Почему сквозная аналитика не даёт ожидаемых результатов? Часть 1

Коротко. Сквозная аналитика часто не оправдывает ожиданий бизнеса из-за проблем с качеством app/web-данных и пропущенного подготовительного этапа. Прежде чем запускать сбор данных, нужно понять, что такое качественные данные, через какие этапы проходит аналитический проект и какие «подводные камни» возникают на старте. Именно подготовительный этап определяет, принесёт ли внедрение запланированный результат.

По данным исследования Gartner, более половины руководителей высшего звена недовольны качеством и ценностью, которую они получают от аналитики. Участники опросов отмечают, что ожидания от внедрения аналитических систем не оправдались и не принесли запланированного результата.

В этой статье мы поговорим про:

• сложности, которые могут повлиять на качество app/web-данных;
• решения, основанные на нашем опыте и реальных кейсах из практики.

Маркетологи, аналитики и руководители отделов регулярно сталкиваются с трудностями при работе с данными: приходится выделять дополнительный ресурс на внедрение аналитической системы и интеграцию команды, нет точных рекомендаций, как выявить слабые места до запуска проекта, тяжело планировать ожидаемый результат, а в надёжности данных и корректности их интерпретации возникают сомнения.

О чём поговорим?

• Обсудим, что такое качественные данные.
• Рассмотрим, с какими этапами сталкивается аналитический проект при запуске.
• Разберём один из важнейших этапов — подготовительный.
• Опишем некоторые «подводные камни» и подберём решение для каждого из них.

Что такое качественные данные?

Качественные данные — это определённая характеристика или набор свойств, которые отражают степень пригодности данных к использованию для решения поставленных задач. Свойства включают полноту, согласованность, точность и надёжность.

По мере роста объёма данных критически важной становится их внутренняя согласованность. Согласованные данные подчиняются заранее заданным правилам и стандартам, обеспечивая одинаковый результат независимо от способа доступа к ним.

Почему качество данных важно?

Здоровье данных напрямую влияет на работу бизнеса и потенциал его роста. Постоянное улучшение качества данных позволяет своевременно оптимизировать маркетинговые и аналитические инструменты.

Решения, построенные на неточных данных, могут привести к неверным выводам и стратегическим ошибкам.

По оценкам Gartner, низкое качество данных приводит к значительным ежегодным потерям у крупных компаний. И чем позже обнаружены некачественные данные, тем дороже обходится их исправление.

Работа с данными

Весь процесс работы с данными можно разделить на несколько основных этапов:

• определение основных задач и требований к данным;
• сбор сырых данных;
• подготовка данных к использованию;
• использование данных (отчётность, прогнозирование, интерпретация).

Первые два пункта наиболее критичны: ошибки на ранних этапах приводят к неверным результатам.

Подготовительный этап: определение задач и требований к данным

Этот подготовительный этап предшествует запуску нового аналитического проекта. Структурированная и тщательная подготовка позволяет точно планировать и распределять ресурсы.

На этом этапе стоит учесть:

• какие бизнес-проблемы требуют решения;
• какие источники данных потребуются;
• какие требования у компании к этим источникам;
• какая нужна структура данных.

Сформулируйте список бизнес-вопросов, на которые можно будет ответить с помощью отчётности:

• Какова динамика эффективности каналов X и Y по сравнению с предыдущим периодом?
• Как соотносятся структура расходов и структура выручки в разрезе каналов?
• Как инвестиции в маркетинг влияют на выручку компании?
• Какие источники, каналы и кампании драйвят доход в online, ROPO и ROPO + online?
• Как различаются количество и стоимость конверсионных действий пользователей по каналам в зависимости от модели атрибуции?

Аналитические инструменты для каждого проекта подбираются индивидуально, исходя из требований и возможностей бизнеса. Ранее мы разбирали ключевые типы отчётов для маркетологов, аналитиков и руководителей — performance-аналитику, ROPO-отчёты и многоканальные модели атрибуции.

Планирование любого аналитического проекта — один из самых важных этапов. Статистика и практика показывают, что ошибки планирования на раннем этапе приводят к напрасной или неточной последующей работе.

Что дальше?

После того как этап планирования завершён, начинается самое интересное — сбор данных и интерпретация полученного результата. О неочевидных сложностях, с которыми сталкивается аналитический проект на этих этапах, и о том, как мы с ними работаем, читайте во второй части материала.