Чтобы управлять бизнесом, нужно полагаться на информацию, на ее основе делать выводы и принимать решения. Можно послушать истории бухгалтерши Галины, у которой на прошлой работе была похожая ситуация. Или подсмотреть, как делают конкуренты, и перенять их опыт. А можно собрать данные, провести аналитику и отрегулировать процессы в соответствии со спецификой своей компании.

О том, как это работает, рассказываем в статье.

Data-driven подход — это концепция, когда значимые решения для бизнеса принимаются не на основе опыта или средних данных по рынку, а на основе больших данных — показателей, которые транслируют, насколько эффективен инструмент для решения задачи.

Например, бренд планирует выпустить на рынок новый продукт и хочет понять, есть ли смысл.

Он может запустить товар наобум, потому что директор по маркетингу считает товар классным, и смотреть на результаты продаж после выпуска. Либо сделать предварительные расчеты, изучить рынок и целевую аудиторию.

Бренд выбирает второй вариант и проводит аналитику: изучает, какой объем целевой аудитории у товара, высока ли конкуренция на рынке, насколько покупатели платежеспособны и смогут ли покупать продукт по цене, которую установит компания.

Всю информацию компания подсчитывает и решает не выпускать продукт, так как его себестоимость слишком высокая и цена не устроит покупателей. Новый продукт принесет только убытки.

Это и есть data-driven аналитика — принцип, по которому компания полагается на аналитику и планирует действия в соответствии с показателями этой статистики.

Термин data-driven произошел от двух английских слов: data — данные и driven — управляющий. Полностью название подхода звучит как data driven decision making, то есть принятие решений на основе данных.

Метод data-driven противопоставляется другим управленческим подходам: на основе опыта руководства и на основе стандартов отрасли. Первый подход, в отличие от data-driven, для управления использует интуицию, опыт руководителя компании, подразделения, отдела. Например, если директор отдела маркетинга говорит, что нужно запускать контекстную рекламу для продвижения продукта, потому что ему она нравится и он часто ее видит в интернете, — это подход на основе решений руководства. А если бренд ориентируется на среднюю прибыль по отрасли и считает, что и для него такой размер нормален, — это подход по отраслевым стандартам, или средним по рынку.

И тот и другой варианты не учитывают специфику работы конкретной компании. У компании может быть своя себестоимость производства, маркетинговые затраты и позиционирование продукта, которому, к примеру, контекстная реклама не подойдет. Эти факторы учитывает только data-driven подход.

Не каждый сбор данных приносит пользу и может считаться data-driven подходом. Чтобы data-driven работал в компании эффективно, он должен соответствовать принципам:

использование только качественных данных. Любая информация, на основе которой компания принимает решение, должна быть полной и достоверной. Это значит, что нельзя спросить трех человек и по их ответам, например, изменить производство. Или невозможно сделать выводы об эффективности продаж в первый день запуска продукта. Для корректного решения должно пройти время и скопиться достаточно статистики;

непрерывность в изучении. Рынок постоянно трансформируется — растет и уменьшается, клиенты меняют предпочтения, поэтому надо постоянно изучать, как работает продукт, насколько он эффективен. То, что сейчас генерирует прибыль, через два года может приносить убытки;

постоянное тестирование. Это вытекает из непрерывности: так как любой рынок динамичный и невозможно достичь идеального конечного результата, нужно постоянно проверять гипотезы. Например, что будет, если поменять цвет упаковки или запустить канал продаж;

ориентация на клиента. В основе любых продаж лежит польза для потенциального клиента. Поэтому при методе data-driven надо учитывать, какие потребности есть у пользователей, что им нравится в продукте компании, а что — раздражает;

взаимодействие структур компании. Все процессы в компании взаимосвязаны, поэтому часто для комплексного качественного анализа требуется тесное сотрудничество разных подразделений, например отдела маркетинга и разработки, отдела рекламы и финансов.

Data-driven management — это не ситуативное решение, которое используют периодически или один раз за работу компании, а постоянное следование принципам. Только так метод показывает свою эффективность. Поэтому его нужно внедрять на всех уровнях и придерживаться во всех решениях.

Подход на основе данных полезен тем, что он объективно отражает состояние конкретной компании. Аналитики не усредняют показатели, обращают внимание на разные факторы, которые влияют на работу, а большая выборка и достаточный срок наблюдений позволяют проводить комплексные исследования.

Так как data-driven учитывает специфику работы отдельно взятой компании, то и набор показателей у каждой будет своим. Но есть общие метрики, которые помогают отслеживать результативность:

прибыль — ее размер, доля в себестоимости, темпы роста из года в год. Все показатели, которые связаны с прибылью, играют ключевую роль в работе компании. По ним можно понять, работает компания в убыток или нет, есть ли смысл наращивать производство и из каких резервов черпать ресурсы для развития;

расходы — в какую сумму обходится производство продукта, сколько денег уходит на рекламу, ЖКХ, зарплаты сотрудникам, какова окупаемость инвестиций. Чтобы оптимизировать затраты и увеличить прибыль, надо следить за тем, как меняются расходы и какая у них структура;

продажи — количество продаж, их динамика, сумма продаж, средний чек. Эти метрики характеризуют состояние рынка, эффективность рекламы;

число покупателей — платежеспособность покупателей, емкость рынка, размер их дохода, распределение людей по полу и возрасту. Пригодится любая информация о клиентах, которая помогает лучше понять аудиторию и ее потребности.

конверсия — по-другому это количество целевых действий на сайте компании. Метрика характерна для диджитал-сферы, чтобы отслеживать интернет-трафик, рекламные каналы, например посмотреть, сколько посетителей сайта отправляют заявку, а сколько — покидают сайт без заказа.

Следует помнить, что data-driven marketing — это не только числовая аналитика. Информация о поведении и интересах пользователей, городах, в которых они живут, семейном статусе тоже источники данных, и они помогают компании развиваться.

Data-driven используют в маркетинге, финансах, дизайне, менеджменте. Легче всего внедрить этот подход в работу диджитал-компаний, так как большая часть их деятельности оцифрована.

Например, вот как можно применять data-driven в маркетинге. На скриншоте ниже приведена статистика посещения сайта по данным Яндекс-метрики. Из скриншота видно, что больше всего посетителей приходит с поисковых систем и это качественный трафик: люди просматривают множество страниц и проводят много времени на сайте. А переходы через рекламу, по сравнению с другими источниками, приносят меньше качественных посещений: люди проводят меньше времени на сайте и смотрят мало страниц.

На основе этих данных можно принять решение: меньше тратить денег на рекламу, а больше — на поисковую оптимизацию. Но это только верхушка айсберга в аналитике. Чтобы делать выводы, надо комплексно изучить ситуацию, сравнить конверсию обоих источников и только потом сделать выводы. При этом, даже если по результату компания решает отключить рекламу или сократить на нее расходы, это не значит, что решение принято навсегда. Через год ситуация может измениться, а эффективность рекламы — вырасти.

Data-driven решения — это решения, которые обоснованы и подтверждены комплексными данными. Чтобы придерживаться этого метода, компания стремится оцифровать деятельность и собирать как можно больше информации для анализа.