От ОКР до еженедельных аналитических записок

Эта статья для тех, кто задается вопросом как использовать данные в компании, чтобы они приносили пользу. Статья будет релевантна, если вы ищете способы улучшить аналитику или организовать ее на старте бизнеса (ну или перезапустить в работающем). В первую очередь речь идет IT компании, но может быть применимо и к другим индустриям. Начнем вот с чего:

Аналитика — это не просто красивые графики, а инструмент для:

✅ Оценки изменений и принятия решений (о фичах, маркетинговых каналах и др.);
✅ Приоритизации проектов (чтобы фокусироваться на самом важном и рентабельном);
✅ Контроля выполнения планов (сравнение «план/факт» и корректировка курса);
✅ Повышения эффективности процессов (оптимизация воронок, рекламы, алгоритмов);
✅ Понимания рынка и клиентов (анализ ЦА, потребностей, поведения);
✅ Улучшения клиентского опыта (оценка интерфейсов, коммуникаций);
✅ Прогнозирования и планирования ресурсов (бюджеты, нагрузка, ресурсы);
✅ Объяснения картины мира (поиск причинно-следственных связей).

Выделим первоочередные домены к которым применима аналитика и в которых она приносит максимум пользы:

• Маркетинг и продажи (воронки, юнит-экономика, рентабельность маркетингового бюджета)
• Продукт и производство (поведение пользователей в цифровых продуктах, ассортимент и закупки)
• Финансы и бухгалтерия (PnL, анализ доходов и расходов)

Аналитика в службе поддержке, SMM, customer success тоже полезна, но обычно менее рентабельна на начальных этапах.

Ингредиенты для вкусной аналитики в компании:

Лидеры задают стратегический вектор. Например, захват рынка или повышение рентабельности. Обычно такие цели задаются на год и разбиваются на квартальные этапы. Каждая команда определяет свой вклад в ОКР и необходимые ресурсы для чтобы сделать свой вклад в достижение цели. Какие именно проекты делать и каким командам, а также, как распределить ресурсы между ними поможет определить дерево метрик:

В приложении к дереву метрик фиксируются однозначные определения и стандарты расчета метрик (например, GMV — это общий B2C оборот после вычета скидок по completed транзакциям).

На следующих этапах для каждой метрики в дереве можно рассчитать её вариабельность (степень изменчивости, насколько легко метрика поддается изменению) и рычаговость (как изменение метрики на 1% повлияет на итоговую прибыль).

Каждой команде (которая что-то делает и тем самым вносит свой вклад в стартегические цели) нужен свой дашборд. Гигиенический минимум это:

1. Дашборд маркетинга
Воронка привлечения, юнит экономика, удержание. Конкретное содержание проектируется аналитиком и лидерами маркетинга. Определяется состав метрик, фрейворков и подгруппы для анализа (по каналам например или по платформам привлечения).

2. Дашборд продукта
Отображает поведение клиентов в продукте. Удержание, пользование фичами, ошибки и крэши. Для розничной торговли эту роль выполняет отчет по продажам и остаткам.

3. Дашборд финансов
Обычно это по-месячный PnL — финансовый отчёт о прибылях и убытках, который показывает доходы, расходы и финансовый результат.

По мере развития и появления ресурса аналитика может раскатываться и остальные департаменты и даже конкретные фичи. Но важно не забывать задавать себе вопрос:

Расходы на аналитику этого департамента / фичи / проекта будут перекрыты прибылью от применения этой аналитики?

Когда данные подключены и дашборды настроены появляется следующий слой – анализ и интерпретация этих данных. В данных мало пользы, если не принимать решений и действий на их основе. А для этого требуется совместная работа аналитиков (которые понимают данные) и бизнес-заказчиков (которые хорошо знают свой контекст). Реализовать это можно орг-инструментами:

• Регулярные встречи с аналитиками 1:1;
• Регулярные общие встречи;
• Регулярные аналитические записки и дайждесты.

Цель: курсирование информации, прозрачность, управляемость, обратная связь.

Состав аналитической команды зависит от типа и размера бизнеса:

В крупных компаниях у каждого продукт-менеджера и маркетингового лида есть свой аналитик. В банках таких специалистов может быть больше сотни. Это позволяет аналитикам глубже погружаться в задачи, но обычно каждый работает в своей узкой области.

В небольших и средних компаниях часто работает один аналитик или небольшая команда, которая занимается всем сразу. Из-за нехватки ресурсов часть аналитики берут на себя менеджеры — это называют self-service. Аналитики готовят данные, таблицы и дашборды, а менеджеры сами интерпретируют их и делают выводы.

• Какой потенциал новой фичи? Как новая фича повлияла на метрики? Как пользование фичей развивается в динамике?
• Из-за какого канала маркетинг не добегает до плановых показателей? В чем именно проблема этого маркетингового канала?
• Какой прогноз {любой метрики} на следующий квартал? Из-за чего начался отток постоянных клиентов?

На такие и бесконечное множество других вопросов могут отвечать аналитики. Выстроить взаимодействие с ними можно при помощи доски через которую бизнес-заказчики заводят задачи для исследований:

Внедрение аналитической обвязки для бизнеса — это ответственности лида аналитики. Дальше дело за малым: делать улучшения, отслеживать факт и раскатываеть, если работает. Это назается HADI-цикл, подробнее про него рассказываю в мини курсе.

Все что обозначен выше — это база.

Еще аналитики умеют обучать машины прогнозировать будущее, выделять сегменты клиентов, подсматривать за действиями конкурентов, моделировать экономику, присылать уведомления, когда что-то сломалось, запускать кастдевы и количественные исследования, делать дата-арты для СМИ и много других смузишных и модных штук. Обращайтесь ;)

• Реальный мир сложнее, чем математические модели. Не все можно измерить (к сожалению). Данные не панацея, но снижают риски.
• На рынке представлено множество разнообразных инструментов и все хочется попробовать. Выбирайте систему изящно, т.к. подключение доп. сервисов - это всегда дополнительный ресурс на поддержку, новые логины-пароли, риски безопасности, риски расползания данных и др.
• Не пренебрегайте документацией (определение метрик, процессов, коллекция ссылок, описание нюансов и исключений, принципов атрибуции…). При смене команды - это спасительная веточка смыслов. А еще в будущем ее можно «скормить» ИИ-агенту.
• У аналитики, как сущности есть свойства: точность, своевременность, полнота, консистентность, понятность, надежность. Ответственность лида аналитики — следить за этими параметрами.

Этот текст написан без участия ИИ ;)
Этот текст написан человеком, но проверен алгоритмами :))

Поделиться: