Аналитика, конечно, не для слабонервных. Я всегда начинаю очень заинтересованно зевать, когда представляю увлекательное путешествие в мир цифр. И радует тот факт, что специфика моей работы в digital не требует непосредственного погружения в операционную, пакетную... и Бог знает какие еще аналитики. С big data я лишь снимаю сливки (например, в виде исследований Brand Analytics или данных моих умных часов), а описательная, прогностическая и предписывающая аналитика ежедневно со мной в формате классических digital-research, бенчмаркинга, мониторингов, статистики.
Всю прошедшую неделю я углубленно изучала новые подходы к аналитике, в том числе работу с big data. Но точнее, чем ребята из Comedy, аналитику не иллюстрировал никто: смотреть.
А если серьезно, то самый распространенный вопрос к аналитике - это, зачем она нам вообще? Нет, все понимают, что нужна. Но как понять, полезны ли эти данные для конкретного бизнеса?
Одни организации собирают кучу данных и хранят их в надежде на то, что однажды им будет найдено полезное применение. Другие - анализируют эти данные, но не применяют результаты на практике. Третьи же И тут у меня для вас есть важный тезис: прежде чем запускать аналитический процесс, определите бизнес-проблему, а затем собирайте под нее необходимые данные.
Шаг 1. Fundamental
Аналитическое мышление - вот ваша основа. К ней прибавляется знание конкретной сферы, в которой вы хотите реализовать себя как аналитик, ну или внедрить аналитические процессы. Будь то экономика, интернет вещей, вэб-разработка, маркетинг, продажи, медицина или даже спорт. Вы должны быть знакомы с базовыми показателями, данными, которые можно собрать в вашей сфере.
Любые методы обработки данных так или иначе используются для структурирования и анализа информации. Задач по анализу информации много. Например, для более эффективного продвижения товаров массмаркета на рынок имеет смысл сегментировать потребителей на группы по определенным параметрам: пол, возраст, семейное положение, доход семьи и так далее. Для этого существует набор математических методов, которые позволяют установить закономерности в данных – в случае с анализом потребителей такой закономерностью будут характерные группы потребителей. Часто случается, что формальные методы анализа позволяют получить неожиданные новые знания – например, при исследовании клиентов одной из гостиниц выяснилось, что все клиенты-пенсионеры, проживающие в гостинице, имеют доход свыше 800 долларов. Эта информация позволяет корректировать ценовую политику.
"Данные – это новая нефть" - утверждает Эрик Сигель в книге "Просчитать будущее", книга не новая, но читается очень легко. И если вы совсем "плаваете" в аналитике, то это ваш плот, пользуйтесь.
Асли вы всерьез хотите погрузиться в аналитику, то рекомендую обратить внимание на курсы от Coursera.
Шаг 2. Strategy
Этот шаг скорее про операционную аналитику. Потому что как только вы разобрались с традиционной аналитикой и научились ее "готовить" надо срочно переходить к "операционке". Скорость, с которой должны осуществляться аналитические процессы, сжимается. Много хороших примеров есть у Билла Френкса в книге "Революция в аналитике", хотя сама по себе книга наискучнейшая. Рекомендую сразу читать короткие выжимки в конце каждой главы, а подробно - Главу 3. Операционная аналитика в действии.
"Есть ситуации, где в операционную аналитику уже повседневно включается высокий уровень сложности. Веб-персонализация – один
из таких примеров. Раньше при посещении веб-сайта пользователи
видели предложения или настройки, которые были определены задолго до их визита. Хотя сайт и мог адаптироваться под конкретного пользователя, это происходило не в режиме реального времени.
Как правило, владелец сайта использовал аналитический процесс
на основе пакетной обработки, подсказывавший системе определенные предложения и кастомизацию для каждого пользователя, когда он возвращается на сайт. Если же аналитика выполнялась накануне вечером, то информация о пользователе, которая стала известна по завершении аналитического процесса, никак не учитывалась. Стоит ли говорить о том, что текущие поисковые сеансы пользователей также не принимались во внимание при кастомизации веб-страниц.
Сейчас многие организации осуществляют веб-персонализацию
на совершенно новом уровне, оптимизируя восприятие клиента
в режиме реального времени на основе всех данных о нем, вплоть
до последнего клика. Буквально любое действие клиента влияет на то, что он увидит в следующую секунду. Здесь применяется гораздо более сложная аналитика, чем во всех предыдущих примерах, приведенных в этом разделе. Современные подходы к веб-персонализации включают сложные алгоритмы оптимизации, опирающиеся на разнообразие статистических моделей и бизнес-правил "
Шаг 3. Process
Данные — это фундамент, на котором держится компания с управлением на основе данных. Если люди, принимающие решения, не располагают своевременной, релевантной и достоверной информацией, у них не остается другого выхода, как только положиться на собственную интуицию. Качество данных — ключевой аспект. Читаем "Аналитическая культура. От сбора данных до бизнес-результата", Карла Андерсона и погружаемся в процесс. Минимум воды, максимум алгоритмов традиционного подхода к аналитике.
Шаг 4. Tools
Excel. Как ни крути, все дороги ведут в Excel. Поэтому, читаем "Много цифр. Анализ больших данных при помощи Excel", Джон Форман. Во второй главе очень подробно про сегментирование клиентской базы - один из самых распространенных вопросов среди маркетологов. И если вам "уютно" работать в Excel, то вэлком на канал в Telegram "Excel Everyday".
И не забываем, что в каждой сфере существует масса готовых аналитических решений. Вот парочка сервисов аналитики для маркетологов: Медиалогия, Brand Analytics.
ИТОГО
Читать:
2. "Аналитическая культура. От сбора данных до бизнес-результата", Карл Андерсон
3. "Просчитать будущее. Кто кликнет, купит, соврет или умрет", Эрик Сигель
4. "Много цифр. Анализ больших данных при помощи Excel", Джон Форман
Развлекаться:
Шахматы, головоломки, судоку + книги о мозге и интеллекте от МИФ.