Data-driven подход: принципы, инструменты, ошибки

О чем речь? Data-driven подход подразумевает использование аналитики и проверенных данных для принятия решений. При этом опыт, знания или интуиция стейкхолдеров отходит на второй план.

На что обратить внимание? Внедрение data-driven подхода не проходит гладко: сотрудники не понимают и боятся изменений, руководители считают, что их авторитет будет подорван. Однако эти проблемы решаемы, и в конечном счете все оказываются в плюсе.

Понятие data-driven подхода

В переводе с английского data-driven означает «управляемый данными». Такой подход применяется на всех стадиях развития продукта для принятия решений с учетом данных и аналитики.

Концепция основана на идее, что информация помогает заинтересованным лицам понять, как происходит взаимодействие потребителей с продуктом. Стейкхолдеры могут увидеть, что больше всего интересует клиентов, на каком этапе они сворачивают с пути к покупке, какие кнопки нужно внедрить и т. д. С помощью этих данных можно улучшать сервис, добавлять новые функции или убирать ненужные.

Источник: shutterstock.com

Подход способствует нахождению точек роста проекта, помогает принимать аргументированные решения по поводу регионов расширения бизнеса, инвестиций в перспективные продукты и закрытия тех, которые являются невыгодными.

Data-driven подход основан на четырех принципах:

• Интерактивный сбор и анализ информации. Предполагает непрекращающееся изучение работы продукта, который постоянно трансформируется вместе с появлением новых данных о клиентах, изменением рыночной ситуации и бизнес-задач, поэтому требует непрерывного наблюдения.

• Анализ поведения, запросов и предпочтений потребителей. Чтобы разработать удобный и полезный продукт, нужно учитывать потребности аудитории. Например, подход помогает принять решение, следует ли разрабатывать мобильное приложение для продукта или лучше активно работать над сайтом.

• Эксперименты и тестирование. Это необходимо для понимания, как нужно изменить продукт, чтобы улучшить метрики. Например, перед добавлением фичи в приложение стоит проверить, на какой рекламный баннер лучше реагируют пользователи.

• Работа в команде. Рассматриваемый подход предполагает совместную деятельность разных специалистов (разработчиков, дизайнеров, аналитиков, маркетологов). Чтобы принимать решения по улучшению продукта, каждая команда использует данные.

С помощью data-driven подхода можно понять, действительно ли конкретное решение подходит компании.

Например, руководитель службы поддержки считает, что для ускорения ответов на электронные обращения пользователей нужно дополнительно принять несколько сотрудников. Однако аналитики проанализировали данные и установили, что лояльность клиентов не зависит от быстроты ответа, а расширение штата службы поддержки приведет к лишним расходам, которые отрицательно скажутся на экономике организации.

Таким образом, данные не подтвердили гипотезу об удлинении срока жизни клиента. Работу с пользователями можно оптимизировать другим способом, например, разработать шаблоны для ускорения ответов на обращения.

Сферы применения data-driven подхода

Data-driven подход в менеджменте

Дает возможность более гибко действовать в процессе принятия решений. Объективная информация помогает решить вопросы поиска новых клиентов на основе их интересов, коммуникации и повышения лояльности аудитории, снижения стоимости привлечения пользователей.

Отслеживание данных в реальном времени позволяет оперативно реагировать на любые изменения на рынке. Data-driven management обычно используют крупные компании, такие как Intel, Amazon, Walmart, Google. В нашей стране это Бургер Кинг и МТС. Однако подход применим и к среднему бизнесу, только масштабы будут другими.

Data-driven в дизайне

В дизайне подход помогает разработать продукт, соответствующий запросам пользователей и приносящий прибыль.

Допустим, по тепловой карте новой страницы сайта видно, что посетители не реагируют на форму захвата, не задерживаются на ней, что приводит к снижению конверсии. Эту информацию дизайнер использует для решения проблемы: он может изменить размеры и цвет формы, поменять ее расположение на странице, сделать другой шрифт или поменять текст.

Data-driven design помогает сэкономить время и специалисту, и заказчику дизайна, поскольку за счет принятия обоснованных решений можно избежать многих ошибок и исправлений. Для компании это тоже выгодно, потому что позволяет быстрее достичь результатов.

Data-driven подход в маркетинге

Когда маркетолог имеет объективную информацию о пользователях, он может предугадать, как они себя поведут и разработать более персонализированные предложения, что способствует повышению эффективности рекламы.

Люди сейчас получают очень много разнообразной информации, поэтому их внимание привлечь достаточно сложно. В условиях быстрого ритма жизни нужно не только знать потребности аудитории и показывать соответствующую рекламу, но и отслеживать самые эффективные источники трафика.

Data-driven в маркетинге нужен, чтобы понимать, как ведут себя клиенты на сайте или в приложении, все ли устраивает их в продукте и в обслуживании. В результате маркетолог может грамотно спланировать распределение ресурсов (на оптимизацию бизнес-процессов или исправление ошибок), получить информацию о потенциальных клиентах.

Признаки data-driven компании

Организация, использующая data-driven, постоянно занимается сбором и анализом данных, чтобы принимать обоснованные операционные и стратегические решения. Признаки data driven компании:

1. Качественные данные:

   • Точность.Сведения не содержат искажений и ошибочной информации, они достоверные и корректные.

   • Актуальность. Данные отражают текущее положение дел.

   • Доступность.Все заинтересованные специалисты должны иметь доступ к информации.

   • Согласованность.Данные, полученные из разных источников, скоординированы между собой.

2. Квалифицированные сотрудники:

   • Data Scientists. Специалисты, умеющие собирать, фильтровать, анализировать информацию и разрабатывать модели.

   • Аналитики данных. Сотрудники, способные преобразовывать собранные сведения в информацию, полезную для принятия решений.

   • Инженеры данных. Специалисты, которые отвечают за формирование и поддержку среды для хранения и обработки информации.

3. Мастер-система:

   • Единое хранилище данных. У компании есть архив, где содержится информация, собранная из разных источников.

   • Интеграция. Данные объединены в общую систему, позволяющую проводить комплексный анализ.

   • Доступность. Каждый специалист может получать необходимую информацию в рамках своей роли и полномочий.

4. Система принятия решений:

   • Данные – это основа.Все важные решения принимаются не интуитивно, а на основе объективной информации.

   • Аналитические инструменты. В компании используются средства для проведения анализа и прогнозирования.

   • Эксперименты. В компании проводится А/В-тестирование и испытания, чтобы проверять гипотезы и оптимизировать работу.

5. Data leadership:

   • Содействие руководителей. Управляющее звено поддерживает принятие решений на основе данных.

   • Культура данных. В организации сформирована культура применения информации для оптимизации бизнес-процессов, что подчеркивает их ценность.

6. Data-Driven культура:

   • Непрерывное обучение.Квалификация персонала в части работы с данными постоянно повышается.

   • Открытость новому. Компания не препятствует экспериментам и идеям, которые основаны на данных.

   • Работа в команде. Аналитики данных работают совместно со специалистами других структурных подразделений.

Инструменты и метрики data-driven подхода

Выделяют три группы инструментов, используемых для аналитики:

1. Системы хранения: «1С: Бухгалтерия» – здесь хранится информация о налоговой и бухучете; CRM-системы – в них содержится информация о пользователях.

2. Системы анализа – нужны для создания и изучения отчетов с целью формулирования выводов. Аналитическими системами являются базы данных, управляемые посредством языков программирования SQL, R или Python. Некоторые системы хранения являются сразу и аналитическими системами. Например, в Яндекс Метрике, Google Analytics или App Metrica можно и анализировать информацию, и хранить данные.

3. Системы для коммуникации представляют собой инструменты, которые дают возможность передавать данные между отделами и подразделениями. Например, в случае если отдел пересылает руководителю созданный отчет, или когда между подразделениями существует кросс-командное общение.

Коммуникативные системы могут интегрироваться в аналитические инструменты. Так, система аналитики продуктов Amplitude имеет встроенные механизмы, позволяющие передавать информацию. С целью коммуникации также пользуются сервисами, подобными «Google Презентации», PowerPoint, а также BI-системами с дашбордами.

В рамках data-driven подхода к принятию решений применяют различные аналитические метрики. В зависимости от области использования они делятся на несколько категорий.

Источник: shutterstock.com

Метрики бизнеса. Нужны для оценки эффективности бизнеса:

• окупаемость инвестиций (ROI) – характеризует прибыльность инвестиций;

• стоимость привлечения клиента (2.CAC) – затраты на одного клиента;

• пожизненная ценность клиента (LTV) – общий доход за весь период взаимодействия;

• MRR – регулярный ежемесячный доход, который приносят бизнес-модели с подпиской.

Метрики маркетинга. Применяются для оценки эффективности маркетинговых мероприятий:

• кликабельность (CTR) – соотношение кликов и показов;

• конверсия (CR) – успешность перевода пользователей в покупателей;

• стоимость клика (CPC) – затраты на один клик;

• стоимость действия (CPA) – расходы на целевую акцию.

Метрики поведения пользователей. Помогают оценить взаимодействие аудитории с продуктом или сервисом:

• DAU/MAU – соотношение числа пользователей в день и в месяц;

• удержание (Retention Rate) – характеризует лояльность;

• отток (Churn Rate) – доля ушедших клиентов;

• Average Session Duration – средняя продолжительность пользовательского сеанса.

Метрики продаж. Применяются для оценки эффективности воронки продаж и работы отдела продаж:

• Conversion Funnel Metrics – этапы воронки (лиды, клиенты);

• средний доход с пользователя (ARPU) – доход, получаемый с одного клиента;

• успешность сделок (Win Ratе) – доля доведенных до конца сделок.

Метрики продукта. Характеризуют эффективность самого продукта:

• Net Promoter Score (NPS) – индекс лояльности пользователей;

• Error Rate – количество ошибок в продукте;

• Feature Adoption Rate – доля пользователей, начавших работать с новой функцией.

Этапы внедрения data-driven подхода

Прежде чем внедрять подход, нужно провести подготовку. Она выполняется по следующим направлениям:

1. Формирование корпоративной культуры. Руководители должны донести до персонала важность использования объективной информации. Для этого необходимо пересмотреть систему мотивации и бизнес-процессы организации.

2. Выявление ключевых показателей и приоритетных целей. Чтобы эффективно оценивать работу, нужно четко формулировать задачи и правильно выбирать метрики. Это поможет сконцентрироваться на наиболее полезных для компании процессах.

3. Инвестиции в инструменты и обучение персонала. Чтобы метод после внедрения эффективно работал, сотрудники должны уметь анализировать данные. Руководителям необходимо сформировать у работников необходимые навыки и научить их работе с профильными сервисами.

Основные шаги, необходимые для того, чтобы стратегия на основе анализа данных была интегрирована успешно:

1. Определение задач и постановка целей. Нужно четко определить, каких результатов планируется достичь благодаря data-driven подходу. Для каждой компании они могут быть свои. Например, улучшение обслуживания покупателей, оптимизация бизнес-процессов, повышение конверсии, рост продаж и т. д. Важно ставить реалистичные и измеримые цели.

2. Сбор данных. Нужно собирать как можно больше информации из систем веб-аналитики, соцсетей, отзовиков, CRM-систем и т. д. Полученные сведения нужно фильтровать, чтобы не копить много ненужных данных. Полезные инсайты можно узнать из отзывов клиентов, данных об их поведении на сайте, покупательской активности.

3. Подготовка информации. Чтобы провести анализ данных, их следует упорядочить и привести к общему формату. На этом этапе отбраковывается ложная информация и выявляются аномалии, вызывающие искажение общей картины.

4. Анализ и интерпретация. Необходимо определить ключевые инсайты и понять, как они отражаются на поставленных целях. Интерпретация данных помогает понять, от каких действий будут получены самые хорошие результаты.

5. Использование информации в стратегии. Это финальный этап, на котором данные применяются для принятия решений и внедрения результатов. Допустим, вы заметили, что посетители больше всего задерживаются на конкретной странице сайта. Тогда вы можете добавить туда новые функции или изменить содержание так, чтобы пользователям стало еще интереснее. Важно чтобы решение принималось с участием всех заинтересованных сторон, и чтобы у них было понимание, какое влияние собранные данные оказывают на результаты.

После того как новые решения внедрены, нужно проанализировать их эффективность. В этом помогут отзывы пользователей и контроль основных показателей. Полученные сведения используются, чтобы изменить алгоритмы работы или стратегию, когда это нужно. Чтобы компания функционировала успешно, нужно периодически анализировать и оптимизировать бизнес-процессы.

Источник: shutterstock.com

Для эффективного внедрения data-driven подхода в штате организации должен быть человек, умеющий обрабатывать и интерпретировать информацию. В небольших компаниях этим может заниматься специалист по маркетингу, обладающий навыками аналитика и умеющий работать с системами сбора информации. На больших предприятиях он нередко работает совместно с data scientist – это специалист, имеющий глубокие знания в области статистики и алгоритмов.

В сложных ситуациях, там, где изучение данных требует особого подхода, к работе может подключиться development manager – специалист, отвечающий за внедрение data-driven подхода и координацию работы с данными на каждой стадии жизненного цикла продукта.

Для аналитической работы важно грамотно выбирать методы и инструменты. Это могут быть как простые средства визуализации, так и сложные системы, позволяющие обрабатывать большие объемы данных. Выбирать методы нужно с учетом особенностей бизнеса и уровня подготовки сотрудников.

Проблемы, мешающие внедрению data-driven подхода

На скорость и успешность внедрения data-driven подхода оказывают влияние следующие факторы:

Данные плохого качества и недоверие к ним

Сегодня компании работают с большим количеством информации (видео- и аудиофайлы, тексты, электронные письма, изображения), которая, как правило, не структурирована. Такими децентрализованными и противоречивыми данными управлять очень сложно.

Приходится тратить очень много времени, чтобы их очистить и структурировать, все это делается вручную, из-за чего возникает много ошибок, и работа замедляется. Ошибки приводят к снижению доверия к данным.

Что делать:

• назначить владельца каждому основному набору данных (data owners / stewards);

• регулярно очищать, структурировать и верифицировать информацию;

• сформировать единый источник правды для основных данных (DWH или Data Lake);

• организовать ведение Data lineage – жизненного цикла каждого комплекса данных, от возникновения до трансформации или конечного применения;

• настроить validation rules (правила валидации данных), ETL-сценарии, автоматические триггеры в базах данных;

• ввести KPI, чтобы следить за качеством информации, осуществлять ее мониторинг в BI;

• обучать людей культуре обращения с данными (Data Literacy).

Недостаточная вовлеченность топ-менеджмента в проект

Обычно идею внедрения data-driven продвигают самые прогрессивные отделы предприятия, но на всю компанию их удается масштабировать не всегда. На это могут повлиять технические моменты, а также личностные качества руководителей.

Что делать:

• объяснить топ-менеджерам, какой эффект для бизнеса даст внедрение подхода, и показать его на быстрых победах (quick wins);

• детально оценить проект и разработать дорожную карту, в которой расписать все этапы, расходы, команды проекта;

• выбрать из числа топов data-амбассадора и вовлечь маркетологов в продвижение культуры обращения с данными среди персонала;

• побудить руководство к развитию и тестированию пилотных проектов.

Сила HiPPO (Highest Paid Person’s Opinion)

Концепцию HiPPO мы уже рассматривали. Она предполагает, что руководитель принимает решения за счет своего авторитета, а не фактических данных. При этом игнорируются любые нововведения.

Что делать:

• вовлекать отдел HiPPO в обсуждение KPI, гипотез, логики, чтобы результат был итогом совместного решения;

• показывать на примерах, как можно визуализировать данные, чтобы наглядно продемонстрировать руководству простоту анализа;

• найти среди руководителей высшего звена единомышленника, который способен мотивировать HiPPO.

ТОП-7 кейсов
из разных ниш с ростом
от 89% до 1732%

Узнать подробнее

Боязнь изменений

Начальники отделов могут по-разному относиться к внедрению data-driven подхода в управлении и Data Literacy. Для тех руководителей, которые совершают много ошибок и работают недостаточно эффективно, это может стать проблемой, поскольку подход предполагает прозрачность процессов, и все недоработки станут видны.

Боясь не справиться, коллектив может отказываться применять новые технологии.

Что делать:

• внедрить в работу общие правила, стандарты и регламенты по обращению с данными;

• провести разъяснительную работу, собрания, чтобы согласовать требования и ожидания;

• регулярно обучать персонал и обеспечивать внутреннюю техническую поддержку;

• развивать корпоративную культуру, в которой в ошибках видят не повод уволить сотрудника, а возможность для роста и развития.

Отсутствие навыков аналитики и Data Literacy у персонала

Во многих компаниях не внедрена цифровизация процессов, информационные системы настроены неправильно, в данных очень много ошибок. Причина этому – дефицит технических навыков и soft-skills для работы с информацией у руководства и подчиненных. Лишь у небольшой доли коллектива эти навыки развиты до нужного уровня.

По статистике, требуемый уровень Data Literacy есть только у 10 % руководящего состава. Не используют данные и принимают решения на основе интуиции 85 % управленцев (согласно отчету Qlik «Data Literacy for All»).

Что делать:

• обучать персонал методам и инструментам, которые позволят подняться на другой уровень работы с данными;

• закреплять за работниками с низкой технической подготовкой наставников, то есть сотрудников с опытом, которые смогут поделиться знаниями в сфере BI;

• формировать общее информационное пространство, охватывающее все стадии внедрения data-driven подхода, чтобы каждое подразделение видело плюсы аналитической работы с данными;

• использовать BI-инструменты, поддерживающие функции самообслуживания (self-service).

Несогласованность системы KPI либо ее отсутствие

Во многих компаниях системы KPI нет вообще и не внедрены стандарты оценки показателей. Один и тот же показатель по-разному трактуется в разных отделах, из-за чего в общем отчете возникают несоответствия.

Что делать:

• разработать согласующуюся с особенностями бизнеса и его задачами матрицу KPI;

• сформировать общие KPI и источники информации для всех отделов и интегрировать их в BI.

Data-driven подход меняет логику управления: от интуиции и личного мнения переходят к фактам, аргументам и осознанно принятым решениям.

Данные не могут заменить мышление, однако они способны его усилить:

• помогают выработке обоснованных, более точных решений;

• формируют общее информационное поле и снижают уровень субъективности;

• побуждают к исследованиям и уточнениям;

• мотивируют на диалог.

Data-driven культура подразумевает сомнения, готовность к обучению, вопросы и гипотезы.

Ограничения data-driven подхода

Большие расходы на внедрение

Для внедрения data-driven подхода нужны достаточно серьезные вложения, что является главным недостатком метода. Для того чтобы собирать, хранить и анализировать информацию, нужно закупить оборудование, специальные программы, потратиться на обучение сотрудников. Особенно затратным является начальный этап, и не у каждой компании есть возможности для этого.

Источник: shutterstock.com

Необходимо инвестировать в облачные хранилища, инструменты аналитики, системы управления базами данных и другие современные технологии. Кроме того, вложения требуются в обучение персонала и привлечение профессионалов в сфере аналитики. Для малых и средних предприятий такие затраты могут быть неподъемными.

Трудности с интерпретацией данных

Чтобы анализировать данные, нужно иметь соответствующие знания и навыки, которые есть не у каждого сотрудника. Не все способны правильно трактовать данные и делать выводы, в результате чего совершаются ошибки и принимаются неверные решения. Поэтому обучение сотрудников имеет важнейшее значение.

Для правильной интерпретации данных нужно хорошо разбираться в статистике, математике, знать аналитические методики. Неточности приводят к неправильным решениям. Поэтому необходимо вкладываться в обучение персонала и привлекать экспертов, обладающих соответствующими знаниями.

Зависимость от качества данных

Качество данных оказывает существенное влияние на data-driven подход. Неточная, неактуальная, неполная информация приводит к принятию ошибочных решений, поэтому нужно внимательно относиться к собранным данным. Обеспечение качества требует временных и финансовых затрат.

В компании должны быть созданы условия, обеспечивающие качество данных. Необходимо внедрять проверку, очистку и управление данными. Это также связано с дополнительными расходами, однако применение data-driven подхода без этого невозможно.

Проблемы с конфиденциальностью

Работа с большим количеством информации часто связана с трудностями в обеспечении безопасности и конфиденциальности данных. Необходимо соблюдать нормативные акты и законодательство в сфере защиты персональных данных, например, GDPR. Игнорирование законов чревато штрафными санкциями и утратой доверия потребителей.

В компании должны быть внедрены меры по защите конфиденциальной информации. Необходимо использовать шифрование данных, отслеживать доступ и безопасность. На разработку и внедрение этих мер также нужны дополнительные ресурсы.

Примеры data-driven подхода

Во многих компаниях в разных странах data-driven метод успешно применяется и является неотъемлемой частью стратегии. Рассмотрим некоторые удачные примеры.

Amazon

Применяет аналитику данных для того, чтобы пользовательский опыт был более персонализированным. Изучая данные о покупках, запросах и интересах потребителей, компания создает индивидуальные рекомендации для каждого клиента.

Источник: shutterstock.com

Также данные применяются для оптимизации складской работы, ведения логистических процессов и составления прогнозов по потребительскому спросу. Благодаря Data-driven подходу Amazon повышает уровень клиентского сервиса и осуществляет эффективное управление при внушительном товарообороте.

Netflix

Эта компания одна из первых стала использовать data-driven подход в сфере развлечений. Специалисты изучают, какие фильмы нравятся пользователям, как долго они находятся на платформе, каким моментам уделяют особое внимание.

Благодаря этому пользователи получают персонализированные предложения по контенту, а компания принимает решения о создании новых фильмов на основе интересов аудитории. В качестве примера можно назвать сериал «Карточный домик», который появился как раз после исследования данных о том, что нравится зрителям.

Google

В этой компании без data-driven не реализуется ни один бизнес-процесс. Подход используется везде, начиная от оптимизации опыта пользователей и заканчивая совершенствованием операций внутри компании.

Алгоритмы рекламы AdSense и AdWords изучают пользовательское поведение с целью показа наиболее релевантного материала. Данные используются также для осуществления внутреннего управления. Благодаря этому компания грамотно распределяет ресурсы, ставит цели и задачи, оптимизирует все процессы.

Uber

На основе данных управляет спросом и предложением в режиме онлайн, что позволяет оптимизировать тарифные планы.

Прогнозируя поведение пассажиров, используя анализ, компания помогает исполнителям находить заявки, что уменьшает время ожидания для пользователей. Аналитика также позволяет внедрять новые полезные функции, оптимизировать маршруты, разрабатывать персональные скидки.

Яндекс

С помощью data-driven персонализирует продукты (Карты, Музыку, Такси, поиск и т. д.). В Яндекс Маркете подход используется для улучшения рекомендательных алгоритмов и опыта пользователей.

В Яндекс Музыке анализ помогает предлагать аудитории персональные подборки треков. В сервисе Яндекс Go информация о пробках и количестве заказов позволяет оптимизировать маршруты водителей.

Сбер

В Сбере метод помогает улучшать обслуживание клиентов и оценивать риски. Например, машинное обучение используется в банке для оценки транзакций и составления прогноза по клиентскому поведению.

Благодаря этому предложения по кредитным и другим продуктам компании учитывают интересы клиентов, а вероятность мошенничества уменьшается. Data-driven также применяется для оценки рисков при работе с кредитами.

Ozon

Использует метод, чтобы улучшать опыт клиентов и оптимизировать логистические процессы. Зная, что предпочитают пользователи, компания может создавать персонализированные подборки и оптимизировать процесс поиска. Также с помощью аналитики данных Ozon оптимизирует складские операции и уменьшает сроки доставки, что дает компании конкурентные преимущества по сравнению с другими участниками рынка.

Магнит

Эта российская розничная сеть применяет data-driven подход, чтобы изучать привычки потребителей и оптимизировать ассортимент продукции. Анализируя данные о предпочтениях клиентов, компания предлагает персональные скидки и акции на товары для конкретных сегментов потребителей и формирует ассортимент в зависимости от того, в каком районе расположена торговая точка.

Таким образом, data-driven подход помогает стать ближе к клиентам, понять их потребности и предпочтения, эффективно вести бизнес-процессы и не проигрывать конкурентам. Для внедрения метода нужны определенные навыки и значительные ресурсы, однако затраты быстро себя окупают. Улучшение клиентского сервиса помогает повысить лояльность покупателей, улучшить имидж компании и получать больше прибыли.

Скачайте полезный документ по теме:

Чек-лист: Как добиваться своих целей в переговорах с клиентами

Часто задаваемые вопросы о data-driven подходе

Как проводить анализ данных?

Перед тем как приступать к аналитике, нужно определиться, с какой целью проводится анализ. Например, вы хотите сделать маркетинговые кампании более эффективными.

Опираясь на цели и характер информации, подберите метод анализа. Это может быть визуализация данных, статистический анализ и т. д.

Кто занимается внедрением метода?

Эффективнее вкладываться в уже сработанную команду, а не нанимать дата-аналитика со стороны. Коллектив компании лучше понимает цели бизнеса и особенности работы, поэтому все чаще предприниматели инвестируют средства в обучающие мероприятия для штатных сотрудников.

Где используется подход?

• Реклама и маркетинг – изучение поведения пользователей, выделение сегментов, составление прогноза по спросу.

• Ритейл и e-commerce – управление запасами, совершенствование логистических цепочек, формирование персональных предложений.

• Банки и финансы – кредитование, прогнозирование рисков и прибыли.

• Здравоохранение – информация о пациентах помогает ставить более точные диагнозы.

Итак, понятно, что основа data-driven подхода – это качественный анализ. Если компания планирует внедрить данный метод в работу, сначала нужно изучить каналы и способы сбора информации, чтобы понять, правильно ли сделаны выводы и соответствуют ли они реальной ситуации.

Источник изображения на шапке: shutterstock.com

Автор статьи

Дмитрий Свистунов

Руководитель SEO-отдела и разработки

Последние статьи этого автора:

• Адаптивная верстка сайта: гайд для начинающих
• Анкор ссылки: виды, правила составления, влияние на продвижение
• Белая раскрутка сайта без перехода на темную сторону

Забрать ценные бизнес-подарки бесплатно

Полезные
материалы
для руководителей

Скачать 3,2 MB