Чего не хватает современным дашбордам

Прошли годы и десятилетия с тех пор, как дашборды пришли на службу бизнесу. За это время они трансформировались от примитивнейших приборных панелей с парой основных показателей до вертикальных сторителлинговых свитков и обратно. Все это время часть дашбордов вызывала у пользователей неоднозначную реакцию. Почему?

Одна из причин - невыполнение тех функций, которые пользователь стремится переложить на аналитическую систему. И речь не только и не столько о передаче данных, расчетах и визуализации, это - только верхушка айсберга. Много важнее то, что следует за этим - объяснение причин отклонений, идеи по улучшению ситуации, принятие решений.

Мы в Datmark верим, что потенциал дашбордов еще не исчерпан, а только растёт. Идеальный дашборд – это когда смотришь в аналитический интерфейс, понимаешь, что произошло, насколько это важно, как это можно изменить, каким будет эффект и в каком порядке работать. Остается только начать действовать.

Тебе не надо вникать в цифры, не надо оценивать ситуацию субъективным (хоть и экспертным) образом ("еще терпимо" или "случился коллапс"), проводить дополнительные расчеты, думать, что делать дальше и как это поможет проекту. А просто начать реализовывать рекомендации. Это и впрямь идеальная картина мира. Рай для аналитика, продакта, маркетолога, crm-специалиста и всех-всех-всех, кто работает с дашбордами и данными.

Такие дашборды приносили бы максимальную пользу и экономили бы время, не требуя нескольких специалистов для расшифровки того, что выводится на экране.

Какие задачи такой идеальный дашборд должен решать по порядку:

Как правило, данные хранятся в нескольких источниках и их нужно свести воедино.

Корректно и по согласованным формулам.

Именно на этой функции был сосредоточен дашбординг в последние годы: подбор визуализаций, оформление графиков и диаграмм, чтобы все было понятно и удобно в использовании.

The end. Вероятнее всего 99% всех дашбордов, которые вы видели, решают только эти задачи. В то время как пользователь, остается наедине с цифрами и визуализациям, задаваясь вопросом “Что делать дальше?”.

Работа аналитика или бизнес-пользователя только начинается после разработки дашборда. Пользователь выполняет ряд задач для превращения цифр в решения и действия.

Это ручная работа по интерпретации данных, обсуждении с командой, поиска инсайтов и определении дальнейших действий. Зачастую эта часть процесса сопряжена с человеческим фактором, когнитивными искажениями. Легко что-то упустить или каким-то данным придать слишком большое значение.

Однако дашборд может помочь и в выполнении этих этапов.

Когда пользователь видит, что одна метрика выросла на 10%, а вторая упала на 5%, он не сразу поймет, что это значит для бизнеса. Как минимум, нужно сравнить показатель с аналогичным периодом прошлого года, чтобы проверить наличие сезонности. Это легко можно вывести в комментарии дашборда, не заставляя пользователя обращаться к другому периоду.

Еще лучше - рассчитать влияние отклонения на другие переменные, как правило, являющиеся мерилом успеха. Так, изменение многих метрик в ecommerce можно перевести в упущенную выручку, посчитав приблизительное влияние на деньги. Например, если снизилась конверсия, значит недополучили лидов/заказов и, следовательно, продаж = денег. Если вырос CAC, то при прочих равных недополучили клиентов и, следовательно, денег с их первой покупки.

Для реализации этой функции нужно хорошее понимание предметной области и взаимосвязи одних показателей с другими.

Сложно. Особенно если учесть, что не все факторы можно отслеживать и оцифровать. Например, снизился средний чек первых покупок. На это могли повлиять как содержание рекламных компаний (активно рекламировались сравнительно недорогие бренды), так и изменившиеся условия оформления заказов (например, сниженный порог для бесплатной доставки первого заказа). Разобраться сможет погруженный человек.

Но в достаточно унифицированных предметных областях, где понятно, что на что влияет, помочь может и сам дашборд. Например, при росте средней стоимости визита, выявить, в каком канале произошел скачок и указать на него пользователю. Это отдельная и непростая тема, над которой большому сообществу аналитиков и BI-разработчиков предстоит работать в дальнейшем.

Мало выявить проблему, нужно найти ее первопричину. Обычно варианты действий при обнаружении проблемы генерируются специалистом и успех зависит от его экспертности. В дашборде же можно начать с общих рекомендаций - пара примеров ниже.

Проблема: просела конверсия из добавления в корзину в оформленный заказ.

Автоматическая подсказка в дашборде: проверьте функционал оформления заказа, обратитесь к отчету о конверсиях между этапами оформления заказа.

Проблема: снизилась конверсия посадочной страницы.

Автоматическая подсказка в дашборде: проверьте лендинг, обратите внимание на корректность работы форм сбора заявок.

Как минимум, такие общие руководства не в самых широких вариациях (что проверить, куда посмотреть и кого спросить) можно включать прямо в дашборды в виде комментариев. Даже нужно. Тогда это сократит время специалистов на поиск ответа на вопрос “Что с этим дальше делать?”.

Нельзя, видя, что ситуация ухудшилась, просто брать и делать. Чтобы понять, стоит ли предпринимать активные действия, специалист обращается к своему опыту, экспертности и даже интуиции.

Гораздо эффективнее и быстрее было бы обратиться к расчетам: оценить влияние на деньги или на другие целевые переменные. Потому что усилия могут потребовать времени и денег, которые не факт, что сопоставимы с потенциальными результатами. Ну увеличите вы конверсию на 0,01%, вложив 100 000 рублей, а эффект - 30 000 рублей. И кому это было нужно?

К тому же, планы по улучшению метрик нужно ставить не с потолка и не из головы, а тоже на основе расчетов. Иначе будет непонятно, к чему стремиться, да и достижимо ли это стремление.

В некоторых BI системах (например, в Power BI) есть замечательный функционал моделирования what-if (что если), который позволяет оценивать влияние одних показателей на другие. Например, сколько привлечем клиентов, если удастся сократить CAC на 5%.

Так почему бы под самым важными визуализациями не предлагать оценить, как изменение метрики повлияет на деньги? Тогда и решительности в действиях прибавится. Причем можно зашить в алгоритм и ресурсы, которые потенциально будут затрачены на достижение изменений, чтобы более корректно оценить окупаемость. Но это уже next level.

Когда варианты действий готовы и эффекты рассчитаны, остается действовать, главное - выбрать, с чего начать. Оптимально - на основе тех самых расчетов (не зря же мы их готовили?)

Сгруппировав в одном месте все результаты влияния what-if, можно увидеть, изменение каких метрик может дать бОльший результат в деньгах. Понятно, что есть еще вопрос с управляемостью и сложностью воздействия на какие-то показатели. Но от этого можно будет оттолкнуться при расстановке приоритетов в работе.

И дальше остаётся собраться с командой, изучить рекомендации, проверить логичность рекомендаций и достижимость показателей и начать действовать. Вот тогда аналитика принесла пользу, дашборды сработали, работа начала делаться, а решения приниматься.

В целом, все пункты с 4 по 8 можно начать реализовывать и внедрять на основе существующих дашбордов. Пусть топорно, но постепенно улучшая. Что-то подобное и мы уже делали в нескольких клиентских проектах. Все скриншоты-разборы в статье оттуда.

Многие дашборды сегодня заканчивают свою "работу" после третьего пункта. И получаются наборы графиков и таблиц, которые еще нужно разбирать и переводить на язык идей, гипотез и действий.

Но потенциал дашбординга безграничен - есть, что улучшать и к чему стремиться. Если дашборды смогут решать все описанные задачи, тогда они смогут приносить больше пользы, реально экономить время людей и снижать человеческий фактор на интерпретации данных и принятии решений о действиях. Какие-то предположения могут показаться нереалистичными или крайне трудными в реализации. Но с помощью технологий и стандартизации предметных областей мы придем к понимаю, что дашборды – это больше, чем просто интерактивный набор визуализаций.