Давайте сначала попробуем понять, что такое аналитика, кто является внутренним клиентом и как данные используются менеджерами разных уровней. Основные функции аналитики данных в компании тесно связаны с целями компании и всегда служат индикатором достижения этих целей.
Аналитика данных: что, кто, как, зачем и почем
Сегодня, когда Большие Данные бороздят просторы облачного блокчейна, каждая компания стремится стать управляемой данными. Руководители рассматривают Data Science как панацею для решения всех стратегических и бизнес-проблем. А специалист по исследованию данных рассматривается как универсальный солдат с серебряными пулями. В этой статье я расскажу вам, почему это не так, зачем нам нужны другие специалисты по анализу данных и можно ли сэкономить на дорогостоящей аналитике.
Кому, когда и зачем нужна аналитика данных
Определение наиболее прибыльных направлений, выявление источников скрытых затрат, оценка эффективности маркетинговых стратегий, уточнение портрета целевой аудитории, разработка плана по повышению коэффициента конверсии — вот далеко не полный перечень типичных задач аналитика данных. Аналитик данных собирает разрозненную информацию из различных источников (веб-сервисы Яндекс.Метрика и/или Google Analytics, системы электронной почты, корпоративные хранилища данных, 1С и т.д.) и составляет краткие и простые отчеты, чтобы руководители могли наглядно видеть все важные показатели своего бизнеса и принимать необходимые управленческие решения. Например, увеличить инвестиции в рекламные каналы, которые приводят в интернет-магазин больше посетителей, заинтересованных в товарах, или внедрить реферальную систему для увеличения среднего перекрестного бонуса продаж 1.
Анализ данных понадобится вам при выходе на новые рынки, разработке нового продукта или расширении территории продаж. Детальное исследование потенциальных покупателей поможет разработать наиболее эффективные маркетинговые кампании, основанные на реальных потребностях и возможностях потребителей. Он также даст руководству достаточно точные ответы на вопросы о целесообразности открытия нового филиала и прогнозах достижения самодостаточности.
Всесторонний анализ исторических данных (статистика расходов, динамика продаж, рост целевых групп, сезонные и политические влияния на бизнес и другие внешние и внутренние факторы) поможет систематически анализировать и выявлять новые возможности для роста и развития. Поэтому не будет преувеличением сказать, что сегодня аналитика данных нужна каждому руководителю компании.
Кто анализирует данные и сколько это стоит
Считается (и небезосновательно), что аналитика данных стоит дорого и что опытный специалист по данным может стоить столько же, сколько топ-менеджер крупной компании. Стоит отметить, что зарплата экспертов по Big Data в 2018 году составила 200 тысяч рупий — почти вдвое больше средней зарплаты в ИТ-индустрии на тот момент
В 2019 году ситуация существенно не изменилась. Например, обзор рынка вакансий в ИТ-секторе, подготовленный Службой исследований Яндекса на основе данных «Яндекс.Практики» и аналитического сервиса HeadHunter, показывает, что средняя зарплата data scientist составляет 115 тысяч рублей в месяц. При этом спрос на этих специалистов значительно вырос по сравнению с прошлым годом 5. Аналогичное исследование зарубежного ИТ-портала Stack OverFlow приводит следующие данные о зарплатах аналитиков 6:
В целом, стоимость специалиста напрямую зависит от его опыта (Рисунок 3) 6. Учитывая повышенный спрос на экспертов по данным в условиях ограниченного предложения, зарплаты специалистов по данным и инженеров остаются довольно высокими даже при недостаточном практическом опыте. Это наблюдение подтверждается исследованиями, проведенными компанией Яндекс: Доля вакансий для соискателей с опытом работы менее одного года в области аналитики данных и машинного обучения на 25% выше, чем в целом по рынку 5.
- ученый по данным и специалист по машинному обучению зарабатывают около 61 тысячи долларов в год, что составляет более 300 тысяч рублей в месяц;
- аналитик данных и BI-специалист получают 59 тысяч долларов в год, т.е. почти 300 тысяч рублей в месяц.
Однако Большие данные — это не всегда большие расходы. Стартапы и малые предприятия, например, не хотят нанимать дорогостоящего специалиста и создавать собственный кластер Hadoop для хранения и обработки данных своими силами. Лучше временно нанять внештатного консультанта и использовать облачные сервисы для работы с ИТ и приложениями. В частности, многие CRM и системы управления задачами (AmoCRM, 1С, Мегаплан и др.) включают встроенные дашборды — наглядные витрины с графическим представлением всех бизнес-показателей. Бесплатные платформы бизнес-аналитики (BI), такие как Pentaho, Microsoft Power BI и т.д., позволяют интегрировать данные из различных источников (CRM, локальные электронные таблицы и базы данных) и быстро отображать их на любом устройстве (Рисунок 4) 7. Конечно, их качество ниже, чем у платных версий, но для стартапа даже Tableau может быть довольно дорогим решением.
BI-экспертов иногда называют BI-аналитиками. И они выполняют как задачи BI, так и задачи анализа. Несмотря на достаточно широкие возможности готовых BI-систем, их инструментов недостаточно для решения задач средних и крупных компаний. В частности, аналитик данных сможет сформулировать нетривиальную гипотезу, например, об увеличении спроса на строительно-монтажные изделия в секторе нового строительства, и проверить ее, самостоятельно собрав набор данных из 8 открытых источников. Также, скорее всего, потребуется глубокая интеграция BI-системы с другими элементами ИТ-инфраструктуры компании, которая не может быть решена простым обменом файлами или API-интерфейсами.
Задачи маркетинговой аналитики
- анализировать, из каких каналов на сайт приходит основной поток пользователей;
- лучше понимать целевую аудиторию, определяя характеристики наиболее ценных и вовлечённых пользователей;
- исследовать поведение, интересы и лояльность групп пользователей в различных срезах (например, местоположение, устройство, браузер);
- отслеживать выполнение целевых действий (например, покупка, отправка заявки, регистрация) и строить воронки;
- рассчитывать и контролировать в динамике стоимость привлечения лида (CPL) и целевого действия (CPA);
- оценивать в динамике показатели ROI и ROMI — отдачу от платных рекламных кампаний и каналов с применением разных моделей атрибуции.
Универсальная подарочная карта Vpodarok для близких, сотрудников, партнеров и клиентов
Сбор данных
- отслеживать трафик с различных устройств;
- получать информацию о местоположении, устройстве и браузере посетителей;
- понимать пользовательские события, включая создание воронок и составных целей из нескольких шагов;
- составлять подробную отчётность по онлайн-покупкам;
- записывать действия пользователей с помощью вебвизора (клики, переходы, удержание внимания на изображении);
- создавать кастомизированные отчёты с различными параметрами и метриками;
- объединять и получать данные о расходах из разных рекламных источников и данные о заказах и доходах из CRM.
