических решений на основе данных с интеграцией аналитических отчетов в ключевые бизнес-процессы компании.
Учитывая растущее количество кросс-компетентных ролей в компаниях, появляется все больше принципиально новых позиций, которые занимаются работой с аналитикой в разном виде:
- CDO (Chief Data Officer),
- CAO (Chief Analytics Officer),
- CPO (Chief Privacy Officer),
- CAIO (Chief Artificial Intelligence Officer),
- CGO (Chief Growth Officer).
Каждая из этих позиций предполагает выступление ролевой моделью инфраструктурных изменений и трансформацию существующей в компании культуры, стратегии, видения и методики принятия решений.
Фото: Unsplash
При этом нередко переход к data-driven подразумевает не столько технологическую трансформацию, сколько изменение бизнес-модели компании. При таком подходе вы отбрасываете все, кроме численных данных, в целостности и актуальности которых уверены.
В каждой из новых перечисленных ролей на первый план выходят:
- понимание множества окружающих функций и процессов,
- «насмотренность», опыт и компетенции в каждой из затронутых в трансформации областей,
- способность связать воедино собственный опыт и видение остальных участников С-уровня,
- желание преодолевать сопротивление «делать, как всегда делали», исследовать и быть готовым принять культуру работы с данными.
Роль данных в принятии решений
С руководителями мы разобрались – от данных им никуда не деться. Какую же роль играет аналитика для принятия решений?
Подход data-driven демонстрирует видение того, как компания, использующая данные для принятия решений, выглядит в реальности (совершенно необязательно иметь для этого цифровой продукт).
Помимо этого, он помогает уточнить формулировку миссии бизнеса и получить выводы, которые делают аналитику и данные ощутимыми (реальными) для людей без опыта анализа. Передовые технологии обработки данных через ИИ и машинное обучение становятся понятными более широкому кругу, когда используются для предиктивного анализа продаж, износа оборудования и риска вложений в активы.
Таким образом культура работы с данными помогает сделать очевидными практические бизнес-результаты от анализа данных и понимание текущего состояния, фокуса и намерений бизнеса.
Как стать data-driven?
Сама культура принятия решений, основанная исключительно на данных, может выглядеть простой с точки зрения внедрения, но руководителю и всей команде необходимо пройти определенные шаги и разобрать важные вопросы.
- Четко опишите свои бизнес-данные и аналитическую стратегию.
- Что собираем? Где храним? Сколько храним? Сколько это стоит? Какой результат нам даст?
- Не страшно, если компания решит начать с небольшого проекта. Только такие гиганты, как Facebook или Amazon, могут себе позволить хранить все подряд постоянно и без потерь.
- Оцените стоимость информационно-технической экосистемы, позволяющей получать доступ к данным, и количество ее пользователей.
- Сейчас всю обработку данных можно доверить облакам, так вам не нужно будет капитально вкладываться в оборудование, которое может устареть быстрее, чем трансформируется культура компании.
- Распишите план действий по переходу от бизнес-отчетности к глобальной аналитике: отчетность – результат, аналитика – процесс, хотя и там, и там заказчик – бизнес.
- Актуализируйте курс и скорость трансформации раз в квартал: нужно, чтобы все сотрудники компании жили ею, а не просто смотрели на цифры в формальных документах.
- CDO берет на себя роль центра всей «аналитики»: создает для каждого из потребителей данных в компании инфраструктуру самостоятельного доступа.
- Объедините всех единой целью изменения культуры работы с данными: необходимо тесно взаимодействовать с ИТ-специалистами и другими участниками С-круга вашей компании.
Учитывая все вышесказанное, можно сделать вывод, что переход к культуре data-driven необходим не всем.
Например, компании, основанные на сильном брендинге в качестве источника основного дохода, могут не видеть особой ценности в том, чтобы стать data-driven, поскольку решения по брендингу не требуют большого количества данных.
Фото: Unsplash
Отличным примером применения трансформации data-driven на уровне всей компании является Uber: обширно используются данные, которые компания получает от пассажиров и водителей.
Алгоритмы Uber рассчитывают стоимость поездки, оценивают потоки людей, меняют цены, дают рекомендации водителям, как больше заработать, основываясь на собранных данных.
В компании такого уровня вся работа с данными требовала бы найма огромного штата дата-сайентистов и их погружения в бизнес-контекст. Вместо этого компания пошла по пути построения платформы управления данными, которая позволила использовать продвинутые аналитические инструменты широкому кругу пользователей.
Но стоить помнить, что и к сотрудникам, даже высокоуровневым, в таких условиях предъявляются высокие требования. Как минимум ожидается владение базовым инструментарием аналитика:
- SQL,
- основы Python,
- BI-инструментов.
Подводя итог, можно сказать, что руководителям, «пощупавшим» данные, гораздо проще находить со своими аналитиками общий язык в дальнейшем.
Аналитик данных – это одна из важнейших ролей в компании. Глаза, ум и здравый смысл бизнеса.
Аналитик обязан «видеть цифру за каждым человеком, и человека за каждой цифрой», а также уметь продать свое видение коллегам, которые могут иметь очень разный опыт и отношение к аналитике в целом. Эта роль даже в продуктовой компании предполагает максимальное количество общения с неаналитиками.
Фото: Unsplash
Именно культура работы с данными помогает договориться о правилах игры, терминах, визуализации метрик, выводах и дальнейших рекомендациях. Но руководителю нужно учиться пониманию роли аналитики и ее результатов в бизнес-процессах компании.
Это будет происходить небыстро, даже если, на первый взгляд, культура data-driven близка компании. Менеджерам необходимо понимать, как интерпретировать данные в стратегии, строить работающие гипотезы на их основе и при этом контролировать работу специалистов по аналитике. С 27 мая в «Нетологии» стартует курс «Аналитика для руководителей», на котором будут разбираться все эти вопросы и подход data-driven в целом.
Материалы по теме:
Кто ты в анализе данных? Десять ролей в команде дата-аналитиков
Нужна ли компании HR-аналитика? Подборка свежих кейсов, которые убедят вас ее использовать
Малому бизнесу сложно выжить без аналитики. И вот почему
Большой вопрос про большие данные
Цифровое мышление, спринт-метод и анализ big data: эти книги стоит прочитать каждому руководителю
Фото на обложке: Unsplash
С помощью данных можно не только оценить эффективность бизнеса, но и выстроить стратегию его развития. Впервые о data-driven заговорили в конце 1990-х гг., а сегодня этот подход активно используют руководители, менеджеры, маркетологи и дизайнеры.
Рассказываем, зачем нужен data-driven и как правильно принимать решения на основе данных.
- Что такое data-driven
- Принципы data-driven подхода
- Data-driven в менеджменте
- Data-driven в дизайне
- Data-driven в маркетинге
- Метрики data-driven
- Инструменты анализа и визуализации
- Как начать работать на основе данных
Что такое data-driven
Data-driven (англ. «управляемый данными») – это подход к управлению, который основывается на собираемых данных. Только они имеют значение, когда принимается то или иное решение для бизнеса. Но цифры сами по себе остаются цифрами. Data-ориентированную компанию отличает умение её сотрудников анализировать данные, учитывая рыночный контекст.
Конечно, data-driven не звучит как нечто новое – владельцы бизнеса и раньше формировали стратегию управления, имея данные о доходах и расходах. При этом решения во многом принимались с опорой на интуицию и экспертный опыт. Такой подход имеет свои плюсы: там, где компьютеру требуется много времени для сбора и обработки данных, специалист может быстро оценить ситуацию и сделать выводы. Но подобные бизнес-решения субъективны и не всегда отвечают реалиям рынка.
Data-driven подход идёт другим путём – ставит во главе угла анализ данных. А они всегда объективны. Если собранная информация корректна и представлена в необходимом объёме, на её основании можно принять решение, которое с большой вероятностью принесёт бизнесу прибыль.
Принципы data-driven подхода
Стратегия управления данными опирается на следующие принципы:
- готовность потратить ресурсы
Собираемые данные необходимо где-то хранить, затем анализировать и представлять в виде графиков и схем. Это требует вложения денег, времени и внимания специалистов.
- умение проводить анализ и истолковывать данные
Чтобы информация не оставалась цифрами на экране, её необходимо интерпретировать. В этом помогут знания и опыт.
- готовность доверять данным и принимать решения на их основе
Следование data-driven подходу не даёт гарантий, что бизнес вырастет, клиенты придут, а доходы увеличатся. Но владение точными данными значительно повышает шанс обойти конкурентов.
Data-driven в менеджменте
Data driven management позволяет эксперту быть более гибким в принимаемых решениях. Объективные данные могут подсказать, что предпочитает целевая аудитория, как понизить стоимость привлечения клиентов, где искать новых, как выстроить с ними общение, повысить лояльность и т.д.
Данные можно отслеживать в реальном времени и благодаря этому быстро реагировать на позитивные и негативные изменения рынка. Как правило, о data driven management говорят применительно к крупным брендам, таким как Amazon, Google, Intel, Walmart, а в России – МТС, Бургер Кинг. Но средний бизнес также может перенять этот подход, просто использовать его в других масштабах.
Data-driven в дизайне
Data driven design обращается к данным, чтобы создавать продукт, который отвечает запросам аудитории и одновременно приносит деньги компании.
Раньше дизайнер мог руководствоваться только интуицией и опытом при работе над визуалом. Сейчас ему приходится следить за трендами и постоянно анализировать реакцию целевой аудитории продукта. Например, после запуска новой страницы сайта тепловая карта показывает, что пользователи не останавливают внимание на форме захвата, из-за чего падает конверсия. Зная это, дизайнер может исправить проблему: сделать форму другого цвета, изменить её размеры, перенести в другое место на странице, поменять шрифт или даже сам текст.
Data driven design экономит время как заказчику, так и дизайнеру. Решения принимаются обоснованно, количество правок снижается. Выгодно это и компании, ведь результаты достигаются быстрее и легче интерпретируются.
Data-driven в маркетинге
Знание актуальных данных о пользователях повышает эффективность рекламных кампаний, помогает создавать более персонализированные предложения и предсказывать поведение клиентов.
Из-за быстрого ритма жизни и переполненности информационного поля завладеть вниманием людей становится всё сложнее. Мало понимать, чего хочет целевая аудитория и предлагать ей такую рекламу. Маркетолог должен видеть, откуда идёт трафик и какие каналы наиболее эффективны. Здесь на помощь и приходят данные.
Для data driven marketing собирают информацию о поведении пользователей на сайте и в приложении, их удовлетворенности продуктом и качеством обслуживания. В результате маркетолог понимает, на что направить ресурсы – исправить ошибки или улучшить бизнес-процессы, – и получает данные о будущих клиентах.
Метрики data-driven
Существуют различные метрики, по которым можно оценивать эффективность маркетинга:
- Cost Per Action (CPA) – цена за целевое действие пользователя на сайте (когда он совершает покупку, оставляет заявку, регистрируется, подписывается на рассылку и т.д.).
- Conversion Rate (CR) – процентное соотношение числа посетителей сайта, которые совершили целевое действие, к общему числу посетителей сайта.
- Shopping Cart Abandonment («брошенная корзина») – процент отказа от покупки во время оформления заказа. Метрика позволяет определить, что отпугивает или мешает пользователю и на каком этапе.
- Lifetime Value (LTV) – пожизненная ценность покупателя. Показывает чистую прибыль, которую получает компания за общее время работы с клиентом.
- Customer Retention Rate (CRR) – метрика удержания клиентов, которая сообщает, как долго бизнес может сохранять с ними отношения.
- Churn Rate (CR) – отток клиентов, сигнализирующий о количестве людей, которые прекращают взаимодействовать с компанией по каким-либо причинам.
Список метрик data-driven можно продолжить и дальше. Но владельцу компании или менеджеру важно понимать, какие показатели пригодятся для создания и корректировки именно его бизнес-стратегии.
Инструменты анализа и визуализации
Для работы с большими объёмами данных следует обратиться к специальным системам:
- Инструменты веб-аналитики, такие как Google Analytics, Google Tag Manager и Яндекс.Метрика, собирают и хранят данные о поведении пользователей на сайтах. Маркетологу остается воспользоваться этими данными, чтобы провести собственный анализ.
- Инструменты сквозной аналитики, например Roistat, Alytics, CoMagic, Mixpanel, показывают, насколько рекламная компания была эффективна. Они прослеживают пользовательский путь, начиная от просмотра объявления в сети, заканчивая продажей (или повторной продажей) продукта.
- Технологии Big Data позволяют собирать, сортировать и хранить большие объёмы данных. Вот как этот инструмент МТС Маркетолога помог агрегатору путешествий разработать новую стратегию в условиях пандемии.
- CRM-система автоматизирует продажи и дает возможность оценить результаты маркетинговой деятельности.
- Сервисы визуализации данных помогают представить информацию о состоянии бизнеса и успешности рекламных кампаний с помощью дашбордов («приборных панелей»). Среди популярных инструментов – Chart.js, Timeline, ZingChart, Data Studio, Power BI.
Перечисленные системы автоматизируют рутинные процессы. Благодаря этому сэкономленные ресурсы направляются на непосредственный анализ данных и принятие обдуманных бизнес-решений.
Как начать работать на основе данных
Data driven decision making – принятие решений на основе данных – требует определённой технической базы и подготовленности специалистов. Зато в итоге компания получает конкурентное преимущество, сокращает расходы и увеличивает свою прибыль.
Чтобы быть data-driven, следуйте алгоритму действий:
1. Определитесь с источниками данных, которые помогут достигнуть целей.
Например, вы не получаете нужных показателей прибыли, так как мало новых клиентов регистрируются в приложении. При этом вы недавно проводили его редизайн. Значит, вашей целью будет уменьшение оттока клиентов, а для этого нужно понять, на каком этапе регистрации у людей появляются сложности.
2. Наймите специалиста или обучите своего.
Вам понадобится человек, который умеет пользоваться системами сбора данных и понимает, как интерпретировать информацию. Как правило, с этими задачами справляется маркетолог, но в больших компаниях к нему подключается data scientist.
3. Соберите данные на одной платформе.
Работайте со статистикой в одном месте, чтобы не тратить время на переключение между сервисами. Пусть у вас перед глазами будут данные из всех источников: CRM, рекламных аккаунтов, email-рассылок и пр.
4. Сформируйте инфраструктуру, чтобы хранить данные и работать с ними.
Статистика понадобится при создании дашбордов, выборе инструментов для улучшения продукта, проверке гипотез и оценке результатов. При этом нельзя забывать о структурировании, проверке данных на достоверность и их обновлении.
Data driven подход помогает своевременно отвечать на вызовы рынка. С ним вы будете принимать решения, опираясь на реальные цифры, и предсказывать результаты с большей точностью в различных сферах бизнеса.
Начните применять data-driven подход уже сейчас. С помощью Big Data МТС вы можете исследовать свою целевую аудиторию среди абонентов МТС и получать обратную связь в формате аналитического отчета с выводами и рекомендациями. Заказать опрос клиентов и узнать подробности о Big Data МТС можно на странице МТС Исследования.
- →
- →
Управление компанией на основе данных еще недавно казалось прерогативой международных гигантов. Сегодня же организации всех масштабов используют Big data для прогнозирования и оперативных корректировок. Это серьезно снижает риски бизнеса и помогает перейти от решений на основе оценок и опыта руководства к Data-Driven Decisions Making.
остается популярной даже в XXI веке. Это аббревиатура от highest paid person’s opinion, то есть «мнение самого высокооплачиваемого сотрудника». Полная противоположность подхода, в котором каждое действие обосновано объективными данными.
Чтобы эффективно использовать собранные показатели, необходимо выстроить внутри организации их сбор, обработку и хранение. Кроме того, важно научиться превращать их в понятную для пользователя информацию, которая помогает принимать решения. В этой статье рассмотрим, как применять методику в бизнесе и избежать при этом «подводных камней».
В чем заключается подход Data-Driven
В основе принципа — объективность и значимость собранных данных. Именно от них зависят как оперативные, так и стратегические действия руководства.
Такой подход нельзя назвать революционным: руководители и раньше принимали решения с учетом статистики доходов и расходов. Однако определяющее значение имело мнение человека, основанное на интуиции и опыте.
Например, компания собирается запустить свое приложение. Можно сделать дизайн и интерфейс исходя из представлений руководителя «о прекрасном». А можно провести предварительные исследования, «обкатать» прототип, оценить приложения конкурентов, прежде чем запускать собственное в разработку. Второй вариант потребует больше ресурсов, но именно он с большей вероятностью позволит создать качественный продукт.
Data-Driven подход — это управление на основе данных. Во главе угла стоит информация, ее обработка и подача. Если материалов достаточно, а процесс анализа проведен без нарушений, руководитель получит представление о том, как развивать бизнес.
Четкая финансовая картина: сколько зарабатывает и тратит ваш бизнес
Наглядная и простая отчетность на языке управленца
Понятная система ключевых показателей
Система контроля для малого и среднего бизнеса. За месяц
Принципы подхода
Перед тем как внедрять эту методику, важно рассчитать возможности. Без предварительной оценки затрат и перспектив попытка интегрировать работу на основе данных в текущие процессы может только навредить. Для начала рассмотрим три принципа, на которых базируется Дата-Драйвен.
1. Инвестиции. Хранение и обработка данных требуют вычислительных мощностей, а также участия профессионалов.
2. Ресурсы. Полученные данные предстоит обработать и правильно интерпретировать. Превращение цифр в понятную информацию — дело специалистов. Задача руководства состоит в том, чтобы сформировать команду, которая поможет делать выводы на основе данных.
3. Ответственность за принятые решения. Обработка собранных сведений позволяет минимизировать ошибочные действия, но всегда есть вероятность столкнуться с «черным лебедем» (неучтенными рисками).
Применение Data-Driven в компании позволяет решать проблемы в менеджменте, маркетинге и других сферах бизнес-деятельности. Давайте посмотрим, как устроен процесс принятия решений на основе данных.
Пример подхода на практике
Допустим, с рынка общественного питания ушел крупный сетевой игрок. Мы — представители небольшой столичной сети, которая в новых условиях имеет все перспективы для роста.
Первая задача, которая встает перед нами — выбор места для открытия точки. В парадигме HiPPO мы бы опирались только на оценку экспертов и интуицию руководителя. Новый метод заставит поступить по-другому:
● изучить поисковые запросы о местах питания на определенной территории;
● получить информацию о геолокации с мобильных устройств, их концентрации в разных местах.
Затем аналитики приступают к интерпретации собранных сведений. Сотрудники изучают и структурируют полученную информацию, преобразуют в понятные графики и блок-схемы. Имея обработанную статистику, руководитель может принять нужные меры.
Применительно к нашему кейсу, место для точки мы выбираем, исходя из объективных факторов и ожиданий потребителей, необходимости кафе в данном месте.
Интеграция с вашими учетными системами
Понятные управленческие дашборды
Матрица KPI под ваши бизнес-задачи
BI-аналитика и хранилище данных «под ключ»
Система корпоративной отчетности
Четыре парадокса на пути к Data-Driven культуре
Сотрудников, работающих с данными и отчетами, можно разделить на 3 группы: аналитики, визуалы и технари. У них разные роли, задачи, требования к данным, их обработке и результатам. Все они вместе делают одно дело, используя различные подходы. Здесь и возникают парадоксы их отношения к своей работе.
-
Аналитики
Это финансисты, экономисты, маркетологи, которые ищут ответы на конкретные вопросы. Для этого они проводят исследования, собирают информацию, делают выводы. Их задача — проанализировать, выявить причинно-следственные связи, изучить влияние различных факторов на бизнес-процессы. Например, Data-Driven подход работает, когда экономист проводит внутренний аудит, чтобы выяснить, что повлияло на рост себестоимости.
-
Технари
Это разработчики баз данных, математики, специалисты по Data Science. Они выводят алгоритмы обработки информации, проектируют хранилища, автоматизируют отчеты. Для них важно, как работает система, что на нее влияет, как сделать процесс безошибочным и бесперебойным – создать идеальный алгоритм.
-
Визуалы
Эти сотрудники изготавливают конечный продукт, умеют превратить таблицы в наглядные диаграммы и слайды или даже дашборд. Чаще всего они занимают должность менеджера, который понимает, что нужно бизнесу, и ставит задачи дизайнеру и разработчику. Аналитик тоже может быть в роли визуализатора, мыслить категориями юзабилити и иметь чувство прекрасного.
Каждый из представителей этих групп считает самой важной именно свою часть работы. Аналитики – процесс поиска ответов на вопросы, визуалы – красоту и доступность изложения, технари – модели и алгоритмы. Все это является элементами Data-Driven culture. И в результате возникают парадоксы, неочевидные для конечного заказчика.
Аналитикам не нужна визуализация
Их идеальные инструменты – сводные таблицы Excel, OLAP-куб или витрина данных, к которым можно подключиться через Qlik или Power BI. Для них результат лежит на пересечении нескольких таблиц или массивов. Им там комфортно, понятно и удобно. Не зря же они всё разложили по полочкам, а точнее – по ячейкам. Но без переработки в более простой формат эта информация неприменима для бизнеса.
Диаграммы или слайды презентаций аналитикам неинтересны. Для них это лишь «красивые картинки», которые бесполезны без погружения в контекст. Ведь в таблицы всегда можно углубиться и докопаться до сути. Они понимают ценность дашбордов, но создают их сложными, со множеством закладок, где фильтры занимают половину экрана.
Дашборд с множеством фильтров, понятный только аналитику
Визуалов не волнует качество данных
Под этой группой специалистов я подразумеваю аналитиков с развитым визуальным мышлением, а не дизайнеров. Они придают форму результатам анализа и стремятся в этом к гармонии и эстетике. А потому и качество данных уходит на второй план. Для них важна подача информации, в то время как в основе технологии Data-Driven — «чистота» и достоверность сведений.
Визуал может пропустить важные детали, на которые аналитик-исследователь точно бы обратил внимание. Например, на этой диаграмме факторного анализа некорректно выбраны цвета:
Факторы отклонения фактического ФОТ от планового
Традиционно факторы, приносящие минус, отображаются красным, а прирост – зеленым. Но здесь мы анализируем причины перерасхода фонда оплаты труда, и снижение, экономия – это хорошо, а увеличение расходов надо, наоборот, отображать красным. Но визуал не обратил внимания на контекст, потому что диаграмма сама по себе выглядит стройно и логично.
Программистам не важен бизнес-результат
Data-Scientist, Machine-Learner – звучит круто, но по сути, это профессия математика, который работает с алгоритмами. Для него важна техническая сторона, характер взаимосвязи, описываемый системой машинного обучения, а вот что с этой информацией делать дальше – не его забота. Вам построят модель профессиональных компетенций идеального сотрудника, но не подскажут, как его найти и как им управлять.
Я не критикую разработчиков за то, что они заботятся о целостности структуры базы данных, а не о том, как повысить лояльность потребителей. Скорее, говорю о том, что наивно ждать от них готовых решений по развитию бизнеса. Для эффективной интеграции Data-Driven Model нужна связка между программистами, аналитиками и визуалами.
Визуализация этого специалиста тоже мало интересует, если это не схема связей в базе данных. И за качество собранных сведений он не отвечает. Его зона ответственности – это стабильная работа, производительность системы, отсутствие ошибок. Хотя это тоже очень важно.
Бизнесу нужен текст
Я говорил о трех ролях, но есть и еще один участник процесса – это заказчик, руководитель, который принимает решения. Самое удивительное, что ему не важны визуализация, глубина аналитического исследования или работоспособность алгоритма.
Бизнесу нужны выводы: четко сформулированные варианты решений или стратегий, а также прогнозы – к чему они могут привести. В идеале – конкретный, понятный текст из простых предложений, без деепричастных оборотов: какие цены обеспечат максимальный объем продаж, почему инвестиции именно в этот проект окупятся.
Модель Data-Driven требует большого внимания. Если руководителю предоставить стандартную аналитическую записку, он будет недоволен. Ему нужен и текст, и визуализация, и выводы, причем на одном экране. Я стал все чаще наблюдать дашборды, в которых есть блок с текстовыми выводами, и даже надстройки к BI-системам, которые автоматически генерируют текст из дашборда.
Управленческий дашборд с блоком текстовых выводов
Сначала я считал такое требование блажью, но теперь признаю, что это дополнительный этап контроля достоверности, осмысления аналитиком выводов. Тут речь идет не о ручном рутинном копировании данных из таблицы на график, а об осмыслении причин отклонений от планов, подготовке к совещанию.
Как начать работать на основе данных
Многие считают, что Data-Driven Approach – это дорого. Действительно, нужно привлечь или обучить специалистов, установить программное обеспечение, выстроить внутри компании алгоритм работы.
При внедрении подхода можно ориентироваться на этот чек-лист.
1. Создайте техническую базу. Чтобы работать с данными, нужно иметь структуру: источники, системы хранения и обработки. Источниками данных могут быть сайт компании, CRM, рекламные аккаунты на разных платформах, приложения.
2. Наймите специалистов. Нужны айтишники, маркетологи и аналитики, которые имеют навыки в области сбора и анализа данных.
3. Структурируйте информацию. Например, используйте BI-систему для объединения данных из разных учетных систем — это поможет получить сводную аналитику по всем бизнес-процессам на одном интерактивном дашборде.
4. Принимайте решения. Теперь в ваших руках есть огромный информационный ресурс, на котором можно (и нужно) основываться, выстраивая стратегию продвижения бизнеса.
Data-Driven организации более эффективно реагируют на изменения в поведении потребителей, экономических процессах. Потому что выводы делаются на базе статистики. Принимая решения на основе данных, вы точно знаете ответы на ключевые вопросы.
● Какой продукт нужен клиенту. Вы видите, какие товары и услуги более привлекательны, а какие проседают.
● Как он хочет его приобрести. Оформить покупку на сайте, приехать и забрать самостоятельно, заказать по телефону и получить в ближайшие часы либо к определенной дате и времени.
● Какие рекламные площадки дают лучший эффект. Стоит ли продолжать использовать таргетинг или нужно вложиться в печатные источники, радио или региональное телевидение.
● Где вы теряете деньги. Какая из стадий бизнес-процесса дает наименьший эффект при больших затратах.
● Как увеличить доходность. Данные позволяют предположить, какие позиции в каталоге компании можно расширить, дополнить новыми продуктами.
Составление плана
Чтобы процесс перехода от «интуитивного управления» к ориентиру на объективные данные прошел успешно, составьте дорожную карту внедрения методики в компанию. Планомерное продвижение в рамках намеченной стратегии гарантирует, что Data-Driven аналитика лаконично впишется в бизнес-модель.
Для этого можно пользоваться следующим алгоритмом.
1. Найти целевую аудиторию. Кто наш клиент? Его пол, возраст, уровень образования, профессия, образ жизни и интересы имеют значение при формировании стратегии.
2. Определиться с целями. Что мы хотим получить? Увеличить продажи, повысить качество и узнаваемость бренда. От понимания конечной цели зависит результат работы.
3. Собрать информацию. На чем будем основываться? Важно помнить о таких параметрах, как актуальность и точность статистики. Если не соблюсти эти условия, велик риск, что управленческое действие будет ошибочным.
4. Провести Data-Driven анализ. Что нам известно? Табличные показатели лучше перевести в понятные дашборды, схемы и тезисы. Переработать данные в рабочий материал, пригодный для использования в бизнесе и маркетинге.
5. Принять решение. Что нужно сделать для положительных изменений? Чем качественнее проведены операции на предыдущих этапах, тем легче будет сделать выбор.
6. Оценить результат. Какой эффект мы получили? Фидбэк – это новости, которые отражают положительную или отрицательную динамику, либо ее отсутствие. С помощью обратной связи можно скорректировать курс.
Этапы принятия Data-Driven решений универсальны. Но есть некоторые отличия в части использованного ПО и способов обработки информации.
Инструменты для бизнес-аналитики
Работа с данными требует специального инструментария. Это разного рода программы, которые понадобятся для обработки, разбора или визуализации. Каждый продукт имеет свои достоинства и недостатки. Целесообразность его использования зависит от навыков сотрудника, экономических факторов и удобства конкретного ПО.
После того как вы усвоили последовательность действий в Data-Driven, рассмотрим основные программы. Они представлены в таблице.
Сбор данных и сложные расчеты
Архитектура аналитической системы
Получите решение задач за 1 час
Персональные консультации по внедрению BI
Визуализация данных
Это один из этапов обработки информации, ее превращение в удобный, читаемый вид. Самые простые примеры —
на дашбордах в Excel
, где цифры из ячеек таблицы представлены в виде диаграмм и графиков.
Но как принимать Data-Driven решения на «больших данных», если их могут понять только технари? Для этого используются BI-системы — инструменты для анализа и визуализации.
При графическом отображении данных определяющую роль имеют два фактора:
● доступность: материал должен быть понятен своей аудитории — руководителям или заказчикам;
● структура: информацию нужно подавать последовательно и компактно, чтобы пользователь получал ответы на свои вопросы максимально быстро;
● аккуратность: неряшливость на панели мониторинга снижает доверие к данным и заинтересованность пользователя.
Решение задач бизнеса с помощью аналитики
Кейсы и лайфхаки от практика
Excel, Power BI, PowerPoint
Обучение на реальных бизнес-задачах
Курсы по визуализации и аналитике данных
Инструментов визуализации много. При выборе стоит руководствоваться и масштабом компании, и объемом данных, и навыками бизнес-пользователей. Перечислю лишь несколько, по ссылкам в названиях — статьи с инструкциями по созданию дашбордов.
●
Excel
.
●
Data Studio
.
●
Power BI
.
●
Tableau
.
Вот так выглядит панель мониторинга, созданная в BI-платформе Power BI. Дашборд интерактивен: нажимайте на показатели и смотрите, как сортируются данные в режиме реального времени.
Метрики в Data-Driven
Первое что нужно сказать: их много, и каждая отражает успешность определенного бизнес-процесса или задачи. Все зависит как от направления деятельности, так и от целей конкретной компании. На основе этой информации формируются ключевые показатели эффективности (KPI).
В качестве примера рассмотрим основные маркетинговые метрики:
1. Окупаемость инвестиций (ROI). Этот коэффициент показывает, насколько бизнес убыточен или доходен, учитывая вложенные в него средства. Например, мы запустили рекламную компанию через email-рассылку (инвестиция) и получили с нее определенное количество клиентов (доход). Если коэффициент ROI высокий, значит, реклама окупилась, если низкий — нужно пересмотреть стратегию.
2. Стоимость привлечения клиента (CAC). Эта метрика показывает, сколько в среднем тратит компания на +1 в своей базе покупателей.
3. Пожизненная ценность клиента (LTV). Это совокупность прибыли от одного потребителя за все время работы с ним. Если показатель ниже, чем САС, значит, затраты на привлечение выше дохода.
4. Коэффициент оттока (Churn Rate). Данная метрика показывает, какое количество клиентов прекратило сотрудничество с компанией.
5. Показатель конверсии (Conversion Rate). Это соотношение общего числа посетителей сайта к пользователям, которые совершили целевое действие: заполнили форму обратной связи, оставили комментарий или оформили заказ.
Определение метрик и подбор источников относятся к технической стороне процесса. В то же время нельзя забывать и о принципах Data-Driven подхода в управлении, в которых важна культура работы с данными.
Методика в строительстве
В этой отрасли Дата-Драйвен интегрируется с помощью «электронной стройки». Это комплекс программ, которые позволяют контролировать и стандартизировать процесс возведения объектов.
Например, компания строит типовые сооружения в разных регионах одновременно. Пусть это будут модульные автовокзалы, которые устанавливаются в Подмосковье, Псковской области и на Дальнем Востоке. При помощи планшета бригадиры на разных площадках могут получить доступ к проекту, сметам и другим важным показателям.
Тот же набор данных используется и в проектировании. При выезде на место будущего строительства специалист может за несколько минут подобрать типовой проект под конкретную локацию, особенности почвы, собрав его из готовых решений как конструктор.
Строителям Дата-Драйвен подход может помочь с такими специфическими задачами, как:
● сокращение времени проектирования объектов;
● оптимизация работы с подрядчиками;
● контроль графика возведения объектов и ввода в эксплуатацию;
● стандартизация строительства;
● мониторинг безопасности на стройплощадке;
● отслеживание проблемных участков на объекте в режиме онлайн.
В список попали только аспекты, наиболее характерные для строительства. Принятие мер на основе данных затрагивает разные процессы, список которых ограничен только техническими возможностями и потребностями организации.
Условные примеры Data-Driven компаний в этой отрасли — российский ГК ПИК и шведская Skanska. Эти девелоперы являются первопроходцами внедрения «электронной стройки» в своих странах. Клиенты компаний могут отслеживать процесс строительства в режиме онлайн, а строители быстро решать возникшие сложности через каналы горизонтальной и вертикальной коммуникации между участниками процесса.
Как Институт бизнес-аналитики упрощает работу застройщиков с помощью разработки дашбордов, можно прочитать в статье «
Идеальный отчет строительной компании: как выстроить работу с данными
».
Data-Driven в менеджменте
Главные качества Дата-Драйвен с позиций управления – это гибкость и точность. Объективные данные, лежащие в основе решений, помогают руководителю выявить слабые места.
Например, с помощью технологии учета времени обработки заказа определить, на каком из этапов (в каком из отделов компании) заявка задерживается. После этого можно уже не рассматривать весь процесс, а сосредоточиться на проблемной точке. Например, уточнить KPI ответственных сотрудников, заменить оборудование, которое тормозит процесс или предпринять другие действия для устранения недостатка.
Говоря о Data-Driven менеджменте, уместно упомянуть такие бренды как Netflix и Intel. Среди российских представителей можно выделить Мегафон и Wildberries. Система управления в этих компаниях основывается именно на данных.
Например, команда Netflix начала доставлять DVD по почте. Череда грамотных управленческих решений, основанных на объективных данных, привела к переходу сервиса на стриминговое вещание, создание интернет-платформы. В этом случае, переориентация на совершенно другой технологический процесс при сохранении направления деятельности компании – это Data-Driven решение.
Это не значит, что подход применим только для крупного бизнеса. Средний тоже может использовать методику в своей работе, достаточно сделать поправку на масштаб.
Управление на основе данных в производстве
Заводы и фабрики могут использовать Дата-Драйвен как в основных, так и в сопутствующих процессах. Подход положительно влияет на несколько показателей, рассмотрим примеры.
● Качество продукции. Полученные данные показывают, что именно на него влияет и в каких пропорциях. А значит, дают возможность оперативно корректировать работу.
● Сроки производства. За счет автоматизации ряда процессов (например, технического учета), а также интеграции систем электронного документооборота информационные технологии помогают оптимизировать работу. Например, сократить временные издержки, связанные с логистикой.
● Улучшение продукта. Благодаря работе систем исследования и актуализации, вы вовремя узнаете, что потребители потеряли интерес к вашему продукту, сможете выявить причины и внести изменения в конструкцию.
● Борьба с браком. Обработка сигналов, полученных от установленного оборудования, помогает выявить причины и отладить технику.
Внедрение подхода в производство требует бóльших вложений. Это связано с тем, что для сбора информации необходимо установить на станки ряд датчиков. Однако эффективность работы на Дата-анализе позволяет отбить эти вложения ростом конкурентоспособности и доходности.
Data-Driven в маркетинге
В современных реалиях поведение потребителей подвижно, часто меняется. Актуальность является «ключом», который дает возможность быстро и точечно реагировать на все изменения, подстраивая продвижение продукта или услуги под новые условия.
Вот какие преимущества может получить отдел маркетинга после внедрения методики.
1. Оперативное управление. Эффективность источников трафика можно контролировать в онлайн-режиме. И при необходимости быстро перенаправлять ресурсы в более перспективные каналы продвижения.
2. Отслеживание поведения. Дата-Драйвен маркетинг подразумевает, что бизнес управляет настроением пользователей: видит, что привлекает их на сайте или в приложении, а какие элементы стоит убрать или переделать.
3. Знание целевой аудитории. Изучение имеющихся клиентов позволяет составить представление о потенциальных покупателях. Благодаря этому можно скорректировать рекламу, сделать ее более эффективной и целенаправленной.
Данная система наиболее распространена в маркетинге и рекламе. При сравнительно небольшом количестве вложений она помогает вывести привлечение потребителей на качественно новый уровень.
Кому нужно учиться работе с данными
Чтобы функционировала цепочка принятия решений в Data-Driven, необходимы специалисты.
1. Маркетологи, которые заняты построением воронки продаж. Чаще всего они занимают кросс-платформенное положение, участвуют как в проектировании, так и в построении маркетинговой стратегии. Получение знаний в области работы с базами данных повысит эффективность их деятельности.
2. Финансисты. Начиная от рядовых менеджеров и до директоров. Финансовые данные стекаются отовсюду, и важно уметь упорядочивать их и управлять ими. Только так можно будет получить полную картину: где бизнес получает прибыль, а где теряет деньги.
3. Аналитики. Это специалисты, которые переводят данные с технического языка на язык бизнеса. Они лучше всех должны понимать, как устроена работа с данными и что поможет превратить их в основу для принятия управленческих решений.
Достоинства и недостатки Data-Driven подхода
Вам понравилась статья?
Подпишись на рассылку и получи в подарок «Каталог лучших отраслевых дашбордов»!
Хочешь получать актуальные статьи о визуализации данных?
👉 В этом разделе мы на примерах разбираем сложные айтишные термины. Если вы хотите почитать вдохновляющие и честные истории о карьере в IT, переходите в другие разделы.
Data Driven-подход — это способ принимать управленческие решения, основываясь на больших данных. Его используют для построения бизнес-модели или маркетинговой стратегии, при составлении плана продаж, в программировании и даже в дизайне.
Для каждой сферы выбирают конкретный тип информации, например данные о покупках, геолокации мобильных устройств, количестве поисковых запросов по теме. При поиске помещения под новую кофейню владелец может проанализировать трафик людей на улицах и выбрать место с наибольшей проходимостью.
Полное название этого подхода — Data Driven Decision Making (DDDM), то есть информационно обоснованные решения (или data driven decisions). Он стал альтернативой устаревшему подходу HiPPO (Highest Paid Person’s Opinion) — принятию решений на основе мнения руководства. Проблема этого подхода в том, что руководитель или менеджер не могут быть объективными и компетентными во всех вопросах и знать все особенности аудитории.
Melbourne Business School проводила исследование того, как компании в 46 странах используют аналитику, и выяснилось, что только 6% из них могут считаться лидерами в этом направлении. Это тот бизнес, в котором проработана аналитическая стратегия и в нее включены все подразделения, высший менеджмент принимает решения исключительно на основе данных, а также в реальном времени мониторится ситуация на рынке.
Еще 49% компаний отнесли к категории «Исследователи», так как они частично используют данные для принятия решений, но не до конца развили инфраструктуру для полноценного Data Driven. Остальные компании отнесли к «Подражателям» и «Отстающим», так как они используют данные только в одной конкретной области или не развивают аналитику вообще.
Data Driven-подход полезен на разных этапах развития:
- Запуск продукта. Подход позволяет точно определить целевую аудиторию, выявить ее «боли», рассчитать прибыль и проанализировать конкурентов.
Например, агентство RUSFAIR GROUP проводит исследования для запуска новых продуктов на рынке электронной коммерции в Китае. Они делают анализ инфополя бренда и конкурентов, затем — анализ потенциальных площадок, исследование аудитории в WeChat — самом популярном социальном приложении в Китае, Douyin — китайском аналоге TikTok и других социальных сетях. Такие исследования позволяют определить объем необходимых инвестиций и грамотно выбрать площадки для продвижения.
- Доработка продукта происходит с использованием информации о покупательском поведении, периодичности покупок, среднем чеке и составе заказов. Анализ отзывов и обращений в техподдержку помогает выявить проблемы по ключевым словам обращений.
Фитнес-клуб в Перми через 7 месяцев после открытия поставил перед собой задачу выйти в лидеры рынка. Для доработки продающей концепции маркетологи изучили опыт конкурентов в городе, собрали данные о том, почему люди не ходят в фитнес-клубы, что их удерживает и почему бросают занятия. В результате изменений, основанных на данных, клуб увеличил выручку в два раза.
- Увеличение конверсии тоже возможно с помощью Data Driven, для этого необходимо исследовать поведение покупателей, которые уже приобрели продукт: как они узнали о компании, что их привлекает в продукте, как долго они шли к первой покупке.
Альфа Банк в прошлом году проанализировал всю воронку продаж и поведение клиентов, которые в итоге подали заявку на карту и получили ее на руки. На основе этих данных рекламу стали таргетировать на пользователей, которые с наибольшей вероятностью заинтересуются продуктом, благодаря чему число заявок выросло в 1,6 раза.
Читайте также: Чем занимается дата-сайентист в Mail.ru Group?
Решения на основе данных
Для использования Data Driven-подхода требуются навыки работы с аналитикой. Во-первых, нужно уметь считывать данные из таблиц, графиков и диаграмм, потому что иначе даже на основе самых верных данных можно сделать неверные выводы. Во-вторых, нужно критически относиться к самим данным и задавать аналитику правильные вопросы:
- насколько актуальна выборка;
- соответствует ли выборка портрету клиента;
- учтены ли важные для бизнеса факторы (сезонность или ситуация на фондовом рынке).
Управление на основе данных включает в себя три подготовительных шага:
- Формулировка бизнес-цели. Важно, чтобы использование Data Driven давало конкретные результаты: увеличение оборота, доли на рынке, среднего чека, повышение конверсии, увеличение числа заявок. Все эти цели прямо или косвенно ведут к прибыли компании.
- Разбивка на этапы. Отслеживание показателей по неделям, месяцам и кварталам позволяет понять, работает ли выбранная стратегия. В этих временных промежутках можно отслеживать те самые показатели, которые выбраны как приоритетная цель: увеличение количества клиентов, позиций в чеке, оставленных заявок.
- Постановка целевых показателей (KPI). Они помогут понять, насколько успешна ваша стратегия.
Недостатки Data Driven-подхода
- Расходы на инфраструктуру. Чтобы собирать данные о клиентах, нужно внедрять новые инструменты. Действия в интернете, например, просмотры страниц, время на сайте, клики и переходы можно отслеживать с помощью классических сервисов Google Analytics или Яндекс.Метрика. Но иногда их функционала не хватает и приходится покупать дополнительные сервисы.
- Расширение штата сотрудников. Для анализа данных требуются компетентные специалисты, которые смогут не только настроить систему аналитики, но и вовлечь в процесс другие отделы. Поэтому, кроме найма новых работников, появляются затраты на обучение.
- Затраты ресурсов на очистку данных. Для корректных результатов данные на входе должны быть чистыми, то есть не содержать ошибочной информации, устаревшей или неактуальной для компании. Очистка данных — трудоемкий процесс, который может отнимать до 80% времени.
Как стать Data Driven-компанией
Data Driven-организация корректно собирает, проверяет и обрабатывает данные и использует их на пользу бизнеса. Такие компании имеют отлаженный механизм работы с данными, в котором все сотрудники четко понимают задачи: data-аналитик собирает данные, отдел маркетинга умеет ставить четкое ТЗ на сбор конкретной информации, а руководство соотносит это с бизнес-целью.
Мария Михеева, продуктовый аналитик AliExpress, считает, что организация Data Driven-подхода затрагивает такие аспекты работы компании, как миссия, идеология и обучение сотрудников. Но в основе подхода все-таки лежат качественные данные — достоверные и очищенные от лишней информации, ненужной компании. На этих данных как раз выстраивается data-менеджмент. Кроме них, есть другие важные аспекты:
- Люди и их навыки. Искусственный интеллект научился обрабатывать данные, но еще не умеет принимать качественные решения, учитывая контекст: положение на рынке, интересы сотрудников, предпочтения клиентов и другие тонкие аспекты, — поэтому полноценно заменить людей он не сможет. Кроме этого, важно, чтобы принцип работы с данными был понятен не только аналитикам, но и другим специалистам, это упрощает процесс коммуникации внутри компании.
- Мастер-система. Работа с данными в Data Driven-компании — это система, в которую входят хранилища с разными типами данных, инструменты для визуализации или BI-платформа (Business Intelligence) с отчетами в реальном времени (дашбордами).
- Система принятия решений. Можно считать, что в организации успешно внедрен Data Driven-подход, когда для решения задачи сотрудники начинают опираться исключительно на данные или предлагают провести исследование, если таких данных пока нет.
- Data leadership. Компании необходим человек, который будет заниматься внедрением подхода, координировать работу и отвечать на вопросы руководства и сотрудников.
- Data Driven-культура. Под культурой подразумевается принятие новых правил всеми сотрудниками компании, когда в каждом отделе сформировано понимание, как и зачем работать с данными, а большинство сотрудников умеет работать с данными и правильно их интерпретировать.
Главный критерий успеха в Data Driven-подходе — понимание сотрудниками компании того, зачем нужны данные. Поэтому работу над этой управленческой стратегией стоит начинать с внутреннего PR, презентации и обучения.
В каких профессиях используется Data Driven-подход
Менеджмент
Управление на основе данных — одна из причин роста компаний. Оно помогает оптимизировать расходы, повысить клиентоориентированность, отслеживать изменения на рынке и, как результат, увеличить прибыль. Пока полноценно такой подход реализуют только крупные игроки уровня Google, так как внедрение культуры Data Driven в компании — это ресурсозатратный процесс, который не всем по карману.
Маркетинг
Data Driven-маркетинг позволяет продвигать продукт на ту аудиторию, которой он интересен, что значительно сокращает рекламные расходы. Этим инструментом пользуются, например, маркетплейсы, которые собирают информацию об истории поиска своих клиентов, их покупках и интересах, чтобы предлагать им нужные категории товаров.
Веб-разработка
Разработчики опираются на данные взаимодействия пользователей и сервиса, чтобы зацепить и удержать пользователя. Например, в одной из компаний исследовали, как внутри приложения влияет на вовлечение пользователей лента, предлагающая контент на основе машинного обучения.
Читайте также: Как я бросил финансы, изучил Data Science и уехал работать в Берлин
Кейсы компаний, которые реализуют Data Driven-подход
Управление
Управление на основе данных позволило компании «Сибур» перестроить работу отделов и избавиться от принципа «глубокого колодца», когда специалисты имеют доступ только к информации, необходимой для выполнения их обязанностей. Автоматизация отделов происходила разрозненно, большой пласт информации скрывали, мотивируя это коммерческой тайной, поэтому у менеджмента разных сегментов было недостаточно данных для анализа работы предприятия.
Внедрение Data Driven-подхода позволило открыть доступ к 80% ранее скрытой информации, сотрудники начали самостоятельно проверять гипотезы на данных, составлять интерактивные дашборды. С помощью бизнес-симуляторов компания начала моделировать различные ситуации на рынке и рассчитывать целесообразность инвестиций или запуска новых продуктов.
Разработка маркетинговых продуктов
На туристическом рынке технологию Data Driven используют, чтобы продвигать путешествия на ту аудиторию, у которой есть интерес к направлению, а также отслеживать реальную эффективность рекламы. Например, если человек интересовался турами в Испанию, смотрел билеты или отели, то он обязательно увидит таргетированную рекламу.
Анализ аудитории
Сбербанк уже несколько лет использует Data Driven для анализа поведения заемщиков. Интерактивная анкета, которую использует банк для сбора информации, позволяет выявить один из важных психологических параметров — уравновешенность или импульсивность клиента. Для банка это важно, так как рассудительные люди являются более добросовестными заемщиками, чем импульсивные. Вопросы в анкете для заемщиков помогают определить уровень финансовой грамотности, их стабильность, опыт работы и трезвое восприятие своего финансового положения.
Решения — это топливо, благодаря которому ваша компания движется вперед. Что отличает настоящих лидеров? Имея в распоряжении даже ограниченное количество данных, они способны быстро принимать решения. Важно научиться расставлять приоритеты и классифицировать решения на определенные группы, исходя из того, какое влияние они могут оказать на бизнес.
Оценивайте решения по степени их важности, и тогда вы сможете классифицировать их на три группы.
1. Незначительные решения предоставляют возможность улучшить навыки.
Некоторые решения не влияют на бизнес в целом. Однако сам процесс их принятия дает генеральному директору возможность натренировать своих сотрудников и стимулировать их на дальнейшее развитие.
Когда кто-то делится с вами решением, которое не повлияет на бизнес в денежном плане, предложите ему занять конкретную позицию по этому вопросу. Не позволяйте сотрудникам, которые являются экспертами в определенной области и лучше разбираются в каких-то вопросах, чем вы, беспечно сваливать ответственность за принятие решений на ваши плечи.
Задайте сотруднику следующие вопросы:
- все ли факторы он взвесил?
- если проблему можно оценить в денежном эквиваленте, все ли он рассчитал и насколько обоснованно его предположение?
- каков самый худший прогноз?
- учел ли он интересы всех сторон: клиентов, коллег, акционеров?
Когда станет понятно, что до принятия решения все было взвешено, не меняйте это решение, даже если вы придерживаетесь другого мнения. Другой выбор не обязательно будет лучше, а ведь вы хотите развить в сотрудниках уверенность в своих способностях принимать решения самостоятельно. Чем лучше сотрудники будут владеть этой компетенцией, тем больше времени высвободится у лидера компании для более важных и сложных задач.
2. Простые, но важные решения требуют мнения руководителя.
Иногда плюсы и минусы различных вариантов совершенно прозрачны, но вам важно сделать правильный выбор, поскольку он повлияет на бизнес в целом.
Такие решения требуют реакции руководителя и его согласия. Если решение влияет на несколько направлений бизнеса, привлеките всех руководителей к обсуждению проблемы, чтобы выяснить их мнение. Руководители владеют дополнительной информацией и могут высказать идеи, которые помогут принять правильное решение. Такой подход позволяет выработать либо единое решение, либо новый вариант для рассмотрения.
Учите вашу команду руководителей принимать правильные решения. Это ключевой момент в развитии организации, который способствует быстрому росту. Если вы заметили, что постоянно принимаете решения, отличные от тех, что предлагает команда руководителей, значит, у вас серьезные проблемы.
3. Сложные и важные решения требуют оценки риска.
Некоторые решения имеют значение для бизнеса, но имеющиеся варианты слишком трудны для понимания. Такие решения требуют активного участия генерального директора. Крайне важно прислушаться к мнению команды руководителей, но в конечном итоге решение должен принимать именно CEO. Эти решения можно разделить на две категории, исходя из уровня риска:
- Невысокий риск
Некоторые решения, сложные и важные, связаны с низким риском, поскольку их довольно легко изменить или дать обратный ход. Генеральный директор должен принимать эти решения быстро, чтобы не тормозить процессы. Некоторые CEO зависают на таких решениях, долго раскачиваются, в результате чего компания упускает важный момент.
Никто не хочет, чтобы спешка привела к принятию неверного решения, но в большинстве случаев скорость и решительность позволяют организации функционировать на пределе своей эффективности. Если другие не соглашаются с порядком действий и ситуация близка к «50 на 50», просто выберите что-то одно и двигайтесь дальше.
- Высокий риск
Сложные, важные и рискованные решения (например, дальнейшее развитие компании, которое предполагает слияния и поглощения), практически невозможно отменить. Кроме того, они несут огромный риск для организации, для будущего CEO и других руководителей. Такие решения требуют вдумчивого анализа и дискуссий. Нет никакой секретной формулы по принятию подобных решений, вам поможет только опыт. Поищите совета на стороне, назначьте «адвоката дьявола» и проведите официальный анализ.
Полагаясь на эту классификацию в принятии деловых решений, вы максимально увеличите скорость и поднимите качество, при этом у генерального директора и других лидеров появится время на то, чтобы сфокусироваться на самом важном.
По материалам Entrepreneur.com
Автор: Джоэл Трэммел, CEO и основатель компании Khorus