Настольная книга для директоров по маркетингу. 200 советов Артем Первухин

Что такое правильная аналитика в маркетинге

О критериях хорошего анализа и идеальной аналитике

Люди не понимают, что такое аналитика. Особенно в маркетинге.

В надежде увеличить ценность работы, аналитикой называют отчеты и статистические выкладки, что обычно игнорируется заказчиком,

а впечатление об «анализе» складывается из количества страниц документа.


Дело в том, что данных, на основании которых строится анализ, всегда много, и какие-то простые группировки часто выдают за аналитику.

На самом же деле, данные отдельно от целей не представляют особой ценности.


Отчет – не анализ

Между отчетом и анализом есть принципиальная разница:


Отчет

Анализ


Предоставляет данные

Предоставляет ответы и/или

рекомендации


Предоставляет то, что запросили

Предоставляет то, что нужно


Стандартизирован

Гибкий, подстраивается под решение

проблемы


Часто может генерироваться

автоматически

Очень сложно автоматизировать


Говорит о прошлом

Говорит о будущем, учитывая

прошлое и настоящее


Анализ всегда представляет собой ответы на вопросы с понятными и измеримыми параметрами оценки,

включая шаги, необходимые для получения ответов на эти вопросы. Основа анализа – статистически значимые, актуальные и достоверные данные


Порой экспертное мнение человека пытаются выдать за данные,

на базе которых строятся выводы. Тут нужно разобрать пару моментов:


Эксперт – это признание компетенций в профессиональной среде, и если у специалиста оно есть, то это действительно может быть основой для каких-то аналитических выкладок. Но если нет – необходимо опираться на статистически значимые исследования

своей компании или компаний, которые такие исследования проводят, например, TNS, Google, «Яндекс» и другие;

Актуальность данных, особенно в маркетинге, это главное,

потому что выводы на базе устаревшей информации будут ложными.


Порядок формирования анализа

Формирование KPI → Формирование задачи на изменение KPI → Формирование и сбор данных → Выводы на основе данных → Рекомендации, что конкретно сделать, чтобы изменилось KPI → Внедрение изменений → Ретроспектива.


Формирование задачи на изменение KPI

Бизнес диктует планы по увеличению доходов, маркетинг трансформирует эти задачи в планы по заказам, заявкам, трафику и отдает их агентству или подрядчику. На этом этапе постоянно страдает корректность постановки задач из-за больших амбиций

и скромных ресурсов. Извечная проблема человечества – получить как можно больше, затратив как можно меньше. В целом, в этом нет ничего плохого, но опытный аналитик во время приемки задачи всегда оценивает насколько адекватны требования.


Например, разберем типичную задачу: «Сформировать и обосновать гипотезы для увеличения среднего чека по продажам сервисных карт для корпоративных клиентов». В такой постановке ошибка в том, что решения, которые вырабатывались аналитиком, не подходили для текущих клиентов. Не проговорив, что нас интересуют только новые клиенты, мы получили неподходящие гипотезы.


Формирование и сбор данных

Цели в Яндекс.Метрика, кол-трекинг, отчет по сделкам за период, статистика поведения потребителей – это все информация, сбор которой должен быть настроен заранее, желательно централизованно, для быстрого и удобного доступа к различным срезам данных.


Выводы и рекомендации

Имея статистически значимые выводы, мы можем генерировать рекомендации по изменениям. Задача на этом этапе: указать конкретные шаги, которые можно предпринять, чтобы использовать результаты анализа для улучшения бизнеса.


Представьте, что у вас есть две гипотезы по результатам анализа:


С вероятностью 90% действие А принесет рост продаж на 5% в год. Стоимость внедрения 10% от годового оборота.


С вероятностью 50% действие Б принесет рост продаж на 30% в год. Стоимость внедрения 5% от годового оборота.


Какое решение вы бы выбрали при прочих равных?


Ретроспектива

Аналитик отвечает за качество своего анализа, как и любой профессионал. Ретроспектива должна показать, какие гипотезы отработали, и какое отклонение от плановых показателей произошло фактически. А также почему эти отклонения возникли, и что предпринять в будущем.


Мы сознательно используем слово «отклонение», а не «падение», поскольку считаем, что значимые отходы от плана в обе стороны – это ошибка анализа и планирования. Просто при отклонении в сторону роста показателя клиент радуется, а в отрицательную – грустит, но нам грустно всегда, когда аналитик значимо отошел от плана.


Ретроспектива – прекрасный инструмент оценки своей квалификации и накопления опыта, когда понимаешь разницу между «данные говорили об ХХХ» и «по факту получилось NNN».


Разные взгляды на аналитику

Давайте разберемся, как видит аналитику заказчик.


Заказчикам важны лишь рекомендации и технические задания на изменения, именно в них они видят ключевую сложность

и определяют эти этапы как основные.


Так происходит, потому что рынок предоставления данных довольно развит – это разные виды баз данных, включая Google Analytics, CRM, облачные данные и Big Data – все это стоит относительно небольших денег, а отчеты можно снимать и агрегировать практически мгновенно и автоматически. Но некоторые ребята пытаются монетизировать и эту работу, называя аналитикой сбор данных.


Для аналитика же все этапы равнозначны по трудозатратам и сильно зависят друг от друга – выдать отдельно каждый участок за аналитику нельзя. Например, когда в отчете просто набор данных, тот, кто его формировал, перекладывает работу по выводам и рекомендациям

на читателя.


Для того чтобы прийти к рекомендациям и конкретным ТЗ на изменения чего-либо, нужно отработать на каждом участке большое количество времени.


Серия аналитических отчетов может стать новым стандартом

и ведением бизнеса. Например, если вам нужно понять ключевые причины оттока покупателей, аналитик берет текущие данные, анализирует причинно-следственные связи, и вы получаете отчет, который можно формировать системно, видя KPI бизнеса под новым углом.



Борьба с когнитивными искажениями

Кто читал Даниэля Канемана знает, насколько человек находится

в плену своих убеждений и заблуждений. Аналитику нужно регулярно раздупляться, поэтому эту работу мы даем прорабатывать в паре. Кто не читал – кратко опишем искажения, которые регулярно накрывают аналитика.


Поспешные выводы: что видишь, то и есть

Набирая шаг за шагом данные, аналитик выстраивает картину,

в которой твердо убежден в каждый момент времени, и его подмывает прекратить изучение, ведь «все уже ясно». Если вы недобрали данных и кто-то, обладая ими, поставит под сомнения ваши выводы – вы будете доказывать обратное, потому что для правильных выводов нет полной картины данных.


Прайминг

Воздействия личных воспоминаний или ассоциаций на анализ. В нашем случае, когда вопрос изначально формулируется с оценкой. Например, в брифинге клиент убежден в росте рынка, и задача ставится на основе того, что этот рост продлится сам по себе. Клиент продает эту идею аналитику, и он, находясь под влиянием, начинает искать зацепки, почему рынок будет расти, хотя никакой базы для этого нет.


Ключевая компетенция аналитика – уметь смотреть назадачиподразнымуглом,изабыватьпросвоемнение

Вспомните, как мы ищем информацию, когда уверены, что болезнь можно победить народными средствами: мы пишем «куда приложить подорожник, чтобы прошла гангрена». То есть изначальное убеждение ложное, и на его базе строятся неверные выводы, что вопрос лишь

в том, куда прикладывать.


Критерии хорошего анализа

Основная проблема аналитика – отсутствие полного объема данных.

В таких условиях ему необходимо обладать творческим подходом

и определить, как использовать текущие данные для решения задачи.


Отличительная черта хорошего аналитика – генерация нескольких путей решения одной и той же задачи, в условиях ограниченных данных.


Актуальность

Хороший анализ руководствуется бизнес-потребностью. Он

не производится, потому что это интересно или весело. В случае

с большим объемом данных легко втянуться в их разбор с непонятной целью. Конкретная бизнес-задача – прекрасный старт для аналитика.


Дальше задача трансформируется в подзадачи, например, бизнес- задача в маркетинговую, а затем в коммуникационную. Нет смысла анализировать насколько различные сегменты рынка чувствительны к цене продукта, если его доля составляет всего 2% от оборота.


Статистическая значимость

Аналитику нужно видеть, когда отклонение в показателях достаточно значимо, чтобы бить тревогу и срочно что-то править. Как определить эту значимость? Если параметр дает отклонение больше, чем в 10% – мы считаем его математически значимым.


Отдельно отметим исследования групп. Чаще всего, аналитику важно, что думает, делает и ожидает большинство выборки, а не вся аудитория. Всем угодить невозможно, и перфекционизм будет лишь увеличивать бюджет и срок анализа. Помните, чем больше

размер выборки, тем меньше погрешность и выше вероятность того, что «правильный» ответ очень близок к тому, который был найден на основе исследования группы.


Объяснимость

Вас должны понимать люди, которые не обязаны знать технических деталей. Аналитику нужно уметь представлять и позиционировать свои результаты спонсорам проекта, далеким от технических вопросов.


Отчеты, которые нужно «переводить» с языка аналитика на русский – плохие отчеты.