Чтобы выдерживать конкуренцию, всегда соответствовать меняющимся потребностям и ожиданиям клиентов, любой внедренный продукт требует постоянного улучшения и оптимизации. Сделать «просто хороший продукт» и больше не менять его – опасная стратегия, учитывая, как гибок сейчас рынок и как часто меняются тренды. Но как понять, насколько эффективно внедрение той или иной идеи? Или насколько пользователям пришлось по вкусу изменение в функционале продукта, его интерфейсе? Получить ответы на эти вопросы помогает data-driven подход. В чем его уникальность? Как его применять? И каких ошибок следует избегать?
Что такое data-driven и какие преимущества дает бизнесу
Суть data-driven подхода в том, что на каждом этапе принятия решения по внедрению и улучшению того или иного продукта, используется сбор объективных данных и их анализ, благодаря которому можно понять и спрогнозировать стратегию взаимодействия пользователей с продуктом.
То есть решения принимаются не интуитивно, а являются результатом логического и статистического анализа. Такой подход позволяет искать «слабые» стороны конкретного продукта, например, функции, которые клиенты не используют или не понимают, как их использовать. Также он позволяет выявлять точки роста и развития бизнеса.
Основные преимущества, которые дает data-driven подход:
-
любое решение обосновывается конфетными цифрами и фактами, то есть в основе каждого действия лежит причинно-следственная связь и прогнозируемые закономерности;
-
минимизируются ошибки, связанные с человеческим фактором – решения принимаются на основе фактов и проверенных данных, а не интуиции, «чуйки», личного опыта.
Все это помогает повысить эффективность внедренных продуктов и изменений в них, ведь анализ основан на научном подходе, он объективен и предсказуем. Меньше риска – меньше неокупаемых затрат на каждое действие.
Принципы data-driven подхода
Есть 3 основных принципа, которые определяют суть data-driven подхода:
- Постоянный и непрерывный сбор данных и их анализ.
Меняются тенденции и подходы, меняются и поведенческие стратегии пользователей, запросы и потребности клиентов. Бизнес, как и отдельные его продукты «живут» своей жизнью, совершенствуются, трансформируются.
И data-driven подход предполагает постоянный мониторинг этих процессов – непрерывный сбор данных, связанных как с самим продуктом, так и с целевой аудиторией.
- Тестирование гипотез.
Data-driven подход в работе подразумевает, что все ваши действия, это, своего рода, непрерывный эксперимент с тем или иным продуктом. Вы что-то внедряете, выдвигаете какие-то идеи, а потом, применяя их на практике, оцениваете, насколько они эффективны, окупаемы, и как они влияют на бизнес в целом.
- Слаженность работы команды.
Концепция data-driven реализуется только в том случае, если в ней участвуют разные специалисты и отделы – разработчики, аналитики, дизайнеры, маркетологи и пр. Каждой из этих команд необходимо использовать получаемые данные в качестве основы для принятия наиболее верных и рациональных решений, связанных с тем или иным продуктом.
Этапы data-driven работы с продуктом
Data-driven подход подразумевает непрерывный анализ получаемых данных и интерактивность в их сборе, работа с ним имеет скорее цикличный характер, где один этап вытекает из другого:
- Ideas: идея или гипотеза.
Все начинается с определенной идеи, которая предполагает какие-то изменения в продукте, его функционале, способах его использования. На основе идеи вырабатывается гипотеза на уровне «действие – выгода». Например, «если внедрить эту функцию, то повысится конверсия…».
- Build: реализация.
Если данные аналитики позволяют предположить, что гипотеза состоятельная, то внедряется новый подход: меняется функционал, добавляется новый способ рекламы, взаимодействия с пользователями и пр.
- Product: обновленный продукт.
Позиционируется и запускается уже измененный продукт. На этом этапе гипотеза уже начинает проверяться на практике.
- Measure: измерение.
Пользователи «знакомятся» с изменениями, а в это время аналитики собирают данные, как обновленный продукт влияет на поведение пользователей.
- Data: сбор данных.
Когда информации уже достаточно, чтобы она была релевантной, полученные на предыдущем этапе данные начинают анализировать и уже делать выводы о том, как внедрение гипотезы повлияло на эффективность продукта и даже на бизнес в целом.
- Learn: обучение.
Полученные выводы становятся базой, благодаря которой можно научится новым подходам, расширяются возможности внедрения новых гипотез для развития продукта.
Метрики продуктовой аналитики
Основная задача data-driven подхода – это объективный и верный анализ эффективности продукта, который внедряется. Для этого используются различные метрики, такие как:
-
конверсия – количественный показатель целевых действий, выполненных пользователями: регистрации на сайте, скачивания приложения, ответа на письмо, покупки продукта и пр.;
-
вовлеченность – та активность, с которой пользователи взаимодействуют с продуктом, например, количество сессий и их время;
-
удержание – этот показатель отражает продолжительность времени, в котором пользователи используют продукт после внедрения изменений в него;
-
отток – количество пользователей, которые прекратили использовать продукт (это важный показатель, на основании которого можно выявить причины их ухода и снижения показателей удержания);
-
индекс потребительской лояльности – отражает вовлеченность клиентов, их удовлетворенность, доверие к продукту и бренду, готовность рекомендовать его другим.
Эти метрики можно использовать все сразу или только часть из них. Более того, можно устанавливать свои метрики, которые будут наиболее точно отражать показатели эффективности именно в вашей сфере деятельности.
Выбранные метрики напрямую зависят от того, какой была цель внедрения обновления в продукте. Например, если целью являлось уменьшение стоимости клика, то необходимо использовать метрику CPC, а если уменьшение стоимости конкретного действия – CPA. Сравнивая показатели до внедрения продукта и после, можно понять, насколько гипотеза себя оправдала.
Недостатки data-driven подхода
Сам по себе этот инструмент крайне эффективен, а в некоторых сферах просто незаменим. Но, как и любой другой подход, data-driven имеет и свои недостатки, точнее, слабые стороны:
Неправильные данные приводят к неверным выводам
Если в сборе информации допущены ошибки, то анализ результатов не будет соответствовать действительности. Это может привести к неверным выводам и нерациональному распределению ресурсов.
Какие типичные ошибки возникают на этапе сбора данных? Например, не учитывались все источники информации или, допустим, трафика. Вторая частая ошибка – двойная аналитика, при которой одни и те же данные учитывались дважды.
Чтобы этого избежать, нужно изначально использовать системный подход, выстраивать логические цепочки получения информации, продумывать саму структуру исследования.
Исследовательская работа требует значительных затрат
Чтобы отслеживать действия пользователей, анализировать источники трафика, собирать информацию об упоминаниях продукта, подсчитывать клики и целевые действия, необходимо вкладывать средства в определенные IT-инструменты. При сложном анализе уже нельзя будет обойтись, например, одной Яндекс Метрикой.
И может сложиться ситуация, что бизнес изначально выделил средства для внедрения data-driven подхода, но на каком-то этапе исследования оказалось, что их недостаточно. И тогда встанет вопрос – изыскивать дополнительные денежные средства или отказываться от исследования, теряя уже то, что было в него вложено.
Как этого избежать? Еще до начала работы определить необходимый бюджет для реализации data-driven подхода и добавить буфер для непредвиденных расходов.
Правильность анализа зависит от компетентности аналитиков
Можно обучить специалистов внутри компании по работе в data-driven подходе, можно нанять новых сотрудников, которые будут отвечать за это направление. Но и тот, и другой вариант потребуют времени и денег. Как не парадоксально, у этого недостатка есть свое «преимущество» - он актуален только на начальном этапе работы. Со временем, когда у вас уже появятся опытные аналитики, вложения в них быстро окупятся, потому что все этапы data-driven анализа будут оптимизированы.
В каких сферах используется data-driven подход
Трудно представить сферу, в которой вообще не нужен был бы data-driven подход. Неважно, предоставляет ли бизнес определенные услуги, продает ли товары, работает ли с информационным, развлекательным или рекламным контентом – везде используется работа с информацией: сбор данных, их логический и статистический анализ, выстраивание причинно-следственных связей, прогнозирование поведения целевой аудитории и пр.
Важно понять, что data-driven подход – это не просто методика, это своего рода концепция, применение которой не ограничено какими-то общими рамками. Простой пример – медицинская сфера. Врач собирает данные из анамнеза пациента, назначает ему анализы с целью получения определенной информации.
На ее основе он выстроит какую-то гипотезу о причине недомогания и внедрит определенную схему лечения. После чего начинается сбор новой информации, введение изменений, то есть проверка гипотезы. Улучшение показателей означает, что изначальное предположение было верным. Отсутствие изменений или ухудшение здоровья предполагает коррекцию, выявление причинно-следственных связей и новых гипотез и т.д.
В каких сферах чаще всего применяется data-driven подход? Например:
-
маркетинг – анализ поведения потребителей и их действий, как реакции на какую-то рекламную кампанию, помогает понять, какие услуги и товары востребованы, какие каналы связи наиболее актуальны, какие рекламные креативы окупаются;
-
финансы – сбор и анализ данных рынка, экономики, поведения инвесторов позволяет делать статистически оправданные выводы, выстраивать инвестиционную стратегию, предлагать наиболее актуальные продукты и пр.;
-
транспорт – анализ поведения водителей, информации о трафике, позволяют оптимизировать работу: снизить затраты на топливо, упростить и сократить маршруты, уменьшить нагрузку на водителей, повысить безопасность перевозок и пр.
Data-driven подход – вполне универсальный метод, задача которого объективно оценить рациональность и эффективность любого действия, бизнес-процесса или продукта, который внедряется в работу, независимо от конкретной сферы его применения.
Как data-driven подход работает на практике
Проще всего понять, как работает этот подход, на простом и вполне типичном примере, разобранном по этапам.
Предположим, руководитель службы поддержки выявил проблему – клиентам, которые в нее обращаются, приходится долго ждать ответа на возникшие вопросы и проблемы. Это влияет на их лояльность и уровень доверия к компании.
- Ideas (1).
Выдвигается гипотеза – необходимо дополнительно нанять 5 сотрудников, которые будут оперативно реагировать на обращения клиентов.
Гипотеза отправилась на рассмотрение аналитику, который пришел к выводу, что средства, потраченные на обучение и заработную плату 5 новым сотрудникам, несоразмерны ожидаемой выгоде.
- Ideas (2).
Была выдвинута новая гипотеза – внедрить чат-бот, который будет автоматически отвечать на типичные запросы клиентов и оповещать специалиста техподдержки только в том случае, если у пользователя нестандартная ситуация, не вписывающаяся в заранее выработанный сценарий. Затраты на начальном этапе значительные – они связаны с выбором, покупкой и настройкой подходящего IT-решения. Однако, они единовременные, и, со стратегической точки зрения, оправданы.
Плюс к этому, выявлены дополнительные преимущества, например, повышение уровня комфорта клиентов – многие из них предпочитают взаимодействовать с чат-ботами, нежели с менеджерами (это вписывается в портрет ЦА). Другое возможное преимущество – снижение нагрузки на сотрудников техподдержки.
Если часть вопросов, которые могут быть решены автоматически, уйдет из задач менеджера, у него появится больше времени, чтобы взаимодействовать с клиентами для решения более сложных проблем, требующих особого внимания.
- Build.
Гипотеза была принята, и следующий шаг – ее реализация. Подбирается наиболее подходящий по затратам и функционалу IT-продукт (готовое решение, сервис с дополнительными настройками и внедрением, программа «под ключ» и пр.).
- Product и measure.
Функция внедряется на сайт, пользователи с ней знакомятся, понимают принцип работы, начинают активно использовать, проходить опросы, давать обратную связь.
- Data.
Формируется пул данных, необходимых для анализа: коэффициент удержания, оттока, конверсия, оценка лояльности, степень удовлетворенности работой с чат-ботом (решен или не решен был вопрос), изменение в результативности сотрудников техподдержки и пр.
- Learn.
Обработка полученных данных позволила сделать выводы, что, в конкретно представленной целевой аудитории, чат-боты – это эффективный инструмент взаимодействия. Это дает пищу для ума и новых гипотез – возможно, с помощью чат-бота можно автоматизировать не только работу с техподдержкой, но и некоторые этапы продажи, проводить опросы и конкурсы для клиентов и пр.
Что в итоге
Data-driven – это универсальный подход в аналитике, который основан на всестороннем сборе информации, выявлении статистических закономерностей, установлении четких метрик, по которым оценивается эффективность действий. И применяться этот метод может практически в любой сфере деятельности и нише.
Но не стоит думать, что data-driven подход может полностью исключить необходимость участия человека. Порой профессиональный опыт, выработанные алгоритмы и инструкции, креативный подход гораздо важнее. Особенно, когда бизнес сталкивается с нестандартными ситуациями и неожиданными, совершенно новыми задачами.
Поэтому data-driven подход нужно воспринимать не как замену, а как дополнение к тем компетенциям, которые есть у профессионалов своего дела. Это всего лишь способ объективно оценить результативность тех или иных действий, без которого трудно будет выстроить эффективную стратегию продвижения бизнеса и внедрения тех или иных продуктов.
