Сквозная аналитика (2021)

Сквозная аналитика (2021) Аналитика

Системный аналитик: что делает, сколько получает и как им стать | медиа нетологии: образовательная платформа

Граница между бизнес- и системным аналитиком сильно размыта: часто обязанности этих специалистов смешиваются. Но бизнес-аналитик больше сфокусирован на оптимизации бизнес-процессов, снижении издержек и увеличении прибыли за счёт автоматизации. Он разрабатывает решение и передаёт системному аналитику, который перекладывает это решение на техническую реализацию и помогает команде понять, что должно получиться в результате разработки.

Аналитик занимается Big Data: умеет обрабатывать сырые данные и строить гипотезы на этой основе. Аналитик данных работает с метриками, системный аналитик — с процессами. Для первого знание Python необходимо, для второго — будет плюсом.

Системный аналитик переводит собранные требования в задачи на разработку. Project-manager контролирует ход проекта, согласовывает сдвиги в плане, управляет ресурсами и рисками.

Product-manager отвечает за стратегию продукта — от выдвижения гипотезы до анализа результатов. Он знает, что нужно пользователю, а системный аналитик понимает, как это сделать.

Системный аналитик продумывает строение системы, а архитектор её создаёт. Системный архитектор проектирует архитектуру таким образом, чтобы разрабатываемая система не только удовлетворяла текущим требованиям бизнеса, но и могла гибко расширяться и модифицироваться при возникновении новых потребностей.

Технический писатель отвечает за документацию. В обязанности системного аналитика тоже входит подготовка документов, но круг его обязанностей намного шире.

Основные отчеты яндекс.метрики

Можно разделить их по направлениям, в зависимости от того, что вы хотите изучить.

Откуда идет трафик

1) Группа отчетов «Источники».

Самый основной из них – это «Источники, сводка»:

Он показывает статистику по переходам с рекламы, поисковых систем, из соцсетей, а также прямым заходам и внутренним переходам.

Для более подробного анализа группы источников можно таким же образом открыть специализированный отчет по соцсетям, рекламным системам, мессенджерам и т.д.

По умолчанию отображаются столбцы, как на скриншоте. При необходимости можно выбрать другие, нажав по кнопке «Метрики». Это работает во всех стандартных отчетах Яндекс.Метрики.

2) Отчет «Метки UTM».

Он показывает эффективность источников с точностью до отдельных поисковых фраз и объявлений.

Кто ваши основные посетители

1) Отчеты группы «Аудитория».

С помощью них можно:

  • Изучить распределение по географии, полу, возрасту и долгосрочным интересам;
  • Оценить активность по времени на сайте и глубине просмотра, сравнить посещаемость по времени суток;
  • Посмотреть статистику лояльности – по пользователям, которые возвращаются на сайт.

Например, так выглядит отчет по географии:

2) Отчет «Конверсии».

Вы видите детальные данные по целевым посетителям – тем, кто достиг определенных целей (оформили заказ, отправили заявку и т.д.)

Например:

Что они делают на сайте

1) Отчеты раздела «Содержание».

Показывает статистику по конкретным страницам и элементам сайта, с каких страниц чаще заходят на сайт, что пользуется большей популярностью и т.д.

Например, вот отчет по страницам входа:

2) Отчет «Посетители».

Он показывает информацию по отдельным посетителям: канал, регион, страница входа и т.д. По каждому из них вы видите активность, количество визитов, время, проведенное на сайте и количество достигнутых целей.

3) Карты ссылок, кликов, скроллинга, аналитика форм.

Карта ссылок позволяет увидеть ссылки, по которым кликают посетители. Чаще всего это названия разделов, либо подробное описание товара. Чем темнее спектр, тем больше переходов. Таким образом, четко видно, какие категории товаров востребованы.

Также при наведении курсора появляется сводка по количеству и доле переходов по конкретной ссылке. Это важно при отслеживании целевых действий. Например, заказ обратного звонка:

Что пригодится такому аналитику

Простая формула идеального аналитика
Простая формула идеального аналитика

Точно определить, что стоит знать аналитику — задача неблагодарная, потому что аналитику в разных процессах и компаниях потребуются разные знания. Тем не менее, для абстрактного аналитика полного цикла в задачах автоматизации существуют базовые вещи, которые пригодятся в работе.

Если общие знания аналитика есть 100%, то с некоторой погрешностью для задач автоматизации будет нужен:

  • Бизнес-анализ — 30%

  • Системный анализ — 35%

  • Продуктовый анализ — 15%

  • UX-аналитика и дизайн — 10%

  • Менеджмент — 5%

  • Прочее — последние 5%

Если детальнее, то из бизнес-анализа стоит знать:

  • Бизнес-процессы зачем они нужны, зачем их формализуют 

  • Нотации моделирования бизнес-процессов, базовые знания BPMN необходимы

  • Логику и правила проектирования логической модели данных

  • Правила сбора требований и ограничений

  • Отдельно отмечу правила сбора требований к пользовательским интерфейсам

Для системного анализа пригодятся:

  • Типовые архитектурные паттерны

  • Навыки программирования — алгоритмы, типы данных, наследование

  • Знания БД, понимание концепций нормализации и денормализации, реляционных и нереляционных СУБД

  • Представление о нотациях UML, умение работать с базовыми диаграммами (диаграмма последовательности, вариантов использования)

  • Понимание концепции декомпозиции задач на конкретные работы, хотя бы банально на back и front

  • Понимание информации, которую необходимо описывать для разработки в постановках задач

  • Понимание работы тестирования и умение самому представлять возможные не-happy path варианты работы решения

Для решения задач продуктового анализа потребуется:

  • Знание предметной области или живой ум, чтобы быстро разбираться на уровне, достаточном для решения задач

  • Базовое понимание метрик и их ценностей для продукта

  • Умение расставлять приоритеты между задачами и понимание концепции MVP

Для корректного взаимодействия с дизайнерами необходимы базовые знания UX/UI:

  • Сложно формализуемое чувство прекрасного для интерфейса и умение поставить себя на место пользователя

  • Понимание компонентного подхода при проектировании интерфейсов

И да, менеджерами здесь будут отдельные люди. Но аналитику нужно обладать достаточным пониманием задач, которые решает менеджер. Это будет полезно для того, чтобы помогать рабочим процессам протекать правильно и вовремя эскалировать проблемы.

Вообще это здорово, но часто аналитик тех или иных вещей не знает, потому что с этим банально не сталкивался. И если выделять главное, то пригодится достаточно живой ум, чтобы уметь быстро находить и усваивать новую информацию.

Выявление контекста и ограничений

Разумеется заказчик находится в какой-то ситуации и он ограничен принятыми ранее  решениями (decision).

“Разгрузить грузовик” – это сложно? Неясно, так как неясен контекст.

К примеру, “Разгрузи грузовик в минус 40, на дне озера” и “Разгрузи грузовик в плюс 25, на асфальте” выглядят как совершенно разные задачи.

Для проектирования модели нужно разобраться в контексте того, как полученное решение (solution) будет использоваться, в каком процессе и для чего. Какая ситуация у заказчика. 

Выявление контекста – сфокусировано на области, где проявляют себя потребности. Нет смысла начинать решение задачи с “описания текущих процессов”, если не сформулировано цели (потребности, боли) изменений. Процессов и деталей этих процессов слишком много, их изучение само по себе без цели не имеет смысла и окончания.

Перед проектированием будущего изменения часто нужно выявить желаемые сроки внедрения. Возможны разные варианты:

  1. Сделать к “черной пятнице”, 

  2. Сделать, потому что каждый день мы что то теряем, 

  3. Сделать, иначе с какого-то момента мы будем каждый день что-то терять.

Таким образом выявляются ожидания/ограничения по срокам.

Не всегда все нужно делать монументально, часто бизнес не уверен в будущих выгодах. В этом случае стоит сделать более быстрое/менее качественное решение, чтобы проверить гипотезу. Также иногда лучше сделать менее качественно, но более быстро, даже если это “заплатка” или “костыль”. Нужно выявить ожидания/ограничения по качеству.

Часто заказчики выбирают решение с минимальной стоимостью внедрения/владения в рамках заданных сроков и качества. Иногда ограничена стоимость и нужно подобрать оптимальное сочетание сроков/качества. 

В итоге, складывается понимание ограничений на проектный треугольник (стоимость/сроки/качество).

Кроме того, область решений (solution) ограничена еще:

  1. Ограничениями по ресурсам

  2. Требованиями удобства пользователей

  3. Решениями по существующему ИТ-ландшафту и уровню ИТ сервиса

  4. Выбором подрядчиков и правилами привлечения новых

  5. Правилами работы с подрядчиками

  6. Требованиями безопасности и распространения информации

  7. Требованиями регуляторов

  8. И т.д.

Не зная ограничения, нельзя спроектировать решение с их учетом.

В случае слишком жестких ограничений решения может и не найтись. Тогда ограничения заменяются функциями штрафа и аналитик ищет наименее болезненное решение.

Выявление потребностей и целеполагание

Пациент приходит к доктору и требует “Выпишите мне аспирин, срочно!!!”.

Требование = “Выписать аспирин”. Что делает доктор в данном случае? Плохой доктор даст аспирин. Хороший доктор будет выявлять причины проблемы и лечить их.

Требование (requirement) – это некоторый образ или свойство результата, который кто-то у кого-то требует. “Выпишите аспирин”, “Программа должна делать это” – это требование. Термин не самый удачный в русском языке, он плохо стыкуется с бытовым толкованием, что запутывает заказчика и аналитика.

Требование лежит в области решения (solution). “Поесть в ресторане”, “Приготовь еду” – это требования.

Что делает хороший аналитик ? Выявляет потребности и анализирует их, определяя влияние на бизнес (почему, в чем причина, как часто, какой ущерб для бизнеса, в каком проценте случаев, в какой географии, для каких клиентов, ..). Понимание потребности дает понимание что делать, какое решение нужно, какое требование к решению важно.

Поэтому аналитик выявляет потребности и проектирует решение (требования к решению). 

В разное время разные бизнесы стремятся к оптимизации разных атрибутов качества своих систем и процессов.

  1. Обеспечить функциональность

  2. Качественную работу

  3. Скорость/Производительность

  4. Безопасность

  5. Низкие издержки

  6. И т.п.

Разрыв ожиданий и реальности атрибутов качества создает проблему, которую нужно решить, и для этого нужны какие-то изменения. Устранение разрыва будет целью (goal) будущего изменения.

Внедрение или улучшение ИТ системы нужно для улучшения атрибутов качества бизнес-процесса, иначе оно не приносит пользы и поэтому бессмысленно.

Зачем нужна атрибуция

Стандартно воронка продаж имеет четыре этапа:

  • Человек знакомится с торговой маркой;

  • Он знает о компании, но размышляет, совершать ли покупку, и поэтому проводит сравнение стоимости и анализирует характеристики предлагаемого товара;

  • Этап конверсии — покупка совершается;

  • Этап удержания — покупатель повторяет покупку.

Как известно, удержать тех, кто уже совершил покупку, намного дешевле для компании, чем искать новых покупателей. Привлечение используют не персонализированные кампании, которые нацелены на широкий охват и трудно поддаются оценке.

Удержание подразумевает применение более целевых кампаний, для которых значительно проще проводить анализ и рассчитывать эффективность. Конкретный пользователь известен и теперь его действия и покупки можно отследить.

Чтобы разобраться, какие используемые рекламные каналы и кампании срабатывают на этапах имеющейся воронки, необходимо воспользоваться атрибуцией.

Атрибуция — это распределение ценности от конверсии между кампаниями, которые продвигали пользователя по воронке. Она помогает ответить на вопрос, в какой мере каждый из каналов повлиял на ту прибыль, которую вы получили в итоге.

Выбрав модель атрибуции, которая подходит для конкретного бизнес-проекта, можно распределить рекламный бюджет эффективно, что, в свою очередь, поможет сократить затраты и увеличить прибыль.

Дополнительный анализ:  Лучшие сервисы веб-аналитики 2020

Зачем нужна веб-аналитика

В веб-аналитике есть все детальные данные по воронке продаж. Здесь всё работает по аналогии с торговлей в офлайне. Часть аудитории, которая проходит рядом с магазином, проявляет интерес и заходит. В онлайне это трафик на сайт.

Часть из тех, кто зашел, становятся клиентами, в веб-аналитике это фиксируется как совершенные конверсии. Причем в онлайне конверсия – это далеко не всегда покупка. Ценность для бизнеса могут иметь и другие действия пользователя на сайте – заполнение формы, подписка на рассылку. Всё зависит от специфики бизнеса и ваших целей.

Другая часть посетителей уходят с пустыми руками. В онлайне это называется «отказами». Вы потратили деньги на привлечение пользователя на сайт, но он не выполнил желаемого действия.

Представьте, что вы настроили и запустили рекламу, открутили уже серьезную часть бюджета, но заявок почти нет. Трафик на сайт идет регулярно, но не конвертируется, то есть не превращается в заявки. Или конвертируется, но не в таком объеме, как хотелось бы.

Другой случай – некоторые посетители всё-таки совершают конверсии, но стоимость одной конверсии неоправданно высокая и не окупается доходом от сделки.

То, что время и деньги улетели в трубу – это полбеды. Когда по результатам нет данных для анализа – еще хуже. Так вы не узнаете, по какой причине посетители не двигались по воронке продаж и на каком именно этапе «отваливались». И как в конечном счете исправить ситуацию, что доработать на сайте, чтобы не повторять те же ошибки.

Гарантировать изначально, что конверсии пойдут в нужном количестве, нельзя. Но можно избежать неопределенности.

До запуска рекламной кампании добавьте на сайт счетчики Яндекс.Метрики или Google Analytics. Лучше добавить оба сразу, так как в каждом из них есть свои полезные фишки.

Учитывайте при этом, что некоторые данные в этих счетчиках могут не совпадать. К ним относятся:

О фишках и настройке мы расскажем далее в статье, а пока поясним сам принцип веб-аналитики.

Как работает веб-аналитика

Веб-аналитика дает много цифр. Во-первых, по ним можно точно определить показатели эффективности компании: доход, средний чек, количество и стоимость обращений, длительность покупательского цикла.

Если у вас интернет-магазин, без веб-аналитики никуда. Только благодаря ей вы узнаете, какие товары пользуются большей популярностью, сколько дохода вы получаете за разные периоды, сколько в среднем нужно времени на принятие решения о покупке, сколько в среднем тратит клиент и т.д.

Во-вторых, вы узнаете о пользователе практически всё: с какого ресурса, браузера, устройства он пришел на сайт, сколько времени изучал контент, какие именно страницы открывал, какие формы заполнял, какие кнопки нажимал и т.д. Всё, что связано с его поведением в сети, плюс «портрет»: пол, возраст, географию, интересы и т.д.

Важный момент, который нужно учесть с самого начала: сами по себе метрики ни о чем не говорят. Нужно переводить с языка цифр на язык выводов, чтобы узнать, что скрывается за массивами данных, какие тенденции и события.

Вот краткий алгоритм, как работать с аналитикой:

1) Изначально у вас есть конкретный практический вопрос: почему упали продажи, почему нет заявок и т.д. В поиске ответа на него вы приходите к аналитике.

2) Вы предполагаете, что может стать причиной и формулируете четкие гипотезы. Например, на сайт поступает мало заявок, потому что посетители не доходят до кнопки призыва к действию.

3) Теперь вы знаете, что именно хотите проверить, и смотрите конкретные цифры. Гипотез может быть несколько – в этом случае поочередно проверяйте каждую. В аналитике нет прямых ответов, но есть множество данных, которые можно интерпретировать и добыть из них ценные мысли.

Учтите, что все выводы будут приблизительными. Их точность зависит от того, насколько глубоко вы погрузитесь в анализ данных, сколько факторов при этом изучите. Работает простой принцип – всё познается в сравнении.

Регулярная работа с данными помогает вовремя определять динамику по нужным направлениям, выискивать слабые места на вашем сайте и искать решения, как их усиливать.

Следующим шагом идет оптимизация: вы решаете, как улучшить сайт и / или рекламные кампании, нужно ли выделить больше бюджета на конкретные каналы трафика, как снизить стоимость привлечения клиента. Но это уже тема для другой статьи. Здесь мы разберемся, что и как смотреть, чтобы понять текущую ситуацию.

Самый минимум, который нужно использовать для аналитики – инструменты Яндекс.Метрики и Google Analytics.

Позиции канала в цепочке

Данные варианты считаются наиболее простыми, они доступны пользователям бесплатной версии Google Analytics, а также Яндекс.Метрики и других систем. Рассмотрим 6 позиций канала в цепочке.

First Click (FCM)

В цепочке из четырех касаний ценность уходит первому каналу.

Преимущества:

Легко настраивается, не требует вычислений или иных аргументов при распределении ценности среди использованных каналов. Помогает маркетологам сформировать узнаваемость торговой марки и спрос. 

Недостатки:

Не демонстрирует всей картины, заставляет переоценить каналы первого уровня. Пользователь обычно совершает несколько касаний, однако модель игнорирует данный момент.

Кому подходит:

Подойдет проектам, для которых имеет значение создание или повышение узнаваемости собственного бренда, увеличение охвата аудитории. Модель даст информацию о том, где лучше покупать трафик для последующей конвертации.

Last Click (LCM)

Одноканальная модель, где ценность конверсии передается последнему каналу, с которым покупатель соприкасается непосредственно перед конверсией. Снова вклад предыдущих каналов полностью игнорируется.

Преимущества:

Используется многими маркетологами. Позволяет оценить кампании, цель которых — быстро спровоцировать покупки, допустим, во время определенного сезона.

Недостатки:

Не демонстрирует всей картины, заставляя исключить прочие каналы цепочки.

Кому подходит:

Подходит бизнесам с коротким циклом продаж, которые обычно не используют более трех каналов для рекламы.

Last Non-Direct Click (LN-DC)

Одноканальная модель, которая представлена в Google Analytics, применяется там по умолчанию. При этом ценность конверсии атрибутируется, как и в предыдущем варианте, по последнему каналу.

Однако различие в том, что если это прямой заход, ценность будет атрибутирована предыдущему источнику.

Например, пользователь переходит из собственных закладок или же прямо вводит ссылку. Вероятно, он хорошо знает бренд, является уже привлеченным покупателем, которого не требуется брать в расчет.

Преимущества:

В этом случае можно исключить каналы, которые незначительны с точки зрения расходов на кампанию, полностью сосредоточившись на оплачиваемых источниках.

Может применяться в качестве базы для сравнения.

Недостатки:

Не демонстрирует всей картины, не учитывает вклад прочих каналов в конверсию. Предпоследним каналом чаще всего является электронная почта, однако эта модель не позволяет отследить, где именно покупатель познакомился с торговой маркой и почему оставил почту, чтобы в итоге прийти к покупке.

Кому подходит:

Модель подходит, если нужно оценить эффективность определенного платного канала, а узнаваемость бренда уже не является важным аспектом.

Position Based (PB)

Многоканальная модель, где наибольшую ценность получают первый канал — то есть тот, который познакомил покупателя и торговую марку, — и последний, что закрыл транзакцию. Каждому из них присваивается сорок процентов. На все средние каналы приходится двадцать процентов.

Преимущества:

Ценность передается каналам, которые привлекают и мотивируют покупателей — т.е. играют важнейшую роль.

Недостатки:

Случается, что именно средние каналы в цепочке больше продвигают покупателя, чем те, которые получают наибольшую ценность.

Кому подходит:

Этот вариант подойдет бизнесам, которые рассчитывают привлекать новых пользователей и подталкивать уже заинтересованных к совершению покупок.

Time Decay (TD)

В этом случае ценность конверсии будет распределена между каналами, которые заняты в цепочке, по принципу нарастания. Первый источник получает наименьшую ценность, последний — наибольшую.

Преимущества:

Рассматриваются все каналы. Наибольшая ценность отдается тому, который все же сумеет подтолкнуть к покупке.

Недостатки:

Недооценивается вклад отдельных каналов, которые могли повлиять на решение покупателя.

Кому подходит:

Подходит тем, кто желает оценить эффективность рекламных кампаний, ограниченных по времени — например, распродаж.

Linear model (LM)

Применяя данную модель, ценность конверсии принято разделять между всеми каналами цепочки.

Преимущества:

Более продвинутая, чем одноканальные модели. Позволяет учесть все каналы в цепочке, которые были задействованы перед покупкой.

Недостатки:

Не помогает перераспределять бюджет. Разделение его между всеми каналами поровну может оказаться неэффективным.

Кому подходит:

Подойдёт бизнесам с длительным циклом продаж. В этом случае важно поддержание контакта с покупателем на всех этапах прохождения воронки. Пример — B2B-компании.

На сегодняшний день имеется ряд исследований, которые доказывают, что маркетологи в Европе, США или СНГ чаще всего обращаются к модели LCM. LCM кажется наиболее понятной, хотя и обесценивает влияние всех каналов в цепочке, кроме последнего.

Причинами, почему наблюдается такая ситуация, можно считать следующее:

  • Непонимание потенциального эффекта от моделей атрибуции, использующих более сложный расчет. Если прямо объяснить, что алгоритмические модели могут принести увеличение прибыли на определенный процент, вряд ли маркетологи откажутся от этого.

  • За атрибуцию нет ответственного, т.е. разные маркетологи могут применять в ходе кампании различные варианты, что приводит к тому, что реальный доход оказывается меньше атрибутированного.

  • Слишком разрозненная информация. Google Analytics позволяет использовать стандартные отчеты, в которых, к сожалению, нет места офлайн-данным, ROPO-эффекту и т. д.

Если эти причины устранить, то проблема атрибуции будет решаться намного проще.

Проблема 2: техническая

Популярные облачные сервисы (в том числе системы сквозной аналитики) обычно интегрируются друг с другом в пару кликов. Однако в реальности всё не так просто, как кажется. Рассмотрим некоторые проблемы, которые могут возникнуть:

Для облачных систем аналитики. 

  • Ограниченная функциональность. Вы не можете настроить всё так, как нужно именно вам. С некоторыми системами нет стандартной интеграции, и приходится интегрироваться при помощи API и вебхуков.

  • Облачная система аналитики обычно является для вас закрытым «чёрным ящиком». Вы не знаете, что и как она считает, и приходится просто верить. Точность подсчёта может вызывать много вопросов: данные в системе аналитики часто не совпадают с данными CRM, а сделки не идентифицируются с источником. 

  • Работая с облачной системой аналитики, вы доверяете свои данные третьей стороне. В крупных компаниях отдел маркетинга может просто не получить разрешения от службы безопасности на подобные интеграции с CRM.

  • Еще одно следствие прошлого пункта: не всегда можно выгрузить данные в удобном формате. Вряд ли вы сможете сменить систему аналитики с переносом всех ваших данных.

Для кастомных систем аналитики. 

Здесь дела обстоят ещё сложнее. Спроектировать и построить собственную систему аналитики непросто, так как может не хватить сил 1-2 штатных  разработчиков, а надеяться получить такой результата от фрилансеров ещё более опрометчиво. В любом случае, прежде чем приступать к разработке, стоит чётко определить:

  • Источники данных — чем их меньше, тем проще;

  • Какие данные потребуются и как их объединять;

  • Выбрать систему визуализации и продумать форматы отчётов.

Наибольшие проблемы обычно возникают с выгрузкой и объединением данных. Не все системы позволяют выгружать не агрегированные данные. У многих систем есть ограничения по числу запросов по API.

Если не говорить о крупных компаниях (в штате которых есть и разработчики, и аналитики, у которых уже построен корпоративный  DWH), для выгрузки данных лучше воспользоваться готовыми коннекторами, а для визуализации — популярными на рынке решениями, такими как Microsoft Power BI или Google Data Studio.

Дополнительный анализ:  Элементарная веб-аналитика. Простые советы по анализу сайта для непрофессионалов

Проектирование решения

Аналитик создает непротиворечивые, полные, проверяемые модели, отражающие какой-то срез или “проекцию” будущей системы для согласования с стейкхолдерами и для принятия управленческих решений (делаем так/изменяем/не делаем). Наиболее полная модель – это реализованная система, но часто достаточно меньших усилий для получения нужных ответов на вопросы.

Например, модель системы из предыдущего примера это электрическая фритюрница.

Моделей системы может быть несколько (и довольно много), но типовые это

  1. Функциональная модель, отвечающая на вопрос “как это работает, функционирует, обеспечивает функцию”. 

  2. Конструктивная модель, отвечающая на вопрос “как это сконструировано, из каких частей состоит”. 

  3. Географическая модель, отвечающая на вопрос “где это работает” или “где расположены части” делается совместно на основе предыдущих двух.

  4. Финансовая модель, отвечающая на вопрос “сколько стоит создание, поддержка, вывод из эксплуатации решения, в какие сроки и за счет чего отобьются вложенные инвестиции”, также часто собрать данные – это работа аналитика. Эта модель основная для принятия управленческих решений опирается на конструктивную и географическую модели.

Потребностей может быть много, решение, которое закрывает все потребности часто оказывается за рамками выявленных ограничений. К тому же часто нет уверенности, что закрытие потребностей приведет к ожидаемому бизнес-эффекту. Это толкает руководство к итерационной разработке с получением работающих решений на ранних этапах. Для проектирования таких решений нужно признать, что какие-то потребности останутся не закрыты или закрыты не полностью.

В итерационной разработке, в каждой следующей итерации должна быть создана система, которая приносит максимум пользы бизнесу, но при этом которая может быть создана в небольшие сроки (с учетом того, что некоторые пропасти не перешагнуть в два шага).

Аналитик решает задачу по проектированию такого решения, которое закрывает потребности по правилу Парето, 20% усилий должны принести 80% бизнес-результата, где усилия берутся из треугольника (цена-качество-сроки) в рамках выявленных ограничений, а результат – это оценка улучшения атрибутов качества бизнес-процесса.

В нашем примере альтернативная модель – инструмент это сковородка, которая разогревается с помощью кухонной плиты. Оно требует больше времени на готовку, зато обеспечивающая достаточное качество и оно значительно дешевле.

ИТ аналитику в поиске помогают

  • Знание того, как ИТ решают задачи по улучшению процессов, 

  • Знание того, какие ключевые свойства потребностей влекут разные способы реализации,

  • Знание готовых ИТ решений, решающих задачу полностью или частично или умения быстро их находить и выбирать оптимальное,

  • Знание предметной области,

  • Знание процессного управления и процессов управления изменениями,

  • Понимание трудоемкости, стоимости и сложности решения широкого спектра ИТ задач,

  • Ну и разумеется, эксперты, партнеры по интеграции, смежники, вендоры ИТ решений и разработчики.

Исправление ошибок системы на стадии проектирования дешевле, чем после его реализации. И поскольку любой аналитик иногда да ошибается, то решение, которое он создал стоит проверять. 

Наибольший эффект контроля качества достигается с помощью формализации условий задачи (потребности, цели, контекст, ограничения) и решения задачи (модели будущей системы). Без условий задачи, решение проверить невозможно.

“Дайте мне аспирин” 
“А это вылечит вашу боль?”
(неизвестно, если причина боли не диагностирована)

Резюме

Работа аналитика это превращение проблем в задачи, при котором характерны этапы:

  1. Выявление потребностей и целеполагание,

  2. Выявление контекста и ограничений,

  3. Проектирование требований,

  4. Проектирование решения,

  5. Внедрение решения.

Опыт проектирования и внедрения решения необходим для грамотного выявления потребностей, контекста и ограничений. Без опыта неясно что из потребностей в каких ограничениях возможно закрыть автоматизацией. Без опыта выявления потребностей и ограничений можно спроектировать неверное решение.

И тем не менее, самая ценная часть – это проектирование требований и моделей решения (еще говорят, инженерия требований и моделей решения). Первые три пункта может сделать грамотный заказчик. Последнее – ключевой пользователь. И поэтому лучшее название этой роли – аналитик-проектировщик (более строго аналитик-инженер, но термин инженер, увы, сильно искажен).

Основная ценность работы аналитика-проектировщика для бизнеса состоит в поиске и создании непротиворечивых проверяемых моделей решения, закрывающего потребности по правилу Парето 80 на 20, имея как фокус проявленную выгоду от внедрения с учетом выявленных ограничений.

Для этого аналитик-проектировщик выявляет потребности, цели изменения, проектирует и согласовывает требования, отсекая часть требований на последующую автоматизацию и создавая модели решения, отвечающие этим требованиям.

P.S. Спасибо участникам КиФБ за отзывы и корректировки к статье, а так же отдельное спасибо Денису Бескову и Анатолию Левенчуку за то, что помогли взглянуть на проблему системно

Сквозная аналитика (2021)

“Сквозная аналитика” – дама, о которой все слышали, которую все хотят, но которая не всякому подвластна. Почему так? Разбираемся в этом вводном материале, а также в моих последующих публикациях про сквозную аналитику.

Что такое “сквозная аналитика” в современном цифровом маркетинге?

Перед тем, как понять значение этого термина, давайте разберем практический пример. Предположим, вы решили открыть свой бизнес в онлайн и заняться продажей каких-либо товаров или услуг. Перед запуском вы сделали расчет юнит-экономики, оценили рентабельность проекта, взвесили все ЗА и ПРОТИВ, и пришли к выводу, что стоит попробовать.

Далее вы разработали сайт, закупили товар и упаковали свой продукт. Теперь у вас есть первый и центральный элемент схемы – Сайт, через который вы можете донести информацию о своей деятельности до целевой аудитории.

Затем вы запустили платное продвижение своего продукта в различных источниках. Выделив бюджет на рекламу, вам на сайт стали приходить люди из Facebook, myTarget, Instagram, ВКонтакте, Яндекс.Директ, Google Ads и т.д. С этого момента появлятся второй элемент схемы – Платные источники трафика.

Вы стали получать обращения. И даже примерно можете посчитать их стоимость, разделив общие затраты на рекламу на количество обращений через сайт/телефон/чат и другие способы коммуникации. Но если платный трафик можно измерить благодаря рекламным кабинетам сервисов (показы, клики, расход, цена за клик и т.д.), то как быть с другими источниками трафика –  прямыми заходами, органическим поиском, переходами из социальных сетей, e-mail рассылками? Где посмотреть данные по ним?

В этот момент владелец бизнеса начинает задумываться о том, что ему нужна веб-аналитика. Скорее всего, он изначально самостоятельно попробует установить счетчики Яндекс.Метрики и Google Analytics, чтобы хоть как-то контролировать работу сайта. Возникает третий элемент схемы – Счетчики веб-аналитики.

Через некоторое время владелец бизнеса осознает, что нужно отталкиваться от ключевых показателей эффективности (KPI), считать реальные обращения людей с привязкой к источникам трафика, а не только смотреть на основные метрики (показы, клики, цена за клик, расход, глубина просмотра, отказы, время на сайте) без какой-либо связи с реальными бизнес-показателями.

Тогда он обращается за настройкой к соответстующим специалистам. Чтобы обосновать и защитить все последующие результаты работ, интернет-маркетолог предлагает выделить те метрики, которые будут являться для заказчика наиболее важными, и на основании которых он сможет принимать управленческие решения и оптимизировать рекламные кампании. Например, такими показателями могут быть: средний чек, конверсии (обращения), конверсия сайта и стоимость конверсии.

Согласовав все работы, маркетолог приступает к донастройке инструментов веб-аналитики. На данном этапе наша схема приобретает новый, укрупненный вид, поскольку для отслеживания действий на сайте может понадобиться:

  • подключение диспетчера тегов Google Tag Manager (GTM) для настройки целей, событий, электронной торговли, User ID, динамического ремаркетинга, включая трекинг всплывающих окон, виджетов, форм обратного звонка, онлайн-чатов и консультантов;
  • настройка коллтрекинга для отслеживания телефонных звонков;
  • настройка e-mail трекеров для отслеживания электронных писем;
  • импорт данных, чтобы в отчетах Google Analytics отображалсь статистика по всем рекламным системам и можно было оценить окупаемость вложений каждого источника.

Это стандартные пункты настройки любого проекта, которые входят в обязанности интернет-маркетолога. Обновив схему, получим:

С такой настройкой веб-аналитики можно достаточно успешно работать долгое время. Но как в интернет-маркетинге обойтись без автоматических отчетов в Google Таблицах, QlikView, Yandex DataLens, Tableau, Microsoft Power BI и Google Data Studio – инструментов, которые позволяют решать задачи по сведению, анализу и визуализации данных, собранных из различных источников? Тем более, что в стоимость услуг у маркетологов/агентств заложена такая опция. Никак, поэтому обновим нашу схему, добавив новый элемент – Визуализация данных.

Рано или поздно наступает следующий этап, когда владельцу бизнеса хочется масштабироваться и зарабатывать еще больше денег. Но без командной работы это сделать крайне сложно, особенно когда отдел продаж и отдел маркетинга работают обособленно друг от друга и не делятся между собой важной информацией. Ведь на практике часто встречаются заказы, которые совершаются по звонку, изменяются в процессе разговора с оператором, или вовсе отменяются. Такие изменения счетчики веб-аналитики самостоятельно фиксировать не могут. Поэтому статистика в Яндекс.Метрике и Google Analytics искажается, и это приводит к неверным выводам.

Теперь важно сопоставить данные о том, сколько пришло обращений и сколько из них было завершено, отменено, а сколько находится в стадии выполнения. Другими словами, связать все лиды с их статусами с учетом источников взаимодействий. Пришло время для внедрения CRM-системы и следующего элемента в схеме – CRM-система.

Связь данных между CRM-системой и счетчиками веб-аналитики может осуществляться с помощью уникального идентификатора пользователя (Client ID, cid). Подробнее об этом читайте в моем блоге.

Примечание: если до этого момента веб-аналитику можно было считать классической, то после внедрения CRM в экосистему предприятия ее уже можно называть гибридной веб-аналитикой, поскольку наши маркетинговые активности теперь завязаны не только на количестве обращений по конкретным источникам трафика, но еще и учитывают статусы сделок. Их можно передавать из CRM-системы в веб-аналитику автоматически, например, в Google Analytics. В этой статье я подробно рассказываю о том, как и с помощью каких инструментов это можно сделать.

Внедрив CRM-систему в свой бизнес, вы сможете не только работать в плоскости “статусы сделок”, связать покупки конкретных пользователей с их действиями на сайте, персонализировать предложения, но и отслеживать более сложные вещи. Например, интегрировать социальные сети, чтобы сообщения из групп, страниц, профилей автоматически попадали в CRM-систему. Таким образом, CRM-ка выступает в качестве централизованного сборщика всех обращений к вашей компании и дает возможность привязать лид к конкретному источнику трафика.

Казалось бы, мы теперь отслеживаем все в онлайне: и расходы на рекламу, и лиды с привязкой к статусам сделок, и цикл сделки (время, за которое совершается сделка – от первого касания до покупки), и всю информацию о наших клиентах (пол, контакты, адрес доставки, средний чек, периодичность покупок и т.д.). Не это ли сквозная аналитика?

Еще нет, поскольку мы не учли офлайн-конверсии. Ведь вполне вероятно, что владелец бизнеса после успешного старта и первоначального роста решил открыть в своем городе офлайн-точку. Пользователи, которые делают заказ в интернете, могут приехать и забрать товар в магазине. Также люди, проходящие мимо магазина, могут зайти в него и что-нибудь приобрести. Как быть в этом случае? Как фиксировать покупку в аналитике, CRM-системе? Для этого существуют различные решения, большая часть которых сводится в передаче данных в CRM-систему после покупки в офлайн-магазине, а из нее данные отправляются в инструменты веб-аналитики после изменения статуса заказа.

Дополнительный анализ:  Популярные системы веб-аналитики — Раздел 1. Урок 3 — Онлайн-курс «Digital-аналитика» — This is Data

Такой подход позволяет вырваться вперед в конкурентной борьбе за клиентов, поскольку наличие офлайн-магазина предоставляет более гибкий сервис и предлагает покупателям преимущества разных вариантов шопинга. Кроме этого, расширяется клиентская база за счет проходящих мимо и заходящих в ваш магазин людей.

Но здесь снова возникает вопрос. Мы можем отслеживать действия пользователей, которые зашли на сайт, оставили заказ и забрали его в магазине. Но как быть с теми, кто пришел офлайн? Как данные об их транзакциях передавать в инструменты веб-аналитики? Решение тоже есть – Яндекс.Метрика имеет встроенный инструмент загрузки данных офлайн-конверсий, а Google Analytics позволяет передавать данные с помощью Measurement Protocol.

В случае, если вы отслеживаете User ID, вы можете связать действия каждого пользователя как офлайн, так и онлайн. Например, первый контакт человек совершил с вашей продукцией не в интернете, а зайдя в магазин. Во время покупки вы предлагаете ему оформить скидочную карту (просто заполнить анкету со всеми данными), а затем активировать ее на сайте в личном кабинете.

Покупатель оплачивает покупку офлайн, получает скидочную карту, идет домой, садится за компьютер, регистрируется на сайте и активирует карту. Все. С этого момента все его действия вы можете связать воедино. Теперь у вашей компании есть цепочка касаний офлайн-онлайн, а предоставленная информация человеком на кассе позволяет идентифицировать его по местоположению, полу и возрасту. Теперь можно отправлять ему e-mail рассылки, специальные акции, предложения, настроить на определенный сегмент ремаркетинговые кампании и т.д. Ведь он согласился с условиями пользовательского соглашения, проставив галочки в анкете.

Теперь все? Это и есть сквозная аналитика? Нет, это далеко не все, что необходимо сделать. Да, теперь у нас есть представление о том, как связывать действия офлайн-онлайн. Но если мы имеем не один магазин, а целую сеть, и у каждой точки есть своя программа лояльности в виде скидок, бонусов, предложений, то нужна куда более гибкая и централизованная система. Каждый магазин может проводить свои маркетинговые активности, иметь собственную базу покупателей и индивидуальный подход к клиенту. Более того, на каждой офлайн-точке присутствуют камеры видеонаблюдения, отслеживающие трафик в течение дня (офлайн-аналитика), и внедряется своя ERP-система (Enterprise Resource Planning, планирование ресурсов предприятия). В нее входит большое количество отдельных функций и модулей, например:

  • производственный модуль (производственное планирование, учет продукции, управление производственными программами);
  • логистический модуль (снабжение, управление взаимоотношениями с поставщиками, управление цепочками поставок и транспортировкой, управление запасами, складами, инвентаризацией);
  • финансовый модуль (бухгалтерская деятельность, учет затрат и доходов, по продуктам, по проектам, калькуляция себестоимости, взаимодействие с банками, управление долгом и заимствованиями и многое другое);
  • модуль управления персоналом (кадровый учет, учет рабочего времени, расчет производительности трудовых ресурсов, управление оплатой труда, премиями, компенсациями и расчет заработной платы, пенсионный учет, оценка персонала, управление квалификацией, подбор персонала.)
  • сбытовой модуль (ценообразование, обработка и конфигурирование заказов, продажи (транзакции), послепродажное обслуживание)

Модульный принцип организации позволяет внедрять ERP-системы поэтапно, последовательно переводя в эксплуатацию один или несколько функциональных модулей, а также выбирать только те из них, которые актуальны для организации.

Чем больше организация, тем больше у нее данных. И эти данные, как правило, собираются разрозненно друг от друга, в своих базах данных. Данные о транзакциях лежат в одном месте, данные о продаж в другом, действия пользователей в третьем. Таким образом, задача превращается в объединение и совмещение данных как минимум из 3 разных компонентов: счетчики веб-аналитики <-> CRM <-> ERP.

До этого момента центром всех собранных данных о пользователях и их покупках оставалась CRM-система или счетчик веб-аналитики. Теперь нам нужно объединить данные из различных систем, более сложных, поэтому, как правило, в компании принимается решение о создании отдельного хранилища данных (Data Warehouse), из которого в дальнейшем можно доставать данные в различных срезах для анализа. Например, таким хранилищем может быть Google BigQuery. Это облачное решение, позволяющее собирать все ваши данные в одной системе и анализировать их с помощью SQL-запросов.

Схема приобретает новый вид, куда более сложный:

Все это может быть интегрировано между собой с помощью дополнительных скриптов, коннекторов и всевозможных нетривиальных решений.

Теперь это точно сквозная аналитика? Да, с того момента, как мы можем проследить полный путь клиента, начиная от просмотра рекламного объявления, посещения сайта/магазина и заканчивая продажей и повторными продажами (для посчета LTV), аналитика переходит из статуса гибридной в статус более сложной системы, к которой можно применить термин сквозная аналитика.

Однако это еще не все, что можно сделать 😜 Вы, как владелец бизнеса, можете создать для своих клиентов мобильное приложение, которое тоже будет являться частью экосистемы организации. Данных станет еще больше и связывать придется офлайн-онлайн-веб-мобайл платформы со всеми остальными компонентами. В этом случае без кросс-девайс отслеживания и инструментов мобильной аналитики (AppMetrica, Adjust, AppsFlyer и другие) не обойтись. Для полноты картины схему можно дополнительнить этим элементом – Мобильная среда.

Бизнес в крупных компаниях (особенно в США) уже дошел до того момента, когда крайне важно понимать кроссплатформенные взаимодействия пользователей. Сегодня потенциальный клиент зашел к вам на сайт, а завтра установил мобильное приложение и оформил заказ. Чтобы упростить такое отслеживание, команда Google в августе 2021 года открыла в Google Analytics новый типа аккаунта«Веб-сайты и приложения». С его помощью можно объединить данные веб-сайта и мобильного приложения, чтобы по собранной статистике строить единые отчеты и анализировать данные в рамках одного ресурса.

Вот мы и методично, пошагово дошли до самого главного. Так что же такое сквозная аналитика? Исходя из вышеописанного, ответ один – сквозная аналитика индивидуальна. В ней нет шаблонных решений и каждый проект настраивается по-разному. Для кого-то важно отслеживать офлайн-конверсии, а кому-то и CRM-система не пригодится в работе. Кто-то выстраивает целую экосистему организации, стараясь связать все компонентны воедино, а кому-то достаточно корректно настроенных целей в Google Analytics и Яндекс.Метрике. Я специально рассматривал максимально возможный вариант настроек, чтобы у вас возникло окончательное понимание того, как это работает.

Но если подытожить это каким-нибудь общим и кратким определением, то можно сказать, что сквозная аналитика – это комплекс мер, направленный на то, чтобы проследить полный путь клиента (начиная от просмотра рекламного объявления, посещения сайта, офлайн-магазина, мобильного приложения и заканчивая продажей и повторными продажами), связав эту информацию с ресурсами организации (аналитика CRM ERP).

Сквозной принцип в аналитике

При использовании обычной управленческой отчётности, в которой зафиксированы расходы на рекламу и продажи за тот или иной период, более-менее корректно ROMI посчитать можно только при определенных условиях:

  • Моментальный цикл сделки

  • Отсутствие органического (не рекламного) трафика

В остальных случаях подсчёт будет некорректен. И главное, с такими данными мы можем посчитать только общий ROMI, но мы не узнаем ROMI отдельных рекламных каналов. Причина проста: мы знаем, сколько денег потратили на каждый рекламный канал, но не знаем, с каких именно пришли клиенты.

В связи с этим, необходимо отслеживать каждую заявку и заказ, сохраняя информацию о рекламном источнике. В этом и смысл сквозной аналитики. Без этого анализировать более чем 1 рекламный канал с не моментальными продажами не получится никак. 

Логическая ошибка высокого ROMI

Основная логическая ошибка, которую сознательно, либо неосознанно, допускают многие маркетологи,  это стремление к высокому ROMI. Кажется, что чем выше возврат инвестиций, тем лучше. Так ли это?

С одной стороны — да, высокий ROMI является прекрасным достижением.

С другой, следует учитывать 2 вещи:

  • ROMI показатель относительный, он не говорит напрямую о прибыли или обороте, т.е. тех вещах, которые на самом деле интересуют бизнес. Высокий ROMI вполне может быть из-за эффекта «низкой базы», и динамика его снижения при увеличении инвестиций заранее непредсказуема.

  • Сам по себе высокий ROMI — это не конечная цель, а лишь промежуточная. Поэтому кейсы маркетологов, где они гордятся высокими показателями ROMI, вызывают вопросы, если не описано, что дальше с этим делать.

Как считать? Пример:

  • Средний чек: 10 000₽

  • Маржинальность: 30% (3000₽)

  • Конверсия (в продажу): 2,00% 

  • 100 кликов мы можем получать по 10 рублей за клик

Расчет ROMI
Расчет ROMI

Зеленым выделены лучше показатели, рыжим — худшие.

Как видим, при небольшом количестве трафика у нас максимальный ROMI, но минимальная выручка. Далее, при увеличении бюджета ROMI падает, стоимость привлечений 1 клиента растёт. До какого-то момента растёт общая прибыль, потом она начинает также падать.  И наоборот, при большом трафике максимизируется  ROMI уменьшается и становится отрицательным.

Зато валовая прибыль растёт и максимизируется лишь при ROI ~200%. Если же учитывать повторные заказы (LTV), картина меняется. Допустим, число повторных заказов равное 50% от числа новых заказов. Тогда прибыль максимизируется при ROI равном ~140%. Если же повторных заказов больше, выгодней удерживать еще меньший ROI.

А если повторных заказов больше? Тогда вполне возможно, что ROI ниже 100% даст максимальную долгосрочную прибыль. Понятно, что в реальных условиях даже максимизация прибыли не всегда является приоритетом: часто бывают риски, проблемы роста и многое другое. Но она явно намного важнее, чем максимизация ROI, которая является ложной целью.

Цифровизация бизнеса

Сегодня даже малый бизнес имеет возможность быстро запустить рекламу для любого сегмента аудитории, настроить несколько рекламных каналов и оценить их реальную эффективность в продажах продукта.

Сквозная бизнес-аналитика позволяет оценить рентабельность вложений в те или иные рекламные каналы. С ее помощью можно отследить путь клиента от первого рекламного касания и до совершения сделки, а также повторных сделок.

Со сквозной аналитикой повышается эффективность digital-рекламы. Компании, которые отслеживают всё и принимают решения на основе данных выигрывают конкурентную гонку. Поэтому можно сказать что сквозная аналитика жизненно необходима.

Компании тратят деньги на рекламу, привлекают клиентов, получают прибыль с продаж своих товаров и услуг. Логично будет применить к интернет-маркетингу показатель возврата инвестиций ROI, а точнее, ROMI.

Return on Marketing Investment или сокращенно ROMI — это показатель рентабельности рекламных кампаний и в целом инвестиций в маркетинговую деятельность. Рентабельность оперирует такими метриками, как окупаемость, прибыль, возврат вложений.

Посчитать ROMI не так просто, как кажется. Посмотрим на простом примере.

  • Отчётность компании ООО «Ромашка» за январь 2021 года:

  • Затраты на рекламу: 120 000 рублей

  • Продажи 700 000 рублей

  • Маржинальный доход (без рекламных вложений) 210 000 рублей

ROMI равен 75%. Коэффициент выше 0, т.е. вроде бы всё хорошо. Но всё ли правильно мы посчитали?

Расчет ROMI
Расчет ROMI

Представим, что застройщик построил новый ЖК, создал для него сайт и запустил рекламную кампанию. Вот статистика за первые полгода:

Статистика продаж
Статистика продаж
Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector