Как использовать данные для развития продукта
Завжди є спокуса ухвалити рішення, спираючись на першу-ліпшу думку. Проте, як доводить дослідження Деніела Канемана, це не найкращий шлях. Краще витратити час і зібрати дані, щоб підкріпити інтуїцію цифрами.
Це не означає, що всі рішення слід ухвалювати винятково на основі даних. Ідеальних даних ніколи не буде, інакше ChatGPT візьме над нами гору. Як одного разу сказала VP з дизайну обладнання в Google Айві Росс, "це не вибір між даними або інтуїцією, це і дані, і інтуїція одночасно".
Уявіть, що вам пропонують додати опитувальник на початку вашої воронки. Інтуїтивно ви можете подумати, що це погана ідея, оскільки це ускладнює процес залучення лідів (більше кліків = менше лідів), тому коверсія впаде.
Однак дані свідчать, що воронки з опитувальниками покращують конверсію. Саме використання даних для оцінки ефективності дозволяє нам виважено підходити до масштабування бізнесу загалом і налаштування процесів усередині.
Через призму даних ви трансформуєте весь бізнес
Аналітика даних – це аналіз необроблених даних, щоб зробити певні висновки. Зазвичай, говорячи про аналітику даних, люди уявляють безліч складних графіків на екрані, але перш ніж ви дійдете до цього етапу, потрібно багато чого зробити.
Як тільки ви почнете намагатися щось виміряти, ви зіткнетеся з проблемою, що цей процес неоптимальний. Типовий процес у B2C та B2B – залучення клієнтів, де важливою є воронка продажів. Між тим, як клієнт потрапив на ваш сайт і купівлею або програшем, є довгий шлях.
Як тільки ви захочете зрозуміти, що відбувається на цьому шляху, де лід відвалюється або як працює ваша sales-команда, ви зрозумієте, що вам потрібно промалювати весь процес та визначити основні етапи проходження ліда. Тільки тоді є сенс зробити гарний графік і почати відстежувати конверсії поетапно.
Припустимо, що у вас є статистика ваших доходів щодо продукту і локації. Ви це вивели в гарний графік, але в якийсь момент (зазвичай, коли справи починають йти недобре) ви хочете зрозуміти причину, щоб моніторити коливання доходів з місяця в місяць та мати змогу корегувати певні процеси.
Для цього необхідно спуститися на рівень нижче. Зокрема, на середній чек клієнта, кількість клієнтів (за географією, за продуктом), churn/retention rate, конверсію з ліда в покупку. Це тягне за собою потребу в перегляді процесів і систем, щоб мати ці дані і систематично їх збирати.
Загалом цикл розвитку потреби в покращенні аналітики і впливу на компанію можна зобразити такою моделлю.
Про що потрібно подумати, щоб якісно працювати з аналітикою
Уявімо, у вас налагоджені потрібні процеси і ви збираєте потрібні дані. Проте це не всі складові для отримання цінності від даних. На що варто звернути увагу?
Команда. Ідеальна команда – це мікс Tech guys і Business guys.
Business guys – прозвучить неочевидно, але хорошими кандидатами є фінансові менеджери, FP&A-менеджери або фінансові бізнес-партнери. Багато хто обмежується, що фінанси – це бухгалтерія, але це не так. Правильні фінанси – це павутина, яка охоплює всі ключові процеси компанії, розуміє бізнес та цифри і, що дуже важливо, розуміє драйвери, які впливають на той чи інший результат.
Основне завдання аналітики – віднайти і міряти драйвери процесу чи результату. Наприклад, драйвери доходів – ціна та обʼєм одиниці товару чи послуги, об'єм лідів, конверсія з ліда в клієнта, час проходження воронки. Моніторячи їх, ви зможете зрозуміти, чому саме такий дохід у певному періоді (історія) та який дохід ви можете очікувати в наступному періоді (очікуване майбутнє).
Тому я бачу початок розбудови аналітичної команди саме з фінансів.
Tech guys – технічно сильні люди з точки зору SQL, R-програмування, Python і роботи з базами даних. Це підсилює можливості аналітичної команди щодо складності аналізу, моделювання і можливих автоматизацій.
Важливо, щоб хтось з команди аналітиків (типові Business guys) був на зустрічах, де ухвалюються стратегічні і точкові рішення. Це дозволить команді бути в контексті і розуміти, які білі плями не покриті і де треба копнути.
Ми зробили data-driven-підхід частиною інженерної культури Mate academy, тому аналітики постійно присутні на лідершип-зустрічах. У подальшому це позитивно позначається на моніторингу та коригуванню необхідних нам показників.
Інструменти. Не буду радити конкретні BI tools, це залежить від бюджету, але точно скажу: починайте з Excel. Я не бачив рішення, яке буде одночасно гнучким, швидким і дешевим. Навіть якщо у вас є BI Tool, до будівництва дашборду зробіть прототип в Excel. Це дозволить вам обкатати дані і зробити mock-up-візуалізації.
Візуалізація і дашборди. У вас можуть бути прекрасні люди та інструменти для аналітики, але все може змарнувати погана візуалізація. Мисліть як продакт-менеджер, де дашборд – це ваш продукт, а бізнес – це ваші клієнти.
- Бізнес-функції. Визначте основні бізнес-функції і дійте за принципом "одна функція = один дашборд" (наприклад, у Mate academy основними є маркетинг, продажі, навчання, працевлаштування). Закривайте всі потреби в моніторингу драйверів у межах такого функціонального дашборду.
- Top-down-підхід. Будуйте за принципом top-down: від більш загальної інформації вгорі до більш детальної нижче. Наприклад, візьмемо навчання.
Загальна секція:
- Кількість студентів, що навчаються.
- Середній час на навчання на одного студента.
- Витрати на одного студента.
- % відставання від графіка навчання.
Наступний рівень:
- Усе те саме, але розбивка за освітніми напрямками.
- Розбивка за географією.
Наступний рівень:
- Розбивка за навчальною групою.
Така побудова дає можливість користувачу проходити через загальну картину і далі, якщо потрібно, – спускатися в деталі (принцип супермаркета).
Графіки. Використовуйте правильні графіки. Наполегливо рекомендую книгу Gene Zhelezny Say it with charts.
- Для динаміки будь-якої метрики використовуйте vertical bar-chart або line chart. Наприклад, кількість влаштованих студентів помісячно.
- Для показу композиції будь-якого цілого використовуйте pie-chart. Наприклад, дохід за рік за продуктами.
- Для показу ранжування використовуйте horizontal bar-chart. Наприклад, кількість лідів у маркетингових кампаніях.
Фільтри. Балансуйте використання фільтрів і те, що одразу видно на дашборді. Дані, які часто використовуються, краще мати одразу виведеними, а додаткові аналітики, що використовуються рідше, слід вивести в фільтри. Так ви не будете перевантажувати дашборд і залишите його максимально інформативним.
Порівняння. Майте на своїх графіках порівняння до чогось, щоб розуміти, стає гірше чи краще.
Робота з вашим користувачем. Часто буває, що ви зробили прекрасний дашборд, але ваш користувач туди не заходить. Пам’ятаючи, що ви маєте бути продакт-менеджером, привчіть свого користувача до дашборду.
Для цього запровадьте практику регулярних коротких аналітичних заміток для вашого таргетного користувача з посиланнями на графіки з дашборду або налаштуйте автоматичні розсилки дашборду на мейл вашого користувача.
Робота з С-level. Покрити дашбордами всі функціональні напрямки – це прекрасно, але це не оптимальне використання часу. Завжди будуйте 1 Executive level-дашборд, де ваш користувач – це C і C-1. На цьому дашборді виносьте по три-чотири основні графіки з кожної функції, щоб дати змогу швидко оцінити ситуацію і, якщо потрібно, заглибитися в детальний дашборд конкретної функції.
Не зупиняйтеся, це нескінченний процес
Зробивши дашборд, не зупиняйтеся на думці: "Ну, все". Завжди ітеруйте з тим, що треба користувачу, аби ухвалити найкраще можливе рішення.
Важливо пам’ятати, що дані – це не лише внутрішній інструмент для ухвалення рішень всередині, а й інформація, якою ви можете поділитися зі світом. Приміром, ми ділимося аналітикою про шлях студента до першої роботи і без аналітичної функції всередині команди це було складним завданням.
Аналітика включає в себе кількість працевлаштованих студентів, кількість подач CV до офера, першу зарплату, рівень англійської, розподіл між чоловіками і жінками, розподіл за віком. Її публічна наявність не лише дає розуміння стану справ на ринку праці, а й допомагає формувати реальне уявлення потенційних студентів щодо того, який шлях до першої роботи їм доведеться пройти.
