Аналитика — это основа для принятия решений. Но данные должны быть адаптированы для конкретных бизнес-задач и отражать реальные метрики, на которые можно опираться в работе.
В этом материале для GoPractice (CMO компании Alps2Alps, ex-Yandex, ex-VK) рассказывает, что действительно важно для маркетинговой аналитики, а на что можно не тратить ресурсы и как сделать дашборды так, чтобы они приносили пользу команде.
На разных этапах развития компании — разные требования к аналитике
Pre-PMF (до нахождения product-market fit). Здесь задача в первую очередь — понять, где ваша аудитория. Основное внимание уделяется поиску аудитории и экспериментированию с каналами привлечения. На этом этапе не требуется оптимизировать маркетинговые расходы, а значит, аналитика может быть упрощенной.
Post-PMF (масштабирование). По мере масштабирования аналитика должна отвечать более сложным требованиям — использование A/B тестов и расширение функционала BI становятся критичными. Это позволяет контролировать рост и оптимизировать маркетинговые расходы.
Кроме того, чем больше компания, тем важнее становится роль data-инженеров и автоматизация отчетности.
Основные принципы для создания полезных дашбордов
Быстрая загрузка
Дашборд должен грузиться быстро, иначе люди будут стараться минимизировать взаимодействие с ним.
Пример из жизни:
Дашборд грузится больше минуты. Каждое изменение фильтра приводит к тому, что опять приходится долго ждать. В результате менеджеры тратят несколько часов в неделю на то, чтобы выгрузить «сырые» данные в Google Spreadsheets и сделать сводные таблицы. Формально дашборд есть, но никто не может с ним эффективно работать.
Четкое предназначение
Каждый дашборд должен отвечать на конкретный набор вопросов, связанных с бизнес-целями. Не нужно делать дашборд, в котором свалены все данные во всех возможных разрезах: им будет неудобно пользоваться и он будет долго грузиться.
В идеале иметь возможность показывать только те колонки и данные, которые нужны пользователю в конкретный момент. Хороший BI-инженер может настроить это в Tableau.
Разные дашборды — для разных пользователей
Маркетологи, менеджеры и руководство — всем нужны свои, специфичные дашборды.
Когда маркетинговой аналитике нужны улучшения
То, как эффективно работать с аналитикой, мы подробно разбираем в «Симуляторе управления продуктом на основе данных».
Чтобы взять максимум от обучения, выбирайте тариф с ментором. С поддержкой опытного наставника вы разберете, как применять новые знания в реальной жизни. Выбрать группу можно по ссылке.
Ручной сбор данных занимает много времени
Если менеджеры каждую неделю вручную собирают отчет в Excel или тратят часы на сбор данных из разных источников перед еженедельной встречей — значит, нужен дашборд, который автоматизирует эту работу.
Пример из жизни:
Команда по вторникам выгружает данные из кабинетов по затратам, показам, кликам. Далее из MMP выгружаются данные по инсталлам, регистрациям и событиям. Затем эти данные при помощи VLOOKUP склеиваются по campaign name. И на основе этого получается Excel-таблица, которую используют в работе.
Как итог, такой ручной труд ведет к потраченному времени, а точные данные доступны лишь с задержкой в неделю.
Несогласованность данных: разные дашборды показывают разные результаты
Если метрики, такие как количество пользователей или доход, расходятся более чем на 10% между отчетами маркетинга, продукта и финансов, то это создает проблемы. Эти метрики должны быть едины во всех отчетах.
Пример из жизни:
В маркетинге пользователь считается новым, если он не пользовался продуктом больше шести месяцев. В продукте пользователь считается новым, если он не пользовался продуктом никогда. Если человек шесть лет назад зарегистрировался, купил и затем перестал пользоваться продуктом, а вчера мы его заново заманили в продукт и он снова сделал покупку, то для продукта он — старый пользователь, а для маркетинга — новый. Если продукт давно на рынке в этой стране, и расхождения в цифрах — значительные, то это повод договориться с продуктовой командой о едином определении.
Сложные корректировки в уме
Если вашим сотрудникам приходится умножать данные на коэффициенты, чтобы получить реальную картину, это признак плохо настроенной аналитики. Данные должны быть готовы к использованию без дополнительных вычислений.
Пример из жизни 1:
Продвижение мобильного приложения в Meta в iOS. Из-за того, что не используется SkAd, в качестве количества покупок берутся данные из AppsFlyer. Эти данные доступны только по пользователям, которые дали ATT (App Tracking Transparency) Consent, и они умножаются на «коэффициент ATT», например 3.5.
Сопутствующая проблема: в отчете для руководства — недооцененный paid и переоцененная органика только в одной из платформ — iOS.
Пример из жизни 2:
При составлении медиаплана нужно выставить target CAC по Apple Search Ads. Каждый раз медиабайер прикидывает, что «у нас процент брендового трафика примерно 50%, по нему таргет CAC = 2 USD, по небрендовому трафику 10 USD, значит в среднем по ASA target CAC = 3.5 USD».
Пример из жизни 3:
Предположим, что в одном из источников высокая каннибализация. Это значит, что он «ворует» себе часть конверсий из других источников. То есть в нем target CAC должен быть ниже, чем в других источниках. И каждый раз медиабайер делает «прикидку в голове»: насколько этот CAC должен быть ниже.
Пример из жизни 4:
Компания платит за разные рекламные источники с разных юрлиц, и в результате возникают разные налоги. Для правильного расчета данных по источнику 1 в какой-то конкретной стране, затраты, CPI, CAC и все другие метрики по затратам нужно умножать на 1.2.
Данные в дашборде требуют оговорок
Следствие предыдущего пункта. Когда сотрудник говорит: «Это число неправильное, не обращай внимания» — значит, данные в дашборде не соответствуют реальности, и доверие к ним подорвано. Но т.к. C-level dashboard собирается из тех же самых данных, значит, руководство получает искаженную картину действительности.
Пример из жизни:
В AppsFlyer есть механизмы антифрода в Protect360: как встроенные, так и Validation Rules. Некоторые правила антифрода срабатывают с задержкой — до семи дней. Если мы выгрузим данные через сутки после инсталла и не выгрузим их повторно через восемь дней, то данные в BI будут «до применения антифрода».
Проблема: в дэшборде у руководства будут данные, в которых каналы с фродом будут выглядеть лучше, чем они есть на самом деле.
Сегментация в разных дашбордах
Если у вас отдельные дашборды для каждой страны или сегмента, при этом общих метрик нет, то становится сложно видеть всю картину. При этом важно понимать, что для разных сторон бизнеса (например, привлечения продавцов и покупателей в маркетплейсе) нужны свои, специфичные дашборды.
Когда улучшение дашбордов не приоритет?
- Расхождения в данных с продуктовыми дашбордами минимальны (≤ 5%).
- Расходы на маркетинг невелики (≤ $10 тыс.). Обычно это — стадия pre-PMF.
- Вы используете только один основной канал привлечения. Опять же, обычно это актуально на этапе pre-PMF, но бывают исключения.
Тем не менее, даже в этих случаях полезно интегрировать данные в единый источник (например, DWH) и подключить инструменты для визуализации, такие как Looker. Это избавит команду от постоянных выгрузок и позволит сосредоточиться на анализе.
Когда нужно просто обучать людей?
Хороший дашборд — это не только данные. Это знание того, как этими данными пользоваться. Даже идеальный дашборд будет бесполезен, если люди не знают, как интерпретировать его данные. Поэтому здесь моя задача как лидера — не только настроить аналитику, но и обучить команду ею пользоваться.
Пример из жизни 1:
Медиабайер не понимает:
- как рассчитано значение в колонке «новые пользователи» в дашборде;
- какое окно атрибуции;
- учитываются ли реатрибуции, «воскресшие» пользователи;
- какое конкретно событие интерпретируется как «новый пользователь».
Если маркетолог показывает число в дашборде, но не может объяснить, как оно рассчитано, — это повод для обучения. Важно понимать, какие окна атрибуции были выбраны, были ли учтены пост-вью действия, как учитывались новые и старые пользователи.
Пример из жизни 2:
В компании есть дашборд с аналитикой периода payback. Но команда о нем не знает или не умеет пользоваться. Зато они где-то слышали, что LTV равен 5 долларам, поэтому окупаемость считают «на глаз» = $5.0/CAC. При этом они не не учитывают, что в разных странах разный LTV, retention и тп.
Резюме
Маркетинговая аналитика — это неотъемлемая часть принятия обоснованных решений и роста бизнеса. На разных стадиях компании важно использовать разные подходы к аналитике, начиная от простых отчетов в pre-PMF до комплексных дашбордов и A/B тестирования при масштабировании. Эффективная аналитика помогает не только отслеживать результаты, но и оптимизировать процессы, исключать ручной труд и повышать доверие к данным. Убедитесь, что ваши дашборды адаптированы под конкретные задачи, а команда понимает, как использовать полученные данные.
Узнайте больше
— Как построить эффективное взаимодействие с аналитиком: гайд для продакт-менеджера
— Product/market fit: что это такое и как его измерить с помощью метрик
