Почему Data-driven подход в маркетинге — это работа с людьми, а не цифрами

Если посмотреть в Google-тренды, то легко увидеть, что интерес к теме data-driven за 5-6 лет вырос примерно в 2,5 раза. Можно сказать, тренд вошел в «зрелую» стадию, тогда как оверхайп случился 15 лет назад — тогда про data-driven компании и подход писали все подряд.

Но ситуация, даже сейчас, немного искажается в пользу шкурных интересов тех, кто про это пишет. Как правило, это компании, занимающиеся построением отчетов для бизнеса, дата-майнингом, дашбордами, сквозной аналитикой, performance-маркетингом и вот этим вот. Поэтому примерно всё, что написано о data-driven подходе за последние годы, сводится к лозунгу: если ты не data-driven — то ты отстой.

И если следовать таким руководствам, данные нужно начинать собирать, даже когда у тебя лавка по ремонту обуви с трафиком в пять бабушек в неделю. Ведь через 5 лет ты вырастешь и так или иначе вынужден будешь стать data-driven компанией. 

Кроме того, если верить инструкциям, может показаться, что стать data-driven достаточно легко. Это может каждый, нужно всего лишь…

  • Выбрать источники данных, проверить, что эти данные достоверные.
  • Собрать команду, лучше, если это будут маркетолог и аналитик.
  • Выбрать метрики, по которым вы будете оценивать эффективность.
  • Завести единую платформу, куда будут стекаться данных из всех источников.
  • Сделать базу, где всё это будет храниться.
  • Визуализировать данные на дашборде.
  • Анализировать и интерпретировать получаемые данные.
  • Делать выводы, корректировать стратегию или строить новую. Получать новые данные. Повторять.

Всё это звучит неплохо, но на самом деле у перехода на любую модель управления, завязанную на цифры и KPI, есть и темная сторона, куда никто обычно не заглядывает. Мало пишут о том, с чем в действительности придется столкнуться тем, кто повелся на сладкие песни про data-driven. Попробуем исправить ситуацию и по пути напомнить, что это за зверь такой.

Зачем вообще бизнесу нужны данные

Обработанные и интерпретированные данные — основа для принятия любых решений. Этот процесс происходит повсеместно, в мозгу у каждого, даже когда вы просто улицу переходите.

При любой культуре управления в компании, данные участвуют в принятии решения — иначе решающему просто было бы не на что опереться. Но дальше существует два пути:

Первый — полагаться на авторитеты. Когда руководитель бизнеса нанимает управляющего, который 10 лет проработал в его сфере и занимал руководящую должность 6 лет, он рассчитывает переложить ответственность на интуицию, опыт и другие профессиональные качества этого человека.

Крутость подхода в том, что эксперт может очень быстро оценить ситуацию, сделать выводы и предложить решения. В условиях, когда на сбор данных или круглых столов нет времени, это идеальный вариант. 

Если что-то идет не так — гипотезы не сбываются, решения приводят к потерям прибыли — управляющего заменяют. 

Второй — полагаться на данные. Руководитель создает отдел, который занимается данными, а вместе с ним всю инфраструктуру: каналы поставки данных, места хранения, софт для аналитики, дашборды и так далее.

Плюс подхода — данные всегда объективны. Если вся система настроена правильно, данные корректны, то и выводы, которые делает математический алгоритм — беспристрастны, точны и с большой вероятностью правдивы.

Часть дашборда REES46 для интернет-магазинов — сводный график эффективности каждого инструмента.

Если система не работает — вы ищете, где она дала сбой. Например, оказалось, что ваша email-база была куплена 10 лет назад и вы с той поры ее ни разу не очистили от нецелевых контактов, поэтому такие низкие конверсии. Исправляете проблему. Снова тестируете. Процесс отладки в data-driven подходе — это вообще отдельный вид мазохизма, а вы что хотели.

Какой способ предпочитают в большинстве компаний, вы и так знаете. Это управление с опорой на экспертизу, а не данные. Этому есть простое объяснение.

Представим работу менеджера, который управляет отделом — то есть принимает решения за себя и за тех парней, каждый день. Сколько таких решений он делает в течение рабочего дня? Давайте представим, что 20, хотя в реальности их, конечно, больше. Итак, у менеджера есть 20 ситуаций, когда от него требуется нажать на одну из кнопок. 

Конечно, какие-то решений будут важными, с большими последствиями, например «запустить рекламную кампанию в январе или сэкономить бюджет в низком сезоне». Часть помельче, и часть совсем микро — вроде «пойти на обед сейчас или не ходить совсем». 

Такой плотный поток ситуаций, где нужно что-то решить, ставит специалиста в жесткие условия: решать нужно быстро. Поэтому в компании укореняется управленческая культура, основанная на доверии мнениям, а не цифрам. А data-driven подход в своем классическом определении — вообще большая редкость.

Что такое data-driven, кто и где его применяет

Data-driven подход — это когда данные определяют решения в компании. То есть компания всецело (это важно) полагается на данные в принятии решений.

Подход применяют в маркетинге, UX, продажах, рекламе и вообще везде, где есть, что собирать и анализировать, а любые, даже самые незначительные решения могут привести к сильным отклонениям в прибыли. То, насколько данные могут быть значимы, хорошо иллюстрирует вот этот кейс Google, его примерно содержание такое:

«Около шести-семи лет назад Google запустил рекламу в Gmail. Похожая уже была в поиске, небольшие синие ссылки. Но мы заметили, что оттенки синего на ссылках в разных продуктах немного отличались — и решили провести тестирование. Конечно, мы могли бы спросить главного дизайнера или директора по маркетингу, какой цвет взять, и просто скопировать его. Но вместо этого мы провели тест, 1% пользователей видели ссылки одного цвета, еще 1% — другого. В итоге выяснили, что оттенок, который был чуть ближе к фиолетовому, конвертировал значительно лучше, его мы и оставили. Это позволяет компании получать на 200 млн больше выручки каждый год».

В этом и заключается подход к дизайну в Google — они полностью дата-центричная компания. Похожий опыт внедряет «Сбербанк», где количество решений, которые принимают алгоритмы, а не люди, подобралось к 1200. Конечно, цифра не слишком показательная сама по себе, но динамика дает понять, какие у банка приоритеты в развитии.

Банк тоже говорит, что данные — более достоверный способ принимать решения, чем мнение эксперта, который сидит в своем кресле 25 лет. Так, например, «Сбербанк» сделал свой продукт для скоринга клиентов: те заполняют специальную анкету, машинный алгоритм определяет степень их надежности, проводя «психмометрическое исследование». Иными словами, если человек взвешенный и ведет себя последовательно — то он оценивается как более надежный, чем тот, который ведет себя импульсивно.

Окей, всё это звучит круто. Можете ли вы считать свою компанию data-driven, если завели рекламные кабинеты в myTarget и Facebook, подключили систему персонализации к своему интернет-магазину или медиа, завели CRM, настроили сквозную аналитику и посадили специально обученного человека за всё это? Не совсем.

Дело в том, что быть data-driven — это не про сам факт сбора или интерпретации данных, а про то, насколько они учитываются при принятии решения. И тут есть три градации.

Data-aware и Data-informed — лайт-версии или адекватный подход?

Кроме data-driven, где предполагается, что вы опираетесь только на цифры и больше ни на что, выделяют еще два стиля управления на основе данных — по степени их влияния на управленческие решения.

Data-informed — это когда несомненную важность данных признают, но не забывают и про другие факторы. Если бы Google был не data-driven, а data-informed компанией, он не доводил бы своего дизайнера до истерики тестированием 50 оттенков синего (на самом деле 41). Не заставлял бы делать толщину обводки в 3, а не 4 пикселя, а сказал бы так:
— Дуглас, мы тут прогнали твой дизайн через A/B-тест. Смотри, вот тепловая карта, как ты думаешь, как мы можем увеличить число кликов на кнопку «Купить»? Может, толщину обводку увеличить на пиксель? Тест нам подсказывает, что так кликают чаще.

— Давайте лучше сделаем ее больше, покрасим в контрастный остальным элементам цвет и добавим анимацию. 

— Блестящее предложение, Дуглас, ты настоящий специалист! Думаю, мы можем на это пойти и протестируем это решение тоже.

Data-aware в этом плане еще мягче. Существование и ценность данных признают, их смотрят и анализируют, но воспринимают как равнозначный фактор всем остальным. То есть степень роботизации тут минимальна: если живые люди сойдутся во мнении, что пора поменять логотип, значит, так и будет — несмотря на тесты на фокус-группах и результаты онлайн-опросов, которые вам скажут, что потребителям и старый лого норм.

Чем больше данные влияют на принятие решений, тем сильнее сужается прорезь на башне вашего танка. Вы перестаете улавливать «ветер перемен» зарождающихся трендов, не принимаете во внимание долгосрочный эффект, не видите контекст. Если синяя кнопка конвертит лучше оранжевой, вы рисуете синюю кнопку. Хотя по-хорошему нужно было переделывать весь сайт, причем давно.

Итак, мы уже начали говорить о минусах подхода data-driven и сложностях его внедрения, разберем подробнее и решим, насколько вам нужно опираться на данные.

Трудности внедрения датацентричного подхода

Самое главное, что стоит принять во внимание — сами по себе данные мертвы и бесполезны. С ними придется работать людям. Так что перед тем, как внедрять — нужно будет сделать вот что.

Выработать KPI и решить, какие вам вообще нужны данные и для чего. Большой процент клиентов понимает, что им нужны отчеты, но не совсем представляет, что именно в них должно быть и как с этим работать. 

Например, наш продукт — это такой комбайн для интернет магазина, который мало того, что добавит на сайт блоки товарных рекомендаций, крутой поиск, поможет сконструировать цепочки триггерных рассылок, так еще и по каждому инструменту метрики сам посчитает и визуализирует их в графики. Но когда приходит среднестатистический новый клиент, его потребность обычно находится на уровне «хочу, чтобы денег больше было». Как и для чего использовать отчеты и графики — приходится учить. Но процесс идет туго.

Многие часто останавливаются на том, что внедряют инструмент, пользуются им, а данные используют постолько поскольку. «Так, CTR рассылок что-то уже два месяца как упал в два раза. Некогда сильно вникать, давайте попробуем тему письма капсом написать, всяко будет заметнее. А лучше подождем, посмотрим, что дальше будет». 

Как-то вместе с коллегами из интернет-магазина HomeMe мы делали подборку ключевых метрик, которые 100% нужно измерять и оптимизировать любому магазину. 

Победить сопротивление сотрудников. Это, наверное, самое сложное. Если руководитель понимает ценность данных и хочет работать по data-driven, даже если он уже продумал KPI — этого недостаточно. 

Вашей главной задачей будет отнюдь не купить CRM, а встать с плеткой (или пряником, кто что любит) над отделом продаж и приучить их пользоваться системой. И так с любым другим процессом. 

Причины сопротивления могут быть самыми разными. Может, у вас возрастные сотрудники, которые и интернетом-то пользуются с трудом, а вы тут со своими data-driven. Им может быть лень. Они могут не понимать, почему этот подход лучше старого. Могут бояться что-то сделать не так и вместо поощрения получить подзатыльник. 

Просто отчеты делать и визуализировать в графики — этого недостаточно. Нужно назначить людей, которые будут этими данными заниматься, обучить их, объяснить ценность, выделить время. И сделать систему мотивации, завязанной на KPI. Но тут тоже есть нюанс.

Остановить «гонку за KPI». Это только кажется, что стоит привязать премию главы отдела клиентской поддержки к количеству закрытых заявок, и лояльность клиентов вырастет. Совсем не факт — скорее всего вырастет количество заявок, которые будут переведены в статус «закрыто» в конце отчетного месяца. Конечно, тут вопрос в честности и качестве контроля, но поначалу ваша система мотивации может работать именно так: люди начнут заниматься только тем, от чего зависят их бонусы.

Провести интеграция всего со всем. Это тоже одна из главных болячек — любая технологичная компания пользуется десятками разрозненных сервисов, каждый из которых копит свои данные. Если вам нужны сводные отчеты, из которых вы бы могли понять реальную и полную картину, их все нужно будет интегрировать с системой аналитики и дашбордом.

Персональные товарные рекомендации

Увеличивайте чек покупки, делайте перекрестные продажи. 8 готовых сценариев продаж и неограниченные возможности кастомизации. Запуск A/B-тестов одной кнопкой.

recommenations

Это будет забегом на длинную дистанцию, так что не стоит рассчитывать, что ваши данные в принципе будут пригодны для работы в первые полгода внедрения. А то и дольше. 

А потом представьте, что какой-то из подключенных сервисов поменяет несколько строчек кода. Ну да.

Да, это гифка с котиком

Нанять людей, которые смогут правильно интерпретировать данные. Да, система берет на себя часть этих функций: может не только считать метрику и строить график, но и давать вполне себе ценные подсказки по тому, как эти метрики улучшать. 

Но, к сожалению, даже крутой ИИ пока не может учесть всего. Хороший пример: у вас новостной сайт, алгоритм проанализировал поведение пользователей и сделал вывод: на заголовки статей кликают редко, надо повышать CTR. Вы наняли отряд кликбейт-копирайтеров и теперь на ваш заголовок трудно не кликнуть, ведь они сочатся интригами.

Вроде бы с точки зрения эффективности всё правильно, алгоритм дело говорит. Но в долгосрочной перспективе посещаемость сайта падает. Причина, как вы понимаете, как раз в «желтых заголовках».

Любую вашу метрику окружает еще множество факторов: сезонность, погода за окном, политическая ситуация, действия конкурентов, зарождающиеся глобальные тренды. Там, где люди могут легко сопоставлять факторы и делать правильные выводы, машинные алгоритмы часто страдают «слепотой».

Иметь запасной выход. Наконец, данные просто не всегда есть — и когда вы перелезли на data-driven, то можете сказать: «это мы не можем измерить, значит, и оптимизировать никак не будем, это не по нашей управленческой философии». 

Комбинировать подходы можно и нужно. Поэтому из всей тройки самыми жизнеспособными кажутся data-informed и data-aware. По крайней мере, для операционных решених. Глобальные стратегии можете строить только на данных или только на мнениях, тут уже всё зависит от размера компании и целей. Стартапам в начале пути точно не подойдет data-driven, а банку из топ-10 не выехать на одной экспертизе.

Это, в целом, и статистика подтверждает: если мы говорим о полноценных data-driven компаниях, а не об использовании отдельных подходах, основанных на работе с данными, то процент таких компаний очень и очень маленький. Опросы говорят, что только 13% компаний считают, что их культура управления включает в себя решения, основанные на данных. Включает, но не полностью полагается на них (то есть, например, если вы мерите конверсию корзины — вы тоже в 13%).

Так что гипотезы о том, что скоро ничего не будет, ни аналитиков, ни управленцев, одни сплошные ИИ и машин лернинг — это фантастика.

С data-driven примерно та же ситуация, что и с ИИ. Какие-то задачи компьютер решает в миллионы раз быстрее и лучше человека. Но творческое решение все равно останется за последним. Таков путь.

Подпишитесь на рассылку

Два письма в месяц: полезные статьи про маркетинг, исследования, инструкции, гайды, чек-листы и кейсы с лучшими практиками наших клиентов.