Что такое data driven подход
Data-Driven подход в маркетинге: что это такое и как построить стратегию
Здравствуйте. Меня зовут Людмила, я маркетолог в компании Altcraft. Сегодня я хочу поговорить с вами о data-driven подходе в маркетинге. В статье рассказываю, что это такое, зачем использовать и какие существуют метрики в data-driven маркетинге. Приятного чтения.
В последние годы маркетологи проводят совещания, где раз за разом принимают избитые решения, заводящие их в тупик. Модели потребления постоянно меняются, а лояльность к бренду эфемерна как никогда раньше. От этих и других неприятностей, терзающих отдел маркетинга, эксперты проповедуют одно решение — data-driven подход в маркетинге.
Data-driven подход — это использование информации о клиентах для оптимизации бизнес-рекламы и маркетинговых коммуникаций. Маркетологи собирают данные и обрабатывают их с помощью аналитических инструментов. Так они предугадывают желания покупателей и понимают, зачем им нужен тот или иной продукт и где и как они хотят его получить.
Примеры использования data driven подхода вы найдете повсюду. Например, такие сервисы как YouTube и Netflix непрерывно анализируют предпочтения пользователей и рекомендуют им те видео, фильмы и сериалы, которые их заинтересуют.
Многие компании используют подход, основанный на данных, для лучшей сегментации целевой аудитории. Владея нужными данными, можно точно определить потребителей, заинтересованных в продукте, установить эффективные каналы для взаимодействия с клиентами или узнать, в какое время дня аудитория наиболее восприимчива к коммуникации.
С помощью A/B тестирования — одного из методов data-driven маркетинга — маркетологи сравнивают эффективность двух вариантов одного письма и выбирают тот, что вызывает наибольший отклик клиента. В долгосрочной перспективе этот подход экономит компании немало денег, а также повышает ROI.
Ключевым же преимуществом data-driven маркетинга является персонализация. Бренд разрабатывает персонализированную маркетинговую стратегию на основе данных, полученных в результате взаимодействия с клиентом.
Data-driven стратегия помогает компаниям принимать обоснованные бизнес-решения. Чтобы ее разработать, соберите нужные данные и найдите правильное решение для их использования. Привлеките к работе команду профессионалов, специализирующихся на расширении аудитории или прогнозной аналитике.
Основные действия при разработке data-driven стратегии:
Оценить результаты. Подход, основанный на данных, требует регулярного и тщательного измерения результатов. Отслеживание поведения ваших клиентов — единственный способ адаптировать вашу стратегию к их потребностям. Продолжайте тестирование даже после обработки первых результатов и при необходимости изменяйте маркетинговую кампанию.
Для успешного внедрения data-driven стратегии, важно выбрать ключевые показатели эффективности (KPI).
Поскольку посетители сайта — это потенциальные клиенты компании, мониторить трафик сайта надо регулярно. Маркетологи должны понимать, с каких именно ресурсов пользователи переходят на сайт и какой тип рекламы дает наилучшие результаты. Органический поиск, ссылки в соцсетях, email-рассылки, переходы с других сайтов или медийная реклама — сфокусируйтесь на наиболее эффективных каналах трафика и, опираясь на полученные данные, грамотно распределите бюджет.
В какой бы тип рекламы вы ни инвестировали, необходимо знать, как это отражается на доходах компании. Здесь на помощь приходит коэффициент окупаемости инвестиций. Простыми словами, ROI — это ответ на вопрос «Получили ли мы прибыль после всех расходов на маркетинговую кампанию?». Вычтите из полученной прибыли расходы на маркетинг, а остаток разделите на те же расходы.
LTV — это вся прибыль от клиента за период, пока вы с ним работаете. Если потратить на привлечение клиента больше, чем вы позже на нем заработаете, вы потеряете деньги. Вот почему так важно отслеживать LTV. Так, вы сможете решить, сколько денег вложить в привлечение клиентов.
CAC — это общая сумма, которая требуется бизнесу, чтобы привлечь одного клиента. Она включает в себя время, потраченное вашими торговыми представителями, а также расходы на маркетинг и рекламу. Если показатель CAC больше показателя LTV, значит, ваши затраты на привлечение клиента больше, чем получаемая от него прибыль, а это повод изменить свою маркетинговую стратегию.
Показатель оттока клиентов показывает количество клиентов, прекративших сотрудничество с компаний. Для маркетологов крайне важно отслеживать этот показатель, поскольку это что-то вроде лакмусовой бумажки: клиенты уходят, если ваш продукт потерял для них ценность, а значит надо срочно понять причину и предпринять меры.
Индекс удовлетворенности клиентов показывает, насколько клиенты довольны продуктами и услугами компании. Имея эти данные под рукой, маркетологи могут улучшить качество обслуживания клиентов. Лучший способ узнать, доволен ли покупатель приобретенным товаром — спросить его напрямую. Вот почему так важно уметь правильно собирать отзывы клиентов.
Данные — самый ценный маркетинговый ресурс, но не все маркетологи понимают, как выжать из него максимум. Data-driven маркетинг позволит компаниям оптимизировать эффективность маркетинговых каналов, разработать персонализированные маркетинговые стратегии и улучшить качество обслуживания клиентов, что, в конечном счете, не может не привести к увеличению прибыли.
Нельзя просто взять и влиться в data-driven — на что обратить внимание при внедрении такого подхода
Привет, Хабр! Мы в Х5 очень любим данные и умеем с ними обращаться. Недавно мы провели «Цифровой четверг» — дискуссию с представителями ИТ-компаний, облачных провайдеров и телекомов.
На встрече обсудили data-driven подход: кейсы, «грабли» и базовые моменты, о которых стоит знать. Решили поделиться ключевыми мыслями по её итогам.
Что считать data-driven подходом
Прежде чем перейти к разговору о том, какие у компаний могут возникнуть сложности, кратко разберём, что вообще стоит понимать под data-driven подходом. В общем случае он подразумевает принятие решений с упором на аналитику, а не только интуицию и личный опыт менеджеров. Методологию используют в разработке, UX, рекламе, ритейле — в тех областях, где даже незначительные решения могут повлиять на выручку компании.
Вообще изучать, что и как покупают, ритейлеры начали ещё в XIX веке, но сам термин data-driven был популяризован в 1990-х. Мы в X5 Group используем этот подход для наполнения полок в магазинах, экспериментов, скидок и так далее. Однако он не чужд и небольшим предприятиям, когда владелец локального ресторанчика, проанализировав спрос на сезонное блюдо, решает сделать его частью регулярного меню.
В экспертном сообществе пока нет единого мнения о том, какую организацию стоит называть data-driven. Одни утверждают, что она должна использовать специализированные инструменты business intelligence (BI). Другие, что методы сбора и обработки данных не имеют значения, и для этих целей подойдёт даже Excel. Более того, если руководитель записывает данные в блокнот, ведёт расчёты на бумаге и использует их для принятия решений — это тоже data-driven подход.
Плюрализм мнений и отсутствие устоявшихся лучших практик ведёт к тому, что многие организации допускают ошибки, пытаясь стать data-driven. Далее расскажу, на какие «грабли» наступили мы в X5 Group и к чему пришли в итоге.
Почему подход может не работать
Есть мнение, что для перехода на методологию достаточно начать собирать данные — например, о продажах. Но конечно, организовать корпоративный data lake недостаточно. Необходимо следить за качеством данных на входе. Если этого не делать, в таком «озере» быстро завязнут последующие аналитические процессы. Поэтому, помимо построения моделей машинного обучения, анализа и визуализации данных, до 80% времени специалистов по данным уходит на очистку данных и их подготовку — форматирование и дедупликацию.
В этом контексте важно отметить, что не стоит ориентироваться исключительно на данные, собираемые внутри компании. Информация о конкурентах, партнёрах или франчайзи, открытая статистика аналитических агентств — всё это помогает построить более полную картину рынка и бизнеса. Если эту информацию игнорировать, есть вероятность, что принимаемые решения будут оторваны от реального мира, и data-driven подход не сработает.
Ещё методология может давать сбой из-за человеческого фактора. С данными, нейросетями и алгоритмами работают люди, и в некоторых случаях «бутылочное горлышко» образуется на их стороне. Мы в X5 Group столкнулись с этой проблемой, когда внедряли систему детекции очередей. Сама по себе задача по подсчёту людей у кассы достаточно тривиальная, и её уже много раз разбирали на Хабре. Сложности возникают, если необходимо срочно открыть новую кассу в ситуации, когда все сотрудники заняты выкладкой товара.
Похожая проблема проявилась, когда мы разрабатывали систему компьютерного зрения для определения отсутствующих на полках товаров. Во время тестовых запусков она работала отлично и уведомляла администратора, что позиция закончилась. Но внедрение технологии на масштабе не принесло ощутимых результатов. Дело в том, что на выкладку товара требуется время — сотрудники магазина не могут сделать это моментально. Кроме того, директора знают, как часто заканчивается тот или иной продукт, поэтому уведомления от интеллектуальной системы не давали значительного выигрыша по времени.
С аналогичными кейсами сталкивались и другие участники «Цифрового четверга». Кирилл Меньшов, член правления ПАО «Ростелеком», привел следующий пример:
«Мы, как и любой телеком, прогнозируем отток, чтобы работать с уходящими абонентами. Мы также прогнозируем и увольнение своих сотрудников, но здесь не имеем больших результатов. С одной стороны, здорово, что вы можете за три месяца предсказать, что сотрудник от вас уходит.
С другой стороны, его руководитель, скорее всего, уже об этом знает, и все действия, которые он мог бы предпринять, он и так предпримет. Если посмотреть A/B-тестирование с алгоритмом и без него — значимого результата нет».
— Кирилл Меньшов, член правления ПАО «Ростелеком».
У себя в компании мы строим культуру data-driven уже три года. За это время были как удачные, так и неудачные проекты, и мы отточили необходимый инструментарий. Поделюсь выводами, к которым пришли за это время.
С чего можно начать
Отталкивайтесь от кейсов. Первым делом бизнесу необходимо определить задачу, которую он планирует решить с помощью данных. Уже после этого можно переходить к выбору метрик и сбору информации. Если сделать наоборот, то компания рискует попасть в ловушку — начать «подгонять» имеющиеся данные под желаемый результат. Определившись с кейсом, также важно правильно выбрать технологическую базу. Например, не стоит решать задачу с помощью нейросетей, если есть другие, менее сложные и затратные, способы. В лучшем случае компания получит неоптимальное решение, в худшем — потеряет деньги.
В качестве примера приведу всё тот же мониторинг количества товаров. Об отсутствии продукта на полке можно судить, просто анализируя чеки. Когда условные бананы есть в наличии, их «пробивают» на кассах примерно раз в 15 минут. Если временной промежуток увеличился, то товар кончился (или что-то ещё пошло не по плану). Точность такого метода ниже, чем у видеоаналитики, однако он значительно выгоднее с точки зрения окупаемости — не нужно устанавливать дополнительные камеры в 18 тыс. магазинов.
Используйте открытые данные. Компания, которая не генерирует большие объёмы данных, тоже может быть data-driven. Достаточно использовать информацию в открытом доступе. Отчёты агентств, разного рода геоаналитика — этого хватит, чтобы начать принимать взвешенные решения о векторе развития. Эту рекомендацию поддержали участники нашей беседы:
«Если маленький бизнес хочет открыть второй магазинчик, каким образом он это делает? Или просто находит помещение, или приходит в компанию, у которой есть достаточная геоаналитика с проходимостью, покрытием, населением, и на её основе принимает решение открыть магазинчик. Для этого не нужны никакие собственные данные».
— Кирилл Меньшов, член правления ПАО «Ростелеком».
Развивайте культуру data-driven. Переход на новую методологию работы подразумевает не только технологическую трансформацию, но и изменение бизнес-модели компании. Сам переход стоит проводить постепенно, заручившись поддержкой тех, кто данные генерирует и использует. Например, на внедрение системы автозаказа в магазинах «Перекресток» [когда алгоритм самостоятельно закупает товарные позиции] у нас ушло девять месяцев. Мы разделили торговые точки на три группы. Первая сразу перешла на новый алгоритм. Директора второй группы могли править предложенные системой значения в строгих пределах. В третьей группе они имели право вносить любые корректировки. Мы постепенно переводили магазины из третьей категории во вторую, а оттуда — в первую. За это время мы выявили недостатки в работе алгоритма и поправили их, ориентируясь на решения, которые принимало руководство торговых точек.
Если говорить про X5 Group в целом, то с инструментами data-driven ежедневно работает три-четыре тысячи человек — среди них рядовые сотрудники торговой сети. Для дальнейшего развития этих инструментов важно привлекать новые кадры и обучать уже имеющихся специалистов. Хорошие базовые знания по обработке данных сегодня могут дать бесплатные профильные курсы — например, на Coursera. Однако мы разрабатываем и собственные образовательные направления — в прошлом году запустили академию по теме data science. Там сотрудники оттачивают компетенции в сфере обработки данных. Мы планируем расширить спектр программ, доступных для обучения.
Data Driven: как принимать решения на основе данных
20 минут на чтение
Принципы подхода
Принятие решений на основе данных
Понятие Data Driven появилось еще в 90-х годах прошлого века и получило широкое распространение в бизнесе. В менеджменте чаще всего всего упоминается термин Data Driven Decision, в переводе — «решения, принятые на основе данных».
Подход подразумевает, что нужно понимать данные и уметь строить прогнозы на их основе. То есть на этапе принятия решения должно быть понимание, на что оно повлияет, что нужно изменить, какого результата можно добиться. Так появился термин Data Driven Decision, который подразумевает использование фактических данных для принятия управленческих решений.
Как подход работает на практике
В первую очередь нужно определить бизнес-цель на текущем этапе, например, это может быть рост прибыли или доли на рынке. Второй шаг — обозначить стадии и промежуточные цели, достижение которых определяется метриками. Достижение метрики говорит о том, что компания движется в правильном направлении.
К примеру, рост прибыли можно оценить по количеству новых клиентов, среднему показателю оттока клиентов, размеру среднего чека, количеству повторных продаж, проценту конверсии и показателю маржинальности.
Важно, чтобы цели были достижимы, а метрики грамотно подобраны:
Популярные метрики для оценки бизнеса: уровень удовлетворенности клиента, вовлеченности сотрудников, объем прибыли до вычета расходов и т.д.
Еще один важный момент, который необходимо учитывать, — поведенческая психология руководителей, те моменты, когда интерпретация данных подстраивается под личные приоритеты менеджера.
Визуализация Big Data
Если в традиционном «ручном» подсчете используется небольшое количество данных, то может возникнуть дискуссия относительно репрезентативности построенных на основе этих данных графиков и диаграмм. Зато одной из удобных особенностей методики Big Data является возможность построить объективную и наглядную визуализацию. Такая опция обеспечивает понятность полученных данных даже специалистам, которые далеки от понимания технологии.
Сгенерированные на основе Big Data графики и тепловые карты можно использовать в качестве неопровержимого аргумента. Это особенно важно, когда необходимо принять решение о распределении бюджета. Если на длительном временном промежутке влияние определенного явления не очевидно, визуализация поможет увидеть взаимосвязь между явлениями. Аналогично, визуализация данных помогает оценить масштаб эффекта после введения определенных мер.
Американское издание Wall Street Journal продемонстрировало эффект на население после внедрения различных вакцин. Наиболее показательным является тепловая карта по распространению полиомиелита. Данные собраны за 70 лет со всех 50 штатов США. Каждый прямоугольник обозначает количество заболеваний на 100 000 жителей.
Из приведенного распределения можно сделать много выводов. Например, что мнение кинокритиков не влияет на коммерческий успех фильма. Или тот факт, что у крупнобюджетных кинокартин выше вероятность собрать кассу, которая вдвое превышает бюджет. Или тот факт, что некоторые малобюджетные хорроры становятся суперхитами.
Издание New York Times в 2014 году подготовило впечатляющую визуализацию из 255 графиков, каждый из которых отображает изменение в количестве рабочей силы в определенной индустрии за период с 2004 по 2013. Данные были подготовлены в связи со знаковым событием: к 2014 году в американской экономике были восстановлены 9 млн рабочих мест, утраченных в ходе экономического кризиса 2008−2009 годов. Интерактивный график показывает, в каких индустриях происходил рост, а в каких — падение числа рабочих мест.
Возможности использования метода
Data Driven в web-разработке
В современном цифровом мире данные генерируются и обновляются регулярно. Разработчики опираются на них при создании практически любого программного обеспечения. Но этим не ограничивается сфера применения Big Data.
Бизнес-аналитики используют данные о поведении пользователей, отчёты об ошибках, отзывы пользователей и другую обратную связь, чтобы принимать верные решения при разработке и продвижении продукта. Информация о трафике, загрузках, количестве зарегистрированных пользователей, сообщения и внутренних проблемах сервисов используют для мониторинга качества услуг. А оценка качества кода и согласованности его блоков подскажет оптимальные способы улучшить программное обеспечение. Когда компания следует этим трем направлениям, она разрабатывает и поддерживает услуги на основе данных. А значит исповедует принципы Data Driven бизнеса.
Сбор, интерпретация и обработка данных играют все бо́лее важную роль в любой промышленности. Они обеспечивают точную и действенную обратную связь, которая помогает инженерам понять, где и как вносить улучшения в продукт или процесс. С их помощью ИТ-руководители визуализируют, рабочие процессы, анализируют качество и количество результатов и прогнозируют возможные улучшения.
Искусственный интеллект и большие данные позволяют принимать более обоснованные конструктивные решения и быстрее реализовывать оптимальные бизнес-модели. Машинное обучение помогает разрабатывать новые передовые производственные процессы, повышающие комфорт рабочих и производительность компании.
Data Driven в менеджменте
Data Driven Management — управление бизнесом на основе объективных, фактических данных.
Подход открывает перед управленцами широкие возможности:
Результат — рост прибыли.
Data Driven используют крупнейшие компании мира: Intel, Google, Chevron. В России, например, «Сбербанк». В банке с каждым годом растет количество решений, принятых на основе анализа данных. В качестве ключевого подхода к моделированию «Сбербанк» использует CRISP — Cross Industries Standard Process по Data Mining — межотраслевой стандарт извлечения данных.
Data Driven в дизайне
Data Driven Design — проектирование продуктов на основе данных, полученных с помощью тестов, исследований, проверки гипотез.
Раньше предполагалось, что дизайнер принимает решения на основе собственного вкуса и опыта, однако сейчас этого недостаточно. Работа в digital оценивается по KPI (Key Performance Indicators) и, чтобы их достичь, необходимо уметь прогнозировать, а значит анализировать.
При таком подходе подрядчик и заказчик концентрируют свои усилия, чтобы сделать сервис удобным пользователям, а не удовлетворять чьи-либо амбиции.
Новый уровень требований привел к тому, что профессия дизайнера распалась на несколько самостоятельных единиц — теперь над проектами работают целые дизайн-команды: UI-дизайнер, UX-проектировщик, дизайнер анимации, аналитики и арт-директор. Также подключаются специалисты по Big Data (data scientist).
Data Driven Design — это постоянные циклы улучшений, но здесь есть риск погрязнуть в данных и уделить излишнее внимание мелочам.
Такое явление получило название датацентризм. Например, в 2009 году из-за подобного подхода из Google уволился ведущий дизайнер.
В маркетинге
Новая концепция Data-driven маркетинга опирается на старую поговорку: «Невозможно управлять тем, что нельзя измерить». В Data driven бизнесе измерить можно и нужно все. В первую очередь это касается маркетинговой аналитики: релевантная информация о клиентах необходима для выстраивания персонализированных и действенных таргет-кампаний.
Еще в 2013 году 74% онлайн-потребителей заявляли, что разочаровываются в сайтах, на которых появляется контент, не соответствующий их интересам. 50% посетителей сайта просто покинут платформу, увидев такой контент. Чтобы оставаться конкурентоспособными при таких условиях рынка, предприятиям необходимо сосредоточиться на анализе и применении данных в своих маркетинговых кампаниях.
Data Driven маркетинг позволяет персонализировать взаимодействие с клиентом, что необходимо в условиях постоянно растущей конкуренции. Сегодня персонализированный маркетинг выходит далеко за рамки именных приветствий по электронной почте. Он определяет что, как и когда видит клиент онлайн. Все всплывающие окна, акции и реклама появляются перед глазами пользователя в наиболее удачный для компании момент.
Такие целевые сообщения достигают бо́льших результатов, чем общие рассылки, а сегментация рекламных кампаний позволяет получить более высокий ROI. Например, если магазин продает и мужскую, и женскую одежду, ему понадобятся как минимум два набора маркетинговых рассылок. Такая же ситуация с разными точками дистрибьюции − маркетинговая тактика для московской аудитории должна отличаться от кампаний, ориентированных на казанских покупателей. На основе данных и создается оптимальная рабочая схема, удобная для управления и масштабирования.
Успех Data Driven маркетинга зависит от точности данных о клиентах. Даже самые простые алгоритмы сбора информации бесполезны, если, если она не будет правильно отражать интересы клиентов и целевой рынок. Следует обращаться к существующей клиентской базе, чтобы сформировать представление о целевой аудитории.
Маркетинг на основе данных − это итеративный процесс, который постоянно развивается и расширяется. В грамотно выстроенном маркетинге процесс анализа и интерпретации данных ведется постоянно. Нельзя оперировать данными пятилетней давности для работы с современной аудиторией сайта. Поэтому важным фактором успеха является управление данными. Оно помогает выстроить процесс регулярного анализа данных о клиентах, оценивать новые возможности маркетинга, а также экономить время и ресурсы команды.
Data Driven-подход
Data Driven-подход — это способ принимать управленческие решения, основываясь на больших данных. Его используют для построения бизнес-модели или маркетинговой стратегии, при составлении плана продаж, в программировании и даже в дизайне.
Для каждой сферы выбирают конкретный тип информации, например данные о покупках, геолокации мобильных устройств, количестве поисковых запросов по теме. При поиске помещения под новую кофейню владелец может проанализировать трафик людей на улицах и выбрать место с наибольшей проходимостью.
Полное название этого подхода — Data Driven Decision Making (DDDM), то есть информационно обоснованные решения (или data driven decisions). Он стал альтернативой устаревшему подходу HiPPO (Highest Paid Person’s Opinion) — принятию решений на основе мнения руководства. Проблема этого подхода в том, что руководитель или менеджер не могут быть объективными и компетентными во всех вопросах и знать все особенности аудитории.
Melbourne Business School проводила исследование того, как компании в 46 странах используют аналитику, и выяснилось, что только 6% из них могут считаться лидерами в этом направлении. Это тот бизнес, в котором проработана аналитическая стратегия и в нее включены все подразделения, высший менеджмент принимает решения исключительно на основе данных, а также в реальном времени мониторится ситуация на рынке.
Еще 49% компаний отнесли к категории «Исследователи», так как они частично используют данные для принятия решений, но не до конца развили инфраструктуру для полноценного Data Driven. Остальные компании отнесли к «Подражателям» и «Отстающим», так как они используют данные только в одной конкретной области или не развивают аналитику вообще.
Data Driven-подход полезен на разных этапах развития:
Например, агентство RUSFAIR GROUP проводит исследования для запуска новых продуктов на рынке электронной коммерции в Китае. Они делают анализ инфополя бренда и конкурентов, затем — анализ потенциальных площадок, исследование аудитории в WeChat — самом популярном социальном приложении в Китае, Douyin — китайском аналоге TikTok и других социальных сетях. Такие исследования позволяют определить объем необходимых инвестиций и грамотно выбрать площадки для продвижения.
Фитнес-клуб в Перми через 7 месяцев после открытия поставил перед собой задачу выйти в лидеры рынка. Для доработки продающей концепции маркетологи изучили опыт конкурентов в городе, собрали данные о том, почему люди не ходят в фитнес-клубы, что их удерживает и почему бросают занятия. В результате изменений, основанных на данных, клуб увеличил выручку в два раза.
Альфа Банк в прошлом году проанализировал всю воронку продаж и поведение клиентов, которые в итоге подали заявку на карту и получили ее на руки. На основе этих данных рекламу стали таргетировать на пользователей, которые с наибольшей вероятностью заинтересуются продуктом, благодаря чему число заявок выросло в 1,6 раза.
Решения на основе данных
Для использования Data Driven-подхода требуются навыки работы с аналитикой. Во-первых, нужно уметь считывать данные из таблиц, графиков и диаграмм, потому что иначе даже на основе самых верных данных можно сделать неверные выводы. Во-вторых, нужно критически относиться к самим данным и задавать аналитику правильные вопросы:
Управление на основе данных включает в себя три подготовительных шага:
Недостатки Data Driven-подхода
Как стать Data Driven-компанией
Data Driven-организация корректно собирает, проверяет и обрабатывает данные и использует их на пользу бизнеса. Такие компании имеют отлаженный механизм работы с данными, в котором все сотрудники четко понимают задачи: data-аналитик собирает данные, отдел маркетинга умеет ставить четкое ТЗ на сбор конкретной информации, а руководство соотносит это с бизнес-целью.
Мария Михеева, продуктовый аналитик AliExpress, считает, что организация Data Driven-подхода затрагивает такие аспекты работы компании, как миссия, идеология и обучение сотрудников. Но в основе подхода все-таки лежат качественные данные — достоверные и очищенные от лишней информации, ненужной компании. На этих данных как раз выстраивается data-менеджмент. Кроме них, есть другие важные аспекты:
Главный критерий успеха в Data Driven-подходе — понимание сотрудниками компании того, зачем нужны данные. Поэтому работу над этой управленческой стратегией стоит начинать с внутреннего PR, презентации и обучения.
В каких профессиях используется Data Driven-подход
Менеджмент
Управление на основе данных — одна из причин роста компаний. Оно помогает оптимизировать расходы, повысить клиентоориентированность, отслеживать изменения на рынке и, как результат, увеличить прибыль. Пока полноценно такой подход реализуют только крупные игроки уровня Google, так как внедрение культуры Data Driven в компании — это ресурсозатратный процесс, который не всем по карману.
Маркетинг
Data Driven-маркетинг позволяет продвигать продукт на ту аудиторию, которой он интересен, что значительно сокращает рекламные расходы. Этим инструментом пользуются, например, маркетплейсы, которые собирают информацию об истории поиска своих клиентов, их покупках и интересах, чтобы предлагать им нужные категории товаров.
Веб-разработка
Разработчики опираются на данные взаимодействия пользователей и сервиса, чтобы зацепить и удержать пользователя. Например, в одной из компаний исследовали, как внутри приложения влияет на вовлечение пользователей лента, предлагающая контент на основе машинного обучения.
Кейсы компаний, которые реализуют Data Driven-подход
Управление
Управление на основе данных позволило компании «Сибур» перестроить работу отделов и избавиться от принципа «глубокого колодца», когда специалисты имеют доступ только к информации, необходимой для выполнения их обязанностей. Автоматизация отделов происходила разрозненно, большой пласт информации скрывали, мотивируя это коммерческой тайной, поэтому у менеджмента разных сегментов было недостаточно данных для анализа работы предприятия.
Внедрение Data Driven-подхода позволило открыть доступ к 80% ранее скрытой информации, сотрудники начали самостоятельно проверять гипотезы на данных, составлять интерактивные дашборды. С помощью бизнес-симуляторов компания начала моделировать различные ситуации на рынке и рассчитывать целесообразность инвестиций или запуска новых продуктов.
Разработка маркетинговых продуктов
На туристическом рынке технологию Data Driven используют, чтобы продвигать путешествия на ту аудиторию, у которой есть интерес к направлению, а также отслеживать реальную эффективность рекламы. Например, если человек интересовался турами в Испанию, смотрел билеты или отели, то он обязательно увидит таргетированную рекламу.
Анализ аудитории
Сбербанк уже несколько лет использует Data Driven для анализа поведения заемщиков. Интерактивная анкета, которую использует банк для сбора информации, позволяет выявить один из важных психологических параметров — уравновешенность или импульсивность клиента. Для банка это важно, так как рассудительные люди являются более добросовестными заемщиками, чем импульсивные. Вопросы в анкете для заемщиков помогают определить уровень финансовой грамотности, их стабильность, опыт работы и трезвое восприятие своего финансового положения.
Получите реальные знание и навыки, необходимые для работы. Обучение на основе практики и помощь в трудоустройстве. Скидка 45% по промокоду BLOG.