Давеча я рассказывал о том, где лежит ценность аналитики и показывал схему конвейера данных.
Потребность бизнеса подкреплять данными решения - вот что развивает аналитику.
Но что же такое решение? Как оно выводится из аналитической отчетности?
Решения принимаются на основе выводов, которые рождаются в результате анализа.
Вывод должен вполне конкретно отвечать на поставленные перед аналитикой вопросы.
То есть, прежде чем начинать выстраивать конвейер данных, мы должны сформулировать вопросы, на которые следует ответить для принятия решения. Что же это за вопросы, как они звучат?
Мы хотим конкретных выводов, значит и вопросы должны быть достаточно конкретными.
Для этого необходимо определить две компоненты:
а) какую метрику мы хотим измерить и
б) с каким значением (желаемым, эталонным) ее необходимо сравнить.
Вопросы, на которые фактически ищет ответ аналитика:
каково значение целевой метрики
и насколько оно расходится с желаемым.
Положим, вы ведете рекламную кампанию. Как понять, что с ней делать?
1. Выбираем целевую метрику. (Позже об этом расскажу)
Пусть это будет конверсия в лид.
2. Измеряем. Получилось 3%.
Это плохо или хорошо?
Непонятно, пока у нас нет желаемого значения.
Желаемые значения можно добыть:
* с помощью прогнозирования, выполненного разными способами
* из аналогичного опыта (как было в других кампаниях для похожего сегмента или тематики у вас или у ваших коллег?)
* из целей и планов
* от балды, если опыт совершенно новый и ни на что не похожий.
В любом случае, желаемое значение может и должно корректироваться по мере накопления данных.
Положим, вывели желаемую конверсию 5%.
3. Сравниваем "план" и "факт": 3% < 5%.
Кампания работает, но немного хуже, чем хотелось бы.
4. Решаем, что делать, исходя из контекста:
* оставить как есть и уменьшить желаемое значение
* провести более глубокий анализ и оптимизировать кампанию
А у вас есть целевая метрика и понимание, какие значения (или тренды) для неё хороши, а какие так себе?