Фокус на компанию. 6 советов дата-аналитику для работы с бизнесом

Аналитик для бизнеса: кто он и чем занимается?

В аналитике для бизнеса важно разделять направление самого специалиста и бизнеса. В компаниях есть много областей, в которых требуются профессионалы, и каждое такое ответвление диктует свои правила. 

На мой взгляд, единой профессии «аналитик для бизнеса» не существует. Обычно я разделяю аналитику на продуктовую, маркетинговую и бизнесовую. Однако, есть и другие виды, например, инвестиционная, системная (где работают технические аналитики, которые настраивают коммуникацию между стейкхолдерами и разработчиками). 

Аналитик в широком смысле — это тот, кто собирает, анализирует и обрабатывает данные для создания отчетов, чтобы рекомендовать бизнесу решения по изменениям.

Маркетинговый аналитик — тот же человек, который использует классические инструменты аналитика (Python, Excel и т. д.), чтобы проанализировать маркетинговые кампании, увеличить эффективность рекламы и пр. Его базовая точка — маркетинговые исследования. Он смотрит на процессы, которые выстроены вокруг вывода продукта ны рынок и коммуникаций с целевой аудиторией.

Продуктовый аналитик довольно близок к маркетинговому типу. Однако последний занимается выводом продукта в том виде, который будет нравиться пользователю. А продуктовый смотрит на этот процесс с другой точки зрения. Он создает продукт, который будет более эффективен для аудитории, чтобы привлекать как можно большее количество людей.

При таком подходе выгоду получает не только клиент, но и сам бизнес. Поэтому можно сказать, что такой аналитик занимается продуктовой логикой. 

Маркетинговый аналитик будет рекомендовать менять позиционирование продукта, а продуктовый — предлагать изменить сам продукт исходя из своих данных.

В свою очередь бизнес-аналитик — специалист, который разбирается во всех внутренних бизнес-процессах. Причем не только управленческих, но и технических. Он может вникать в маркетинговую, административную, продуктовую сферу. Такой сотрудник рассматривает, визуализирует и моделирует основы бизнес-процессов, чтобы руководители могли успешно принимать решения.

5 советов дата-аналитику для работы с бизнесом

Четко разделять цели бизнеса и цели анализа

Не стоит додумывать ожидания бизнеса — обычно это банальные вещи. Любая компания хочет знать, что и как делать, чтобы получить прибыль. Однако бизнес не всегда понимает, что аналитик не дает инструкций к действиям, он лишь рекомендует. 

Когда я училась в университете, преподаватель на курсе управленческого консультирования долго заставлял всех аналитиков четко различать цель бизнеса и цель анализа. Он спрашивал про цель анализа, и будущие аналитики отвечали, что нужно повысить конверсию. Тогда он парировал, что ее будут повышать другие специалисты, а не мы.

На некоторых собеседованиях соискателям предлагают смоделировать ситуацию в работе с бизнесом. При этом потенциальный работодатель обращает внимание не на то, какие рекомендации даст кандидат, а с какого фокуса он посмотрит на задачу, как будет искать причины возникновения той или иной проблемы. 

Аналитик не знает, что нужно сделать, но он знает факторы, которые будут влиять на бизнес и конкретные процессы. Он может только ответить на вопрос: «Что происходит?» и прогнозировать вероятность дальнейшего застоя или развития ситуации в зависимости от различных факторов.

Видеть физический смысл за метриками — один из важнейших навыков в маркетинге

Маркетинговый аналитик должен понимать, как строится цикл маркетинга, как проводятся исследования, где находится точка взаимодействия пользователя с продуктом. Он работает со сбором данных для изучения потребительского опыта, проводит A/B-тестирования, должен уметь пользоваться digital-инструментами, вроде «Яндекс Директа», SEO-воронок и т. д.

Читайте также: Как работает «Яндекс Директ» — пошаговое руководство

Кроме того, для него особенно важно уметь проверять различные гипотезы. 

Один из главных и отличительных навыков маркетингового аналитика — видеть за метриками физический смысл. Руководителям для принятия решения недостаточно слышать, что, например, конверсия от рекламы составила 15%, им важно разъяснить, что это означает, как это влияет на другие процессы, вследствие чего это произошло и что на это повлияло.

Иными словами, любой показатель должен быть наблюдаем самим аналитиком в реальном мире (объекте анализа) — и не сам по себе, а во взаимосвязи с другими показателями, событиями и процессами. И здесь очень важным является модельное мышление специалиста и понимание того, как функционирует бизнес, организация, отрасль, в которой он находится.

Кстати, этот навык полезен не только маркетинговому аналитику, а всем в целом.

Разбираться в отрасли, в которой работает бизнес

Зачастую аналитики-джуны полагают, что приобретенного в период обучения инструментария достаточно и что его можно применять в базовом виде в любом анализе. Они не стремятся разобраться в отрасли, в которой работает бизнес: для них аналитика в IT и в нефтегазовой сфере одинакова, и методы работы с ней одни и те же.

Решения задач по шаблону нельзя допускать, все ситуации разные. То, как функционирует бизнес, зависит от многих факторов: его экономического положения, специфики отрасли, конкретных продуктов, целевой аудитории и так далее. Дата-аналитику важно погрузиться в каждый процесс отрасли, изучить саму компанию и ее конкурентов, чтобы составлять полноценный качественный анализ.

Знать, в каких случаях работа аналитика не нужна

Не каждая компания понимает, нужен ли ей функционал дата-аналитика. Поэтому эта оценка перекладывается на специалиста, которому предстоит разобраться, кому и при каких обстоятельствах нужна его экспертиза. 

Например, у маленькой компании мало данных, и анализировать по большому счету будет нечего. Задача такого бизнеса — выжить, а не перестроить свои процессы. Кроме того, в этом случае еще не будет вопроса эффективности, соответственно, не будет и потребности в анализе. Аналитик будет только тормозить такую компанию. 

Схожие последствия будут и в случае, когда бизнес на стадии бурного роста. Как правило, этот процесс происходит экстернально, во все стороны, задействуются все ресурсы. Аналитик будет только мешать своими попытками смоделировать эти события, выявить, что на них влияет.

Не стоит применять сразу все свои навыки и освоенные инструменты

Многие начинающие специалисты стремятся при первой же возможности применить в работе все, чему научились. Они не задумываются, нужно ли это в данном случае, будет ли это действительно результативно. Поэтому важно уметь останавливать себя, задавать вопросы: «Что я хочу узнать?», «Какие инструменты для этого нужны?». 

Приходя на работу, дата-аналитик должен помнить, что его цель и главный объект — компания. Не нужно просто показывать, как много всего вы умеете, вероятно, это уже оценили на собеседовании. В работе важно сосредотачиваться на реальных задачах, не тратить свои ресурсы и работодателя напрасно.

Не нужно пытаться подтвердить гипотезу

Еще одна распространенная ошибка junior-специалиста — попытка подтвердить гипотезу. Ваша задача — ее проверка на релевантность, а не подтверждение или опровержение. И также не нужно строить ожидания по поводу результатов анализа. 

У меня на курсе была задачка про поставки ПО, где дата-аналитику нужно выявить, от чего зависит его стоимость. Обычно студенты начинают строить гипотезу, что, к примеру, цена коррелируется с брендом. Они проводят анализ и их ожидания не оправдываются: цена варьируется не из-за бренда, а из-за технических характеристик ПО.

Шаблон в голове аналитика начинает разваливаться, и он пугается, что не подтвердил гипотезу, а следовательно, что-то сделал неверно. 

В этом случае я провожу беседу со студентом и объясняю, что опровержение гипотезы — это хороший результат, новое знание, паттерн. Такие данные будут важны для компании — они укажут, на что стоит обратить внимание, где находятся «слепые зоны». 

Читайте по теме:

5 шагов, чтобы стать дата-аналитиком

Дата-сайентист или дата-аналитик: какая из этих профессий вам больше подходит?

Кроме того, гипотезу важно проверять на адекватность. Есть классический метод — корреляционный анализ, при котором высчитывается зависимость между двумя переменными. Например, есть учебный пример о частоте просмотра футбольного матча в зависимости от того, едят ли люди пельмени.

Это хорошо отражает, насколько аналитики часто пытаются совместить несовместимые вещи, выявить связи там, где они априори невозможны. В работе с гипотезой важно выявлять ее основания, которые иногда могут превратиться в банальное совпадение.

Чтобы аналитик пытался проверить гипотезу, а не подтвердить ее, нужно изначально выстраивать концептуальную модель, в которой выделятся факторы и явления, подлежащие анализу. Такая модель будет указывать не на верность или неверность утверждения, а на то, куда сместить фокус, на что смотреть. 

Опытные специалисты уже не допускают подобную ошибку, однако попадают в другую ловушку. Они могут быть слишком уверены, что знают, как работают все процессы, и новое знание может восприниматься как что-то негативное.

Чек-лист: как достичь максимума

• Цель анализа и цель бизнеса — не одно и то же. Всегда разграничивайте их.
• Умейте видеть смысл за метриками, представляйте полную картину. Моделируйте, как этот результат шкалы повлияет на другие процессы.
• Углубляйтесь в сферу, где вы работаете. Для аналитики необходимо понимать специфику отрасли, ее аудиторию.
• Осознавайте, где ваша аналитика не требуется. Не всем компаниям нужно перестраивать бизнес-процессы.
• Не нужно сразу применять все знакомые инструменты, чтобы впечатлить начальство. Сосредоточьтесь на реальных задачах, используя оптимальные ресурсы.
• Дата-аналитикам не нужно опровергать или подтверждать все гипотезы. Гипотезу нужно проверить и указать, куда сместился фокус.

Фото на обложке: Unsplash.com