Почему сквозная аналитика не дает ожидаемых результатов? Часть 1

2024-07-02 16:02:06 Время чтения 8 мин 33

Согласно исследованию Gartner, более 50% руководителей высшего звена недовольны качеством и ценностью, полученной от аналитики. По мнению участников опроса, ожидания от внедрения и интеграции аналитических систем и инструментов не были оправданы и не принесли планируемого результата.

В этой статье мы поговорим про: 

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

Зачастую, маркетологи и аналитики, руководители направлений отмечают, что сталкиваются с определенным количеством сложностей в работе с данными. 

Например:

  1. Необходимость выделять дополнительный ресурс для внедрения системы аналитики и интеграции ее внутри команды;
  2. Отсутствие точных рекомендаций для определением “слабых зон” и подводных камней, с которыми можно столкнуться при запуске аналитического проекта на любом из его этапов;
  3. Сложности с планированием конечного результата, из-за чего ожидание/реальность зачастую не сходятся;
  4. Непонимание, действительно ли полученным данным доверять можно? И как их корректно интерпретировать после сбора?

Сегодня мы публикуем первую часть нашего материала про качественные данные. 

О чем поговорим?

  1. Обсудим, что такое качественные данные;
  2. Рассмотрим, с какими этапами сталкивается аналитический проект при запуске;
  3. Разберем один из важнейших этапов — подготовительный;
  4. Опишем некоторые “подводные камни” и подберем решение для каждого из них.

Что такое качественные данные?

Качественные данные — это определенная характеристика или набор свойств, которые отражают степень пригодности данных к использованию для решения поставленных задач. Среди этих свойств: полнота, согласованность данных, точность, надежность и др.

По мере увеличения объема данных, становится важным согласованность внутренних данных. Когда данные согласованы, они соответствуют заранее определенным правилам и стандартам, гарантируя, что одна и та же информация дает одинаковые результаты независимо от того, где и как к ней осуществляется доступ. 

Почему качество данных важно?

Теперь давайте поговорим о важности качества данных. Что делает все это таким важным? Если говорить простыми словами, чем здоровее данные, тем лучше результат. 

Состояние ваших данных, уровень их здоровья, напрямую влияет на работу бизнеса и расширяет возможности развития. Постоянно совершенствуя и повышая качество данных, которые вы используете, позволит вам своевременно влиять на эффективность маркетинговых и аналитических инструментов. 

Решения, построенные на неточных данных, могут привести вас к некорректным заключениям и стратегическим ошибкам

Согласно опросу Gartner, проведенному среди крупных компаний, низкое качество данных является причиной убытков в среднем в размере 15 миллионов долларов в год. При этом чем позже выявляются плохие данные, тем дороже обходится исправление ошибок.

Работа с данными

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

  1. Определение основных задач и требований к данным.
  2. Сбор сырых данных.
  3. Подготовка данных к использованию.
  4. Использование данных (отчетность, прогнозирование, интерпретация).

Мы считаем 1 и 2 пункты наиболее важными, ведь именно ошибки, совершенные на первых этапах, приведут вас к неверному результату.

Вызовы и решения

  1. Определение основных задач и требований к данным

Это подготовительный этап перед запуском нового аналитического проекта. Чем более структурированной и тщательной будет ваша подготовка к работе над этапом подготовки, тем более точно вы сможете запланировать и распределить требуемый ресурс. 

На данном этапе советуем проработать, какие задачи бизнеса необходимо будет решать, какие источники данных для этого потребуются, какие требования у компании к этим источникам, какая структура данных необходима и др.

Проработайте список бизнес-вопросов, на которые можно получить ответ на основе сформированной отчетности. Какими могут быть вопросы:

  1. Какова динамика эффективности каналов X и Y по сравнению с предыдущим периодом?
  2. Как соотносится структура расходов и структура выручки в разрезе каналов?
  3. Как инвестиции в маркетинг/рекламные интеграции влияют на выручку компании и в каком %-ом соотношении?
  4. Какие источники, каналы и кампании драйвят доход в online, ROPO и ROPO+ online?
  5. Как различаются количество и стоимость конверсионных действий пользователей по каналам в зависимости от модели атрибуции?

Список вопросов для каждого проекта будет индивидуален.

Полный список критериев на стадии планирования мы сформировали в нашем гайде, который можно получить по ссылке. Мы проанализировали более 20 критериев, которые могут оказать влияние на качество ваших данных.

В предыдущих материалах мы описывали основные виды отчетности, используемые маркетологами, аналитиками и управленцами для формирования инсайтов: 

  1. Рассказывали про пользу Performance отчета для бизнеса здесь.
  2. Подробно рассказывали в статье про ROPO отчеты и влияние ROPO на Online.
  3. Хотите знать больше про мультиканальную атрибуцию?

Составили полноценный гайд по всем моделям атрибуции: от LastClick до funnel Based Attribution. Оставить заявку на получение можно здесь.

  1. Делимся опытом, как сохранить Отчет по баннерам, используемый бизнесом, при смене источника сбора данных в кейсе с RS24.

После того, как вы определились с целями и задачами, обратите внимание на требования к структуре данных. Структура данных — это способ организации информации для более эффективного использования. Это данные, связанные между собой определенным образом. Без структурирования данных вы не сможете их упорядочивать, искать нужную информацию, анализировать и использовать данные с применением алгоритмов программирования.

Мы рекомендуем подготовить данные из следующих источников и структурировать их:

  1. О поведении пользователей в web/app;
  2. О расходах из рекламных площадок;
  3. Чат-бот, email и другие платформы;
  4. CRM/ERP системы, google sheets и др сервисы.

Продумайте, с помощью какого аналитического стека вы будете собирать необходимые данные. Мы подготовили пример целевой архитектуры проекта, на которую вы можете ориентироваться.

*Аналитические инструменты для каждого проекта подбираются индивидуально, исходя из требований и возможностей бизнеса.

Планирование любого аналитического проекта — один из важнейших этапов. Согласно статистике и нашему опыту, именно из-за ошибок в планировании, формировании целей и задач, дальнейшая работа может быть выполнена впустую или с погрешностями.

Расскажите, как вы проверяете данные на качество? С какими вызовами, связанными с недостаточным качеством данных, вы сталкивались?

Более 70 компаний из ТОП-100 в РФ уже доверяют работу со своими данными команде DataGo! Если у вас остались вопросы по подбору аналитических инструментов и способам объединения данных, свяжитесь с нами.