Как директору по маркетингу выстроить эффективную систему аналитики

Собирать, анализировать данные и принимать решения на их основе — необходимость для любого бизнеса. О том, как правильно выстроить систему аналитики в компании и какую роль в ней играют инструменты, а какую — специалисты, рассказывает Илья Чухляев, Russia & CIS Director в OWOX BI.

— Илья, давайте для начала проясним, зачем директору по маркетингу вообще нужна аналитика.

В первую очередь разберемся, что есть аналитика. Это инструмент маркетинга, который напрямую не приносит денег компании. Это инструмент оценки того, что должно приносить деньги, — автоматизированных решений на основе данных, контекстной рекламы или других маркетинговых усилий. Прибыль от аналитики измерить напрямую тяжело, и это приводит к большому количеству споров. Когда этот предмет споров перекидывается на потребности директора по маркетингу, возникает диссонанс: маркетинг-директору нужно решить свои задачи, но аналитика не решает их напрямую, а лишь дает большое количество разных отчетов, из которых нужно постараться сделать вывод.

Расскажу на примере проектов, с которыми мы сталкиваемся в OWOX. У СМО (Chief Marketing Officer) есть задача — выполнить маркетинговый план, завязанный на продажах с онлайн-рекламы. Какой ответ может дать аналитика на такую задачу? «Дорогой директор по маркетингу, вот тебе отчет по рекламным каналам из Google Analytics, расходам на рекламу только из Google Ads, онлайн-транзакциям, которые не соответствуют данным CRM». Имея такие вводные, тяжело посчитать ROAS (return on ad spend) маркетинговой активности.

Но это не главная проблема. Допустим, маркетинг-аналитика в компании существует не первый день, качественные данные собраны в облаке (например, в Google BigQuery), а отчеты для анализа эффективности готовы... Представили? Следующий вопрос, который задаст аналитике руководитель маркетинга: «Здорово, но как мне теперь эти данные превратить в действия, которые помогут найти возможности для выполнения плана в будущем?» Продвинутые инструменты есть, данные собираются, а поставленная маркетингом задача не решается.

Получается, для того чтобы достичь своей цели — выполнить план, в маркетинговой команде важно создать и выстроить функцию, которая поможет обратить внимание CMO на:

- риски (почему план может быть не выполнен);

- зоны роста, которые помогут этот план перевыполнить.

Если такая функция выстроена, то маркетинг действительно будет получать, как сейчас модно говорить, ценные инсайты из данных.

— То есть одних аналитических инструментов  недостаточно, нужен специалист, который будет с ними работать и помогать директору по маркетингу решать его задачи, верно?

Все верно. Если мы с вами согласимся, что волшебной кнопки «Выполнить план» не существует, то компании действительно нужны квалифицированные маркетинговые аналитики.

При этом замечу, есть такой мировой тренд: если взять все маркетинговые расходы, всегда расходы на ФОТ превышали расходы на технологии. Но в 2018 году расходы на МарТех превысили расходы на зарплаты в маркетинговой команде. И за рубежом, и в России расходы на маркетинговые технологии растут. Значит, все больше и больше внимания уделяется тому, что сервисы маркетинг-аналитики уже не могут являться дорогой игрушкой, а должны реально помогать компании выполнить ее маркетинговый план, а директору по маркетингу получить премию.

В итоге у CMO вырисовываются две потребности. Первая: сделать «идеальную» систему маркетинг-аналитики, которая будет обращать внимание на риски и зоны роста. Вторая: найти аналитиков, которые будут с этими данными работать и добавлять к ним контекст и выводы.

— Говоря о маркетинговых сервисах, вы имеете в виду собственные решения или готовые продукты?

Я знаю как успешные крупные компании, которые используют только готовые продукты, так и компании, которые с самого начала работают на собственных решениях.

Чтобы собственные решения не стали для компании обузой, важно уделить повышенное внимание команде разработки и поддержки, а также документации. Коротко: если в вашей компании есть один гений аналитики и разработки, который сам написал скрипты сбора данных и посчитал ваш маркетинг даже лучше, чем это могут готовые сервисы, ожидайте, что аналитик может заскучать и уволиться. А вы будете долго искать замену и вряд ли найдете специалиста, который будет готов поддерживать именно это решение.

К готовым сервисам тоже стоит подходить с умом. Для анализа 10 продаж с онлайн-рекламы в день вряд ли вам стоит думать о платных сервисах. Подойдет Google Analytics, Яндекс.Метрика или Excel. Для таких проектов не стоит сильно ломать голову над построением собственной DWH или пользой применения ML-алгоритмов.
Но по мере роста компании и задач в маркетинге увеличивается потребность в дополнительных показателях, автоматизации и скорости работы с данными. Например, в SaaS-бизнесе (IT-решения с оплатой за подписку) вы сможете начать получать реальную ценность от DWH, если ваш годовой оборот превышает 200 000 долларов.

Вернемся к задаче «Найти зоны роста в маркетинг-плане». Даже если готовый сервис умеет собирать, обрабатывать, рассчитывать, прогнозировать и визуализировать данные, с высокой долей вероятности потребуется адаптация под конкретный бизнес. Как минимум потому, что логика и ключевые параметры планирования у многих бизнесов различаются. А значит, и структура импортируемых данных будет различаться, и визуализация. К тому же, как мы прочувствовали на своем опыте, клиенты не любят учить новые интерфейсы, а хотят данные в привычном.

Если обобщить, наш рецепт, к которому мы в OWOX прибегаем в создании систем маркетинг-аналитики и в который мы верим, такой:

1. бизнес должен иметь полный доступ к своим данным,  
2. для выводов данные должны быть доставлены в тот интерфейс, к которому привык принимающий решение сотрудник.

Все это повышает доверие к данным, без которого их содержание бессмысленно.

— Почему так важно адаптировать систему аналитики под конкретный бизнес?

Потому что даже в рамках ритейла есть существенная разница. Например, бизнес электроники концептуально отличается от бизнеса по продаже одежды или товаров для дома. Это и разная частотность покупки, и разный акцент на работу с новыми и текущими клиентами.

Или, к примеру, сейчас многие компании ставят стратегический акцент на развитие мобильных приложений и клиентской аналитики. У таких бизнесов маркетинговая модель и методы по выполнению плана совершенно другие. И метрики отличаются от  метрик веб-приложений. Этот факт осложняет объединение и обработку данных. В некоторых случаях осложняется и оценка маркетинговых усилий.

Этих особенностей и отличий гораздо больше, чем я уже перечислил. Именно поэтому бизнесу так важно иметь прямой доступ к своим маркетинговым и продуктовым данным, а не отталкиваться от возможностей конкретного сервиса и его системы визуализации.

— Можем ли мы говорить о том, что как система аналитики кастомизируется под каждую отрасль и конкретный бизнес, так же и аналитики могут быть специализированы в определенной области?

В первую очередь, в моем понимании, будут сильнее разделяться и систематизироваться зоны ответственности аналитиков. Знаете, как компании сейчас составляют вакансии и просьбы «помогите найти аналитика»? Особенно там, где внимание к этой позиции в новинку. Хотим «чудо», который и счетчики настроит, и данные объединит, и гипотезы к этим данным будет формировать. И рекомендации, конечно, даст, чтобы конверсия сразу выросла, а рекламные кампании начали окупаться. Он же аналитик, он справится! И таких запросов много.

Вообще, аналитика ищут под потребности и боли, которые сложились в компании на данный момент. И если таких болей много, а их всегда много, то поиск аналитика занимает месяцы и даже годы. И высока вероятность, что найденный специалист не сможет решить все поставленные задачи. Ему либо не будет хватать на это времени, либо — компетенций. Например, этот специалист может быть прекрасным «техником», то есть грамотно настроить сбор, написать запрос и подготовить данные к анализу. Но в оценке получаемых данных он не силен. Или другой популярный кейс: компания большая, пользователей данных много, а организовано все так, что доставать эти данные может только один аналитик. Вот и выходит, что этот специалист может быть отличным маркетинг-аналитиком, здорово умеет оценивать вклад каналов в доход, но целыми днями он занимается тем, что является голосовым интерфейсом к данным или инструментом регулярной донастройки.

Такие кейсы лучше не повторять, они ведут к очень низкому ROI аналитики. Что стоит сделать, так это определить, какие зоны ответственности аналитика может усилить за счет анализа данных и точек роста. Например, в ритейл-бизнесе это маркетинг, продукт и клиентский опыт. Если аналитика как функция не развивает эти зоны ответственности из-за перегрузки специалистов на задачах подготовки данных и отчетов, стоит выделить эту функцию «технической аналитики» в отдельную боевую единицу или передать партнерам.

— Реально ли найти специалиста, который сможет совместить в себе все эти роли?

Всегда можно найти, но для компании выгоднее, чтобы аналитика была работающей функцией, а не возможностями одного специалиста. Иначе компания упрется в границу его «гениальности».

Для примера расскажу кейс, когда у одного из наших клиентов аналитик вдруг предложил отказаться от части работающих внешних решений и переделать их самому, так как он «начал изучать язык R и ему это интересно, а бизнес перестанет переплачивать за внешние решения». Вроде и мотив хороший — сэкономить, а, по сути, аналитик занимается не своими прямыми задачами, а развивает собственный интерес. Компания же получит взамен, вероятно, нестабильное решение без поддержки, в случае если аналитик уволится и еще никто не будет сфокусирован на реальных задачах оценки продаж и маркетинга. Сомнительная выгода. Подстраиваться под то, что может аналитик, бизнес не должен.

Обратная история, когда формируется полноценный внутренний отдел аналитики и данных, который поддерживает задачи роста разных направлений. Если его правильно встроить в процессы, то компания сможет быть спокойна за качество данных и за ресурсы, которые занимаются оценкой развития маркетинга, продукта и других направлений.

Отдельная роль у руководителя такого отдела — Chief Data Officer или Head of Analytics. Он определяет, какие решения, основанные на данных, стоит развивать и поддерживать в первую очередь. Какие из них помогают зарабатывать компании больше.

— Как Chief Data Officer понимает, какие данные принесут прибыль, а какие нет?

В этом как раз помогают навыки и знания в области маркетинговой, продуктовой, клиентской аналитики.

Например, кейс из аналитики клиентского опыта: банк на основе собираемой информации об интересах и действиях клиентов автоматизирует выбор клиентского менеджера. Также при этом учитывается конверсия этого менеджера в закрытие сделок с клиентами похожего профиля.

Или более простой кейс из маркетинговой аналитики, когда настроенные скрипты по импорту расходов из Яндекс.Директа не передали часть данных и менеджер по маркетингу сделал неверный вывод о ROI кампаний и ошибся в планировании.

Конечно, такие кейсы появляются не сразу, а когда проведена предварительная работа с бизнес-заказчиком таких решений. В рамках проработки решения аналитику важно получить ответы на следующие вопросы:

1. Какие стратегические цели стоят перед заказчиком аналитики?
2. Какие решения и в какой зоне ответственности будут приниматься, чтобы достичь этих целей?
3. На какие вопросы заказчику нужно ответить, чтобы принять решение?
4. Какие графики, отчеты, рекомендации могут помочь ответить на вопросы?
5. Какие метрики и в каких разрезах должны быть использованы в решении?

Тут важно прорабатывать задачи к аналитике именно в таком порядке, чтобы не упустить важных деталей и в результате отдать заказчику работающее и полезное решение.

Резюмирую. Чтобы данные работали на бизнес, важно:

1. знать, какие цели и решения заказчика действительно зависят данных и от каких именно,
2. учитывать, на какой объем прибыли эти решения оказывают влияние,
3. регулярно мониторить качество именно этих данных и оперативно докладывать об отклонениях от нормы.

Ну и конечно, в интересах CDO влиять на увеличение доли сотрудников, которые пользуются данными самостоятельно, а не нуждаются в постоянной помощи команды аналитиков.

— Может ли в построении аналитики помочь внешний партнер?

Я бы отметил 2 подхода, при которых взаимодействие с партнером действительно помогает аналитике в компании развиваться.

Первый: у партнера существенно более сильная экспертиза, чем на данный момент есть в компании. Например, бизнес уже хочет работать с данными или хотя бы начать собирать их, а аналитиков в компании нет или они сфокусированы на другие задачи. В таком случае компании стоит обратить внимание на партнера, который уже имеет опыт в работе с похожими кейсами. Я говорю про нишу компании. Наличие у партнера опыта в нише действительно имеет значение. Когда компания выбрала такого партнера, ему стоит доверить свои задачи. Но не забывать, что экспертизу важно со временем усилить и на своей стороне. Каким бы замечательным ни был партнер, решения и данные, которые приносят доход, должны быть управляемыми. Партнер при этом может продолжать выполнять полезную работу, в которой он силен как эксперт.

Уточню также, что сроки закрытия вакансий на сильного аналитика могут достигать шести месяцев. Это много. И партнер — это отличное решение, чтобы начать и не ждать ценности так долго.

Второй подход: команда партнера нанимается на контракт на определенный функционал. Например, это может быть имплементация аналитики, поддержка GTM, формирование маркетинговой отчетности. Такой подход работает, когда компании нужны большие и квалифицированные ресурсы на выполнение таких задач, а внутренние ресурсы ценнее сосредоточить на анализе и интерпретации данных.

Но при любом подходе стоит выстраивать отношения с партнером прозрачными на его уровне принятия решений. Иными словами, партнер должен понимать стратегические цели и задачи компании, ее требования к аналитике, чтобы вести работу в проактивном формате.

— Сколько может стоить выстраивание инфраструктуры аналитики с нуля?

На ежегодной конференции Go Analytics у нас выступали ребята, которые рассказывали о том, как использовать для аналитики платные продукты стоимостью в сотни тысяч долларов. А были ребята, которые говорили о том, как аналитику можно построить за 130 долларов в месяц. И то и другое — правда. Вопрос в стратегических целях, времени, бюджетах и вере в успех.

Для некоторых проектов подойдет, например, Google Analytics 360, потому что они активно используют продукты Google Marketing Platform, и им надо объединять данные рекламы с продажами. Другие проекты имеют более приземленные задачи и объемы продвижения и довольны Яндекс.Метрикой или бесплатным Google Analytics.

При ответе на данный вопрос я бы предлагал фокусироваться не на стоимости, а на функциональности системы и ее рентабельности для проекта. Банальный пример: если бизнес ставит перед системой аналитики задачу повышения конверсии в продажу, а конверсия в пересчете на дополнительный доход меньше, чем затраты на решение, вряд ли это решение пройдет повторную процедуру закупки.

Есть также пример из исследования по SaaS-аналитике, который гласит: если ваша годовая выручка составляет от 200 тыс. $ до 1 млн $ , то вам уже пора собирать данные в базу, но еще рано вкладывать усилия в работу с ML-алгоритмами. Просто у вас не будет достаточно данных о ваших клиентах.

При всей этой подготовке не забывайте главное: аналитика должна в первую очередь помогать отвечать на вопросы «Где мои риски?» и «Где мои зоны роста?» в выполнении плана. Если она не помогает вам с ответами, то это просто данные, которые отнимают ваше время. Эти два вопроса — основа маркетинговой аналитики, которая должна помогать компании и CMO в частности принимать более оперативные и качественные решения. Тогда бизнесу будет выгодно платить как за маркетинговые и аналитические сервисы, так и за команду аналитики и услуги партнеров.

Выводы:

1. Строить аналитику нужно, отталкиваясь от этапа, на котором находится бизнес.  
2. Необязательно ждать накопления большого количества данных или искать супераналитика в течение полугода. На начальном этапе обратитесь к партнерам, у которых есть опыт построения нужной модели маркетинговой аналитики в вашей сфере.
3. Вместе с партнером выберите подходящую модель: готовые продукты, доработанные под ваш бизнес, или систему, разработанную с нуля «под себя». Параллельно можно взять на работу менее компетентного специалиста в области аналитики, но хорошо разбирающегося в контексте бизнеса, который будет с самого начала вникать в инфраструктуру и далее масштабировать ее и улучшать.