Внедрили аналитику на старте компании и увеличили прибыль с 50K до 1,2M$ за 1 год
Всем привет! Меня зовут Коля Валиотти, я CEO Valiotti Analytics. Расскажу, как мы делали аналитику EdTech-стартапу Refocus, который за время работы с нами вырос х25 и дошел до третьего раунда инвестиций.
Мы работали с ними с самого старта и выстроили работу с данными с нуля: оцифровали маркетинг, продажи и продуктовое направление. Опишу, как мы это делали и к чему это привело в итоге. Сначала будет про проблемы, потом — про наши решения и в конце — про результаты.
Refocus — показательный пример качественной аналитики и ее результатов
- Мы пришли, когда еще ничего не было. Выгоднее внедрить аналитику в начале, чем на 100 млн выручки: это дешевле, проще и позволяет принимать правильные решения в начале пути.
- Быстро выросли за два года, а вместе с ними выросла и аналитика. Это пример того, как она растет вместе с бизнесом и подстраивается под него. Видно влияние на рост компании и ее прибыли.
- У EdTech есть своя специфика, но общие принципы для всех схожи. Маркетинг, продажи, продукт, когортный анализ — это направления, которые почти все хотят посчитать.
Я уже писал про Refocus с кучей терминов и технических деталей. В этой статье больше про проблемы бизнеса и решения.
Что было на старте: данных много, пользы мало и что делать — непонятно
У Refocus ситуация с данными была стандартная — c чем-то в этом роде и приходят большинство заказчиков.
- Много разных источников: рекламные кабинеты, CRM, LMS (Learning management system — система управления обучением), оплаты, рефанды, контакты студентов.
- Все хранится в Google Таблицах. У каждого направления — свои таблички и метрики, которые они сами считают.
- Затраты на рекламу и продвижение анализировали через «Roistat».
Что это все значило для бизнеса?
- Много источников + Google Таблицы = бесконечные человекочасы ручного труда. Данные надо выгрузить, закинуть в таблицу, свести с другой таблицей, обновить и все опять сначала… Это все долго и ненадежно. Именно когда маркетолог или продажник руками это все делает, появляются ошибки — из-за невнимательности, а иногда из-за желания подрисовать цифры в свою пользу.
И это не говоря о том, что на это вообще не надо тратить время. Продажник должен продавать, а маркетолог — настраивать продвижение, а не сидеть над таблицами.
- Недоверие к данным: сложно убедиться, что они правильные, когда все держится на честном слове. Проблем добавлял и «Ройстат»: ребята сомневались, что он корректно считает эффективность рекламы, но никак не могли это проверить. В итоге получается, что работы с данными много, а смысла мало — как их использовать, если не уверен, что они показывают реальную картину?
- Хаос из таблиц. У каждого отдела — своя аналитика, с данными раскиданными по разным папкам и аккаунтам. Свести это воедино, чтобы посмотреть общую картину, было сложно.
Система была завязана на отдельных людей, которые вели аналитику в своих отделах и знали, где что лежит. Если такой человек уволится, в этом хаосе потом никто не разберется.
- Непонимание, как использовать данные. Аналитика помогает не просто посмотреть по верхам, как растет прибыль или выполняется план. Она дает детальную информацию обо всем, что происходит в компании, помогает находить возможности и избегать рисков. Но иногда люди просто не понимают, как этого добиться. Что сделать со всей этой горой данных, чтобы получать из нее инсайты?
Перед нами стояло несколько задач.
Задача 1: перестать тратить время на таблички и начать жить
Для этого данные должны собираться автоматически, с заданной частотой и в определенном формате.
Пример: вы продвигаетесь через Яндекс. Каждый день нужно вытаскивать данные: сколько показов, сколько кликов и какая у них стоимость. Таких источников много: кабинеты, CRM, платежные системы. Человек, которым этим занимается тратит большую часть рабочего времени на рутинную выгрузку. Может ошибиться, может выгореть.
Мы все это автоматизировали.
- Что предложили: Apache Airflow. Это оркестратор — программа, которая управляет потоками данных.
- Кому еще подойдет: почти всем. Airflow удобный, бесплатный и доступен в России.
- Результат: то, что делали бы сами, вручную и с ошибками сотрудники Refocus, делал Airflow почти без участия человека — быстро и без ошибок. Собирал, приводил к одному формату и складывал в базу.
Частый страх, что система залагает, а мы даже не узнаем, что получаем неправильные данные. Сбои и правда случаются, но система их отслеживает и оповещает о них нашего сотрудника. Он исправит проблему до того, как она отобразится на графиках.
И это большое преимущество кастомной аналитики перед готовыми решениями «из коробки»: мы делаем ее сами и полностью контролируем. Всегда можно заглянуть, все ли внутри нормально работает.
Задача 2: уйти от таблиц в хранилище, чтобы создать прозрачную, централизованную систему работы с данными
Представьте, что вам надо связаться со студентами курса по Data Science из Филиппин, которые оставили заявку на рефанд, но еще не получили деньги. Имена и контакты студентов хранятся в одной таблице, заявки — в другой.
Когда данные хранятся в Google Таблицах, такая задача превращается в целый квест по поиску ссылок и доступов, а потом гуглению нужных формул. Когда данные лежат в аналитическом хранилище, проблема решается одним запросом.
Кто-то скажет: «Это не моя проблема, пусть подчиненные разбираются.» Но это — очередной пример неблагодарной ручной работы, которая тратит время ваших сотрудников и приводит к ошибкам в данных.
Хорошая система — это та, где процессы налажены и помогают сотрудникам, а не создают дополнительные челленджи.
Google Таблицы вообще не предназначены для хранения больших объемов данных. Начнем с того, что когда строк станет слишком много, они начнут элементарно зависать. А еще данные в них толком не защищены— их могут случайно удалить, перезаписать, сломать и потерять.
Эти проблемы и решает создание аналитического хранилища. По сути — это те же таблицы, только упорядоченные в одну централизованную систему, куда собираются данные из разных источников. Все лежит в одном месте и никуда не потеряется, если уволится сотрудник, ответственный за таблички.
- Что предложили Refocus: Google BigQuery. Это облачное хранилище — то есть данные лежат на серверах вендора, он же берет на себя всю техподдержку. Хороший вариант для тех, у кого нет своего сервера.
- Кому еще подойдет: компаниям, зарегистрированным вне России. В РФ Bigquery недоступен, но аналог подобрать можно.
- Результат: вместо кучи таблиц — единое хранилище для всей компании, встроенное в систему аналитики. В нем ничего не потеряется, не окажется, что кто-то случайно удалил столбец или не знает, у кого взять доступ к таблице.
Задача 3: получать от данных профит
Для этого мы выводим их на дашборды.
Суть дашборда — представить данные так, чтобы они помогали заказчику принимать решения и развивать бизнес.
Вот так выглядел overview-дашборд по продажам:
Вот так выглядел overview-дашборд по продажам. На каждый график можно навести мышь, чтобы посмотреть детали или отфильтровать по датам. Это инструмент для руководителя, чтобы отслеживать динамику направления.
Но это общая информация. Можно провалиться глубже, в соседний дашборд и посмотреть детально:
Здесь видно загрузку менеджеров по продажам и ее влияние на конверсию. Благодаря этим данным Refocus рассчитали оптимальное число лидов на продажника — так, чтобы он не выгорал, но и конвертить не забывал.
У них было много отделов продаж в разных офисах. На дашборде видны успехи отделов и их сотрудников: можно посмотреть, кто в топе, а у кого показатели просели. Еще и в динамике, так что сразу понятно, всегда ли продажник так работал или это сейчас что-то случилось.
А вот маркетинг:
В отдельном блоке считали, метчатся ли данные с «Ройстатом». В итоге от него вообще отказались и полностью перешли на наши дашборды.
Дашборды позволяли отследить путь клиента от первого касания до покупки и точно посчитать, во сколько обошелся этот лид.
Дашборд по студентам помогали отслеживать число активных студентов, выявлять самые популярные курсы, смотреть статистику по рефандам.
Реальный кейс: резкий рост заявок на возврат помог понять, что есть проблемы с конкретным курсом. Его быстро отредактировали, и число заявок тут же снизилось.
- Что предложили Refocus: Tableau. Стандарт индустрии, один из лучших сервисов по визуализации данных.
- Кому еще подойдет: и опять только компаниям, зарегистрированным вне России. В РФ Tableau недоступен, но есть аналоги.
- Результат: данные, которые помогают принимать решения, распределять бюджет, улучшать продукт и развивать бизнес.
А что насчет масштабирования?
Refocus — хороший кейс, потому что компания быстро росла, и аналитика масштабировалась вместе с ней.
Мы начали работу с одного источника — тянули данные из Amo на 2 дашборда. Под конец работы включили в систему 13 источников, а число дашбордов выросло до 42. И мы не просто пилили дашборды — мы их еще дорабатывали и улучшали, чтобы они становились удобнее и понятнее.
Над этим проектом мы работали два года. Сначала создали систему, потом поддерживали и развивали. В среднем, от начала работы до первых результатов проходит 3-4 месяца — в зависимости от объема и сложности.
Вот так выглядел таймлайн работы. Отметили на нем только главные изменения — если расписывать все детали, это ни на каком графике не поместится.
Пишите в комментариях, что еще хотели бы узнать про аналитику, про кейс Refocus или в целом. Буду рад ответить.
А если понравилась статья, то еще больше про аналитику, данные и предпринимательство — у меня на канале Коля Валиотти • Дата консалтинг.
Довольно интересно, спасибо.
Но смущает кейс с рефандами. Неужели школе нужен целый дашборд, чтобы понять, что курс просто плохой?
Тут можно посмотреть с двух сторон. Во-первых, да, когда делаете продукт на большую аудиторию, надо смотреть на данные, а не просто на ощущения. Да, бывает, что вам с командой кажется, что сделали что-то крутое, но публике не заходит.
Во-вторых, дело не всегда в самом курсе, а в платформе. Контент может быть нормальный, но могут проблемы чисто технические, и вот они станут видны по реакции пользователей.
Спасибо за статью! Поддержу автора, что банкротство заказчиков не их вина. Я разработчик, мое дело запустить площадку, чтобы она работала. К сожалению, половина проектов ушла в стол, и вот как раз причина 1я: о продвижении заказчик вспомнил, когда закончился бюджет после внедрения, 2я причина это отсутствие аналитики, невнимательность к проблемам пользователя (когда как раз заказчик уверен, что продукт шикарный, а на деле, даже проверку гипотезы не сделал как надо).
И мне за такие проекты крайне обидно! Насколько мог, я советовал заказчикам, указывал на промахи, но часто почему-то они слепо верят в успех, а потом больно падать( А вот благодаря аналитике такие удары можно смягчить!
Да, такова жизнь, что иногда даже классные и успешные проекты закрываются по независящим от нас причинам. Обидно, но так бывает. Так что остается только хорошо делать свою работу)
Да, конечно, цифры крутые. И ни одного пруфа, что рост в 25 раз - реально заслуга аналитики. Может, если бы они не тратили столько денег на 40 дашбордов, они бы еще больше заработали и не разорились бы в итоге)))))
Привести железный пруф, что бизнес сделал х25 благодаря аналитике и правда не получится. Но аналитика ему точно помогла, потому что обработать огромный массив данных обо всех рекламных кампаниях, студентах, курсах и т.д. вручную было бы невозможно.
У них бы просто не было возможности контролировать ВСЕ процессы по продвижению, продажам, работе со студентами, распределению бюджетов без автоматизации.
А насколько по факту сотрудникам без особенной технической экспертизы просто пользоваться этими дашбордами? Приходится как-то их обучать, или как? А то если честно красиво выглядит, но не слишком интуитивно