5 ошибок в работе с данными
В России бизнес-аналитика пользуется популярностью — но культура работы с данными, особенно в случае малого и среднего бизнеса, по-прежнему находится на стадии формирования. Предприниматели инвестируют в маркетинговую и бизнес-аналитику, но не добиваются целевого показателя возврата инвестиций.
Михаил Кузьмин — соучредитель трех компаний в сфере аналитики: бренда Biarch, который занимается настройкой CRM и визуализацией данных, стартапа Xtree, который поставляет расширенную аналитику для отдела продаж, и компании Scont — разработчика решений для улучшения клиентского сервиса и контроля за кассовой зоной.
В материале Михаил поделился кейсами и рассказал, какие популярные ошибки допускают в работе с данными и как их избежать.
Почему в России растет спрос на системы аналитики и работу с данными
Фонд «Центр стратегических разработок» (ЦСР) сделал прогноз развития рынка систем управления данными в России на 2023–2027 годы. В исследовании говорится, что за счет импортозамещения доходы ведущих российских разработчиков будут ежегодно увеличиваться примерно на 40%. Одна из основных причин — доступность и дешевизна систем аналитики для среднего и малого бизнеса.
Больше не нужно создавать системы аналитики с нуля. Есть бесплатные решения и системы вроде «Яндекс Метрики» или недорогие продукты — готовая аналитика внутри amoCRM для отделов продаж, CoMagic, Calltouch и Roistat для сквозной аналитики.
Компании стали лучше работать с цифрами, считать и учитывать их для улучшения своих бизнес-процессов. Вместе с этим сам процесс сбора и обработки данных усложнился. Компании теперь считают скорость ответа менеджеров, проактивность, а не просто конверсии по воронке.
Но несмотря на рост спроса на обработку данных и подключение систем аналитики, компании не добиваются желаемых результатов по окупаемости и увеличению прибыли. Давайте посмотрим, какие ошибки могут к этому привести и как их устранить.
Ошибка №1: Считают эффективность менеджера по числу переделанных коммерческих предложений (начинают настройку со сложных функций)
Когда компания только внедряет систему аналитики, ей достаточно простых функций, анализа базовых показателей.
На Западе популярен подход, когда компании настраивают максимально простую систему аналитики. И постепенно, с ростом потребностей, ее усложняют и дорабатывают.
В чем польза такого подхода — вы сможете закрывать свои основные потребности по аналитике данных за небольшие деньги и по мере необходимости усложнять продукт, если он приносит пользу и деньги. Например, в том же amoCRM сначала можно работать в бесплатной версии системы аналитики, а потом докупить систему с расширенными функциями. Со временем, когда потребности бизнеса возрастут, можно перейти к более сложным сценариям — подключить дополнительные источники данных и обогатить аналитику.
Однажды к нам обратилась компания, у которой совсем не было сквозной аналитики, то есть команда вообще не понимала, сколько денег получает из маркетинга. И при этом она хотела настроить очень сложную атрибуцию — например, посчитать конверсию после скролла до определенной точки на сайте. Так делать не стоит — в таких подсчетах не будет смысла, не будет понимания эффективности маркетинга.
Поэтому в такие сложные модели атрибуции лучше не уходить, а остановиться на базовых вещах. Например, в случае компании из примера — посчитать, «отбивается» лид из рекламы или нет.
Другой пример приведу из CRM-мира. Одна пришедшая к нам компания сказала, что хочет считать эффективность менеджера по показателю, сколько раз он переделывал коммерческое предложение. Но это на самом деле не продуктивно — гораздо эффективнее будет посчитать конверсию менеджера и не уходить в производные показатели.
Ошибка №2: Фиксируют сотни параметров (собирают данные бессистемно)
По данным исследования Coffee Analytics , 27% компаний не понимают, как можно использовать аналитику для повышения эффективности бизнеса.
В итоге система аналитики не приносит ожидаемого результата, потому что компания не настроила сбор данных: собираются ненужные и разрозненные данные, данные дублируются.
При выборе системы аналитики поинтересуйтесь у компании, будут ли вас сопровождать и обучать работе с программой. Если да, то сколько это будет стоить, как долго они будут это делать и с чем конкретно будут помогать. Другой вариант — наймите профессионального бизнес-аналитика. Он сам подберет нужную на данный момент систему аналитики и настроит сбор данных.
Ну и, конечно, сами сохраняйте меру в сборе данных. Мы неоднократно сталкивались с тем, что во время подготовки технического задания на проект заказчик добавляет в систему сотни параметров.
Компании думают, что в будущем смогут эффективно анализировать такие данные. Но на деле до них попросту не доходят!
Так, одна строительная компания хотела фиксировать практически все — численность населения города, размер бизнеса, градацию менеджеров. Но лучше начинать с простых базовых данных. Все вышеупомянутые детали менеджеры на практике просто не вносят в систему. В итоге компания получает некачественные данные вместо более подробных.
Ошибка №3: Сделка составила 257 тысяч, а в систему вносят 200 (плохая валидация данных)
Эта ошибка следует из предыдущей. Важно не просто собирать данные, но и правильно их хранить и обрабатывать. Качество данных — одна из главных забот любой компании, которая занимается сбором и обработкой информации. По данным Gartner, компании ежегодно теряют более $12,9 млн из-за некачественных данных. Некачественные данные не отражают реальные процессы компании и не соответствуют целям и задачам бизнеса.
Если компания будет собирать неактуальные и некачественные данные, то будет делать неверные выводы о бизнес-процессах внутри компании. Простой пример: расчет вместо медианной цены средней цены чека. Если из 100 покупок в месяц 90 совершается на 1000 рублей, а оставшиеся 10 на 20 000 рублей, то средний чек будет 2 900 руб. Этот показатель не будет отражать покупательную способность, потому что 90% покупок совершается до 1000 рублей.
Ошибка №4: Удаляют базу данных — потому что старая (пренебрежение к историческим данным)
Бывает, компании хотят сэкономить и удаляют исторические данные, так как считают их ненужными. Или системные администраторы предлагают подчистить данные старше двух лет, чтобы оптимизировать расходы на серверы.
Исторические данные очень важны. Они хранят сведения о выручке, среднем чеке, посещаемости сайта, конверсии и оттоке клиентов компании за прошедшие годы. Соответственно, чем исторический материал богаче и объемнее, тем точнее можно сделать прогноз.
Например, на основе исторических данных можно составить прогноз по выручке на следующий год. В самом простом виде это можно сделать прямо в Excel-файле с помощью функции forecast.ets. Программа сравнит изменения в выручке от года к году, вычислит сезонность изменений и составить план по выручке на следующий год.
Приведу в пример кейс мебельной компании. У нее была огромная база данных 1С. Они были неправильно упакованы, и кто-то решил, что лучше все удалить и не платить за хранение. Но по этим историческим данным, пусть и не идеальным, можно было оценивать важные тренды.
Еще одна из возможных ситуаций — когда компания несколько лет ведет базу данных в Excel, а потом переходит на CRM-систему и в процессе теряет накопленную информацию. Приходится начинать все с нуля.
Проблема с историческими данными решается их правильным архивированием, упаковкой и хранением. Иногда проблемы с хранением исторической информации могут возникнуть из-за неправильной архитектуры программы по сбору данных. В таком случае лучше перейти на другую систему или доработать нынешнюю.
Ошибка №5: Данные упаковывают слишком сложно — и перегружают менеджеров (плохая презентация и визуализация данных)
Данные нужно не только собрать, но и понятно их презентовать. Когда проект демонстрируется конечным пользователям, будь это в том числе менеджеры компании, они часто не понимают, зачем им эти данные и как с ними работать.
Поэтому лучше всего сразу привлекать конечных пользователей, для которых и презентуется информация, к оформлению и визуализации данных. Например, если оформляете график окупаемости рекламных кампаний, можно привлечь специалиста по маркетингу. Он подскажет, за какие периоды нужно взять информацию, какие данные сравнить и что показать в конечном графике.
Так презентация информации получится понятной и доступной для сотрудников. В дальнейшем можно стандартизировать формы презентации данных для самых популярных сценариев. Это позволит сэкономить время на оформление данных и избавит конечных пользователей от необходимости уточнять и корректировать презентованные данные.
Еще один пример из практики — в одной крупной компании, состоящей примерно из 50 филиалов, в создании отчетов участвовал генеральный директор. Я бы даже назвал его гением — он обладал феноменальной памятью и виртуозно разбирался даже в самых сложных наборах данных.
Но проблема заключалась в том, что менеджеры просто не справились с уровнем отчетов, к которым прикладывал руку начальник. Хотя для него все казалось очевидным.
В итоге с ними работает только сам руководитель — потому что такой уровень сложности непосилен для команды.