Sudba
Фонд «Центр стратегических разработок» (ЦСР) сделал прогноз развития рынка систем управления данными в России на 2023–2027 годы. Согласно исследованию, за счет импортозамещения доходы ведущих российских разработчиков будут ежегодно увеличиваться примерно на 40%. Одной из основных причин является доступность и низкая стоимость систем аналитики для среднего и малого бизнеса.
Теперь компаниям нет необходимости создавать аналитические системы с нуля. Существуют бесплатные решения и продукты, такие как «Яндекс Метрика», или недорогие решения — готовая аналитика в amoCRM для отделов продаж, CoMagic, Calltouch и Roistat для комплексного анализа.
Предприятия стали лучше работать с данными, учитывая их для оптимизации своих бизнес-процессов. Однако процесс сбора и обработки данных стал сложнее. Теперь компании учитывают такие параметры, как скорость ответа менеджеров и проактивность, а не только конверсии по воронке.
Несмотря на увеличение спроса на обработку данных и подключение аналитических систем, компании не достигают желаемых результатов по возврату инвестиций и увеличению прибыли. Рассмотрим, какие ошибки могут привести к этому и как их исправить.
При внедрении аналитической системы компании достаточно базового функционала и анализа основных показателей.
Популярен подход на Западе, когда компании начинают с простой аналитической системы и постепенно усложняют и дорабатывают ее по мере роста потребностей.
Преимущество такого подхода заключается в возможности покрыть базовые потребности в аналитике данных с минимальными затратами, а при необходимости улучшить продукт, если он приносит пользу и прибыль. Например, можно начать работу с бесплатной версии системы аналитики в amoCRM, а затем перейти к расширенным функциям. По мере роста бизнеса можно добавить дополнительные источники данных и улучшить аналитику.
Однажды компания обратилась к нам без сквозной аналитики, что означает, что команда даже не знала, сколько денег они получают от маркетинга. При этом они хотели настроить сложную атрибуцию, например, для подсчета конверсии после прокрутки до определенной точки на сайте. Этого делать не стоит, такие расчеты не будут иметь смысла и не покажут эффективность маркетинга.
Поэтому лучше сосредоточиться на базовых показателях, например, оценить, окупается ли лид с рекламы.
Другой пример из мира CRM. Одна компания хотела измерять эффективность менеджера по тому, сколько раз он дорабатывал коммерческое предложение. Но это неэффективно; лучше измерить конверсию менеджера и не углубляться в производные показатели.
По данным исследования Coffee Analytics, 27% компаний не знают, как использовать аналитику для увеличения эффективности бизнеса.
Причина в том, что система аналитики не приносит ожидаемых результатов из-за неправильной настройки сбора данных: собираются ненужные и изолированные данные, происходит дублирование информации.
При выборе аналитической системы важно узнать, будут ли вас обучать и поддерживать компания или настраивать это самостоятельно. Если выбрана поддержка, нужно уточнить стоимость, продолжительность обучения и виды помощи. Другой вариант — найм бизнес-аналитика, который подберет подходящую систему аналитики и настроит сбор данных.
Также важно не перегружать систему избыточными данными. Часто заказчики добавляют сотни параметров в систему во время создания технического задания, надеясь эффективно проанализировать их в будущем.
Одна строительная компания пыталась учитывать практически все данные — численность населения города, размер бизнеса, степень менеджеров. Лучше начинать с простых базовых данных. Менеджеры на практике просто не включали все эти детали в систему, что приводило к низкому качеству данных.
Одна из распространенных ошибок — не просто сбор данных, а их правильное хранение и обработка. Качество данных — одна из ключевых задач компании, работающей с информацией. По данным Gartner, из-за низкого качества данных компании ежегодно теряют более $12,9 млн. Некачественные данные не отражают реальные процессы компании и не соответствуют целям и задачам бизнеса.
Компания, собирающая неактуальные и некачественные данные, сделает неправильные выводы о бизнес-процессах. Например, если учитывать средний чек, заместо медианного, это будет искажать данные о покупательной способности.
Часто избыточное количество параметров приводит к некачественному сбору данных. Например, отслеживание качества заполнения CRM-системы часто требуется.
Однако проблема заключается в том, что перегруженные менеджеры не всегда вносят актуальные данные. Например, могут указать примерный email-адрес вместо реального или округлить цифры. Это может привести к фальсификации данных.
Всегда следует следить за качеством и корректностью собранных данных. Обновлять формулы KPI и тестировать различные методы анализа.
Иногда компании хотят сэкономить и удаляют исторические данные, считая их ненужными. Или системные администраторы предлагают очистить данные старше двух лет для оптимизации расходов на серверы.
Однако исторические данные крайне важны. Они содержат информацию о выручке, среднем чеке, посещаемости сайта, конверсии и оттоке клиентов за прошедшие годы. Чем более полная история данных, тем точнее прогнозы можно составить.
Исходя из исторических данных можно, например, сделать прогноз по выручке на следующий год. Это можно сделать просто в Excel с помощью функции «forecast.ets», что позволит выявить тренды и сделать план на будущее.
Например, даже если данные были неправильно упакованы в базе 1С, они все равно могли предоставить важную информацию о ключевых трендах.
Проблема также может возникнуть, если компания вела базу данных в Excel несколько лет, а затем перешла на CRM-систему, потеряв всю накопленную информацию.
Проблемы с обработкой исторических данных можно решить правильным их архивированием и хранением, а при необходимости обновить или пересмотреть систему сбора данных.
Ошибка №5: Слишком сложное упаковывание данных без качественной презентации и визуализации
Важно не только собрать данные, но и представить их понятно. Когда проект демонстрируется конечным пользователям, какими могут быть менеджеры компании, часто они не понимают, как работать с представленной информацией и зачем она им нужна.
Поэтому лучше всего вовлекать конечных пользователей, для которых представляется информация, в создание и визуализацию данных. Например, при создании графиков окупаемости рекламы можно привлечь специалиста по маркетингу. Он даст рекомендации о периодах, данные для сравнения и содержание графика.
Таким образом, информация будет понятной и доступной для работников. Позднее можно стандартизировать методы презентации данных для наиболее популярных сценариев. Это позволит сэкономить время на создание данных и избавит конечных пользователей от необходимости корректировать информацию.
Например, в одной крупной компании, в которой существовали примерно 50 филиалов, генеральный директор участвовал в создании отчетов. Он был виртуозом в работе с данными, однако менеджеры не могли справиться с таким уровнем отчетности, к которой он прикасался. Это привело к тому, что результаты использовались только его самим, так как для остальных сотрудников данные были слишком сложными.
- Постепенно внедряйте системы аналитики, начиная с простых идеи к сложным.
- Задайте параметры сбора данных, чтобы система собирала только необходимые вам показатели.
- Проверяйте качество и правильность данных.
- Сохраняйте исторические данные.
- Презентуйте данные так, чтобы они были понятны не только экспертам, но и широкой аудитории.
Фото на обложке: Freepik
Подписывайтесь на наш Telegram-канал, чтобы быть в курсе последних новостей и событий!
