Вы знаете, что такое «действенная аналитика» (от англ. — actionable analytics)? Сегодня этот термин становится все более популярным в деловом мире, особенно в SaaS-отрасли, однако его изначальный смысл постепенно теряется. Внезапно любой тип данных сегодня относят к действенной аналитике, даже если это не соответствует истине. И хотя значения используемых в быту слов могут меняться со временем, и это нормально, с техническими терминами подобного происходить не должно.
Информация — (Ретроспективный взгляд — Понимание — Прогноз) — Оптимизация —> Практически полезные, действенные данные
Так что же правильно понимать под «действенной аналитикой»? Что значит более точное определение этой фразы для вашего бизнеса?
Попробуем разобраться.
Содержание статьи
Что такое действенная аналитика?
Описательная аналитика
Диагностическая аналитика
Прогнозная аналитика
Предписывающая аналитика
Путь к более действенным данным
3 компонента, нужные для того, чтобы сделать данные более действенными
Отслеживание данных (data tracking)
Запрос данных (data querying)
Применение алгоритмов для поиска инсайтов (Data Algorithms)
Что такое действенная аналитика?
Действенная аналитика — это процесс, лежащий в основе перехода от чисто информационного анализа поведения клиентов к практическому через ряд этапов, итогом которых будет так называемое упреждающее управление, то есть не просто предвидение того, что произойдет, но и понимание того, как сегодня можно повлиять на то, что случится завтра.
Визуализация действенной аналитики может облегчить понимание сути этого процесса:
График эволюции анализа данных. Ось X — сложность анализа, ось Y — ценность выводов:
- описательная аналитика (Descriptive) предлагает ретроспективный взгляд на события и отвечает на вопрос, что произошло;
- в ходе диагностического анализа (Diagnostic) происходит поиск причин произошедших событий;
- в процессе предиктивного анализа (Predictive) происходит формирование прогнозов на будущее (что произойдет?);
- предписывающий анализ (Prescriptive) помогает сформулировать рекомендации, которые могут повлиять на наступление желаемых событий, и делает данные действенными
Итак, действенной аналитике (Actionable) предшествует четыре этапа анализа данных: описательный, диагностический, предиктивный и предписывающий. По мере их прохождения, собранная бизнесом информация может использоваться для все более широкого круга задач — от ретроспективного взгляда (что было в прошлом) к предвидению (что будет в будущем). В процессе оптимизации данных, за счет чего они становятся более полезными, их анализ становится все более действенным, а получаемые в результате инсайты — пригодными для практического применения.
Рассмотрим эволюцию анализа данных более подробно.
Описательная аналитика
Описательная аналитика носит чисто информационный характер, и именно такого рода анализ предлагает большинство современных поставщиков аналитических услуг (analytics providers). Он помогает понять, что произошло, изучить события, которые уже случились, и ничего больше.
Одним из примеров такого аналитического сервиса является всем известный Google Analytics:
В целом описательная аналитика предполагает простой сбор данных, даже если эти данные сложны и их сложно отслеживать. Алгоритмы машинного обучения, которые участвуют в интеллектуальном анализе данных, помогут сэкономить вам много времени и ресурсов, но в результате вам сообщат только о том, что произошло, но не почему это произошло.
На этом этапе данные могут рассматриваться в качестве действенных только при условии их интерпретации аналитиком и формировании на основе результатов анализа конкретных рекомендаций. Это, конечно, не означает, что некоторые данные не могут быть настолько очевидными, что вы тут же можете применить их на практике.
Например, чтобы уловить связь между нулевым трафиком и ошибкой 404 на главной странице сайта, долгих размышлений не потребуется. Но более глубокое понимание того, какие шаги должен предпринять бизнес далее, на этом этапе пока еще недостижимо.
Диагностическая аналитика
Следующим этапом анализа данных является диагностическая аналитика, предоставляющая информацию о том, почему произошло то или иное событие. На этом шаге большинство инструментов анализа поведения клиентов оказываются бесполезными, так как не в состоянии выявить реальные причины, лежащие в основе выявленных тенденций и закономерностей. Как правило, на этом этапе штатному специалисту по обработке данных придется проанализировать собранные данные задним числом и провести собственную диагностику.
Более новые платформы на рынке — такие, как InnerTrends, например — используют алгоритмы машинного обучения для обнаружения возможностей роста, которые содержат в себе необработанные данные:
Подобный инструмент диагностической аналитики может интерпретировать данные воронки продаж и автоматически определить, что на этапе 2, к примеру, имеется наибольший потенциал роста.
Другими словами, теперь не вы сообщаете аналитическому программному обеспечению, каковы ваши ключевые показатели эффективности, чтобы оно могло разместить их на панели для мониторинга, а само ПО определяет целевые KPI для вашей компании и находит возможности роста, которые вы бы не нашли сами.
Этот тип автоматизированной диагностической аналитики может быть невероятно полезен для предприятий, у которых не хватает ресурсов, чтобы держать в штате специалиста по обработке данных, и нет времени для самостоятельного анализа тысяч единиц информации.
Прогнозная аналитика
Прогнозная аналитика выходит за рамки описательной и диагностической и ставит целью понять, что произойдет в дальнейшем. На этом этапе анализа можно обрести понимание того, что может произойти, если определенные действия будут предприняты компанией сегодня.
Недавний и весьма красноречивый пример использования предиктивной аналитики — это прогнозирование распространения COVID-19 по стране и за рубежом. Исследователи и дата-сайентисты работали над созданием моделей прогнозирования распространения вируса на основе таких данных, как уровни инфицирования, плотность населения, уровни вакцинации и т.д., чтобы способствовать принятию более эффективных решений медицинскими службами и органами власти в этих областях.
Бизнес может воспользоваться предиктивной аналитикой, чтобы изучить возможные сценарии развития событий от изменения параметров принимаемых решений. Каким будет коэффициент конверсии при онбординге пользователей, если в первую неделю будет отправлено больше писем? Что, если бы продолжительность ознакомительного видео была вдвое короче? Что, если начальный этап адаптации будет продлен еще на неделю? Предиктивные модели помогут вам предвидеть, каков будет результат от того или иного действия в настоящем: так вы сможете подобрать наиболее эффективную комбинацию решений и используемых средств.
Предписывающая аналитика
На четвертом этапе анализ данных представляет собой сведение воедино результатов анализа на всех предыдущих этапах: фиксирование произошедших событий (описательная аналитика), поиск причин их возникновения (диагностическая аналитика), составление прогноза на будущее (предиктивная аналитика). Предписывающая аналитика, в свою очередь, дает представление о том, что бизнес может сделать сегодня, чтобы добиться желаемых результатов завтра.
Хорошим примером применения такого рода аналитики на практике — то, как интернет-гигант Amazon заставляет пользователей покупать определенные товары. Обратите внимание: не просто рекомендует, а заставляет.
Анализируя миллионы единиц информации, описывающих модель поведения сотен тысяч пользователей, интернет-магазин хорошо осведомлен о том, что вы, к примеру, переезжаете в новую квартиру и, вероятнее всего, будете заинтересованы в покупке новой книжной полки.
Зная это и принимая в расчет поведение аналогичных покупателей, алгоритмы Amazon обязательно предложат вам разные варианты книжных полок, которые вы с высокой вероятностью можете купить (в зависимости от цвета, ценового диапазона и т. д.), а если вы не сделаете этого сразу, то реклама этих полок будет неотступно следовать за вами по всему интернету. Amazon не просто предлагает вам различные варианты, пассивно наблюдая за тем, что вы выберете; благодаря выводам, полученным в ходе предписывающего анализа, магазин уже предлагает те экземпляры полок, которые, по мнению магазина, лучше всего соответствует вашим потребностям и желаниям. Повторите этот цикл миллионы раз и вы будете иметь дело с механизмом, который умеет читать мысли потенциальных покупателей.
Предписывающая аналитика — это данные в наиболее действенной форме; в ходе такого анализа вы получите инсайты, которые можете тут же применить на практике и добиться максимизации желаемых результатов.
Итак, теперь, когда у вас имеется представление о том, как выглядит действенная аналитика, что вы можете сделать, чтобы ваши данные приносили вам еще больше пользы?
Какую методику качественного UX-исследования предпочесть?
Путь к более действенным данным
Существуют три способа сделать данные более действенными.
Первый, — привлечь к обработке данных искусственный интеллект и машинное обучение. Используя алгоритмы, практикующие такие методы, как кластеризация (т.е. обнаружение и группирование сходств в данных), требующие наибольшего внимания области бизнеса могут стать более прозрачными. Это стратегия, которая лежит в основе множества представленных на рынке аналитических инструментов.
К сожалению, этот метод лишь усиливает возможности описательной аналитики. Заменив человека на искусственный интеллект, эти инструменты быстрее и эффективнее диагностируют проблемы, а закономерности в данных обнаруживаются за считанные минуты, а не недели, как это было раньше. Хотя подобные технологии могут значительно улучшить качество данных и ускорить их агрегацию, к диагностической аналитике они имеют косвенное отношение. Вам все равно потребуется привлечь к их окончательной обработке штатного аналитика, который мог бы подготовить прогноз на будущее.
Второй способ предполагает более глубокое понимание вашего бизнеса с точки зрения данных. Вместо того, чтобы собирать вообще все возможные данные для поиска закономерностей, сначала вы фокусируетесь на определении тех метрик, которые имеют ключевое значение для роста вашей компании, а затем реорганизуете работу с данными с учетом этих показателей.
К примеру, бизнесу следует потратить время на поиск метрики «полярной звезды» (north-star метрика), указывающей на переломный момент в использовании продукта, который гарантирует его рост. После уточняющих тестов данные могут быть использованы для оптимизации этой метрики. И так как цель анализа данных проста и ясна, легко увидеть, как проводить анализ данных, чтобы он мог быть более диагностическим, а не просто описательным.
Оба эти способа хороши сами по себе, но третий — тот, что по-настоящему делает данные более предписывающими и, следовательно, действенными: комбинация того и другого.
Потратить время на понимание наиболее важных показателей вашего бизнеса, а затем использовать ИИ для более быстрого и эффективного анализа данных — путь объективно сложнее, но в конечном итоге он повысит ценность всего процесса изучения данных.
Теперь рассмотрим, какие компоненты необходимы для того, чтобы компании перешли к такому виду анализа данных.
6 советов по сбору, анализу и использованию отзывов клиентов
3 компонента, нужные для того, чтобы сделать данные более действенными
Инсайты не содержатся в простых аналитических отчетах. Более качественное понимание происходящего приходит в результате сопоставления данных из нескольких отчетов и построения на основе содержащейся в них информации единого сценария развития событий. Таким образом, в работе нужно использовать несколько наборов данных и уметь сводить все эти отчеты в одну хронологию.
Действенная (практическая) информация — это, по сути, тот самый сценарий с четко обозначенным посылом, что делать вашей команде дальше, чтобы добиться желаемых результатов. Составить этот сценарий, как правило, можно двумя путями: первый — привлечь к работе опытного специалиста по обработке данных для их анализа и преобразования в конкретные рекомендации; второй — использовать для поиска закономерностей программные решения.
В любом случае, компоненты, необходимые для получения полезной информации из ваших данных, одинаковы:
- отслеживание данных;
- запросы данных;
- алгоритмы обработки данных.
Рассмотрим каждый из этих компонентов более подробно, стараясь понять, как реализуют эти процессы большинство компаний на текущий момент и как следовало бы это делать.
Отслеживание данных (data tracking)
Очевидно, что к задаче сбора данных нужно подходить ответственно, и сам процесс должен быть организован на высоком уровне, но одно дело просто сбросить все собранные данные в одну базу, а другое — отслеживать данные так, чтобы они приносили пользу. В некоторых исследованиях обнаруживалось, что более половины собранных компаниями данных нигде и никогда не используются. Так зачем их, спрашивается, собирали? И почему подобное происходит сплошь и рядом?
Как обычно организовано отслеживание данных? Фирма просто устанавливает продукт, который осуществляет мониторинг показателей. Предварительно компания разрабатывает план мониторинга, в котором уточняется, какие метрики необходимо отслеживать и какой методологии придерживаться в процессе отслеживания. Этот план представлен в виде документа, служащая инструкцией для всей компании, включая группу разработчиков, которая и будет внедрять соответствующий код отслеживания. После установки решения аналитики могут войти в интерфейс службы для интерпретации собранных данных.
К сожалению, такой подход к отслеживанию данных сопряжен с множеством проблем. Во-первых, у разных сотрудников компании будут разные планы отслеживания, поскольку они заинтересованы в оптимизации разных показателей; эти планы будут предвзятыми и вряд ли будут корректно согласовываться друг с другом.
Во-вторых, эти планы отслеживания часто не учитывают бизнес-потребности и этапы жизненного цикла клиентов. Одни клиенты будут только недавно прошедшими этап адаптации, другие — работать с продуктом на протяжении длительного срока, а третьи могут еще даже не приступить к работе с ним и просто присматриваться к вашему предложению. Между тем планы отслеживания данных редко учитывают эти очень разные профили пользователей, которые имеют уникальные цели и разные показатели успеха.
Не забывайте, что для того, чтобы данные можно было использовать, поведение пользователя должно быть четко определено с самого начала: тогда вашей команде будет легко понять закономерности в его поведении, обнаруживаемые по мере сбора данных о нем.
Таким образом, более эффективное отслеживание данных начинается с идентификации вашего бизнеса с позиции, основанной на данных. С самого начала нужно определиться с тем, что следует понимать под привлечением клиентов, адаптацией, а также этапами активации, удержания, получения дохода и привлечения рефералов. Поскольку каждая из этих метрик четко определена, план отслеживания данных может быть ориентирован на более точный мониторинг, что значительно упрощает конечный анализ.
Запрос данных (data querying)
Второй компонент повышения действенности данных — это способность вашей команды запрашивать данные или, скорее, запрашивать нужные данные из всех собранных показателей. Многие аналитические инструменты, представленные сегодня на рынке, предлагают все способы дифференциации данных с помощью десятков, если не сотен вариантов фильтрации, сегментации и группировки.
Но если ваши сотрудники не имеют опыта работы с каждым из этих измерений (что может привести к необходимости нанять специалиста по обработке данных), некорректно сформулированные запросы могут привести к ошибочным выводам. Вот классический пример.
Допустим, вы хотите узнать, сколько ваших клиентов завершили процесс адаптации, который они начали в прошлом месяце. Для этого вы обращаетесь к системе, чтобы сформировать отчет с указанием учетных записей, которые были зарегистрированы за определенный период времени, в этом примере — в предыдущем месяце.
Получив сегментированный или отфильтрованный отчет, вы упустите из внимания клиентов, которые завершили работу в 1-й день следующего месяца, хотя их следует учитывать с момента начала процесса в прошлом месяце. Проблема в том, что вы должны были получить отчет о когорте, а не просто отфильтровать базу по заданному критерию.
Такого рода проблемы с запросами возникают часто не потому, что коллектив плохо обучен, а потому, что это просто не интуитивно понятно. Не люди должны адаптироваться к сложному языку инструмента, который они используют для запроса данных, а инструмент должен быть интуитивно понятен.
Один из способов получить более интуитивный запрос данных — перевести расширенные запросы на человеческий язык.
Цель запроса: какому числу пользователей удалось достичь конкретной цели?
Отчет о том, как много пользователей достигли вашей бизнес-цели и какова связь между онбордингом и достижением этой цели.
- Сколько времени заняло достижение этими пользователями конкретной цели?
- Какова заслуга email-рассылок в достижении этих целей?
- Каков процент удержания среди тех пользователей, которые достигли конкретной цели?
- Каков процент удержания среди тех пользователей, которым не удалось достичь этой цели?
Интуитивно понятные запросы данных не требуют, чтобы ваша команда разбиралась в том, как управлять какими-либо показателями, измерениями, сегментами или группами. Переводя запросы в вопросы, каждый может получить конкретную информацию, необходимую для принятия мер, независимо от уровня знаний в области обработки данных.
Помните, что начинать нужно с оптимизации процесса отслеживания данных, которое уменьшит число ключевых показателей. Благодаря интуитивно понятным запросам, можно быстро обнаружить действенные решения, которые находятся в этом ограниченном наборе данных.
Применение алгоритмов для поиска инсайтов (Data Algorithms)
Один отчет вряд ли способен обеспечить всей нужной информацией. Скорее всего, вам придется сводить вместе нескольких отчетов и таким образом представить контекст проблемы, которую ваша команда и пытается решить с помощью аналитики. Именно здесь на помощь приходят алгоритмы обработки данных, которые дают вашим сотрудникам возможность с умом объединять запросы данных и получать применимые на практике выводы.
Например, запрос данных может показать, что большинство отказов в процессе онбординга происходит на определенном этапе. Об этом полезно знать, но еще лучше понимать, почему подобное происходит в принципе. Если вы собрали достаточный объем информации, а ваши интуитивные запросы сузили масштабы поиска, следующим шагом будет применение алгоритмов.
Они снабдят вас ответами на уточняющие ситуацию вопросы:
- сколько времени пользователь тратит на этот этап адаптации?
- какие действия предпринимают успешные пользователи между этим шагом и следующим?
- каковы действия пользователя, которые могут повлиять на кого-либо после завершения процесса адаптации?
Все это позволяет найти ответ на самый главный вопрос: что делать дальше?
И, как упоминалось выше, эти алгоритмы также помогают увеличить скорость анализа, обнаруживая закономерности и неочевидные решения быстрее. Согласитесь, было бы крайне бесполезно тратить месяц на изучение данных, чтобы выяснить, что уже слишком поздно следовать сформулированным рекомендациям. Современные инструменты проводят анализ практически в режиме реального времени, чтобы вы успели внести наиболее эффективные улучшения в ваш бизнес сегодня.
Активные пользователи: измерение бизнес-успеха с помощью DAU, WAU и MAU
Заключение
В этой статье мы постарались объяснить, что на самом деле представляет собой действенная аналитика. Вы начинаете с качественных данных, которые отслеживаются с высокой точностью. Это дает вам возможность создавать расширенные запросы к ним, а затем применять алгоритмы для их анализа, открывая доступ ко всей необходимой информации для принятия решений, которые меняют будущее.
Один из лучших способов улучшить показатели бизнеса — это настроить адаптацию пользователя или онбординг.
Платформа Experrto — это не только конструктор подсказок, но и полноценное решение для настройки и оптимизации онбординга. В разделе Статистика вы можете наблюдать за ключевыми показателями эффективности: количеством запусков тура, завершением каждого шага и итоговой конверсией — и оценивать общее влияние онбординга на коэффициент удержания.
Подписывайтесь на нашу группу в фейсбуке и канал в телеграм, чтобы следить за обновлениями.
Прокачайте свой онбординг!
По материалам: innertrends.com Изображение: freepik.com
