Блог
Согласно исследованию eMarketer, более 40% брендов планируют увеличить расходы на data-driven маркетинг, где решения принимаются на основе исследований и экспериментов. Data-driven маркетинг — часть методологии Data-Driven Decisions Making (DDDM), суть которой — любые решения нужно принимать рационально и на основе данных. Из исследования Forrester: 74% компаний хотят быть data-driven.
DDDM набирает популярность — благодаря развитию технологий, доступ к данным стал дешевле, современные вычислительные мощности открыли доступ к real-time обработке, а венчурные капиталисты инвестируют в простые и понятные инструменты с удобной визуальной средой. Согласно исследованию Gartner, рынок business intelligence вырастет с 18.3 до 22.8 миллиардов долларов с 2017 по 2020 год. Как итог: если раньше работа с данными была скорее привилегией инженеров, сегодня это часть бизнесовой поп-культуры.
Но это лирика. Главная причина озвучена в отчёте McKinsey: data-driven компании в 23 раза лучше привлекают клиентов, в 6 раз лучше их удерживают, и вообще — имеют в 19 раз больше прибыли на каждый потраченный доллар.
Несмотря на это, как верно заметили эксперты KPMG в отчете о трансформации бизнеса на основе данных, до полноценной системы принятия осведомленных решений нам еще далеко. И пусть это было сказано в начале 2017 года, для сегодняшнего российского рынка это более чем справедливо. Из вышеупомянутого исследования Forrester: только 29% компаний, которые решили стать data-driven, смогли внедрить подход внутри до конца.
Узкое место: прежде, чем переводить бизнес на DDDM, необходимо подготовиться, как самостоятельно, так и командно.
Что может пойти не так
Стоу Бойд, известный футурист, пишет в своём эссе How to Untell the Lie at the Heart of Business:
«Под бизнесом пролегает огромное количество лжи — той, которая заставляет нас верить, что мы принимаем решения рационально, подтверждая решения доказательствами и аккуратным взвешиванием альтернатив. Тем временем, наука говорит обратное — мы не принимаем решения рационально. Мы имитируем рациональное принятие решений».
Стоу ссылается на труды Ричарда Талера, обладателя Нобелевской премии по экономике.
Действительно, наше мышление не идеально. То тут, то там возникают когнитивные ошибки, которые так и норовят вытолкнуть «полезное и неприятное», и впитать «бесполезное, но весёлое». Отсюда рождаются странные бизнес-решения: рисовать логотип и подбирать цветовую гамму гораздо веселее, чем обзванивать поставщиков.
Но мы можем приблизиться к модели, где хотя бы большая часть решений будет базироваться на данных. Давайте рассмотрим три самые частые ошибки при работе с данными: выводы на основе недостаточного количества показателей, выводы на основе недостаточного объема данных у этих показателей и ложно-положительные выводы.
Мало показателей
Предположим, компания тестирует новый формат публикаций в соцсетях и сделала смешное видео о работе команды. Публикация бьет все рекорды, лайков и репостов в пять раз больше, чем у других форматов. Принято решение – снимаем еще десять видео.
Десять видео спустя продажи не увеличились. Маркетолог заподозрил неладное. Оказывается, людям нравятся видео в отрыве от продукта, а именно — хорошее чувство юмора копирайтера.
Что произошло: маркетолог знает, что активность в соцсетях помогает продавать — лайки и репосты как прокси-метрики коррелируют с количеством продаж из соцсетей, а также увеличивают brand lift и social signals. Но маркетолог не учёл, что такая механика работает, только если лайки и репосты идут от целевого сегмента. Лишняя тысяча домохозяек, лайкнувшая смешное видео о проблемах работы в офисе от модного SaaS-решения, вряд ли добавит в revenue-копилку свои рубли.
Вывод: чтобы принимать решения на данных, убедитесь, что вы оцифровали все значимые данные.
Ложно–положительный результат
Когда компания проверяет какой-либо вывод, есть высокий риск получить «ложно-положительный результат». Это происходит из-за психологических особенностей людей — мы стремимся создать самые благоприятные условия для положительного результата, и самые плохие для негативного. Причём, это может происходить неосознанно.
В 1988 году Джон Мэддокс, редактор журнала Nature, попросил известного иллюзиониста Рэнди Джеймса присоединиться к наблюдению за экспериментом о проверке эффекта гомеопатических средств. Ранее команда Жака Бенвенитэ, популярного гомеопата, провела эксперимент так, что пробирки с гомеопатией давали положительную реакцию. Повторный эксперимент под наблюдение Рэнди расставил всё на свои места — положительные результаты повторить не удалось. Единственное, что он сделал — попросил о слепом тестировании, когда ни лаборанты, ни сам иллюзионист, не знали, в какой пробирке гомеопатия, а в какой — вода в качестве контрольной группы.
То же самое происходит в бизнесе — команда очень хочет, чтобы их предположение о новой нише подтвердилось, поэтому аргументы «за» раздуваются, а аргументы «против» исключаются.
Вывод #1: старайтесь работать вслепую — когда предлагаете обсудить решение, переведите исходные данные в абстрактный язык логики. Например, предыдущий пример о видео в соцсетях звучал бы так: компания X выпустила на своей странице в социальной сети публикацию, которая получила Y результатов A и B. Нормальный результат A и B — 1/2Y. Стоит ли компании масштабировать публикацию?
Вывод #2: делитесь выводами и советуйтесь с людьми, которые не являются бенефициарами вашей компании. Люди со стороны обычно мыслят более трезво.
Вывод #3: начинайте рассуждение на базе цифр с тезиса «Это ошибка, потому что…». Старайтесь доказать негативный результат.
Грязная выборка
Классическая ошибка малого размера выборки давно набила оскомину тем, кто читал хоть что-нибудь про A/B-эксперименты. Вкратце, напомним — если компания тестирует новую посадочную страницу, то ей нужно рассчитать размер выборки: сколько посетителей нужно на старую и на новую версию исходя из разницы в показателях.
В этом материале мы рассмотрим проблему грязной или неполной выборки при принятии решений в двух других бизнес-процессах: во время customer development и во время исследования рынка.
С customer development всё выглядит так: компания проводит серию интервью с клиентами, чтобы узнать об их проблематике и особенностях. Проведено 10 встреч, из которых взята информация: людей волнует проблематика XYZ. Компания удовлетворена результатами, и решает переделать посадочную страницу и все промо-материалы под XYZ. Результат — снижение конверсии и финансовых показателей.
Вывод: компания не учла, что клиенты представляют собой очень ограниченную часть рынка — остальные отличаются и имеют совершенно другие потребности. Чтобы избежать такого сценария, стоило бы провести короткий эксперимент — сравнить старую посадочную страницу с новой на достаточном объёме трафика, либо увеличить размер выборки для интервью и следовать методологии, которой пользуются в статистике.
Исследования рынков же часто проводятся через анализ поисковой выдачи. Аналитик смотрит на количество запросов «золотое кольцо» и не понимает, что в количество входят также запросы «золотое кольцо путешествовать», «золотое кольцо фильм скачать», «золотое кольцо ремонт». По грязному запросу делается вывод о спросе на золотые ювелирные изделия.
Другой пример: использование соцдем данных внутри инструментов аналитики. Иногда маркетологи используют Facebook Audience Insights, чтобы получить атрибуты целевого сегмента. Как итог — усреднённые данные о поведении аудитории, не разбитые по локалям и сегментам, становятся основой маркетинговой стратегии. В итоге, в охват рекламной кампании попадёт много людей, не относящихся к целевой аудитории.
Вывод: старайтесь очистить данные, сделав размер выборки достаточно большим, чтобы принять решение, но при этом сузить его до минимально допустимого значения по сегменту.
Как начать работать с данными
Работа с данными начинается с команды. Например, Бернард Марр, публицист и автор книг о работе с данными, рекомендует выгнать гиппопотама из комнаты. Вернее, take HiPPO out of the room. HiPPO — highest paid person’s opinion, или по-русски — мнение человека с самой высокой зарплатой. Авторитет, выраженный в более высокой должности или зарплате, невольно заставляет сознание окружающих деформироваться. Лучший способ это сделать — внедрить практику proof or die (докажи или умри). Согласно практике PoD, каждый важный тезис должен быть подтверждён ссылкой. Даже если это очевидный факт. Даже сказанный в курилке.
Эрик Ларсон, основатель сервиса для командного принятия решений Cloverpop, советует завести ‘Decision Log’ — документ, где будет фиксироваться, кто принял решение, на чём решение основано, и мнение об этом решении остальных участников команды. Это снизит количество необдуманных решений — такой документ заставит команду перепроверять свои предложения многократно.
Про найм и развитие навыков работы с данными внутри команды говорит Марио Трескон, Старший Директор по Business Intelligence и Data Science в YMCA: «Компаниям стоит взять столько времени, сколько потребуется, чтобы удостовериться, что они нанимают правильных людей. Здорово иметь тренированных аналитиков-профессионалов в качестве ядра, но я бы рекомендовал строить команду с теми, у кого есть бизнесовый опыт — это поможет превратить анализ в действия. Также добавлю, что образование и опыт в сфере социальных наук поможет соединить человеческие и поведенческие факторы с данными».
Сам процесс сбора и обработки данных начинается с аудита бизнеса и определения главных показателей роста бизнеса. Обычный минимальный набор для сбора данных: данные о клиентах, данные о рынке, данные о бизнесе и данные о продукте.
Данные о клиентах — результат профилирования, сочетаемый с атрибуцией. Чем больше данных о клиентах мы знаем, тем точнее предложение и оптимальнее канал, а значит ниже издержки на привлечение.
Данные о рынке — результат анализа спроса и конкурентной среды. Конкуренты дадут бенчмарки — эталонные цифры, которые помогут понять, где есть пространство для роста, а где результаты и так выше рыночных. Анализ спроса помогает составить представление о том, какие ниши в вашем рынке существуют, и насколько там высока конкуренция.
Данные о продукте — результат анализа воронки, включая повторные транзакции и приглашения других пользователей. Поиск и расшитие узких мест — один из ключевых факторов роста.
Данные о бизнесе — финансовый и процессуальный анализ организации. Главный фактор роста в этих данных — повышение возврата инвестиций. Добиться можно путём снижения издержек, как финансовых, так и временных, а также с помощью перераспределения ресурсов внутри организации.
Идеальный сценарий — разработка data warehouse, куда стекаются все данные из разных источников. Сопоставление в одном интерфейсе данных из разных областей помогает ускориться.
Вообще, выбор инструментов работы с данными — отдельная тема. Мы рекомендуем придерживаться простых правил:
- Защита «от дурака» — стоимость ошибки при работе с данными может быть очень велика, поэтому постарайтесь использовать инструменты, которые помогут команде снизить вероятность человеческой ошибки. Например, здорово, если при запуске A/B-тестирования в рассылках, отправщик писем сам посчитает размер выборки и предоставит вывод об успехе того или иного варианта.
- Сквозные дашборды — гораздо проще оценить эффективность решения, если не обращаться каждый раз к аналитикам за помощью. Чем больше визуальных и персональных дашбордов есть в компании, тем быстрее принимаются решения. Также дашборды помогают внедрить культуру работы с данными — людям нравится смотреть на графики и цифры.
- Доступный клиентский сервис — это кажется ерундой, но на самом деле у вас будет много вопросов. Очень много. На них помогает отвечать комьюнити, документация и прочие вспомогательные ресурсы, но если у вас есть доступ к локальной поддержке — это очень сильный бонус.
В сухом остатке
Переход на data-driven может занять значительное время и потребовать ресурсов. Однако, первые результаты видны уже на старте. Самое интересное начинает происходить, когда члены data-driven команды настолько привыкают к принятию решений на основе данных, что начинают переносить и на данные повседневные решения. К чему это приведёт — узнаем уже совсем скоро.
