Data-driven подход: серебряная пуля либо ветхие грабли на новейший лад?| SEO кейсы: социалки, реклама, инструкция

Мы не можем править тем, что не можем измерить.

Питер Фердинанд Друкер,

один из водящих теоретиков менеджмента XX века.

Data-driven просочился практически во все сферы: data-driven менеджмент, маркетинг, тестирование, программирование и даже data-driven дизайн (желая, казалось бы, в области, где верховодит креатив, основываться на сухих цифрах – заключительнее дело) .

Веб заполнен изумляющими кейсами, удачными образцами, графиками кратного роста всех вероятных KPI. Складывается воспоминание, что решения, основанные на данных, – панацея от всех ошибок и заморочек. Данные трансформируют потаенную мечту хоть какого бизнеса в действительность: никакой неопределенности, все решения принимаются сами собой и приводят к лучшим результатам. Можнож сосредоточиться на творческой доли процесса.

Data-driven подход – это стратегия управления, основанная на данных.

Суть подхода: принятие хоть какого решения обязано быть обосновано воздействием на бизнес-цели компании и аргументировано цифрами.

Казалось бы, о чем здесь разговаривать?Еще 100 годов назад хоть какой лавочник воспринимал решения, основываясь на конкретных цифрах о заработках и расходах.

Обычно принятие решений во многом основывается на экспертной оценке: воззрении управления, сложившихся в компании традициях, наставлениях приглашенных знатоков, прошлом удачном опыте и практически всех иных факторах.

Data-driven подход, против, ставит данные во главу угла хоть какого принимаемого решения.

История появления

В 1-ый раз термин data-driven упоминается в 90-х. На тот момент таковой подход стал кандидатурой многофункциональному либо объектно-ориентированному программированию. Информационное поле трансформировалось, рынок digital набирал обороты, появлялись все более доступные вычислительные мощности. Мысль data-driven преобразовалась и отыскала применение в маркетинге и менеджменте.

Data-driven менеджмент

Менеджмент, основанный на данных, исполняет несколько главных функций:

1. Максимизация эффективности вложений в бизнес. Микросегментация, управление количеством касаний, привлечение новейшей аудитории с учетом конфигурации пользовательского опыта и практически все иное повышают эффективность вложений начиная от логистики и заканчивая кадровой политикой.
2. Сокращение рекламных издержек. Маркетинговые кампании поддаются анализу вплоть до оценки эффективности конкретного маркетингового объявления с учетом LTV завлеченных юзеров.
3. Наибольшая клиентоориентированность. Детализированный анализ целевой аудитории, индивидуальная коммуникация с клиентом, мониторинг откликов, оценки удовлетворенности клиентов, проведение опросов, –– все это извлекается из данных.
4. Оперативная реакция на конфигурации базара. Отслеживание данных в режиме настоящего медли теснее никого не дивит, а превосходно настроенный мониторинг дозволяет принимать решения молниеносно.
5. Максимизация прибыли за счет всего перечисленного выше.

В качестве образца осмотрим крупнейшую в мире оптово-розничную сеть Walmart. 12 000 торгашеских точек, 2 миллиона служащих – без великих данных этого великана ожидала бы участь динозавров. Но у Walmart все превосходно. Компания отслеживает ситуацию во всех торгашеских точках, употребляет 200 внутренних и наружных источников инфы и обрабатывает 2,5 петабайт данных в течение часа. Walmart оперативно корректирует цены на продукты в согласовании с переменами в поведении покупателей.

Какие задачки решает data-driven подход?

На шаге творения новейшего продукта ( сайта, прибавления, новейшего функционала в имеющемся проекте) принимается масса решений: каким непосредственно он будет, для какой целевой аудитории, как будет смотреться и нужен ли вообщем.

Решения принимаются командой знатоков: обладателями бизнеса, рекламщиками, дизайнерами, разрабами. Этот момент – лучшее время применить data-driven подход.

В итоге получаем ответы на главные вопросцы:

• Какую долю целевой аудитории продукта сочиняет тот либо другой сектор?
• Какую прибыль принесет этот сектор?
• Какие задачки юзера решит продукт?
• Какой функционал будет нужен и как?
• Каким количеством юзеров?
• У каких соперников есть схожие реализации?

Опосля подходящих исследований и анализа результатов получаем массу неожиданных инсайтов. Прибывает понимание того, для чего же творить ту либо иную фичу, какую цель она преследует и какой итог принесет.

Решение о редизайне либо доработке имеющегося продукта также идет принимать, основываясь на данных.

Сначала нужна объективация ситуации, подтвержденная цифрами. В зависимости от специфики бизнеса, метрики, отражающие настоящую картину, могут быть различными, но они обязаны быть. На этом же шаге расценивают ступень удовлетворенности клиентов. Выяснят, как непосредственно они пользуются продуктом, какой функционал более нужен, с какими неуввязками сталкиваются, что желали бы улучшить.

Гипотезы, появившиеся опосля обработки данных предшествующего шага, необходимо подтверждать цифрами с поддержкою количественных исследований.

Желание улучшить продукт либо повысить конверсию приводит к разнородным догадкам. Решение о их внедрении принимают на основании данных. К таковым данным относится информация о покупательском поведении имеющихся клиентов, абсолютных покупках, составе заказов, среднем чеке и периодичности покупок. Анализ откликов, жалоб, писем в клиентскую службу и техподдержку –– данные, из которых тоже можнож получить главные инсайты.

Выстраивая эту информацию в единичную картину, мы получаем четкий и полный портрет каждого клиента. Превосходно выстроенная коммуникация – это наибольшее удобство клиента и наибольшая прибыль бизнеса.

Самые ясные и занимательные решения data-driven подхода – в кейсах Яндекса и на портале Think With Google.

Недочеты data-driven подхода

Самый основной недочет – данные не будут принимать решения за вас.

1-ое решение, которое необходимо принять, – нужен ли вашему бизнесу data-driven менеджмент.

Учитывайте аспекты:

• Просто собирать данные недостаточно. Нужна инфраструктура сбора данных, их структуризация, систематизация и своевременная передача необходимым людям в необходимое время.
• Эта инфраструктура взыскательна к человеческому ресурсу. Служащих подходящей квалификации отыскивать трудно, и стоить они будут недешево.

Профессионалы, которые работают с данными, могут задавать правильные вопросцы и отвечать на их, генерировать гипотезы, предоставлять советы и доказывать управляющих в том, что их гипотезы верны.

• Чтоб делать все это, сотрудникам необходимы подходящие навыки, обучение и поддержка.
• Кроме инфраструктуры сбора данных, есть требования и к структуре самой организации. Общие цели и задачки, узкая взаимосвязь меж бизнес-подразделениями, также централизованная поддержка в обучении и формировании стандартов.
• Чем больше данных собираем, тем больше медли расходуем на их обработку. Тем сложнее разделять означаемые факты от незначимых и тем больше ресурсов тратится на проверку гипотез.

Ежели количество данных превосходит способность менеджмента к их обработке и принятию решений, их ценность автоматом снижается до нуля.

• Приобретенные данные, даже чрезвычайно полные и чрезвычайно четкие, обрисовывают прошедшее. На основании таковых данных строят предиктивные модели, но нельзя забывать, что в хоть какой момент может прилететь «черный лебедь».
• Для оценки новейшего функционала либо инноваторского продукта, которого ранее не было, data-driven подход неприменим.
• Результаты внедрения data-driven подходя будут видны не сходу. К этому необходимо быть готовым не ожидать чудес.
• Пути назад нет. Ежели компания воспринимает решения, основываясь на данных, все другие причины (прошедший опыт, экспертное воззрение, прочитанный в вебе кейс и т.д.) играют роль лишь на шаге формирования гипотез.

Резюме

В нашем поганом мире гарантии отсутствуют.

Мастера оперируют вероятностями.

Генерал Дж. С. Паттон

Так стоит ввязываться в трудное не дешевое внедрение data-driven?

Однозначно стоит. Рынок не стоит на месте, юзеры стают более взыскательными, технологии посильнее попадают в жизнь каждого жителя нашей планеты, и удивительно не воспользоваться этими превосходствами.

Сбор данных – лишь 1-ый шаг. Дальше идет их интерпретация, потом – принятие решений и корректировка стратегии бизнеса.

Главно, чтоб решения, основанные на данных, не привели к датацентричности, о которой предостерегает история дизайнера Google. Он покинул команду из-за лишнего «датацентризма». Ах так он откомментировал собственный уход:

Когда компания наводнена инженерами, они стараются хоть какое решение сузить до одной логической задачки. Удалить всю субъективность и просто посмотреть на данные. Когда команда Google не могла выбрать меж 2-мя цветами голубого, они проводили тестирование 41 оттенка, чтоб узреть, какой работает лучше. Не так давно я спорил о том, какой обязана быть обводка в толщину: 3, 4 либо 5 пикселей, и меня попросили подкрепить мое воззрение данными. Буду тосковать по работе с невозможно профессиональными и разумными людьми, но не по дизайн-философии, которая пала от клинка под заглавием «Данные».

С чего же начинать внедрение?

Смонтировать команду.

• Начать собирать данные из наибольшего количества источников (продукт, маркетинговые кабинеты, CRM/ERP система и т.д.) .
• Спроектировать архитектуру структуры данных, подходящих для принятия решений на всех шагах.
• Сделать процесс передачи подходящих данных необходимым людям в необходимое время.
• Визуализировать данные.
• Применять!

Когда не работает количественный подход, применяйте высококачественные исследования, общайтесь с юзерами и просто включайте здоровый смысл.

Главно осмысливать суть каждого подхода, способности и применимость к конкретной ситуации. Когда вы работаете над чем-то, у вас есть видение того, к чему вы желаете придти. Данные необходимы, чтоб корректировать направление движения.

К примеру, с поддержкою HADI-циклов:

Собранные данные – источник гипотез. На основании гипотез проводят исследования, результаты проверяют с поддержкою данных, опосля чего же делают выводы. Весь этот цикл ориентирован на решение задач бизнеса и получению лучших результатов.