5 причин, почему ваши данные не приносят пользу бизнесу, и что с этим делать
Аналитика — это круто. Она помогает помогает держать руку на пульсе, принимать разумные решения и сокращать расходы. Правда, для многих это работает только в теории, а на практике аналитика превращается в ком непонятных таблиц. Я расскажу, почему для руководителя аналитика превращается в ком и как это исправить.
Я больше 5 лет руковожу дата-консалтингом, который строит аналитику компаниям из диджитал-сфер — эдтехам, финтехам, телекомам. Я видел десятки разных бизнесов, у которых есть проблемы с данными: они не понимают, как навести в них порядок, не могут вытащить нужные им инсайты и при этом тратят на это кучу денег и времени.
Кажется, что бизнесы все разные и проблемы должны быть разные, но на самом деле есть 5 основных причин, почему аналитика не работает. С вероятностью в 99%, если у вас есть какие-то трудности с данными, — они есть списке ниже.
Дисклеймер: обещаю, что не буду топить за то, что всем обязательно надо идти ко мне в мой консалтинг и заказывать аналитику с нуля. Это на самом деле нужно не всем и не всегда — иногда можно обойтись более простым и дешевым решением.
Работа с данными отнимает много времени
Аналитика должна экономить ваши время и силы за счет автоматизации процессов по работе с данными. Если они не настроены, то необходимость собирать информацию вручную, сводить и обновлять таблички, будет отнимать кучу сил у вас и у ваших сотрудников.
Вместо того, чтобы принимать решения и развивать бизнес, вы тратите время на то, чтобы разнести цифры по ячейкам и прописать формулы.
Как это обычно выглядит?
Когда нужно получить общую картину, собирать данные приходится из разных источников.
Возьмем для примера отдел продаж. Чтобы проанализировать, как у него дела, надо собрать вместе отчеты из amoCRM, маркетинговые отчеты из рекламных кабинетов, чтобы отследить откуда пришли лиды, и таблицы с финансовыми показателями компании, чтобы отследить выполнение планов.
Все это богатство сотрудники сами собирают, скачивают, а часть еще и вручную обновляют, пересылают по почте и в мессенджерах. Каждое перечисленное действие — это время. Даже если кажется, что на то, чтобы пробежаться по небольшой табличке и вбить новые данные в ячейки, уходит несколько минут, то сложите, сколько времени тратится на все ваши таблички.
И обязательно добавьте немного на неизбежный тупняк при пересылках — когда файл отправили, но не тот, или не туда, или не так.
Сотрудники отважно осваивают сводные таблицы или ВПР, но, само собой, в этих многократно переписываемых файлах появляются косяки — не так посчитали, не туда занесли цифру, опечатались в формуле. Разбираться, почему это произошло — еще хуже, чем заполнять все с нуля.
Получается, что аналитика-то есть и вы даже смогли посчитать, кто из ваших продажников больше всего напродавал, но времени на это ушло немеряно. И так каждый день.
И что с этим делать?
Данные должны работать на вас, а наоборот. Работать с ними вручную можно, когда их немного: мало клиентов, мало отделов, небольшие бюджеты. Но чем дальше, тем больше будет расти этот снежный ком.
Обновить одну табличку раз в неделю еще нормально, но сводить каждый день пять штук разных таблиц — это уже тяжело.
Если вы чувствуете, что ком становится великоват:
- Вводите политики и стандарты по работе с данными: где их хранить (даже если это не база, а папка на гуглодиске) и в каком формате, как их собирать, кто должен обновлять их и как часто это надо делать. Не давайте работе с таблицами превратиться в хаотичный бесконечный поток задач, в котором тонут ваши сотрудники.
- Рассмотрите сервисы, которые облегчат экспорт данных в Excel и Google — что-то вроде coefficient.io. Если интересно, могу в следующих материалах написать про такие инструменты.
- Посмотрите в сторону коробочных решений по аналитике — дальше в статье я их ругаю, но на первое время их вполне хватает.
Нужно ли на этом этапе задумываться о создании системы сквозной аналитики? Не всегда: для многих небольших компаний на этом этапе это будет лишней тратой времени и денег.
Строить аналитику пора, когда в ней точно есть необходимость, а готовых решений и сервисов уже не хватает.
Данные не помогают принимать решения, потому что к ним нет доверия
Обычно эта проблема связана с предыдущей. Данных много, они собираются силами разных людей из нескольких источников. И в какой-то момент руководитель смотрит на отчет и понимает, что там какая-то ерунда.
- Цифры не проходят проверку на здравый смысл — у них странная динамика, слишком резкий необъяснимый рост или падение.
- Данные из нескольких отчетов не сходятся. Подрядчик, который отвечает за рекламу и лидген, говорит, что привел n лидов, а во внутренних отчетах их n-10 (-100, -1000 и так далее…).
- Менеджеры отчитываются о невероятных успехах и растущих конверсиях, но прибыль не растет и их достижения остаются на бумаге.
- Люди, которые составляли отчеты, не могут внятно объяснить причины возникновения ерунды и рассказать, как они обрабатывали данные.
И так происходит несколько раз. Иногда причина в том, что кто-то намеренно подкрутил цифры, чтобы показать себя молодцом. А иногда дело в банальных ошибках из-за невнимательности или непонимания, как правильно посчитать метрики.
В любом случае это приводит к тому, что уже составленные отчеты приходится переделывать и перепроверять, копаться в данных. Ну а кто-то может решить, что это вообще все лишнее и лучше управлять бизнесом, руководствуясь интуицией и велениями сердца.
И что с этим делать?
Здесь тоже подойдет решение из предыдущего пункта:
- Вводить единые стандарты работы с данными, чтобы все метрики в компании считались одинаково. Так будет меньше ситуаций, когда маркетинг и продажи одни и те же показатели трактуют по-разному.
- Автоматизировать процессы сбора и обработки данных, чтобы снизить вероятность, что кто-то попытается в них что-нибудь исказить.
Если постоянно возникают проблемы с доверием к своим отчетам, тут точно пора задуматься о разработке системы аналитики.
Уже есть готовое «коробочное» решение, но вы постоянно упираетесь в его ограничения
Готовые коробочные решения — это что-то вроде аналитики от Ройстата. Они здорово помогают решить проблему с автоматизацией и с тем, что бизнес может не знать, что ему делать со своими данными. «Коробка» обычно стоит недорого, быстро внедряется и довольно долго закрывает почти все запросы на аналитику.
Главная проблема таких систем — их очень сложно докрутить под себя. Если вы хотите добавить новый источник или посчитать новую метрику, приходится плясать с бубном, чтобы прикрутить их к своей коробке.
А еще с «коробочными решениями» часто возникают проблемы с доверием к данным. Только в этом случае перепроверить, почему она у себя внутри что-то странное насчитала, почти невозможно. Ее же не разберешь, чтобы понять, почему она выдает такие странные цифры?
И что с этим делать?
Тут только переходить на кастомную систему аналитики. Если вы выросли из одной «коробки», то новая если и решит проблему, то только временно. Когда запросы на работу с данными становятся достаточно сложными, что готовых решений уже не хватает, это значит, что компания готова к созданию системы аналитики с полноценным хранилищем данных, автоматическим сбором и преобразованием данных, интерактивными дашбордами и отчетами.
Я понимаю, что это все может пока звучать очень абстрактно — отказаться от привычного решения ради каких-то «преобразований» и «интерактивных дашбордов». А чем это на самом деле лучше и удобнее уже готовой системы, не понятно. Об этом можно узнать подробнее на экскурсии по системе аналитики.
По сути это созвон на 1-1,5 часа, где я или мои коллеги детально показываем, как именно устроена аналитика: как мы собираем данные, как верстаем дашборды и как ими пользоваться. Это формат специально для людей, которые задумываются о создании сквозной аналитики, но пока сомневаются, что им это подойдет.
Это бесплатно. Записаться можно по этой ссылке.
Данные есть, но что с ними делать, непонятно
Любой бизнес генерирует данные: сколько денег заработали, а сколько потратили, откуда пришли лиды и сколько стоило их привести, как перформит отдел продаж и так далее. Из всех этих данных можно извлекать инсайты.
Из отчета, где видно количество лидов и число покупок с разбивкой по сейлзам и указанием, сколько каждый из них принес денег, можно получить массу информации.
- Конверсия из лида в покупателя.
- Прибыль и средний чек.
- Выполнение плана для отдела в целом и для каждого сейлза в частности.
Уже неплохо и можно делать какие-то выводы — хотя бы кого из продажников повысить, а кого уволить. Но что делать, если хочется более детальной аналитики, более сложных графиков и отчетов?
Мы в своей практике часто видим, что иногда заказчик действительно не понимает, как можно работать с данными и показать их в совершенно новом свете. Это хорошо видно, если сравнить два дашборда — что сделали по ТЗ, и то, что получилось после наших предложений. В ТЗ не было кучи фишек, о которых заказчик не подозревал, поэтому и не прописал их.
Сначала дашборд сделали полностью по ТЗ заказчика. Потом наш BI-специалист провел дополнительные интервью, чтобы разобраться, как в компании пользуются этим дашбордом и и какие проблемы у них возникают. А главное — каких результатов от него хотят добиться.
Потом дашборд перевестали и сделали его не только удобнее, но и понятнее. Обратите внимание на поле с источниками лидов справа. Сначала там были простые кнопки, чтобы отфильтровать данные. Мы добавили на них барчарты — так можно даже, не фильтруя данные, посмотреть, сколько лидов привел каждый канал.
Так специалисты по аналитике и работают: мы не учим заказчиков, как правильно считать метрики и управлять бизнесом, а помогаем найти эффективные способы работы с данными.
И что с этим делать?
В идеале — искать себе дата-команду. Эти люди наведут у вас в данных порядок и подскажут, что можно с ними сделать.
Еще вариант — провести ресерч. Искать кейсы, смотреть вебинары, читать каналы про аналитику и расширять горизонты, чтобы узнать, что можно делать со своими данными.
Понятно, что делать, но непонятно, кто этим займется
Отдать аналитику в компании специально обученным людям — это правильно, но не всегда и не всем надо нанимать аналитиков в штат.
100% в комментах скажут, что конечно, СЕО дата-консалтинга топит за аутсорс. Но я никому услуги агентства не навязываю. Я сам долго работал в найме и видел, кому своя дата-команда в штате нужна, а кому — не очень.
Обычно небольшим бизнесам, которые только-только задумываются о том, чтобы настроить аналитику, своя дата-команда на фуллтайм не нужна. И даже чуть-чуть вредна, потому что для того, чтобы ее собрать, нужны время, деньги и экспертиза.
- Время — чтобы заняться подбором, обучением и адаптацией новых сотрудников. На быстрый результат тут рассчитывать не придется, потому что на онбординг еще надо выделить минимум три месяца.
- Деньги — потому что новым сотрудникам надо платить зарплату, даже пока они только входят в курс дела и еще не начали приносить компании профит.
- Экспертиза — чтобы оценить компетенции соискателя и понять, что вообще нужно для создания отдела.
C последним пунктом обычно возникают самые большие сложности. Кажется, что чтобы сделать аналитику, нужен аналитик, да? А вот и нет, нужен дата-инжеренер, который развернет хранилище и настроит сбор данных. Если вы наймете аналитика оценивать показатели в чистом поле, где ничего еще нет, тяжко будет вам обоим.
А еще важно, что ваших свеженанятых специалистов надо чем-то занимать, чтобы они не скучали без дела. У молодой компании, которая только-только выстраивает работу с данными, может просто не быть достаточно задач для инженера и аналитика на фуллтайм. А платить зарплату им все равно придется. Это не говоря о том, что большинство толковых специалистов на такой работе просто заскучают и зачахнут.
Когда вы работаете с командой на аутсорсе, планировать нагрузку проще. Много задач — вам выделяют дополнительных специалистов, мало задач — оставляют одного-двух, чтобы мониторить ошибки и вносить мелкие доработки.
И что с этим делать?
Надо объективно оценить, насколько вы сейчас готовы вкладываться в создание своего отдела аналитики. Если у вас нет денег и ресурсов на обучение, а аналитика нужна уже сейчас, то нанимать людей будет нерационально.
Агентство на аутсорсе предлагает предсказуемый результат с прозрачными сроками и бюджетом. А еще снимает с вас кучу проблем с наймом, обучением, адаптацией и прочими эйчарскими процессами.
Так что же сделать, чтобы данные работали?
Самое главное, это поддерживать в них порядок. Совсем необязательно бросаться на поиски идеального решения из коробки, нанимать команду аналитиков или разрабатывать дорогую систему аналитики с нуля.
Хотя, конечно, последний вариант лично мне нравится больше всего.
Ориентируйтесь на свои возможности и запросы бизнеса. Ищите возможности оптимизировать процессы по работе с данными, чтобы они не превращались в снежный ком, и внедряйте способы автоматизации, когда почувствуете, что разбирать их руками становится слишком тяжело.
И напомню про экскурсии. Если после статьи вы поняли, что готовы решить свои проблемы радикально и разработать систему аналитики, записывайтесь — расскажем (я или моя коллега), покажем, ответим на все вопросы совершенно бесплатно.
Так себе советы, если честно. Если человеку надо объяснять такие элементарные, что данные "надо держать в порядке" и вводить регламенты, как с ними работать, то может ему рановато идти в бизнес?)
В бизнес может и рановато. Но заплатить им деньги, если они у него вдруг есть, в самый раз
Да, действительно, все и так знают, что все рабочие документы и таблицы надо держать в порядке. Но по мере роста компании, числа людей, процессов, хаос неизбежно возникает. Не из-за того, что кто-то не умеет управлять бизнесом, это естественный процесс. На 100% его не предотвратить, но можно с ним бороться.
Вот про как раз мой совет — просто напоминание, что в какой-то момент компаниии придется начинать прописывать жесткие регламенты и стандарты, чтобы люди не делали с данными что-то странное.
Не совсем понимаю, чем принципиально отличается ваша система аналитики от коробочной или от того, что люди сами делают вручную? Именно в плане доверия к данным. Как в “коробку” человек не заглянет, так и в вашу систему. И если с цифрами что-то не так, то как он сможет об этом узнать или как-то повлиять на это?
Внутрь кастомной системы аналитики как раз можно заглянуть и разобраться, как она собирает и преобразовывает данные. Да, понадобится помощь аналитика или дата-инженера, но если какие-то ошибки где-то закрались, их можно найти и исправить.
К тому же, при разработке инфраструктуры мы настраиваем системы алертов. Если вдруг возникнет какой-то сбой на любом этапе работы с данными (обычно что-то меняется в источнике и ломается скрипт, который тянет даныне оттуда), мы о нем узнаем.
Приходите на экскурсию — там и заглянем!
Не понимаю, какие еще “коробочные решения”? Вы про них столько пишете, но даже ни одно не назвали.
Самый известный пример — это Ройстат. Не хочется упоминать конкретные названия в статье, чтобы это не выглядело как антиреклама или попытка очернить конкурентов)