CoMagic

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.

Андрей Казаков
Менеджер по продукту CoMagic

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.

Что такое Data literacy?

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.

Немного о трендах

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».

Кейс о влиянии data literacy на создание продукта

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.

Результат: подведем итоги

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.

{ "author_name": "CoMagic", "author_type": "editor", "tags": [], "comments": 25, "likes": 9, "favorites": 88, "is_advertisement": false, "subsite_label": "comagic", "id": 178229, "is_wide": true, "is_ugc": false, "date": "Wed, 18 Nov 2020 13:43:45 +0300", "is_special": false }
0
25 комментариев
Популярные
По порядку
Написать комментарий...
11

Дебильная статья. Если человек принят на работу в диджитале и не отличает среднее от медианки, то гнилое все:  от эйчарни до отдела\департамента. Если "большинство" — ну все, пиздец, приплыли.

Данные нужны тем, кто с ними работает.

А на работу нужно нанимать хотя бы образованных людей, которые могут составить и посчитать элементарную пропорцию. 

Ответить
6

Ну я прям согласен. Но буквально треть потенциальных клиентов: а это на секундочку собственники и директора, сами не понимают зачем это нужно. Автор действительно верно заметил, что часто KPI ставиться как мифическая планка, в лучшем случае она опирается на что-то.

Тут вопроса 2:

1. Не совсем компетентный менеджмент
2. Наплыв сотрудников, которые прочитали 10 статей тут же и при в лучшем случае потратили 1 000 рублей на какой-то сайт.

И пока ситуация такая любые решения будут полезны.

Но по-моему мнению - сквозная аналитика просто устарела, дело в том, что анализируя только маркетинг, но не анализируя продажи, производство и все остальное - это глобально не спасет. Потому я голосую за BI системы. Да сложно, да дорого - но вся информация в полном виде и при этом можно принять взвешенное решение. Не только по оптимизации бюджета, но и по добору кадров в отдел продаж, в зависимости от объема трафика, лояльных клиентов и сезонности.

Всегда говорил и говорю - анализируешь, молодец, но будь любезен делать это комплексно. А тои выходит: сейчас распределим бюджет и получим на 100 целевых заявок больше,  и при этом вообще не понятно - сможем ли мы такой объем хотя обзвонить, а потом реализовать? Может у вас сейчас уже много лидов и проблема не в маркетинге а дальше по цепочке?

Ответить
1

Ахундов Эмиль, спасибо за ваш комментарий!

Ответить
0

Kirill Nikolaev, спасибо за ваше мнение. 

Ответить
2

"Мы всё делали по скраму, двигались спринтами и исследовали стеки".
Круто, сколько *денег сэкономили*/на сколько *прибыль увеличили*?

В очередной раз убеждаюсь, что techies подпускать к общению с бизнесом можно чуть чаще чем никогда.

Ответить
1

Сколько *денег сэкономили*/на сколько *прибыль увеличили*? - эти цифры разные по каждому из проектов. В публикации речь идет о другом: высоких результатов бизнес не получит даже с самыми крутыми инструментами, если сотрудники не умеют работать с данными. И это пища для размышлений владельцам бизнеса и руководителям компаний. 

Ответить

Комментарий удален

2

Хорошо написано,  по похожему пути движемся. Только свой продукт строим на Power.BI. 
Здорово, что во многих отраслях топы все больше понимают: управление на основе данных - конкурентное преимущество. И не боятся его внедрять. 

Ответить
0

Благодарим за добрые слова! 
Пока этот процесс идет очень сложно, но мы надеемся, что в будущем тенденции изменятся.

Ответить
2

Спасибо за статью. Может вы тогда расскажете в нескольких статьях про то, как правильно работать с данными? Я в некоторых моментах прям себя узнал.

В одном бизнесе у нас на сайте трафика было 100-150 человек в сутки, это для рынка прям много. Я не понимаю, как работать и анализировать на таком низком объёме данных, поэтому ваш продукт использовал для оценки количества Лидов.

Из той же серии - в другом бизнесе путь клиентов такой: в группе вк узнаваемость, после поиск в Яндексе. Таким я его вижу. Как можно использовать сквозную аналитику, чтобы увидеть эту цепочку?

Я когда-то пришёл к выводу - либо для маленьких рынков сквозная аналитика не может помочь, так как мало данных; либо я не понимаю чего-то.

Ответить
1

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.

1. Как вы распределяете атрибуцию, если лид видел таргет, переходил по email рассылке, заходил в оффлайн точку, видел контекстную рекламу и т.д.? У вас фиксированные модели или можно создавать свои модели?

2. Как решаете проблему атрибуции связанную с кроссплатформенностью и кроссбраузерностью, если нет возможности трекинга по user_id?

3. Как работает атрибуция для оффлайн точек? Как вы определяете, что человек взаимодействовал с брендом в оффлайн?

Ответить
0

Владислав, добрый день. Вы задаете интересные вопросы, о которых хочется поговорить детальнее. Можем ли мы с вами пообщаться в телеграмм (t.me/TereshchenkoViktor)?
1. В настоящий момент у нас настроено 8 моделей атрибуций. Ценность каждого касания зависит от выбранной модели.
2. Сейчас мы не работаем с этим. Кросс-аналитика находится в анализе и, скорее всего, дополнит функционал нашего сервиса в 2021 году.
3. Все зависит от того, как происходит взаимодействие в рамках оффлайн-точки. У нас есть интересные кейсы, где микрофоны на одежде сотрудников помогали речевой аналитике получить важные данные, которые в дальнейшем использовались для склейки данных. 

Ответить
1

Добрый день. Да, можете написать https://t.me/Vlad_bryu

Ответить
0

Владислав, спасибо! С вами скоро свяжутся.

Ответить
1

Больная тема – особенно, для девелопмента ) 

Ответить

Комментарий удален

0

Такие же проблемы практически во всех отраслях, с которыми мы работаем. 

Ответить
1

Скажу честно, не ожидал такой серьёзный публикации (пусть даже нативной) от CoMagic. Кто это организовал - большой умница и молодец 👍

Ответить
0

Vlad Kulikov, благодарим вас за добрые слова!

Ответить
1

Чаще всего у бизнеса, благодаря описанным людям, более насущных проблем первой очереди, гораздо больше, чем плохо работающая аналитика или вообще её отсутствие. Парадокс в том, что они жили живут и будут жить и без неё. Статья в стиле слон это дерево.
Но проблема того, что люди "не умеют считать" колоссальная, без относительно оценки данных, это факт. Какой там kpi, они запасы "по среднему" рассчитывают, а при словах страховой резерв, коэффициент сервиса или медиана, смотрят на тебя как на инопланетянина.

Ответить
0

Андрей Казаков, Вы родились в 1996 или 1998? Хотя, это не имеет значения. Ибо ещё в шестидесятых прошлого века в ЦРУ появился акроним GIGA. Вы же, как невероятный специалист, знаете как он расшифровывается? В среде аналитиков, а не забавных блогеров, рождённых более чем 20 лет после появления интернета. Вы в нескольких тысячах знаков создали белый шум четырёх букв.

Ответить
0

Serghei Dascălu, давайте не будем переходить на личности. Спасибо за комментарий.

Ответить
0

"наш продукт умеет работать с 8 моделями атрибуций, не считая ассоциированных взаимодействий."
Подскажите пожалуйста, какие 8 моделей атрибуции вы используете, которые не считают ассоциированные взаимодействия? Ведь под такое определение подходит только чистый last click. Надеюсь, это какая-то случайная ошибка автора, или я чего-то недопонимаю?

Ответить
0

Константин, это мы немного косноязычно выразили свою мысль. А мысль такая: мы работаем с 8-ю моделями атрибуций + есть возможность отдельно выводить ассоциированные взаимодействия и тотал. Подробнее: https://www.comagic.ru/services/analytics/

Ответить
0

Никита Мотыль, спасибо за комментарий! С радостью напишем. Может у вас есть рекомендации что конкретно вы хотели бы прочитать на эту тему, в какие моменты углубиться?

Ответить
0

Больше всего интересует работа с данными на малых объёмах) могу вам даже дать как пример наш аккаунт в вашем сервисе

Ответить
0

"идти на прокачку в аналитике, благо материалов и курсов сейчас достаточно."
А можно конкретные курсы и материалы? 

Быть может "Это огромная проблема, которую пока не удается решить." связана с тем, что нет целостной методики работы с данными? Где четко понимаешь, сделал то - получил это, не сделал - не получил .

Ответить

Комментарии

null