Как же действовать и с чего начать?
Глава 2Как верно соотнести данные с целями бизнеса
Рис. 1. Анализируем цифры – принимаем решение!
С управленческой точки зрения можно выделить две основные цели бизнеса: увеличение прибыли и масштабирование, то есть развитие компании. Дальше крупные цели можно разбивать на мелкие и ставить задачи для их достижения. И для всех потребуется собирать и анализировать данные. Судите сами:
• Чтобы увеличить прибыль, вы должны хорошо знать рынок и ваше место в нем, а также понимать клиента: кому и зачем нужен ваш продукт? Учитывая основные метрики, вам придется разобраться: какие сегменты клиентов уже охвачены вами? какие из них наиболее прибыльные?
• Принимать обоснованные бизнес-решения о создании новых продуктов можно, только исследовав новую область: сколько в ней конкурентов? а платежеспособных клиентов? как часто у них появляется запрос на ваш предполагаемый продукт?
• Оптимизировать рабочий процесс и использовать оборудование без простоев нельзя, не разобравшись в текущих показателях: сколько сейчас тратится времени на каждый этап производства? как быстро доставляется готовая продукция? насколько доволен клиент?
• Грамотно управлять маркетинговым бюджетом и эффективно тратить средства на рекламу невозможно без изучения результатов работы: сколько всего вы потратили денег? сколько клиентов пришли к вам с каждого канала сбыта? какое маркетинговое решение сработало лучше всего?
Для этого нужно твердо понимать, какой цели служат данные, о чем они говорят и как могут повлиять на развитие бизнеса.
Именно поэтому стратегия управления ими должна быть максимально согласована с целями и даже с миссией компании.
Вот как выстраивается эта связь:
1. Понимание миссии компании. Миссия прописывается в виде тезисов: чем занимается компания, для кого и зачем она это делает.
2. Определение приоритетных целей. Миссия помогает определить актуальные на данный момент цели бизнеса: увеличить прибыль или выйти на новый рынок? расширить производство или оптимизировать логистику? увеличить базу клиентов или повысить узнаваемость бренда? В зависимости от целей результаты анализа будут отличаться.
3. Создание системы метрик. Метрики – это числовые показатели, которые дают вам информацию: о продукте, об эффективности работы компании, подразделения или отдельных маркетинговых акций и т. д. Нам важно выбрать ключевые метрики, анализ которых покажет, приближаемся ли мы к выбранным целям.
4. Выбор источников данных. Данные поступают из разных источников – нужно отобрать те, которые содержат полезную для принятия решения нагрузку. То есть те, которые напрямую влияют на нашу систему метрик.
5. Сбор, сортировка и очистка данных. Как правило, нужно обрабатывать огромные массивы данных и приводить их к общему виду, потому что в разных источниках формат работы с данными отличается. Если не привести все к одному формату и не удалить дубликаты, аналитика потеряет смысл. Любая неточность, любое несовпадение – вплоть до единиц измерения и количества столбцов в таблицах – может исказить результаты, так что не стоит недооценивать этот этап.
6. Анализ данных. Когда информация собрана и очищена, ее можно анализировать: находить закономерности, строить гипотезы и составлять отчеты.
7. Выводы на основе анализа. Здесь определяют слабые места или точки роста. К примеру, организация провела маркетинговую акцию. Результат успешный или нет? Как акция повлияла на бизнес? Стоит ли изменить что-то в рекламе, ценообразовании? Именно анализ подсказывает ответы на эти и другие вопросы.
8. Улучшение продукта. Предыдущие этапы – фундамент для конкретных действий. На основе полученной информации компания разрабатывает план по изменению продукта, чтобы сделать его еще лучше.
Здесь можно привести пример из практики моей компании. Один из наших заказчиков, образовательный стартап, выбрал миссию – помочь студентам из Юго-Восточной Азии обучиться востребованным профессиям в ИТ. А для этого надо было, чтобы студенты узнали о проекте, познакомились с его услугами и смогли записаться на курс.
Компания поставила несколько целей, которые должны были помочь в выполнении миссии. Среди них – создание эффективного отдела продаж, где менеджеры оперативно отвечали бы на заявки студентов.
Выбрали метрики, которые надо было отслеживать, – скорость ответа на заявку и конверсия из лида в покупку. Затем определили источник данных – CRM, где отображалось, откуда пришел человек, кто ему ответил и как быстро.
Наша команда настроила сбор и обработку данных, а также сверстала дашборд. На нем отображалась шкала со скоростью ответа, можно было настроить фильтры по источникам лидов или по отдельным продажникам.
Дашборд (рис. 2) помог заказчику проанализировать работу отдела и выяснить, что конверсия в покупку выше всего, когда менеджер отвечает на заявку клиента в течение 15 минут – не дольше. С этими данными на руках заказчик разработал новые KPI для отдела продаж, чтобы повысить эффективность работы. Теперь он также мог контролировать нагрузку на сотрудников: если скорость разбора заявок по всему отделу начинала падать, это говорило о том, что продажники не справляются с объемами. А если у всех получается и только отдельные менеджеры затягивают с ответами, то это повод присмотреться конкретно к ним.
Есть и другой пример, уже из международной практики, – Netflix. История этой компании показывает, как качественный анализ данных верно соотносится с миссией компании и помогает реализовать обе цели в бизнесе.
Это самый популярный стриминговый сервис в мире – в 2024 году число подписчиков перевалило за 280 млн. Руководство Netflix принимало много спорных решений вроде изменения тарифов или запрета на использование одного аккаунта несколькими пользователями. Но, несмотря на возмущения общественности и угрозы уйти к конкурентам, число подписчиков продолжало расти.
Новых зрителей привлекала большая библиотека контента, состоящая как из оригинальных фильмов и сериалов собственного производства, так и из купленных по лицензии. Однако часто пользователи были недовольны тем, что Netflix внезапно прекращал съемки новых сериалов: многие рассчитывали посмотреть продолжение любимой истории. На первый взгляд это кажется нелогичным – зачем тратить столько денег на сериал, чтобы закрыть его после первого же сезона, не дав ему толком развернуться? Но Netflix опирался на данные. Сервис оценивал рейтинг досматривания, то есть количество человек, посмотревших фильм или сериал в первые 4 недели после релиза, а также затраты на производство и прирост числа подписчиков. Все эти данные в совокупности показывают, стоит ли продукт затраченных денег.
И сейчас, даже после резких отмен новинок или отказа продлевать лицензии на популярные сериалы и фильмы чужого производства, у Netflix остается огромный каталог, ориентироваться в котором помогает алгоритм рекомендаций – один из лучших во всей стриминговой индустрии.
Netflix собирает огромные массивы данных о пользователях и их предпочтениях. Его алгоритмы анализируют историю просмотров – названия фильмов, жанры, продолжительность сеансов; время суток, когда человек зашел на сайт, и даже девайс, с которого он это сделал. Затем они сравнивают людей, которые смотрят одни и те же фильмы и одинаково их оценивают. Рекомендации формируются по принципу: «У двух человек похожие вкусы, так что предложим первому то, что он еще не смотрел, но что хорошо оценил второй».
Это тоже может показаться странным: получается, Netflix строит рекомендации для пользователя на основе чужих интересов. Но когда речь идет о действительно больших данных и базе из миллионов пользователей, алгоритм учится предсказывать их предпочтения довольно точно. Без работы с данными такой результат был бы просто невозможен.
Рис. 2. Дашборд образовательного стартапа
Конечно, никакая компания не получает идеально работающую аналитику в один момент – это долгий путь, поэтапное развитие. Причем неравномерное.
В идеальном мире для перехода к data-driven мы бы последовательно прошлись по пунктам, о которых говорили выше: через понимание миссии определили цели и спроектировали систему метрик, собрали требования к отчетности и формату работы с данными, а затем построили систему под эти требования. Но в реальности у большинства компаний нет точного понимания, как должна выглядеть аналитика, какую информацию они хотят видеть. А делать выводы на основе цифр хочется уже сейчас.
Поэтому в начале пути важно научиться грамотно и удобно работать со всеми доступными данными. Они уже у вас как-то накапливаются, например в CRM-системе, – можно начать собирать их в хранилище для построения отчетности, делать первые выводы, смотреть, чего не хватает. Постепенно бизнес будет развиваться, и вместе с этим появится понимание, какие данные и метрики вам нужны.
Кристофер Пенн, автор блога «Пробуди в себе супергероя»[1], описал 5 этапов, которые проходит компания на пути к полноценному управлению на основе данных.
1 этап. Data-resistant (ограниченное использование данных). Здесь компания пока не рассматривает данные как стратегический актив. Информация используется только для стандартной отчетности: финансовой, регуляторной и т. д. Организация сосредоточена на том, чтобы создать и вывести продукт на рынок, а не на аналитике. Для вас первый этап уже точно позади, иначе вы бы не читали эту книгу.
2 этап. Data-curious (заинтересованность данными). В компании начинают создавать первые таблицы с информацией и собирать сведения: например, выгружать показатели из рекламных кабинетов, чтобы оценить успешность маркетинговой кампании.
3 этап. Data-aware (осведомленность о данных)