Кейс. Роботизированная (no-people) сквозная аналитика

Всем привет! Я Лаптев Алексей, основатель и главный разработчик сервиса сквозной аналитики и коллтрекинга Utmstat. Сегодня расскажу про следующий виток развития аналитики — ее роботизация.

Сейчас бум аналитики, хоть он и идет уже на спад.

Основная проблема во всей этой аналитике в том, что с одной стороны идет постоянное усложнение процесса — вводится десятки метрик, рисуются персональные дашброды, а с другой — этими дашбордами многие в итоге не пользуются или не получают ожидаемого роста бизнеса.

Причин тут несколько:

1. Праздный интерес. Когда нет понимания в чем ценность аналитики, но ее подключают чтобы как у всех. Обычно это владельцы бизнеса далекие от диджитала, но таких мало.
2. Сложно. Дашборд сквозной аналитики все больше похож на панель управления боингом. К сожалению без этого никак, действительно много нюансов если начать разбираться, но далеко не все готовы это сделать — только единицы продвинутых аналитиков.
3. Нет мотивации. На мой взгляд, отсутствие мотивации вытекает из предыдущего пункта — когда сложно и не понимаешь что делать со всеми цифрами и на какие KPI равняться.
4. Не так уж и нужно. Для бизнеса аналитика это важная, но обычно это одна из сотни рутиных задач и глубоко погружаться в то, что не даст быстрых продаж — некогда или нет ресурсов.

Именно по этим основным причинам захлебывается внедрение сквозной аналитики на базе любого сервиса.

С точки зрения владельца бизнеса, от аналитики нужны инсайты или хотя бы список задач, что нужно сделать для роста бизнеса, а не красивые дашборды и постоянная техническая возня с данными.

Поэтому решение простое — давать конечные инсайты, а не дашборды.

И желательно в понятной форме и в одном окне.

Примерно вот так.

1. Собрали все маркетинговые данные в одном месте, для этого всего лишь пришлось написать свой сервис сквозной аналитики.
2. Сегментировали потребности клиентов: продуктовая аналитика, маркетинговая аналитика, технический аудит.
3. По каждому сегменту составили дерево типовых задач/решений и завернули все в сложный алгоритм, который с точки зрения маркетинга можно назвать ИИ!

А теперь примеры:

Типовой дашборд — динамика трафика, заявок, продаж, но что дальше?

Дальше уже обычно надо думать какая логика в этих цифрах, но мы отдали данный процесс нашему алгоритму и теперь клиент сразу получает готовые выводы:

Пример советов:

1. Трафик уменьшился? Вопрос к отделу маркетинга
2. Количество заявок уменьшилось? Вопрос к отделу маркетинга
3. Заявки растут, а продажи падают? Вопрос к отделу продаж.
4. Все растет? Текущая стратегия работает — можно ее масштабировать.

В итоге с владелец бизнеса получает не ворох цифр, а конкретные выводы в каком направлении двигаться для роста выручки.

Типовая проблема

Кампания крутиться в явный минус месяцами, а маркетолог ничего не делает. Ну потому что расходы для бизнеса не заметны, хоть и значительны в рамках РК + зарплата платиться, зачем себя перетруждать?

Решение

Берем все кампании с расходами и автоматически смотрим сколько там трафика, расходов и выручки. Пишем текстом что конкретно делать с кампанией и какие там проблемы.

Пример советов:

1. Реклама потратила 30000 руб, 0 заявок, но до сих пор работает? Надо или разбираться что не так или выключать.
2. Реклама на грани окупаемости, но заявки есть? Надо детальней ее проработать и скорее всего получиться вывести в плюс.
3. Реклама явно в плюсе? Надо добавить бюджета.

При таком подходе даже владельцу бизнеса будет легко понять с каким успехом тратиться его рекламный бюджет, а для подрядчиков по маркетингу вводиться единый стандарт качества.

Подрядчик теперь должен укладываться в KPI заданный сервисом, а не на свое усмотрение. Так снимается зависимость от неравномерной экспертизы и человеческого фактора.

Еще одной проблемой сквозной аналитик является низкая техническая экспертиза:

1. Нет понимания как работает коллтрекинг
2. Как работает трекинг заявок и что такое client id
3. Почему важна разметка
4. Почему отваливаются коннекторы
5. Почему важно сначала набрать данные, а потом анализировать

Таких нюансов около 100 и сходу, без четкого чек-листа очень сложно построить сквозную аналитику, особенно новичкам и тем кто вошел в айти недавно.

Решение?

Зашить все проверки в алгоритм и давать конкретный список технических проблем, вместо необходимости думать и искать их самостоятельно.

Примерно вот так:

Пример советов:

1. Нет разметки трафика для сведения данных? Покажем с точностью до клика где проблемы.
2. Не хватает номеров для коллтрекинга? Скажем об этом и покажем сколько надо.
3. Только 20% заявок имеют рекламный источник, но аналитик что-то анализирует? Будем постоянно напоминать о проблеме пока она не решиться.

Такой подход сводит всю техническую настройку с неизвестным количеством проблем к одной простой задаче — сделать чтобы замечаний стало 0.

Согласитесь, что такая постановка задачи сильно проще, чем сплести клубок коннекторов самостоятельно.

Да, сам процесс аналитики и поиска инсайтов на основе готовых данных — это довольно простое дерево решений, которое легко завернуть в алгоритм.

Основная сложность в подготовке данных для этого алгоритма.

Процесс настолько сложный, что приходиться писать свои сервисы, потому что вытащить данные из метрики/аналитикса и что-то показать в PowerBI недостаточно.

Но эта задача решена!

Готовый набор данных + автоматический аудит = высокая вероятность быстро и дешево подключить в бизнесу аналитику.

На мой взгляд, следующим этапом развития сквозной аналитики должно стать автоматическое принятие решений на основе данных и некоторая замена веб-аналитиков алгоритмами.

Потому-что:

1. Сбор данных и разработка типовых дашбордов более-менее завершена во многих сервисах (а это самый сложный этап).
2. Бизнесу нужны не дашборды, а выводы.
3. Получение выводов по готовым данным процесс автоматизируемый.