Почему сквозная аналитика не дает желаемого результата: разбираемся в причинах. Часть 1

Согласно исследованию Gartner, более 50% руководителей высшего звена недовольны качеством и ценностью, полученной от аналитики. По мнению участников опроса, ожидания от внедрения и интеграции аналитических систем и инструментов не были оправданы и не принесли планируемого результата.

В этой статье мы поговорим про:

Зачастую, маркетологи и аналитики, руководители направлений отмечают, что сталкиваются с определенным количеством сложностей в работе с данными.

Например:

Сегодня мы публикуем первую часть нашего материала про качественные данные.

Качественные данные — это определенная характеристика или набор свойств, которые отражают степень пригодности данных к использованию для решения поставленных задач. Среди этих свойств: полнота, согласованность данных, точность, надежность и др.

По мере увеличения объема данных, становится важным согласованность внутренних данных. Когда данные согласованы, они соответствуют заранее определенным правилам и стандартам, гарантируя, что одна и та же информация дает одинаковые результаты независимо от того, где и как к ней осуществляется доступ.

Теперь давайте поговорим о важности качества данных. Что делает все это таким важным? Если говорить простыми словами, чем здоровее данные, тем лучше результат.

Состояние ваших данных, уровень их здоровья, напрямую влияет на работу бизнеса и расширяет возможности развития. Постоянно совершенствуя и повышая качество данных, которые вы используете, позволит вам своевременно влиять на эффективность маркетинговых и аналитических инструментов.

Согласно опросу Gartner, проведенному среди крупных компаний, низкое качество данных является причиной убытков в среднем в размере 15 миллионов долларов в год. При этом чем позже выявляются плохие данные, тем дороже обходится исправление ошибок.

Весь процесс работы с данными можно разделить на несколько основных этапов:

Мы считаем 1 и 2 пункты наиболее важными, ведь именно ошибки, совершенные на первых этапах, приведут вас к неверному результату.

Это подготовительный этап перед запуском нового аналитического проекта. Чем более структурированной и тщательной будет ваша подготовка к работе над этапом подготовки, тем более точно вы сможете запланировать и распределить требуемый ресурс.

На данном этапе советуем проработать, какие задачи бизнеса необходимо будет решать, какие источники данных для этого потребуются, какие требования у компании к этим источникам, какая структура данных необходима и др.

Проработайте список бизнес-вопросов, на которые можно получить ответ на основе сформированной отчетности. Какими могут быть вопросы:

Список вопросов для каждого проекта будет индивидуален.

Полный список критериев на стадии планирования мы сформировали в нашем гайде, который можно получить по ссылке. Мы проанализировали более 20 критериев, которые могут оказать влияние на качество ваших данных.

В предыдущих материалах мы описывали основные виды отчетности, используемые маркетологами, аналитиками и управленцами для формирования инсайтов:

Составили полноценный гайд по всем моделям атрибуции: от LastClick до funnel Based Attribution. Оставить заявку на получение можно здесь.

После того, как вы определились с целями и задачами, обратите внимание на требования к структуре данных. Структура данных — это способ организации информации для более эффективного использования. Это данные, связанные между собой определенным образом. Без структурирования данных вы не сможете их упорядочивать, искать нужную информацию, анализировать и использовать данные с применением алгоритмов программирования.

Мы рекомендуем подготовить данные из следующих источников и структурировать их:

Продумайте, с помощью какого аналитического стека вы будете собирать необходимые данные. Мы подготовили пример целевой архитектуры проекта, на которую вы можете ориентироваться.

Планирование любого аналитического проекта — один из важнейших этапов. Согласно статистике и нашему опыту, именно из-за ошибок в планировании, формировании целей и задач, дальнейшая работа может быть выполнена впустую или с погрешностями.

Расскажите, как вы проверяете данные на качество? С какими вызовами, связанными с недостаточным качеством данных, вы сталкивались?