5 проблем на пути построения прогнозной аналитики: как их решить

Аналитическое агентство Gartner составило свою модель влияния (Gartner analytic ascendancy model). В ней выделено 4 этапа развития аналитики, каждый из которых отвечает на один из вопросов.

Описательная аналитика — Что произошло?
Диагностическая аналитика — Почему это произошло?
Предиктивная аналитика — Что произойдет?
Предписывающая аналитика — Как мы можем это реализовать?

В целом современный рынок находится на промежуточной ступени между описательной и диагностической аналитикой. Почему мы застряли здесь? Прежде всего из-за того, что долгое время рынок развивал способность накапливать как можно больше данных о поведении пользователей. И сейчас мы пришли к тому, что данных стало настолько много, что используются они лишь на несколько процентов. Теперь нам нужны инструменты, которые смогут извлекать из всего массива данных полезную информацию. Но не только они.

Вот пять проблем, которые придётся преодолеть компании, если она стремится построить у себя предиктивную модель аналитики и получать прогнозы.

В этой статье

Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*

Как получить измеримые результаты в фарммаркетинге.

Показываем на примерах →

Спецпроект

Проблема 1: Не в полной мере анализировать то, что уже есть

Говоря об аналитике, мы хотим не только понимать прошлое, но и знать будущее. Современная же аналитика по большей части ретроспективна — она берёт за основу данные, полученные ранее, чтобы объяснить уже совершённые действия пользователей. И даже в таком формате она используется не в полном объёме: компании собирают неполные данные, работают с семплированными данными, не отслеживают все необходимые метрики и строят отчёты в ручном режиме. Пока этот рубеж не перейдён — компаниям слишком рано говорить о получении инсайтов из данных и построении прогнозов. Как его преодолеть?

Для начала — построить сквозную аналитику, в которой каждый шаг автоматизирован.

Проблема 2: Использовать слишком простые модели

Алгоритмы искусственного интеллекта, которые применяются сейчас, дают представление о том, какой будет отдача от клиента, но не объясняют, почему именно.

То есть почему клиент Х принесёт нам больше, чем клиент Y? Какие факторы влияют на отдачу от клиентов и как её увеличить?

Но проблема в том, что прогнозировать будущее исходя из текущих данных маркетолог может без привлечения высоких технологий, а количество данных и параметров, которые используются в простых моделях, слишком мало для глубинных выводов. Тогда как ценность искусственного интеллекта для маркетинга именно в том, чтобы моделировать различные сценарии: что будет с X, если мы изменим А и В, а С трогать не будем. А что, если оставим А, но уменьшим С?

Самые лучшие решения на сегодняшний день используют искусственный интеллект, алгоритмы машинного обучения и теорию игр, чтобы ответить на вопросы «А что, если…» и «Почему оно будет так». И что важно, полученный ответ должен быть развёрнутый, понятный и легко интерпретируемый.

Проблема 3: Использовать ограниченные данные

Несмотря на, казалось бы, стремительное развитие — модели, которые используются в маркетинговой аналитике, пока ещё плохо обучены и требуют много данных для построения достоверных прогнозов. Одна из причин — большинство компаний используют для обучения моделей только собственные данные, и из-за этого они оказываются изолированными от окружающей среды. Такие прогнозы оказываются неточными, ведь мы работаем на рынке в окружении конкурентов, зависим от изменения спроса и так далее. И все эти факторы нужно учитывать.

Среди данных, которые вы можете использовать самостоятельно:

собственные сырые данные о поведении пользователей;
логи Яндекс.Метрики, Гугл Аналитики, данные Adjust, Segment, Mixpanel, Heap;
данные о целевых действиях: конверсиях, заказах;
микс данных из нескольких источников: внутренняя CRM + Яндекс.Метрика.

Можно ли самостоятельно построить модель и дать ей все необходимые данные для обучения? Вероятно, можно. Но если построение таких моделей не основное направление вашего бизнеса, то, скорее всего, затраченные ресурсы не оправдают результат. К тому же, модель нужно обучать регулярно. В этом случае стоит использовать готовые профессиональные решения.

Проблема 4: Рынок пока не осознаёт ценность аналитики

Как мы уже говорили, рынок сегодня застрял между описательной и диагностической аналитикой, и только единичные компании могут получать инсайты из своих данных. Поэтому для большинства непонятна не только ценность прогнозов, но и возможность их использования. В то же время, учитывая скорость, с которой развиваются лидеры отраслей, начинать внедрять data-driven маркетинг нужно уже сейчас, даже если пока что вы не понимаете, как именно будете использовать полученный результат.

Если сегодня вы просто начнёте собирать данные, то уже через год, когда о прогнозах заговорят все вокруг, у вас будет фундамент для старта.

Со временем вы научитесь работать со своими данными и увидите, что принимать решения об управлении бюджетами на основе прогнозов гораздо эффективнее, чем на основе данных прошлых периодов. Ведь на будущее вы можете повлиять, а прошлое уже произошло.

Что можно прогнозировать.

Количество будущих конверсий: заказов, оплат, подписок.
Прибыль, которую принесёт клиент за всё время сотрудничества.
Продолжительность сотрудничества с клиентом — как скоро он перестанет покупать у вас.
Что будет, если сфокусироваться на определенных каналах, и что, если на других. Что, если увеличить бюджет, а что — если нет. Какие товары будут пользоваться спросом в регионе А у аудитории В.
Любые числовые параметры, которые можно взять из исторических данных.

На практике эту информацию можно использовать, например, в следующих целях.

RFM-анализ. Позволяет сделать сегменты исходя из покупательской активности пользователей, предсказать, какой сегмент перестанет покупать в будущем и какое предложение нужно сделать ему сегодня, чтобы увеличить доход завтра.
Динамический прайсинг. Собирая историю пользователя, можно сформировать не самую низкую, но приемлемую цену на интересующие его товары, по которой он, вероятнее всего, купит товар. То есть вам не надо показывать цену ниже, чем у конкурентов, так как пользователь ориентируется только на ваши цены и персональное предложение.
Управление ставками для разных клиентов по LTV. Можно рассчитать прогнозированный LTV для разных когорт и, если планируемый доход с когорты А выше, чем с когорты В, — мы может увеличить ставку на рекламу.

Проблема 5: Понять, что аналитика — это игра вдолгую

И это самая глобальная проблема. Внедрение аналитики в компанию требует не только много сил и времени, но и влечёт за собой изменение всех процессов. Поэтому прежде чем вы начнёте, cтоит убедиться, что вы всё делаете правильно. Вот из каких пунктов это может состоять.

1. Задавайте правильные вопросы

Если вы хотите получать полезные ответы — научитесь задавать правильные вопросы. Формулируйте чёткие гипотезы и проверяйте их, экспериментируйте, проводите А/В-тесты и для каждой гипотезы и эксперимента. Выделяйте KPI, по которым будете их оценивать. Держите в голове главную задачу, которую хотите решить, но идите к решению маленькими шажками.

2. Используйте правильные данные

Прежде чем делать выводы, убедитесь, что данные, на которых они основаны, полные — без семплирования или фильтров. Поэтому, определившись с вопросами, ответы на которые хотите получить, выясните, какие данные вам доступны и будет ли их достаточно, чтобы точно ответить на ваши вопросы.

3. Используйте правильные технологии

Отрасль работы с данными развивается стремительно, как и технологии, которые помогают собирать, хранить и обрабатывать данные. Многие аналитические сервисы уже начинают предлагать свои решения для построения прогнозной аналитики. Они отличаются методологией работы. Перед вами стоит непростая задача — выбрать то решение, которое вы сможете эффективно использовать продолжительное время. Потому что переход из одного сервиса в другой — сложный и дорогостоящий процесс.

4. Нанимайте правильных людей

Как бы ни хотелось автоматизировать все процессы и отдать их на откуп алгоритмам искусственного интеллекта, вам по прежнему будут нужны высококвалифицированные специалисты. Без нужных людей очень сложно задать правильные вопросы. Также трудно узнать, какие данные могут потребоваться, чтобы ответить на них или извлечь максимальную пользу из новейших технологий. Именно люди будут создавать стратегию и формировать культуру работы с данными, поэтому уделите этому пункту максимальное влияние.

Комментарий эксперта

Иван Иванов

Prometriki.ru

«Несмотря на то, что сегодня всё больше и больше вопросов уделяется прогнозной аналитике, приходится констатировать тот факт, что далеко не на всех проектах успешно реализован первый этап для работы с данными — сбор корректных данных о пользователях, например, о том, какие действия пользователи совершают на сайте.

В ряде случаев (и это отмечено в статье) бизнесу необходимо менять свой подход или организацию внутренних бизнес процессов для того, чтобы максимально автоматизировать процесс сбора данных и исключить человеческий фактор. Как верно описано в материале, любая модель будет работать и предоставлять значимую информацию только на основе достоверных данных.

При принятии решения об использовании возможностей современных аналитических инструментов нужно быть готовым к изменениям, при этом сопоставлять затраты на внедрение подобных систем и то, какой эффект от их использования может быть получен».