{"id":13839,"url":"\/distributions\/13839\/click?bit=1&hash=310caf1329692463026b8043ff9088d52dd6a03c2dd0a57cf9acc31d860b46e9","title":"\u041d\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u043a\u0430\u0441\u0442 \u043f\u0440\u043e \u0431\u0438\u0437\u043d\u0435\u0441-\u043f\u0440\u043e\u0442\u0438\u0432\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0438\u0440\u043e\u0432\u044b\u0445 \u0431\u0440\u0435\u043d\u0434\u043e\u0432","buttonText":"\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435","imageUuid":"b11f7ca0-f0f3-5198-bc97-7a4f1114f6f6","isPaidAndBannersEnabled":false}

Рутина – главный враг в работе с данными

Как аналитик, я очень хорошо вижу, что подготовка отчетов — больной вопрос и для маркетологов, и для аналитиков. Главным образом из-за того, что большинство аналитических инструментов ориентируются на потребности аналитиков и разработчиков, и не дают маркетологу возможности самому работать с данными. Аналитики же вынуждены посвящать большую часть рабочего дня подготовке данных для отчетов и написанию SQL-запросов, чтобы собрать отчет, который понадобится лишь единожды. В этой статье я хочу рассказать, почему так происходит, и каким я вижу решение этой проблемы.

С какими трудностями сталкиваются маркетологи и аналитики

У бизнеса есть рынок, на котором он работает, цели и данные. Любой бизнес хочет три вещи: больше зарабатывать, меньше тратить и делать это быстрее.

Маркетолог помогает бизнесу достичь желаемого. Для этого у него есть десятки разных сервисов, цели от руководителя и экспертиза в маркетинге. Это то, что ему доступно в большинстве случаев. А еще у него есть аналитик, который готовит нужные отчеты и ищет инсайты. При этом каждый из них сталкивается со своими проблемами.

Аналитик:

  • Данные в отчетах не сходятся, их приходится постоянно перепроверять. Почему? Данные могут теряться на этапе сбора, дублироваться и т.д. А для принятия решений нужны данные, которым можно доверять. Здесь нет одной простой причины, которую можно было бы легко устранить, иначе бы это не было проблемой на рынке.
  • Сложно и долго каждый раз заново строить нужные отчеты, потому что приходится заново готовить данные и писать запросы. Вот бы маркетолог самостоятельно строил отчеты в нужных разрезах, а не приходил каждый раз к аналитику или сразу сказал весь список требований. К тому же, начиная делать отчет, аналитик никогда не знает заранее, какие вопросы возникнут в процессе, и какой отчет может понадобится в следующий раз. Не бывает одного универсального отчета на все случаи жизни, и приходится каждый раз делать новые.

Маркетолог:

  • Ему нужны применимые рекомендации и инсайты. К примеру, отчет по рекламным кампаниям, который показывает CPA, менее полезен, чем отчет на основе best marketing-mix, который показывает, насколько увеличить или уменьшить рекламный бюджет. Потому что стоимость заявки не отвечает на вопрос, что с этим делать маркетологу. Но аналитик таких данных не дает, потому что занят выполнением бесконечного бэклога отчетов.

В чем основная проблема

Благодаря развитию таких сервисов как Google BigQuery, анализ больших данных становится доступнее для компаний любого размера. Но существующие аналитические продукты направлены в первую очередь на потребности аналитиков и разработчиков. Маркетологи по-прежнему вынуждены ограничиваться готовыми отчетами либо ждать подготовки данных аналитиками, упуская возможности и теряя время.

На рисунке выше магический квадрант Гартнера с аналитическими и BI сервисами. В одном из популярных чатов для аналитиков на графике пририсовали Excel. Этот рисунок очень хорошо показывает, что современные аналитические инструменты нужны бизнес-пользователям до тех пор, пока нужные им данные не будут доставлены в привычный интерфейс Excel или Google Sheets.

Есть известная цитата: «данные — это новая нефть». И так же, как в нефтяной промышленности на рынке маркетинг-аналитики есть государства, регулирующие доступ к накопленной ценности в сыром виде — Google, Facebook, Apple, Yandex, есть нефтепроводы OWOX BI, Supermetrics, Fivetran, StitichData, доставляющие данные на нефтеперерабатывающие заводы Google Cloud, AWS, MS Azure, Hadoop. Но для конечного пользователя все это не дает значимой ценности, пока он не может заправить свою машину подходящей энергией в нужный момент и без лишних усилий.

Сегодня бизнес-пользователи вынуждены ограничиваться рейсовыми автобусами, которые доставляют их к предзаданным срезам данных или переплачивать за такси, не зная при этом точного адреса, куда им надо добраться и какой отчет в итоге построить. А аналитик в свою очередь – тонет в рутине сбора и подготовки данных, написания SQL-запросов, вместо того, чтобы оперативно давать маркетингу ответы на вопросы в подходящем формате (Excel/Sheets или Data Studio).

Почему существующие аналитические инструменты в полной мере не удовлетворяют потребности бизнеса:

  • Специализированные сервисы не содержат нужных данных. Почему бы просто не использовать Google Analytics? Там нет данных, которые нужны бизнесу. Их невозможно объединить и построить отчеты по той логике, которая соответствует вашей бизнес-модели.
  • Даже, если бизнес собрал все необходимые данные, нужна экспертиза в том, как их объединить: по каким ключам, в какой структуре, с какими условиями и т.д.
  • Существующие сервисы для сквозной аналитики дают точечные решения, а не системные: можно построить конкретный отчет или дашборд, но нельзя построить систему отчетности, в которой любой отчет можно построить за минуты. К примеру, можно получить автообновляемый отчет в Power BI, Google Data Studio или Excel. Но если в отчете необходимо что-то изменить, добавить нужные срезы, параметры и метрики или поменять группировку Channel Grouping, это занимает кучу времени..

Где узкое место в работе с данными

Почему маркетологу сложно получить нужный отчет в Excel или Google Sheets? Где узкое звено среди всех стадий в работе с данными?

А оно в том, что для составления отчета нужно провести множество манипуляций с данными. Например, собрать полные качественные данные, проверить их свежесть, очистить от лишнего, правильно объединить данные, так как они в разных форматах, выбрать нужные колонки, исключить пользователей, которые не совершали покупок в определенный промежуток времени и т.д. И происходят эти манипуляции с помощью SQL, на написание которых аналитик может потратить несколько дней, если запрос сложный. Со временем таких SQL запросов становится все больше, а логика в них – все сложнее. И тут все повторяется по новой – маркетолог не может получить нужный отчет без помощи аналитика, аналитик тратит дни на построение отчетов, а качество данных после всех манипуляций – каждый раз под вопросом.

Большинство аналитических продуктов упрощают работу аналитика на одном из этапов data-менеджмента, но не автоматизируют получение business-ready данных и написание SQL под бизнес-логику компании. При этом компания получает максимальную ценность от данных, когда на их основе принимаются управленческие решения. А аналитик приносит наибольшую ценность не когда тратит время на SQL-запросы, а когда быстро отвечает на вопросы бизнеса с помощью данных и находит инсайты для применения. Так бизнес сможет расти быстрее конкурентов, используя инсайты в маркетинге.

Поэтому аналитик, увязший в рутине, остается узким местом, тем самым bottleneck в развитии компании.

Один из моих клиентов однажды сказал: «У наших маркетологов сейчас два выбора: либо ждать Excel, либо учить SQL». Хорошая новость в том, что это не единственная альтернатива.

Решение

Если расширить штат аналитиков или заставить маркетологов выучить SQL – не вариант, значит единственное решение – освободить время аналитика для поиска инсайтов и других более ценных задач, а рутину автоматизировать. Сбор данных, их очистка и объединение, написание SQL и построение отчетов (чтобы каждый новый отчет можно было строить до 30 минут) – все это можно и должно быть автоматизировано. Только в таких условиях аналитик сможет добыть из данных золото для маркетологов.

Фантастика? Нет. Подобные сервисы на рынке уже появляются. Из того, что мне довелось тестировать могу отметить OWOX, Funnel, ThoughtSpot. Они аккумулируют знания, необходимые для объединения данных по запросу маркетолога, и позволяют легко учитывать особенности конкретного бизнеса — добавлять привычные объекты и правила расчета метрик. Да, данные для работы с ними должны быть смоделированы. Но это единоразовая временная инвестиция, которая очень быстро окупится. Именно работа с уже смоделированными данными даст аналитику возможность взять отчетность под контроль: быть уверенным в качестве данных, не перестраивать каждый раз отчеты, когда внес правки в channel grouping и тд, быстро собирать нужны отчет.

Да, во всем этом надо будет разобраться, но это все равно лучше monkey job. Взамен маркетолог получит данные, которым можно доверять, отчеты в нужных срезах и применимые рекомендации. А аналитик сможет наконец заняться аналитикой, а не пересобиранием данных и написанием запросов.

Выводы

Текущий подход к работе с данными не оптимален. Маркетологи и бизнес-пользователи чаще всего не могут самостоятельно построить отчеты, потому что это сложно. Чтобы получить ответ на свой вопрос, им приходится ставить задачи аналитикам и ждать. И так снова и снова… Часто для получения инсайта такой путь нужно проделать несколько раз. Ведь пока ты не получил ответ на первый вопрос, ты не знаешь, каким будет второй. Необходимость готовить данные под каждый отчет и рутинное написание SQL не только забирает время, но и может негативно сказаться на качестве данных.

В итоге получается, что данные используются для мониторинга текущей ситуации и анализа прошлого, но редко — для управления будущим. Поэтому данные принесут гораздо больше ценности, если у бизнес-пользователей будет возможность быстро получать нужный отчет или ответ на свой вопрос на данных для принятия решений.

0
Комментарии
Читать все 0 комментариев
null