При принятии решений в бизнесе руководители опираются на мнения экспертов, личный опыт, сложившиеся в компании традиции, успешные кейсы конкурентов и прочие факторы. Data driven (с англ. «‎на основе данных») — это стратегия управления бизнесом, при которой принятия решений основаны на сборе и обработке данных. Это значит, что человек руководствуется анализом цифр, а не интуицией или собственным видением того, как будет лучше.

Правила подхода data-driven

Прежде чем заниматься сбором и анализом данных, которые помогут принять обоснованное решение, нужно спросить:

• В чем суть вопроса? Или какое решение вам нужно принять?

• Сколько данных потребуется? Соотнесите затраты на получение данных с ценностью решения, которое вам предстоит принять. 

• Какие это данные?

• Где их взять?

• Как долго и с какой периодичностью нужно обновлять базы данных?

• Как вы разберетесь в массиве собранных данных?

Ответы на эти вопросы помогут вам разработать и интегрировать подход на основе данных. Таким образом, результат анализа данных позволит вам узнать, к примеру:

• какие рекламные кампании получат отклик;

• какой контент лучше всего зайдет вашей ЦА;

• куда вложить маркетинговые деньги и время;

• какие кнопки нужны, чтобы увеличить конверсию.

Принципы, заложенные в основу метода data-driven:

Необходимость инвестиций. Речь не только о деньгах. Готовьтесь уделить внимание и потратить время.

Прокачанные data-специалисты. В процессе обработки данных вам потребуются:

• директор по данным (CDO) — для решения управленческих вопросов;

• аналитик — для сбора метрик и показателей;

• исследователь — для разработки ML (machine learning) алгоритмов;

• инженер — для работы с программным обеспечением;

• стюард — для обеспечения качества и чистоты датасетов;

• архитектор — для проектирования хранилища данных.

Во главу команды нужно поставить data-стратега. Иначе кто будет регулировать процессы, иметь общее видение ситуации. Возможно, потребуется кто-то еще, учитывая специфику бизнеса. 

Обоснованные решения. Если вы решили использовать метод data-driven, то в первую очередь должны руководствоваться цифрами. Анализируйте, разрабатывайте стратегии, ищите наилучший вариант.

Что такое Big Data

Big Data, или большие данные — это несистематизированные многообразные масштабные данные, генерируемые вне официальной статистики. К большим данным можно отнести:

• интернет: социальные сети, форумы, блоги и прочее;

• корпоративную информацию: это могут быть банковские транзакции или базы данных;

• показания со считывающих устройств: метеоприборы, GPS-навигаторы, e-commerce, дистанционные счетчики электроэнергии.

Принципы работы с Big Data

В 2001 году Meta Group выделила три основных характеристики для больших данных — правило VVV:

• volume — физический объем, от 150 Гб в сутки для «‎big»‎;

• velocity — скорость прироста данных, обновление;

• variety — разнообразие, возможность одновременной обработки различных типов данных.

Затем появилось, но ненадолго, четвертое V — veracity — достоверность данных.

После была интерпретация с 5V, где к основному правилу добавили:

• viability — жизнеспособность;

• value — ценность.

В итоге правило выросло до 7V, включив в себя:

• variability — переменчивость;

• visualization — визуализацию.

Учитывая 7V, можно определить основные принципы работы больших данных:

Система расширяется. С ростом объема информации растет количество серверов для ее обработки и хранения.

Важна бесперебойность работы техники. Количество и мощность цифровых носителей может увеличиваться до бесконечности. Однако стоит предусмотреть возможность поломки и устаревания машин.

Данные необходимо локализовать. В целях экономии ресурсов желательно хранить и обрабатывать данные на одном сервере. Тратить время на их передачу — нецелесообразно.

На основе Big Data строят графики и тепловые карты для объективной визуализации данных. Наглядный анализ цифр дает полную картину происходящего и взаимосвязь отдельных явлений, а также помогает оценить эффект после внесенных изменений. 

Преимущества и недостатки data-driven

Имея на руках большой массив данных и правильные маркетинговые инструменты для его анализа и интерпретации, вы сможете принимать обоснованные решения. Вы всегда будете в курсе поведения клиентов, действий конкурентов и маркетинговых показателей. Однако метод требует терпения, переобучения и финансовых вложений.

Теперь подробнее о плюсах и минусах.

Преимущества и польза

В маркетинге data-driven положительно влияет на показатели конверсий и продаж. Имея на руках обоснованный — подкрепленный цифрами — маркетинговый анализ, вы сможете действовать на опережение, оставив конкурентов позади. А именно:

✓ Повысите уровень клиентского сервиса. Подробный и всесторонний анализ данных даст более подробный портрет ЦА, за счет чего вы улучшите клиентоориентированность и прокачаете персонализированный маркетинг. А еще получите неочевидные инсайты в ходе глубоких исследований.

✓ Сможете своевременно запускать рекламные кампании. Принимая решения, вы будете опираться на точность и актуальность данных, а не на человеческий фактор. Даже эксперт физически не сможет собрать и обработать большой объем данных. Зато с задачей справятся современные технологии — быстро и безошибочно.

✓ Спрогнозируете курс развития компании или продукта в частности. Чем лучше вы понимаете ЦА и чем больше имеете точных данных, тем меньше шансов у вас будет выдать продуктовый фейл‎.

Недостатки и сложности

У метода один недостаток — цифры остаются цифрами, они не способны принять решение за вас. Ответственность за интерпретацию и выстроенные гипотезы остается за вами. И первое решение, которое вы должны принять, — нужно ли внедрять data-driven в ваш бизнес. Что при этом нужно учесть:

✓ «Нет» данным ради данных. Примерная итерация выглядит так: сбор — обработка — анализ — интерпретация результата — визуализация — построение гипотез — корректировка бизнес-стратегии — внедрение — проверка результата внедрения — анализ проверки. И так по кругу. При этом стоит учитывать, что данные должны быть всегда актуальны, а гипотезы — своевременны.

✓ Автоматизация процессов. Здесь речь идет о необходимых инструментах, системах и сервисах, которые возьмут рутинные процессы на себя.

✓ Команда специалистов. Метод data-draven нуждается в человеческом ресурсе. Это могут быть один–два специалиста в маленькой компании, например, аналитик и маркетолог, а в большой — целый отдел.

Нужно решить, нанимать ли дополнительных сотрудников или обучать штатных. В любом случае потребуются время и деньги.

✓ Датацентричность. Большая вероятность стать рабом цифр. Как в случае с Дугласом Боуманом, бывшим руководителем отдела визуального дизайна Google, уволившимся в 2009 году. Компания чрезмерно опиралась на цифры, потеряв способность принимать смелые дизайнерские решения.

✓ Время. Самый ценный ресурс. Чем больше данных вы соберете, тем больше времени и усилий вам понадобится на их обработку. Наращивайте темпы постепенно: так вы не запутаетесь в процессах и позволите команде развиваться сообразно новому методу.

Использование data-driven в сферах digital

По данным журнала Vaael, технологиями Big Data в 2020 году среди российских компаний пользовались немногие:

• 20% внедрили «большие данные»;

• 36% запускали пилотные проекты;

• 17% находились в процессе реализации;

• 27% не интересовались технологиями Big Data.

Среди основных потребителей оказались банки, операторы сотовой связи и крупные компании розничной торговли.

Медленное развитие технологии в России происходит из-за недостатка квалифицированных сотрудников, недостаточного опыта внедрения в российские компании и высокой стоимости решений. Тем не менее data-driven успешно используется в сферах digital.

В web-разработке

Мир меняется ежесекундно, и вместе с ним меняются данные: генерируются новые и обновляются старые. Разработчики используют данные при создании и улучшении любого ПО. Но этим сфера применения данных в web не ограничивается.

Бизнес-аналитики прибегают к Big Data, исследуя ЦА: поведение, отзывы, обратную связь. Качество услуг сервисов отслеживают по количеству регистраций, трафику, загрузкам. В IT метод помогает получать достоверную обратную связь и повысить качество продукта или рабочих процессов.

Совокупность ИИ и Big Data делают процесс сбора и обработки данных быстрым и точным, благодаря чему человек может уделить больше времени анализу и принятию решения.

В менеджменте

Data-driven Management — это управление бизнесом на основе цифр. Такой подход увеличит рост и прибыль компании. Но внедрение в компании полноценной культуры data-driven — процесс затратный по финансам. Поэтому доступен не каждому. Среди крупнейших мировых компаний этой стратегией пользуются Google, Intel, Сбербанк.

Тем не менее подход приносит ощутимую пользу:

• приводит к клиентоориентированности;

• сводит затраты на рекламу к минимуму;

• увеличивает эффективность инвестиций;

• позволяет своевременно отслеживать и реагировать на изменения рынка.

В дизайне

Data-driven Design — это разработка продукта на основе данных о потребностях пользователя.

Чем обычно руководствуется дизайнер при работе над визуалом? Собственным опытом, модными тенденциями, анализом реакции ЦА.

Подход data-driven предлагает создать продукт на основе анализа проведенных тестов и исследований. В плюсе остаются и заказчик, и исполнитель. Никакой вкусовщины, никаких просьб «‎поиграть шрифтами»‎, только стремление сделать сервис удобным для пользователя. Главное — не скатываться к датацентризму, зацикливаясь на мелочах.

В маркетинге

Data-driven Marketing — это проведение рекламных кампаний на основе анализа собранных данных. Требования к этим данным: достоверность, достаточное количество, объективность при анализе.

В итоге обращение к ЦА становится персонализированным, целевым, за счет чего растут продажи и, соответственно, прибыль компании.

Кому в компании Data Learning принесет пользу

Прежде чем нанимать data-специалиста, задумайтесь об инвестициях в штатных сотрудников. Дополнительное обучение Data Learning точно пригодится:

• SEO-специалистам; 

• CRO-специалистам;

• маркетологам;

• аналитикам.

Эти ребята уже работают с цифрами, анализом данных и оптимизацией. Новые знания повысят их продуктивность.

Кто должен заниматься data-driven marketing

Количество data-специалистов будет зависеть от размера компании: возложите ли вы все обязанности на маркетолога или же наймете отдел. В первом случае это будет неполноценный data-driven marketing.

Как правило, в data-driven стратегии используется тандем из аналитика и маркетолога или аналитика и продакт-менеджера. Первый оперирует цифрами, второй знает продукт и отвечает за маркетинг.

Как внедрить стратегию data-driven в компанию

К методу стоит отнестись с осторожностью при разработке нового продукта. Среди экспертов бытуют прямо противоположные мнения: применяется ли data-driven на этапе создания продукта, или же его стоит использовать при редизайне, доработке, оптимизации. 

У молодой компании или нового продукта слишком мало вводных данных для достоверного анализа. С другой стороны, компания всегда может провести более глубокие исследования ЦА для построения гипотез. Главное, задать правильные вопросы:

• Каков опыт конкурентов?

• Какая прогнозируемая прибыль?

• Какие боли ЦА закроет продукт?

• Каким функционалом должен обладать продукт?

• Какой процент ЦА нуждается в продукте?

Вероятно, возможны оба варианта: метод пригодится и в разработке, и в стремлении соответствовать рынку. Ответом тут станет только собственный опыт.

План внедрения

☑ Выберите источники сбора данных. Убедитесь, что данные будут актуальными и чистыми.

☑ Соберите команду из штатных маркетологов и аналитиков или наймите специалиста со стороны.

☑ Разместите все источники на одной платформе: статистику, рекламные кабинеты, почтовые ящики и прочее.

☑ Объедините все данные в одну инфраструктуру.

☑ Подберите инструменты визуализации.

☑ Начните применять data-driven. Важно получить опыт.

Какой инструмент выбрать для анализа

Правильно подобранные инструменты для сбора и анализа информации помогут вам принимать последовательные и обоснованные решения.

В первую очередь это системы сквозной и веб-аналитики: Google Analytics, Яндекс.Метрика, Tag Manager и другие. Во-вторых, потребуются инструменты для визуализации данных — дашборды. В-третьих, понадобятся технологии Big Data для сбора, сортировки и хранения массивов данных. И, наконец, CRM-системы для автоматизации продаж и оценки эффективности.

Система сквозной аналитики MANGO OFFICE со встроенным динамическим коллтрекингом собирает цифры из CRM-системы, веб-метрик, рекламных площадок,  коллтрекинга в один отчет. Вы сможете автоматизировать рутинную работу с отчетами, своевременно определять убыточную и эффективную рекламу, и быстро принимать верные решения.

Какие метрики нужны

Нет однозначного ответа на вопрос, на каких показателях сосредоточить внимание. Набор метрик будет исходить из задач бизнеса. Нужно только ответить на вопрос, как тот или иной показатель поможет вам что-то понять. К примеру, принесут ли пользу данные о количестве проданного товара? Скорее, нет. А вот сумма среднего чека намного больше расскажет о ЦА и эффективности маркетинга.

Но если сфокусироваться на самых главных показателях, то это будут:

• CPA и CPC (цена за действие и клик), SCA (брошенные корзины) и процент конверсии для e-commerce.

• MRR (регулярная выручка в месяц), CR (отток клиентов) и LV (пожизненная ценность) для SaaS-бизнеса.

Как оценить эффективность внедрения data-driven marketing

Выберите метрики, по которым будете отслеживать эффективность маркетинговых кампаний. Оцените результат уже по первым изменениям.

Наиболее важными KPI считаются:

• рост продаж;

• лиды — определите необходимую квалификацию: MQL или SQL;

• LTV, или пожизненная ценность клиента;

• CoCA, или стоимость привлечения клиента.

Что в итоге

Так имеет ли смысл внедрять столь сложный и затратный подход в компании? Однозначно, да. Изменения на рынке происходят с молниеносной скоростью, пользователи требуют к себе все более персонализированного отношения, цифровизация проникла во все сферы жизни, и было бы ошибкой не учитывать это.

Как только вы соберете и интерпретируете данные, вам предстоит обдумать стратегии, принять решение о корректировке бизнеса. Используйте в работе качественные исследования, стройте диалог с клиентом и руководствуйтесь здравым смыслом. Идите к цели шаг за шагом, а данные помогут вам скорректировать направление движения.