Data literacy: как аналитически безграмотные сотрудники убивают ваш бизнес

Сегодня инструменты, которые помогают прозрачно оценить рекламные каналы и правильно распределить бюджеты, становятся must have. В узких кругах широкого digital-пространства гуру-маркетинга вас не воспримут всерьез, если ваши рекламные кампании до сих пор оцениваются с потолка. Гонка по внедрению трендовых аналитических инструментов набирает обороты.

Менеджер по продукту CoMagic Андрей Казаков рассказал, как создавали новую сквозную аналитику, используя Data literacy, почему важно обладать этим навыком и как его развить, чтобы не потерять бизнес.

Здесь все просто, Data literacy — это грамотность специалистов в работе с данными. Умение понимать, анализировать и общаться с другими, обосновывая свое мнение с помощью данных. По-другому, аналитическая грамотность.

Владельцы бизнеса стремятся поскорее внедрить сквозную аналитику или другие инструменты, но при этом их сотрудники совершенно не подготовлены и не умеют работать с данными.

Часто в нашей практике встречаем такую тенденцию: после того как инструмент внедрен, проведены все работы по настройке, возникает серьезная проблема — сотрудники не в состоянии обработать полученную информацию, у большинства специалистов отсутствует базовое понимание математической статистики, они не могут отличить среднее арифметическое от медианы и достоверность от значимости.

Многие, имея настроенную аналитику, по-прежнему действуют интуитивно, не понимая, что метрика — сильный управленческий инструмент. Это огромная проблема, которую пока не удается решить.

По данным исследований рынка аналитики маркетинга, всего лишь 5 % специалистов пользуются моделями атрибуции. Когда видишь такую статистику, задаешься вопросом: а для кого я делаю продукт? Для 5 % тех, кто пытается анализировать маркетинговые активности?

В исследовании Global data management report цифры тоже не радуют, но они отражают реальную картину. Только 50 % компаний доверяют своим данным. Более 95 % компаний считают, что их данные низкого качества и они не могут доверять этим показатели при принятии решений.

Когда CoMagic проводил исследования для своего нового продукта, мы столкнулись с тем, что в большинстве компаний у маркетологов KPI в лидах, при этом они говорили нам: « Я выполнил KPI в марте, делал все то же самое в апреле, но KPI почему-то не достиг».

У этих ребят премиальная часть больше похожа на игру в рулетку: в этом месяце получил — супер, не получил — хватит и фиксированной части оклада. Такая картина — типичный показатель отсутствия аналитической грамотности: непонятно, на основании чего поставлен KPI, как его достичь и проанализировать. Самое интересное, что никто не стремится исправить эту ситуацию. И это барьер на пути к управляемости маркетингом.

При таком раскладе аналитика дает лишь иллюзию управляемости. Сотрудник отчитывается о результате, но на самом деле он может заблуждаться по поводу того, какими действиями он повлиял на этот самый результат. Соответственно, смысла во всех этих действиях нет и это губит бизнес.

Чтобы избежать таких последствий, компании должны начать меняться с «головы». Data driven — это корпоративная культура, а не инициатива конкретных сотрудников, только так это работает. Именно руководство должно озадачиться системой принятия решений в компании, в том числе у сотрудников.

Есть еще одна проблема: часто руководство испытывает трудности с пониманием информации, которую пытаются донести аналитически неграмотные сотрудники.

Как я упомянул выше, сейчас аналитическая грамотность становится hard skill для всех руководящих позиций. В таком случае совет один: идти на прокачку в аналитике, благо материалов и курсов сейчас достаточно. В противном случае такой руководитель быстро останется на обочине рынка труда.

У прогрессивных специалистов запросы обгоняют возможности готовых аналитических инструментов. Поэтому сформировался рынок бутиковых решений, когда аналитику адаптируют под специфику конкретного бизнеса. А для крупных компаний уже стало традицией нанимать специалистов в штат, чтобы они построили аналитику in-house, то есть в IT- инфраструктуре компании.

Еще один тренд — это оценка деятельности компании исходя из дохода. Этот тренд дошел даже до софтверных компаний, и некоторые из них начали оценивать эффективность разработки прибылью. В маркетинге низкомаржинальных компаний и компаний с гигантскими маркетинговыми бюджетами этот тренд уже давно реальность под названием «Сквозная аналитика».

Выше я рассказал о том, что мы проводили исследования для нового продукта. Теперь углублюсь в сам продукт.

Перерабатывая сквозную аналитику, мы сфокусировались на двух задачах:

• сохранении сходимости unit-экономики компании при масштабировании или поиске новых каналов привлечения лидов;
• максимизации выручки с расходов на привлечение лидов.

Эти задачи требовали сведения в один отчет всей информации по расходам на лидогенерацию, продвижение, а также данных о приводимых лидах и продажах.

Мы понимаем, что важную роль в ответах на эти вопросы играет учет всех касаний лида с рекламой, поэтому наш продукт умеет работать с 8 моделями атрибуций, не считая ассоциированных взаимодействий. В отчете показаны расходы на площадку и сумма всех продаж, в привлечении которых участвовала эта площадка.

А для тех, кто аккуратно подходит к разметке трафика и зашивает в utm-метки максимум полезной для анализа информации, у нас есть механизм группировок. Он позволяет анализировать продвижение категорий или направления товаров и сравнивать по ним CPL и ROMI.

Чтобы внедрить эти разработки, мы реализовали множество готовых интеграций. Я могу долго расписывать все новшества нашего отчета, но лучше предложу ознакомиться с новым продуктом на нашем сайте.

Почему же мы приняли решение пересобрать продукт?

Ключевая предпосылка для этого: техническая база продукта настолько устарела, что мы не могли найти под нее разработчиков, не могли быстро внедрять изменения, чтобы соответствовать запросам рынка. Да и сам продукт в предыдущей реинкарнации устарел, что проявлялось и в скорости работы, и в объеме ценности.

Создание нового продукта заняло чуть больше года. Тут нам и пришла на помощь data literacy. В начале работы мы исследовали проблемы наших клиентов и клиентов конкурентов: достоинства и недостатки. Смотрели глобально: что ограничивает маркетинг нашей ЦА и как мы можем помочь. Потом мы собрали макеты и начали их тестировать на клиентах, параллельно проводили исследования технических стеков, чтобы подобрать наиболее подходящие под наши задачи.

Когда была запущена разработка, мы сразу же пошли в методологии scrum, и первый же релиз позволил нам тестировать продукт на клиентах. Это помогло учитывать их обратную связь во всех последующих релизах. В процессе участвовало несколько десятков клиентов и партнеров, а также внешние эксперты.

Мы двигались двухнедельными спринтами. Мы видели быстрый результат и при возникновении проблемы знали, что можем перенести ее в следующий спринт. А когда начали получать вау-эффект на демоверсии в продажах, поняли, что пересекли какую-то черту, которая подняла наш продукт на высочайший уровень.

Нашей целью было сделать конструктор, который избавит от необходимости скачивать отчеты в Excel или «BI-инструменты» для доведения данных до ума. Этот конструктор должен собирать нужный срез информации быстро, при этом данные в нем не должны вводить в заблуждение.

Так, например, у нас появилась идеология отчета, которая работает от когорты. Отчет показывает все конверсии посетителей, попавших в период выборки по разным моделям атрибуции. При этом рекламное продвижение и трафик с него можно разложить в более чем 60 срезах данных, а если нужных нет — можно создать свой срез, основанный на содержании меток или названий рекламных кампаний. Например, из систем коллтрекинга или рекламных кабинетов.

Я постоянно общаюсь с клиентами, и многие из них уже сейчас добились отличных результатов. Все данные мы уже упаковали в кейсы. На этапе демо и в процессе продажи нередко видим вау-эффект, но чаще «вау» слышим от клиентов, которые ранее использовали старую версию наших отчетов, а сейчас перешли на новую. Разница просто колоссальная.

Сейчас наша основная задача — переработать визуализацию и дашборды, чтобы они также превратились в одни из лучших инструментов аналитики на рынке. Будем работать над повышением удобства качественного анализа лидов и их касаний. А глобально мы наметили путь в сторону user-centric-аналитики, и в следующем году нам будет чем вас удивить.

Хочется, чтобы вместе с усовершенствованием наших инструментов рос и уровень аналитической грамотности клиентов. Совет для руководителей компаний: не жалейте ресурсов на обучение своих сотрудников, обучайтесь сами. Только так вы сможете добиться желаемых результатов в бизнесе. Запомните, что сейчас все показатели нужно измерять и оценивать. Как я ранее говорил, это уже не тренд, это реальность интернет-маркетинга.