Опыт – это круто. Но любой опыт «набит» личными искажениями. А еще его не всегда можно переносить на другие проекты, компании и сферы бизнеса. Поэтому решения правильнее принимать, основываясь на бесстрастных цифрах. В этом и состоит data driven-подход.
Сегодня расскажем, как определить «свою» модель подхода, исходя из рекламного бюджета, – и понять, чего не хватает конкретно вам, чтобы этот бюджет не сливать.
Скучное, но необходимое определение: data driven decision making (DDDM) – дословно «принятие решений на основе данных». Этот подход говорит о том, что невозможно многократно масштабировать бизнес, если ориентироваться на «ощущения» и «хотелки».
Каким компаниям и когда нужен этот подход
Если у вас стартап и вы только начинаете развиваться – скорее всего, data driven вам не нужен. Для наглядности посмотрите на кривую роста и развития организации:
Так выглядит жизненный цикл практически любой компании
Часто компании начинают выстраивать data driven-культуру на пике – банально чтобы не умереть и удержаться на плато. На схеме оно помечено как этап зрелости. Но на самом деле эффективнее делать это, когда компания начинает подходить к этапу взрывного роста – и активно вкладывает средства в маркетинговый бюджет.
DDDM нужен как раз затем, чтобы этот бюджет не слить – иначе никакого выхода на плато просто не будет, а смерть компании окажется близко:)
Личный опыт сотрудника или руководителя, полученный в других компаниях – это очень круто, конечно. «Вот мы использовали продвижение через соцсети, и получили 100500 целевых заявок» – хороший подход для теста. «Но здесь это не работает: ничего не дало тестирование в разных соцсетях, с разными аудиториями, текстами и креативами» – а вот это уже подход DDDM, которые сохраняет маркетинговые ресурсы.
В общем, я бы охарактеризовала data driven словами «Если лошадь сдохла – слезь!».
Дарья Завьялова
выпускающий редактор TexTerra
Что дает data driven-подход
Консалтинговая фирма BCG по заказу Google проанализировала деятельность тысяч компаний и сделала вывод: data driven-маркетинг в среднем увеличивает на 20 % доходы и снижает на 30 % расходы компании.
Журнал Forbes, в свою очередь, также провел собственное исследование. Вывод: 78 % маркетинг-директоров повысили ROMI (коэффициент возврата маркетинговых инвестиций), используя маркетинг-аналитику при формировании стратегии.
Внедрение data driven-подхода – пошагово
1. Определите, есть ли у компании все необходимое
Это:
- Готовность к инвестициям – данные не появятся по щелчку пальцев, а будут накапливаться в процессе инвестиций в маркетинг.
Кроме того, речь еще и про инвестицию в ресурсы компании, в воспитание культуры DDDM, которая в итоге принесет свои плоды.
- Умение анализировать и интерпретировать данные.
- Данные, которым действительно можно доверять – не стоит использовать информацию, которая никак не «бьется» со всей остальной аналитикой.
Пример: если один из отчетов «Яндекс.Метрики» показывает резкий рост прямого трафика, при этом по другим отчетам его нет (и у аналитика нет идей, откуда он мог бы взяться), использовать такие данные не нужно. «Метрика» может, например, записывать в прямые вхождения любой трафик, источник которого она не распознала, – либо это могут быть накрутки ботов от конкурентов. До тех пор, пока аналитик не сможет уверенно интерпретировать ситуацию, информацию стоит отложить.
- Принятие решений на основе данных – компания должна четко отладить причинно-следственную связь между «мы увидели вот эти данные» и «мы приняли вот такое решение».
2. Выберите модель внедрения
Если небольшая компания наконец вышла на модель работы, при которой решения принимаются на основе данных, а не «хотелок», – можно ли сказать, что она работает с данными точно так же, как это делают гиганты вроде «М.Видео»? Конечно, нет. И, вероятно, именно такая модель, как у «М.Видео», ей не нужна.
Чтобы понять, где вы находитесь, используйте модель для определения аналитической зрелости компании (в оригинале она называется Gartner Maturity Model for Data and Analytics).
Компания CoMagic адаптировала эту таблицу, переведя ее на русский язык:
| Уровень 1 – базовый: «Мы начали собирать данные» | Уровень 2 – приспосабливающий: «Мы часто работаем с данными» | Уровень 3 – систематический: «Мы принимаем решения, основываясь на данных» | Уровень 4 – дифференцирующий: «Данные нам позволяют быстро расти» | Уровень 5 – трансформирующий: «Мы есть данные» |
|---|---|---|---|---|
| Ручной сбор данных. Низкая либо никакая связанность данных. Собирается менее 50 % возможных данных. Низкая культура (с данными работает небольшая команда). | Полуавтоматический сбор данных. Данные из разных систем связаны между собой. С данными работает C-level и какие-то отдельные команды. Тактические решения принимаются на основе данных. | Данные собираются исходя из стратегии компании. Автоматизированный сбор и отчетность. Внедрены системы работы с данными. Собирается 50–80 % возможных данных (добавляются сторонние источники данных). | Выделена команда аналитиков для работы с данными. Стратегические решения принимаются на основе данных. Процесс поиска идей для развития маркетинга базируется на работе с данными. | В компании выстроена очень сильная культура работы с данными. C-level принимает решения, основываясь на данных. Все данные компании объединены между собой. Все отделы и команды выстроили процессы работы с данными. |
На первом этапе достаточно начать принимать хотя бы какие-то решения на основе данных – из «Яндекс.Метрики», из бесплатных сервисов аналитики.
Это важно просто для того, чтобы стартовать с внедрением этой культуры и перестройкой процессов. Сегодня, условно, это будут решения по рекламной кампании, а завтра – уже по работе с маркетинговыми каналами в целом.
Каждый из этих этапов сопровождается внедрением новых процессов, инструментов, идеологий и людей. То есть, если на первом этапе команде не нужен отдельный аналитик (с цифрами здесь способен справиться любой маркетолог), то на пятом этапе у компании должен быть укомплектованный аналитический отдел.
С рекламным бюджетом в условные двести тысяч рублей достаточным будет прийти к уровню два. Миллионный бюджет требует третьего уровня. А с бюджетом в десять миллионов задачей компании станет максимально приблизиться к пятому уровню аналитической зрелости.
Практическое задание: посмотрите на табличку выше, сравните ее с собственным рекламным бюджетом и ответьте на вопрос – в какой точке вы находитесь, насколько критично вырасти по аналитике и чего конкретно вам не хватает для этого?
3. Проведите аудит ситуации в маркетинге
Если мы берем компанию, которая прошла этап стартапа и начала как-то масштабироваться, то в среднем у нее уже есть 5–10 каналов продвижения:
- контекстная реклама;
- холодные продажи;
- маркетплейсы;
- таргетированная реклама;
- email-маркетинг;
- ведение блога;
- SEO;
- социальные сети и другие.
Расходы на каналы – разные. Стоимость получения клиента с каждого канала – разная. В зависимости от того, откуда пришел этот клиент, путь его тоже будет разным.
Чтобы не дойти до ситуации, когда бюджет уходит, а стоимость лида и пути его получения неизвестны, выстраивать аналитику в маркетинге нужно еще на этапе роста компании (см. главу «Каким компаниям и когда нужен этот подход»).
В идеале, анализируя эти данные и внедряя изменения, нужно дойти до ситуации, когда вы тратите минимум бюджета и приводите максимум лидов.
4. Определите, на какие метрики вы будете смотреть
Данные – ничто без метрик их оценки. Кому-то важна стоимость привлечения клиента, кто-то смотрит на его LTV (жизненный цикл, то есть то, как долго клиент находится с компанией). Здесь все зависит от бизнеса.
Если вы не знаете, что подходит лично вам – свяжитесь с нами: побеседуем, посмотрим, чем можем вам помочь. Консультация бесплатна.
Ваша заявка принята.
Мы свяжемся с вами в ближайшее время.
5. Определите динамику ваших бизнес-метрик
Развивается важная для вас метрика (например, количество лидов или конверсий)? Падает? Стагнирует на протяжении десятилетий?
Ответы на эти два вопроса – какая метрика самая важная и что с ней происходит – помогут ответить на третий: о проблемных зонах.
6. Определите проблемные зоны бизнеса
Мало клиентов? Или достаточно, но хотелось бы повысить средний чек? Или, может быть, в вашем бизнесе трудозатратно «въезжать» в бизнес клиента и настраивать там процессы – поэтому для вас важно, чтобы у каждого из них был долгий жизненный цикл?
Это и будут данные, которые вам необходимо собирать и анализировать.
7. Выберите инструменты анализа
Например, в предыдущих шагах вы определились, что для вас важно количество заявок. Их мало. Но «мало» – это не цифра. Чтобы вырастить какой-то показатель, его нужно измерить. А для этого – понять, какие инструменты использовать. Будет это веб-аналитика? Excel? SaaS? Собственная разработка?
После того, как отлажена система измерения важных бизнес-метрик, вам станет понятнее, как двигаться в сторону их увеличения. Например, проработать сайт, если из поиска приходит много потенциальных лидов, но они «отваливаются» на этапе изучения вашего предложения.
Какие это могут быть инструменты?
- Веб-аналитика.
- CRM-системы.
- Инструменты трекинга обращений.
- Лидогенераторы и виджеты.
- Сквозная аналитика.
- CDP- и DMP-системы.
8. Начинайте внедрять культуру работы с данными
Параллельно с тем, как вы делаете шаги по исправлению ситуации (в примере выше это проработка сайта), у вас накапливаются новые данные.
- Познакомьте команду с инструментами анализа.
- Научите ими пользоваться.
- Добейтесь того, чтобы каждый сотрудник помнил о том, что в планах у бизнеса – вырастить конкретную метрику.
У каждого сотрудника, ответственного за маркетинг, должно быть понимание не только общей цели, но и личной – на том этапе воронки, на котором он работает. Например, у компании нет прямых продаж через соцсети, но лиды в отдел продаж приходят по пути «увидел расшар статьи в “ВК” – перешел на статью – дочитал – перешел на услугу – оставил заявку». Значит, эсэмэмщик должен сосредоточиться на цели «клик на анонс статьи». Дальше лид попадает в зону ответственности сотрудника, который занимается сайтом и должен сконвертить лида в заявку.
Дарья Завьялова
выпускающий редактор TexTerra
HADI-цикл – важная часть аналитики в data driven
Hypothesis Action Data Insights – это простой алгоритм, который позволяет проверить гипотезу насчет того, куда стоит направить маркетинговые средства.
- Hypothesis – гипотеза: какие у нас есть мысли по развитию маркетинга?
«Попробуем выйти в TikTok».
- Action – действие: каким образом мы собираемся это реализовать?
«Заведем личный аккаунт сотрудника компании, будем выкладывать по два видео в сутки, заходить с комментариями к другим аккаунтам, сделаем коллаб… etc.».
- Data – данные: на основании чего мы поймем, что подтвердилась наша гипотеза?
«Прямые продажи в TikTok – явно не наша история, но мы должны получить оттуда хотя бы какое-то количество обращений».
- Insights – выводы: какие решения мы принимаем исходя из полученных данных?
«Если мы получим небольшое количество качественных заявок – увеличим ресурсы на продвижение на этом канале. Если будет много нецелевых заявок – пробуем другую стратегию продвижения там» или «Если будет много нецелевых заявок – сворачиваем этот канал и пробуем другой».
При работе с сайтом это может быть следующая ситуация: на сайт приходит большое количество заявок, но они не конвертируются в лиды. Значит, стоит протестировать как минимум две гипотезы:
1) люди заинтересованы в услуге, но вы не убедили их в том, что купить нужно именно у вас – тогда следует проработать посадочную страницу;
2) люди приходят на ваш сайт, не будучи в принципе заинтересованными в услугах – им просто нравится читать ваши материалы. Максимум пользы, которую вы сможете извлечь из такого трафика – это улучшение поведенческих факторов, в частности, last click.
Но для того, чтобы протестировать обе гипотезы и принять правильное решение по корректировке стратегии, нужно накапливать данные и постоянно с ними работать. В тот момент, когда компания отстраивает этот процесс, в ней как раз и появляется культура работы с данными.