Из этого материала вы узнаете:
Аналитическое исследование – это детальный анализ каких-либо данных, на основе которых потом применяется решение. Самый банальный пример: проанализировали продажи в интернет-магазине и пришли к выводу, что синих дрелей покупают больше, чем красных. Логично же, что вывод сам собой напрашивается, какого товара следует закупить больше для дальнейшей перепродажи.
На самом деле возможности аналитики куда шире, чем в примере выше, особенно в нынешних реалиях с огромным количеством больших данных. BigData вносит свои коррективы в устоявшиеся методы и технологии, и они не становятся хуже, наоборот, модернизируются и компьютеризируются. Сейчас уже редко кто проводит полевые исследования, достаточно сделать пару кликов мышкой, чтобы открыть сводную таблицу в специальной программе.
Зачем это вам все знать и какая польза от аналитических исследований, мы подробно рассказали ниже в статье.
Что такое аналитика
Ежегодно объемы информации возрастают, не имеет значения, какая это сфера деятельности. Тот, кто увлекается спортом, знаком с бейсбольной статистикой Moneyball и понимает, что произошла революция в профессиональном бейсболе. Это стало возможным лишь благодаря проведенному анализу данных о том, насколько эффективны действия каждого из участников игры. Сегодня эту статистику внедрили во многие виды спорта.
Геймеры, которым нравятся сетевые компьютерные игры, знают, что такие компании, как Zynga и ElectronicArts, занимаются сбором, накоплением, а также анализом всех данных об их игровом поведении.
Если вы увлекаетесь кинофильмами, то, скорее всего, знаете о методике, которую применяет компания Netflix, чтобы прогнозировать пользовательские предпочтения в данной области. Также вы наверняка слышали, что известные киностудии в Голливуде, к примеру, RelativityMedia, применяют подобные методики, чтобы принять верное решение о том, какие фильмы запустить в прокат.
Что такое аналитика
Необходимо понимать, что есть множество типов данных. Какие-то используются для бухучета. К примеру, в вашей организации, скорее всего, хранятся данные о том, когда вас зачислили в штат, а также сколько дней вы провели в отпуске.
Однако, когда разных типов данных накапливается слишком много, руководство организации принимает решение начать использовать их с выгодой для фирмы, к примеру, чтобы выбрать дальнейший вектор развития.
Чаще всего используют базу данных о сотрудниках. Изучив эту информацию, владелец компании может спрогнозировать, сколько человек напишет заявление с просьбой об увольнении в будущем году. Кроме того, эти сведения позволят понять, насколько эффективно трудились те сотрудники, которые полностью использовали свои отпускные.
Собирать и анализировать информацию нужно не только для того, чтобы принимать наиболее эффективные управленческие решения.
Большинство онлайн-корпораций, таких как Google, Facebook, Amazon, eBay, применяют собранные данные о текущих онлайн-операциях как для обоснования выбранного решения, так и для того, чтобы создавать новые продукты и свойства товаров.
Не важно, какова ваша цель: разработать новую ценность для клиентов либо улучшить принимаемые решения, в любом случае придется провести аналитическое исследование.
Специалисты-аналитики обобщат данные, выявят внутреннюю логику, после чего создадут модели. Чтобы найти в собранной информации логику и использовать полученные сведения с пользой для компании, необходимо применять методы математического и статистического анализа, которые обобщенно называются аналитикой.
Под аналитикой понимается всестороннее использование баз данных, а также статистический и количественный анализ, объяснительные и прогнозные модели, доказательный менеджмент, которые применяются, чтобы выработать максимально эффективное решение, увеличить ценность продукта для потребителя.
Основные виды аналитических исследований
Существует несколько видов аналитических исследований, отличаются они между собой по цели и методам. Расскажем о видах аналитики подробнее.
Описательная
При проведении описательного аналитического исследования данные собираются, систематизируются, а затем заносятся в таблицу, чтобы после можно было выделить основные параметры. Описательная аналитика необходима, чтобы получать достоверную информацию об основных характеристиках данных. Этот метод приносит определенную пользу, однако с его помощью не получится определить причину возникновения той или иной ситуации, также нет возможности спрогнозировать вектор развития текущих бизнес-процессов.
Предсказательная
Придется подготовить такое аналитическое исследование, если необходимо не просто описать данные и зависимости между переменными в виде показателей, имеющих ряд значений, но и спрогнозировать динамику показателей в будущем, используя информацию, полученную за прошлые периоды.
Предсказательная
Прежде всего нужно выявить связи между переменными. После этого можно оценить вероятность того, что произойдет какое-либо событие. К примеру, что реакция потенциальных клиентов на рекламную кампанию будет положительной и они захотят покупать продукцию.
Несмотря на то что связи между переменными используют, чтобы спрогнозировать ситуацию, не во всех случаях получится найти причинно-следственную связь. На самом деле, это не всегда требуется, чтобы составить точный прогноз.
Нормативная
С помощью нормативной аналитики получится решить обширный перечень задач. Это становится возможным благодаря применению следующих методов: оптимизация и эксперимент.
Точно так же, как врач продумывает лечение больного, нормативная аналитика предлагает алгоритм действий.
С помощью эксперимента получится найти ответы на вопросы о том, почему произошли определенные явления. Как исследователь определяет причинно-следственные связи? Для этого изменяется одна либо несколько независимых переменных. Затем отслеживается реакция зависимой переменной, также изучаются внешние по отношению к исследуемой системе факторы.
Когда тестовая группа, где проводится эксперимент, демонстрирует более высокие результаты, чем контрольная группа, тогда управленец должен начать внедрять данное условие.
Оптимизация
Следующая разновидность нормативной аналитики – оптимизация. Ее используют, чтобы найти оптимальное значение выбранной переменной во взаимосвязи с другой переменной. К примеру, если нужно узнать стоимость товара, чтобы продажи стали рентабельными. С помощью оптимизации в розничной торговле также можно определить количество запасов, чтобы гарантировать работу бизнеса без сбоев из-за того, что на складе отсутствуют нужные позиции.
Качественная
Аналитическое исследование может быть качественное либо количественное, все зависит от используемых методов и видов данных. Задача качественной аналитики – понять причины и мотивы определенных явлений. Потребуется ограниченное количество неструктурированных данных, полученных на основе нерепрезентативной выборки. При этом для проведения анализа используются нестатистические методы. Качественная аналитика потребуется, если проводятся поисковые исследования, на первом этапе аналитических исследований.
Количественная
Количественное аналитическое исследование – это систематическое изучение событий, осуществляемое при помощи статистических, математических, а также вычислительных процедур.
читайте также читайте также
читайте также читайте также
После того как будет собрана информация о большом количестве репрезентативных событий, проведена статистическая обработка, получают структурированные данные.
Аналитические методы
Провести аналитическое исследование деятельности можно с помощью разнообразных методов, выбор которых зависит от целей. Итак, выделяют:
- статистику – этот метод представляет собой сбор, систематизацию, анализ, интерпретацию, а также оглашение данных;
- прогнозирование – при реализации этого метода оценивается динамика определенной переменной в выбранный момент в будущем на основе данных о ее прошлой динамике;
- интеллектуальный анализ данных (Datamining) – автоматизированное либо полуавтоматизированное выявление зависимостей, которые были неизвестны ранее, в больших массивах данных при помощи вычислительных алгоритмов либо статистических методов;
- интеллектуальный анализ текстов (Textmining) – с помощью аналитического исследования получится выявить неизвестные зависимости либо тенденции в тексте, используя методы, аналогичные интеллектуальному анализу данных;
- оптимизация – применение математических методов с той целью, чтобы выявить подходящие решения, основываясь на заданных критериях и установленных ограничениях;
- эксперимент – под этим методом аналитического исследования понимается формирование тестовой и контрольной групп (случайный отбор), чтобы выявить причины и степени влияния независимых переменных на зависимую переменную.
эксперимент
Все вышеописанные методы аналитического исследования являются популярными, при реализации многих из них применяют одинаковые аналитические приемы и процедуры.
К примеру, регрессионный анализ – известный и часто используемый аналитический прием в предсказательной аналитике, также он нередко применяется в статистике, прогнозировании и интеллектуальном анализе данных.
Еще один пример: анализ временных рядов, специальная аналитическая процедура из статистики, применяемая, чтобы проанализировать меняющиеся во времени значения переменных, встречается в статистике и прогнозировании.
читайте также читайте также
читайте также читайте также
Учетные данные, ориентируясь на которые, руководство принимает решения по сотрудникам, структурированы, зачастую представлены в виде таблицы, количественные и небольшие по объему (до 1-2 терабайтов в крупных организациях). Эти данные обычно применяются в аналитике и носят название «малые данные». Раньше аналитики опирались в своей работе только на эту информацию. Однако сейчас развивающиеся фирмы и корпорации, НКО, а также стартапы имеют дело с так называемыми большими данными. Они представляют собой неструктурированные массивы информации сверхбольшого объема.
Источниками этих данных выступают, например, онлайн-дискуссии в сети Internet, видеоматериалы, информация, полученная после анализа ДНК больных в клинике.
Объем таких данных существенно больше, к примеру, несколько тысяч петабайт. Так, «Гугл» обрабатывает около 24 петабайт интернет-данных каждый день, AT&T передает по телекоммуникационным сетям приблизительно 30 петабайт музыки и других данных в сутки.
С помощью новейших прикладных компьютерных программ и технических достижений стало возможным проводить анализ больших массивов данных, получая нужную информацию.
Современные технологии в аналитических исследованиях BigData
Недостаточно лишь собрать большие данные, необходимо правильно использовать их, к примеру, чтобы составлять прогнозы развития бизнеса либо для проверки маркетинговых гипотез. Поэтому данные должны быть структурированы, после этого можно приступать к анализу. Далее рассмотрим, какие бывают методы и технологии BigData, а также разберем, каким образом они могут помочь в обработке больших данных.
Краудсорсинг
Чаще всего для того, чтобы проанализировать большие данные, применяются компьютеры, однако в некоторых случаях эту работу выполняют специалисты. Именно для этих целей используется краудсорсинг, то есть привлечение большой группы людей, которые решают определенную задачу.
Краудсорсинг
Представьте, что у вас имеется большой объем необработанных данных. К примеру, записи о продажах торговых точек, при этом проданная продукция записана неправильно, с сокращениями. Например, дрель Bosch с аккумулятором на 10 мАч записана как «Дрель Бош 10 мАч», «Дрель Бошь 10», «Дрель Босш акк 10» и иными способами. Необходимо найти тех, кто за определенную плату вручную просмотрит таблички, чтобы привести все наименования к одной правильной форме.
Краудсорсинг покажет высокую эффективность как однократное решение, когда нецелесообразно придумывать сложную систему искусственного интеллекта.
Однако, когда требуется регулярный анализ больших данных, выгоднее использовать систему, которая основана на DataMining либо машинном обучении. Важно понимать, что в таком случае краудсорсинг не подойдет, так как машины качественней проведут сложный анализ с использованием математических методов, таких как статистика либо имитационное моделирование.
Смешение и интеграция данных
Работая с большими данными, зачастую приходится собирать разнородную информацию из нескольких источников. Чтобы достичь поставленной цели, необходимо собрать BigData воедино. Не получится загрузить большие данные в одну базу, поскольку в зависимости от источника будут отличаться формат и параметры сведений.
Тогда придется использовать смешение и интеграцию данных, то есть приводить разнородную информацию к единому виду.
С помощью каких методов получится использовать данные из разных источников:
- Приведение данных к единому формату: распознавание текста с изображением, конвертация документов, перевод текста в цифры.
- Дополнение данных. Когда существует два источника данных об одном объекте, необходимо дополнить информацию из первого источника данными из второго, чтобы оценить полную картину.
- Отсеивание избыточных данных. Этот метод подойдет, когда один источник собирает лишнюю информацию, которая недоступна для анализа, поэтому ее нужно удалить.
Смешение и интеграция данных – оптимальный вариант, когда есть множество разных источников информации и требуется проанализировать сведения в комплексе.
К примеру, ваша компания реализует продукцию офлайн, через маркетплейсы, а также через сайт. Для получения полной информации о проданных товарах и спросе необходимо получить огромное количество данных, а именно кассовые чеки, остатки продукции на складе, онлайн-заказы, заказы через маркетплейсы. Эта информация, поступающая из разных источников, будет отличаться по формату. Для дальнейшей работы с данными необходимо привести их к единому виду.
Стандартные методы интеграции данных основываются на процессе ETL (извлечение, преобразование и загрузка). После того как сведения будут получены из источников, они проходят через очистку, затем загружаются в хранилище. У специальных инструментов экосистемы больших данных от Hadoop до баз данных NoSQL есть свой способ извлечения, преобразования, а также загрузки информации.
Как только BigData будут интегрированы, можно начинать работать с ними, анализировать.
читайте также читайте также
читайте также читайте также
Машинное обучение и нейронные сети
Стандартные компьютеры могут считать, однако не всегда способны решать задачи, с которыми легко справляется человеческий мозг. К примеру, машина не способна понять, что «Дрель Bosch 10 мАч», «Дрель Бош 10», «Дрель Бошь акк 10» ничем не отличаются друг от друга.
Как сделать так, чтобы машина думала, как мы с вами? Для этого необходимо создать в ней структуру, напоминающую мозг человека. Нейронные сети – именно такая структура. Они сделаны из огромного количества искусственный нейронов, при обучении которые создают связи, чтобы стало возможным анализировать данные.
Машинное обучение и нейронные сети
Принцип работы нейронных сетей следующий: после получения информации они пропускают данные через сеть нейронов, чтобы выйти на результат. К примеру, отнести входные данные к какой-либо группе.
Для нормального функционирования нейросети необходимо обучить ее, данная процедура носит название «машинное обучение».
Для наглядности рассмотрим пример. Предположим, необходимо обучить нейросеть, чтобы она могла по изображению определять пол человека. Сделать это можно следующим образом:
- Строим нейросеть — программируем искусственные нейроны, чтобы они воспринимали входные данные, а затем создавали связи.
- Передаем нейросети очищенную выборку — базу лиц, которые отмечены как мужские или как женские. В результате нейросеть поймет, чем отличаются люди разного пола, и сможет самостоятельно определять по фотографии, кто на ней изображен: мужчина или женщина.
- Тестируем нейросеть — передаем ей новую очищенную выборку, однако не указываем, на каких изображения женские лица, а где мужские. После этого можно будет судить о том, насколько часто нейросеть допускает ошибки и приемлемо ли это для вас.
Как только нейросеть будет обучена и протестирована, ее можно использовать, чтобы обрабатывать большие данные.
Нейросети подходят для сортировки информации, классификации данных на основе входной информации, после чего принимается определенное решение.
Чаще всего нейросети применяются для той работы, с которой может справиться человек, к примеру распознание лиц, сортировка изображений, определение мошеннической банковской операции по некоторым признакам. В этих случаях нейросеть заменяет большое количество сотрудников, ускоряя процессы принятия решений.
Имитационное моделирование
В ряде случаев бывает необходимо узнать, как будут вести себя одни показатели, если изменить другие. К примеру, какие изменения продаж произойдут при повышении стоимости товара. Выполнять подобное тестирование в реальности не всегда возможно, поскольку это мероприятие достаточно затратное и может привести к финансовым потерям. В таких ситуациях аналитическое исследование рынка осуществляется с помощью имитационной модели.
Предположим, нужно узнать, какое влияние оказывают различные факторы на продажи торговой точки. Потребуются следующие данные: продажи, цены, количество покупателей. Используя эту информацию, получится создать модель магазина.
После этого можно внести необходимые изменения, например поднять либо снизить стоимость товара, изменить число консультантов, увеличить количество клиентов. От этих факторов зависят другие показатели. Проведя такой эксперимент, получится выбрать наиболее эффективные решения, чтобы затем реализовать их на практике.
Имитационное моделирование чем-то напоминает предиктивную аналитику. Однако в данном случае предугадывание будущих событий происходит по гипотетическим, а не реальным данным.
Имитационное моделирование
Имитационную модель получится создать без больших данных. Однако чем больше информации, тем более точной окажется модель, поскольку в ней будет учтено максимальное количество факторов.
Такой подход показывает высокую эффективность, если нужно проверить гипотезу, однако проводить эксперимент на бизнесе достаточно затратно. К примеру, крупномасштабное изменение стоимости товара на длительный период может привести к банкротству фирмы. Поэтому перед тем, как принять такое рискованное решение, стоит провести тестирование с созданием модели бизнеса.
Необходимо понимать, что при построении масштабной модели невозможно учесть все факторы. Это значит, что результаты моделирования не будут 100 % точными. При реализации задуманных изменений следует учитывать возможные риски.
читайте также читайте также
читайте также читайте также
Статистический анализ
При статистическом анализе происходит сбор данных, их подсчет по выбранным критериям, по завершении которого достигается определенный результат, чаще всего в процентах.
Главный недостаток такого анализа – недостоверность полученных данных, особенно когда выборка небольшая. Приведем не самый удачный пример аналитического исследования: из 30 000 покупателей 20 000 остались недовольны работой фирмы. Руководство инициировало исследование, в ходе которого было опрошено лишь 100 человек, при этом 90 из них были лояльны по отношению к компании. Полученный результат недостоверный, поскольку получилось, что 90 % респондентов довольны обслуживанием, однако на самом деле это не так.
Статистический анализ
Чтобы статистический анализ был достоверным, потребуются большие данные. Если анализируемой информации много, результат будет максимально точным. К примеру, если опросить не 100, а 15 000 покупателей, полученные данные окажутся достоверными.
Чтобы получить точные статистические результаты, применяют несколько методов, наиболее эффективные из них следующие:
- подсчитываем процентное соотношение;
- вычисляем средние значения данных, которые могут быть распределены по группам;
- проводим корреляционный анализ, с его помощью можно обнаружить взаимосвязи и определить, к какому результату приведет изменение одних данных;
- применяем метод динамических рядов, чтобы оценить интенсивность и частоту изменений данных с течением времени.
При проведении статистического анализа требуется выполнить подсчеты. Нередко его включают в другие технологии. К примеру, статистический анализ используется в имитационном моделировании, а также предиктивной аналитике.
Datamining
BigData представляет собой огромный массив данных. Важно увидеть в них определенные закономерности, чтобы использовать с выгодой для компании. Это могут быть сходства, различия, общие категории и тому подобное. Datamining представляет собой поиск подобных закономерностей. При этом необходимо собрать информацию и провести глубинный анализ.
То есть специалисты изучают большие данные, а затем получают из них новую полезную информацию. Осуществить такой анализ можно с помощью разнообразных методов, к примеру классификации, моделирования и прогнозирования. Все они основаны на использовании деревьев решений, нейросетей, генетических алгоритмов и иных методик. К методам datamining можно отнести также и статистические приемы.
читайте также читайте также
читайте также читайте также
Datamining используется, чтобы достичь определенных целей:
- Классифицировать информацию — распределить данные по нескольким классам.
- Выполнить кластеризацию, то есть распределить данные на группы по степени похожести друг на друга. К примеру, составить несколько портретов клиентов, изучив их поведенческие характеристики.
- Провести ассоциацию — найти образцы данных, которые повторяются. К примеру, определить одинаковые наборы товаров, изучив чеки клиентов.
- Выполнить регрессионный анализ — найти факторы, которые влияют на определенные параметры.
- Проанализировать отклонения — выявить нетипичные данные, которые имеют отличия.
Datamining используется в тех случаях, когда из больших данных нужно извлечь тенденции и общие закономерности. Чтобы решать поставленные задачи, которые связаны с данными, необходимо провести datamining. К примеру, для оценки рисков вы можете выполнить регрессивный анализ, сегментировать клиентов при помощи кластеризации, определить спрос, выявив ассоциации в данных.
Визуализация аналитических данных
Визуализация информации необходима для повышения удобства оценки и использования больших данных. Это значит, что сведения должны быть представлены в виде графика, диаграммы, гистограммы, 3D-модели, карты либо пиктограммы.
Чаще всего визуализацию проводят на завершающем этапе аналитического исследования предприятия, чтобы продемонстрировать полученный результат.
К примеру, была создана имитационная модель, выводы можно представить в виде графика, где показаны изменения продаж в зависимости от стоимости товара. Либо после сравнения продаж в нескольких регионах данные были визуализированы на карте, где каждый регион отмечен своим цветом.
Чаще всего инструменты для анализа могут визуализировать полученный результат, поскольку итог проведенного исследования достаточно сложно отобразить без этого. Применяются такие популярные инструменты, как Tableau, Qlik, Orange. Они обязательны в тех областях, где работают люди. К примеру, когда нужно провести оценку результата обработки либо показать их начальнику или управленцу.
Польза аналитических исследований для бизнеса
Исследовательская и консалтинговая компания Gartner предсказала, что уже к 2022 году основным активом 90 % крупных компаний будет информация, а аналитика станет одной из важных компетенций. Те фирмы, которые не используют правильно данные, будут терять возможности развития, тратить бюджет неэффективно.
Финансово-аналитическое исследование – обязательное условие роста и развития компании, двигатель торговли даже в кризисных условиях. Среди причин, позволяющих так утверждать, выделим следующие:
-
С помощью аналитики получится выбирать оптимальные решения, развивать бизнес.
Аналитика – эффективный маркетинговый инструмент, созданный не для того, чтобы напрямую увеличивать доходы, но для выбора оптимального пути, позволяющего достичь поставленных целей.
С помощью аналитики вы сможете придерживаться плана, находить отклонения в динамике, сразу же вносить коррективы. Чем отличается организация, занимающая лидирующую позицию в своей сфере? Только тем, что в ней правильно используют данные о покупателях, доходах и расходах, эффективно управляют рисками. Основа всего этого – аналитика.
С помощью аналитики получится выбирать оптимальные решения, развивать бизнес
Когда в организации грамотно проводится аналитика, руководитель сможет принять оптимальное решение, а значит, фирма будет непрерывно развиваться.
-
Аналитика позволит отслеживать, движется ли компания к поставленной цели.
Когда владельцы бизнеса, руководители компании устанавливают KPI и метрики, то они смогут оперативно принимать правильные решения, двигаясь к своей цели. Аналитика позволит понять, какие данные потребуются, чтобы контролировать работу организации. К примеру, если управленцы топ-уровня каждый день контролируют состояние компании по антикризисным параметрам в 11:00, важно, чтобы аналитик вовремя предоставил полученную информацию в виде отчета директору.
То, какие аналитические инструменты потребуются для сбора и контроля метрик, зависит от поставленных перед фирмой целей.
Когда для вас наибольшую важность представляют онлайн-транзакции на сайте, потребуется просто подключить «Яндекс.Метрику» или Google Analytics, а затем импортировать в эти системы расходы на рекламу. В результате вы сможете отслеживать количественные и качественные метрики, к примеру ROAS или ДРР, затрачивая на это минимум усилий.
Если же в задачи маркетолога входит управление работой фирмы с учетом офлайн-продаж, подход должен быть комплексным. Потребуется объединить данные, выполнить визуализацию, контролировать KPI, а это уже сквозная аналитика.
читайте также читайте также
читайте также читайте также
В сквозной аналитике объединены продукт, маркетинг, а также продажи. Они представляют собой единую систему, находящуюся под контролем. Важно, чтобы отчеты были связаны с прибылью компании и с исполнением заказов с учетом возвратов.
При диверсификации портфеля продуктов и услуг могут быть добавлены такие инструменты, как BI-системы и прогнозные модели, где используются готовые решения либо языки программирования R и Python.
-
Очередная важная функция аналитического исследования – увеличение скорости принятия эффективных решений руководством компании.
Зачастую под сквозной аналитикой понимается система отчетности. Однако ваша цель – не просто получить отчет, но определить точки роста в воронке, управлять рисками. Причем при решении этого вопроса необходимо выявить конкурирующие фирмы.
-
От качества управленческих решений зависит рост и развитие компании, аналитика помогает руководителю действовать оптимальным образом.
На ее основе глава предприятия сможет:
- принимать решения, основываясь на data-driven подходе;
- составлять прогноз поведения покупателей, визуализировать результат;
- создавать сквозную аналитику в организации с нуля.
Без проведения аналитического исследования не получится принимать оптимальные управленческие решения, определять точки роста и работать с рисками.
-
Правильно используя данные, компания выигрывает у конкурирующих фирм.
Множество реальных примеров подтверждают, что, если руководитель принимает решения, не опираясь на анализ внутренних данных, работа компании будет неэффективной. К примеру, при создании проекта накопленных данных слишком мало, поэтому невозможно быстро определять точки роста.
Компании оправданно вкладывают средства в реализацию продукта, если было определено соответствие продукта потребностям целевого рынка (ProductMarketFit), при этом решения принимаются лишь на основе внешних бенчмарок, интуитивно либо с опорой на предыдущий опыт.
Организации, которые сразу же приступают к сбору данных и оптимизации бизнес-процессов, опережают конкурентов.
После активного роста наступает этап насыщения рынка продуктом. В ряде ситуаций покупательский интерес падает, появляется большое количество конкурентов. В результате организация вынуждена снижать темпы роста, компенсируя это повышением эффективности работы с внутренними данными.
-
Компании нуждаются в специалисте-аналитике, который сможет собрать данные, организовать систему отчетности, будет помогать руководству и топ-менеджерам получать ответы на adhoc-вопросы.
Такой сотрудник введет в фирме культуру data-driven, когда управленческие решения принимаются с опорой на собранные сведения, а также культуру data-informed, когда происходит синтез опыта и данных.
Ввести культуру data-driven – это идеальный вариант, достичь которого достаточно сложно. В реальности на этапе насыщения руководителя заботит не то, как выстроить процессы, ему необходимо понять, почему продажи снижаются. Чтобы ответить на поставленный вопрос, аналитик должен исследовать данные, которых нет.
Маркетолог может столкнуться со следующей проблемой: инициирована рекламная кампания с большим охватом, деньги вложены, мероприятия проведены. После ее окончания необходимо подвести итог, но выясняется, что для выполнения полного анализа эффективности рекламной кампании необходимые данные отсутствуют. В таком случае не поможет даже аналитик.
Лишь небольшой процент компаний с самого начала своего существования выстраивает аналитическую культуру. Достаточно редко можно встретить кейсы, когда аналитик специализируется под потребности команд, особенности товара, маркетинга, продаж. Многие руководители ошибаются, считая, что необходимо просто принять на работу аналитика, чтобы превратиться в data-driven компанию.
Если вы хотите, чтобы ваша организация постоянно развивалась, и планируете опередить конкурентов, крайне важно использовать данные о покупателях, затратах и прибыли, эффективно управлять рисками. Это получится осуществить только с помощью грамотно выстроенной аналитики.
Автор: Владимир Сургай
