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.
Проблема на рынке
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:
- 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.
- 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.
- 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.
- 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.
Решение
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.
Как мы это сделали
- Собрали все маркетинговые данные в одном месте, для этого всего лишь пришлось написать свой сервис сквозной аналитики.
- Сегментировали потребности клиентов: продуктовая аналитика, маркетинговая аналитика, технический аудит.
- 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:
Аудит бизнес-метрик для владельца бизнеса
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:
- Трафик уменьшился? Вопрос к отделу маркетинга
- Количество заявок уменьшилось? Вопрос к отделу маркетинга
- Заявки растут, а продажи падают? Вопрос к отделу продаж.
- 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.
Аудит рекламных кампаний для маркетолога
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:
- Реклама потратила 30000 руб, 0 заявок, но до сих пор работает? Надо или разбираться что не так или выключать.
- Реклама на грани окупаемости, но заявки есть? Надо детальней ее проработать и скорее всего получиться вывести в плюс.
- 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.
Аудит технических настроек для аналитика
Еще одной проблемой сквозной аналитик является низкая техническая экспертиза:
- Нет понимания как работает коллтрекинг
- Как работает трекинг заявок и что такое client id
- Почему важна разметка
- Почему отваливаются коннекторы
- 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:
- Нет разметки трафика для сведения данных? Покажем с точностью до клика где проблемы.
- Не хватает номеров для коллтрекинга? Скажем об этом и покажем сколько надо.
- 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.
Так просто?
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.
Вывод
На мой взгляд, следующим этапом развития сквозной аналитики должно стать автоматическое принятие решений на основе данных и некоторая замена веб-аналитиков алгоритмами.
Потому-что:
- Сбор данных и разработка типовых дашбордов более-менее завершена во многих сервисах (а это самый сложный этап).
- Бизнесу нужны не дашборды, а выводы.
- Получение выводов по готовым данным процесс автоматизируемый.