Аналитические инструменты. Почему ими нужно пользоваться

Рейтинг лучших брокеров бинарных опционов 2020 года по надежности:
  • FinMax
    FinMax

    Бонусы для новых трейдеров до 20 000$!

  • BINARIUM
    BINARIUM

    Огромный раздел по обучению. Бесплатные прогнозы и стратегии!

Содержание

Почему традиционные инструменты маркетинговой аналитики не приносят должных результатов и что с этим делать?

В рамках нового исследования от CMO Council 52% конечных потребителей заявили, что наиболее важным аспектом их опыта взаимодействия с брендом является быстрый отклик сотрудников на проблемы, потребности, запросы и предложения, которые у них возникают.

Современные предприниматели хватаются за любые возможности, чтобы сделать свой бизнес более отзывчивым, но традиционной маркетинговой аналитики здесь уже недостаточно. Типичные аналитические решения не дают стартаперам real-time результаты, а они играют важнейшую роль в мире объемных, разнообразных и скоростных данных. В сегодняшней статье мы объясним вам, чем обусловлены эти ограничения и каким образом вы можете их избежать.

Что такое традиционные маркетинговые аналитические инструменты?

Сегодня главная задача маркетологов сводится к рассылке персонализированных сообщений клиентам и получению как можно больших ROI от своих маркетинговых вложений. Достижение этой цели подразумевает унифицированную обработку всех доступных клиентских данных, а такая продвинутая аналитика нуждается в мощных и эффективных data-платформах.

Большинство компаний ограничены в этом плане ввиду бюджета, технологий или нехватки кадров, и согласно недавнему исследованию от Dun & Bradstreet и Forbes Insights, им еще только предстоят подобные инвестиции.

Какие из перечисленных сложностей больше всего мешают вашей компании использовать данные и аналитику для принятия решений: нехватка бюджета; технологические нюансы; вопросы безопасности; отсутствие необходимых навыков; менеджмент данных; точность/качество данных; невозможность достичь ROI; плохое освоение сервисов командой; несогласованность по функциям; отсутствие data-driven культуры и т. д.

В течение нескольких последних десятилетий маркетологи размещают данные, полученные от пользователей, в хранилищах для отчетности и анализа. Так как они собирают информацию из разных источников, сперва ее нужно отфильтровать и стандартизировать, а уже затем вносить в соответствующие таблицы. После этого компания определяет ключевые метрики, которые хочет отслеживать, и свойства, необходимые для анализа таких показателей. Затем полученные KPI-метрики включаются в отчет.

Каждый из упомянутых выше шагов имеет огромное значение. Традиционная аналитическая модель стоит организациям колоссальных усилий, времени и денег, но в то же время она далеко не всегда приносит им адекватные и своевременные результаты. В большинстве случаев маркетинговые команды испытывают сложности на этом поприще из-за 6 основных факторов.

1. Экспоненциальный рост объемов данных и скорости их передачи

В последние годы среднее количество тачпоинтов для клиентов компаний и объемы данных, генерируемые каждым из них, заметно выросли. Сайты, социальные сети, POS и call-центр системы, а также новые IOT источники данных (устройства «умного дома», переносные технологические девайсы и т. д. ) дают компаниям очень много информации, причем зачастую непрерывно.

«К 2020 году к Сети будет подключено более 75 000 000 000 устройств»

Сейчас такой наплыв сведений называют «big data» — термином, который описывает настолько большие или сложные наборы данных, что традиционных программных решений для их обработки уже недостаточно.

Big Data ставит перед компаниями непростую задачу. Помимо огромных вычислительных мощностей, которые нужны для анализа данных, маркетологам приходится думать над тем, как можно сохранять, обновлять или делиться собранной информацией в режиме реального времени.

Хотя индустрия данных и развивается быстрыми темпами, опрос от все тех же Dun & Bradstreet и Forbes Insights показал, что к более активному использованию продвинутой аналитики это не приводит.

Что лучше всего описывает подход вашей компании к использованию аналитики? Анализ таблиц; базовые модели; основанные на прошлом поведении и/или регрессии; анализ дашбордов; предиктивные модели с использованием как внутренних , так и внешних данных; продвинутые аналитические методики для прогнозирования и ожидания изменений; предиктивные модели с использованием внутренних данных

2. Негибкая, статическая data-модель

При работе с описанной ниже статической data-моделью компаниям сложно приспосабливаться к новым линиям продуктов, рынкам или изменяющемуся процессу продаж. Из-за этого некоторые аналитические решения могут терять для них актуальность уже через несколько недель после внедрения.

Рейтинг русскоязычных брокеров бинарных опционов:
  • FinMax
    FinMax

    Бонусы для новых трейдеров до 20 000$!

  • BINARIUM
    BINARIUM

    Огромный раздел по обучению. Бесплатные прогнозы и стратегии!

Традиционная маркетинговая аналитическая модель: источники данных > фильтрация и очистка данных > хранилище данных > аналитические отчеты

Когда дело касается добавления еще одного источника данных, изменений в свойствах существующих источников или адаптации к real-time переменам в бизнесе (к примеру, запуску нового продукта или покупке стартапа), статическая data-модель ограничивает ваши возможности.

Несмотря на то что такая модель отлично выражает структуру компании в отдельно взятый момент времени, если что-то меняется, она начинает замедлять процесс принятия решений и вынуждает маркетологов оставаться на шаг позади в плане использования последних клиентских данных.

Маркетологи попадают в петлю статической data-модели и не могут продвигать кампании на основе свежей информации

В наши дни компании куда больше фокусируются на сервисах, которые позволяют им принимать решения в режиме реального времени, вместо того чтобы терять дни или недели с традиционными аналитическими инструментами.

3. Интеграция данных отнимает много времени и сил

Чтобы быстро интегрировать данные, сопоставлять разные каналы и создавать единое видение клиента в real-time режиме, маркетологи должны использовать основанный на поведении подход.

Аналитические journey-платформы могут быть очень полезны в этом плане. Они разработаны для быстрого внедрения данных в различные системы/каналы и позволяют компаниям получать обобщенное представление о клиенте. С их помощью маркетинговая команда может анализировать миллионы data-точек в реальном времени и собирать действенную аналитику еще до того, как она утратит свою актуальность.

Аналитические journey-платформы позволяют интегрировать данные из множества источников

4. Нехватка навыков и ресурсов

Даже если вы уверены в том, что ваша команда справится с проблемами «big data» с помощью традиционной модели хранения данных и их интеграции, отнимающей слишком много времени, для эффективного анализа всей информации вашим сотрудникам нужно осваивать серьезные технические, статистические и аналитические концепции.

Например, чтобы извлекать сведения из наборов данных, работники должны быть знакомы с такими языками программирования, как SQL, R или Python, и уметь манипулировать данными. Иными словами, для получения полезных инсайтов на основе собранной информации вам нужны квалифицированные специалисты, которых так сложно найти, удержать и мотивировать.

Как правило, маркетологи не обладают вышеперечисленными знаниями, и это влечет за собой различные задержки. Согласно упомянутому ранее опросу от Dun & Bradstreet и Forbes Insights, более чем 25% руководителей считают нехватку профессиональных навыков своей главной преградой на пути к успешному использованию данных и аналитики.

Чтобы смягчить эту проблему, компаниям следует работать с аналитическими платформами, которые обеспечивают практичный, быстрый и эффективный доступ к информации и позволяют маркетологам фокусироваться на релевантных бизнес-решениях. Такие продвинутые сервисы могут представлять сложные данные через визуальные «путешествия», анализ которых не требует участия десятков data-ученых.

5. Нехватка маркетинговых аналитических инструментов, работающих в real-time режиме

Традиционные аналитические методики имеют еще один весомый недостаток, который часто упускается из виду. Статическая data-модель предлагает вам исторический обзор данных, полезный для анализа трендов и эффективности с течением времени, но сегодня маркетологам нужно знать, что происходит с клиентами в перспективе, и корректировать свой пользовательский опыт в реальном времени.

Большинство так называемых «real time» сервисов работают с задержкой в 24-48 часов. Кроме того, львиная доля аналитических систем не имеет прямой интеграции с системами маркировки, чтобы использовать персонализацию и влиять на поведение клиентов в нужные моменты.

Пример: генерируя своевременные и релевантные офферы

Ритейлер хочет запустить апсейл-кампанию для своих самых ценных in-store клиентов, чтобы конвертировать их в постоянных онлайн-покупателей. Опираясь на традиционную аналитическую модель, аналитик обращается к хранилищу маркетинговых данных для определения наиболее ценных клиентов.

Затем результаты этого запроса сопоставляют с POS данными, чтобы создать целевой список клиентов, которые покупали что-то в прошлом месяце, и использовать их для кампании повторной покупки, где подходящие потребители получают предложение по предпочитаемому ими каналу.

Как думаете, сколько времени потребуется для выполнения такого процесса? Несколько дней или, может быть, даже недель? Суть в том, что когда клиент, наконец, узнает об оффере, он наверняка покажется ему не очень актуальным.

«Еще одно неактуальное предложение? Похоже, они даже не представляют, на каком этапе клиентского пути я нахожусь»

Ваши клиенты рассчитывают получать от вас персонализированный опыт, который бы диктовался их текущими предпочтениями и последними взаимодействиями.

Journey-аналитика предоставляет поведенческие real-time данные

Чтобы предоставить каждому клиенту персонализированный опыт на основе его уникальных интересов и пути, компании должны соединять миллионы data-точек и анализировать пользовательские «путешествия» по мере их возникновения.

С аналитическими journey-платформами это вполне осуществимо. Они позволяют маркетологам находить возможности для real-time вовлечения за счет глубокого анализа поведения клиентов.

С помощью таких сервисов вы сможете заранее определять пользователей, которые собираются уходить, и соединять точки между взаимодействиями клиентов и бизнес-результатами за считанные секунды.

Аналитические journey-платформы могут фиксировать значимые поведенческие паттерны в реальном времени даже по анонимным посетителям, поэтому вы можете вовлекать каждого клиента посредством своевременных персонализированных офферов

Journey-аналитика обеспечивает real-time взаимодействие

Вдобавок к мониторингу поведения клиентов в режиме реального времени, аналитические journey-платформы позволяют командам по маркетингу и UX автоматически взаимодействовать с каждым клиентом в наиболее подходящие моменты — через предпочитаемый ими канал и релевантным, персонализированным образом.

Возможность интеграции с martech-системами и запускать real-time взаимодействие — это огромный шаг вперед

6. Игнорирование мультиканальных путешествий

Большинство аналитических инструментов работают на основе данных из отдельного канала и не фиксируют сложных, мультиканальных путешествий.

К примеру, digital-аналитик в маркетинговой команде будет использовать аналитическую платформу (такую как Google Analytics), чтобы измерять трафик сайта или приложения, источники привлечения, поведенческий поток и вовлечение контентом. Соцмедиа аналитик из той же команды может пользоваться более узконаправленными аналитическими инструментами для измерения охвата, вовлечения и других социальных метрик.

Хотя такой традиционный подход и полезен, он позволяет рассматривать каналы только по отдельности и не дает вам полного представления о клиентском пути, которое необходимо для персонализированного real-time вовлечения пользователей в масштабе.

Основанные на journey-аналитике подходы являются кросс-канальными

Согласно четвертому ежегодному докладу State of Marketing от компании Salesforce, 67% ведущих маркетологов считают, что создание связанного клиентского путешествия с учетом всех тачпоинтов и каналов имеет решающее значение для успеха их общей маркетинговой стратегии.

То, что клиентское путешествие является многоканальным — хорошо известный факт, но теперь новое исследование от Harward Business Review обнаружило, что чем больше каналов пользователь задействует, тем большую ценность он представляет.

Journey-аналитика создает унифицированное видение клиента по мере того, как он взаимодействует с вашим брендом в разных тачпоинтах. С помощью таких инструментов вы можете найти кросс-канальные пути, которые ведут (или нет) к интересующему вас действию. Кроме того, некоторые сервисы позволят вам использовать алгоритмы машинного обучения для поиска более оптимальных «маршрутов» и прогнозирования вероятного поведения клиентов.

Как выбрать нужные предприятию аналитические инструменты

На основе информации, полученной от компании Aspirent, портал eWeek перечисляет важнейшее шаги к созданию системы оптимизации портфеля аналитических инструментов и предотвращения их теневого распространения.

Данные всегда занимают верхние строчки в списках важнейших активов компаний. Для монетизации важнейших бизнес-данных предприятия используют инструменты поиска, подготовки и оценки данных. Затем формируются знания с целью получения конкурентного преимущества.

Одной из проблем, которые годами не дают покоя предприятиям, является отсутствие стандартов и методов аналитики. Исторически инновационные продукты намного опережают сложившиеся отраслевые стандарты и передовой опыт. Примером может служить выбор аналитических инструментов для создания глубоких компетенций. Как организации создать эффективный и многократно используемый общий набор глубоких навыков, если каждая группа применяет различные аналитические инструменты?

Ситуация осложняется тем, что в недостаточно хорошо обслуживаемых бизнес-группах несанкционированно распространяются новые аналитические инструменты. Когда на рынке появляется нечто, обладающее новыми функциями, позволяющими сделать аналитику глубже или быстрее, бизнес-подразделения рассматривают это как необходимый им инструмент. Часто они самостоятельно приобретают аналитические инструменты, не соответствующие корпоративным стандартам.

Рационализация использования аналитических инструментов

Естественной реакцией на это является рационализация разнообразных наборов инструментов и создание стандартов для приобретения каждого нового инструмента или для аналитического проекта. Обычно это осуществляется неким руководящим органом, состоящим из специалистов по бизнес-аналитике и ИТ. Данный орган определяет стандарты и процесс выбора инструментов.

Ниже перечисляются важнейшее шаги к созданию системы оптимизации портфеля аналитических инструментов и предотвращения их несанкционированного распространения, сформулированные на основе информации, полученной от генерального директора компании Aspirent Эндрю Романа Уэллса и менеджера-аналитика той же компании Джоша Леви.

1. Исследования и обнаружение. Одними из первых шагов должны стать интервью с основными заинтересованными лицами, включая конечных пользователей различных специальностей: специалистов по данным, аналитиков, разработчиков, ИТ-администраторов, руководителей. Цель заключается в получении картины использования аналитических возможностей в организации. Важно составить полный перечень инструментов и возможностей, применяемых каждой группой пользователей, определить их болевые точки, различия в функциональности имеющихся инструментов и тех, приобретения которых они могут потребовать.

2. Актуальное состояние. Произведите инвентаризацию имеющихся аналитических инструментов и распределите их по категориям. Некоторые инструменты следует помещать более чем в одну категорию. Эта процедура полезна, если необходимо уменьшить сложность. Бывают ситуации, когда следует просто помочь пользователям выбрать, инструменты какого типа надлежит применять для решения тех или иных проблем бизнеса.

Здесь можно принять за исходную следующую классификацию:

  • средства подготовки отчетов;
  • инструменты подготовки отчетов на семантическом уровне;
  • инструменты подготовки запросов на языке многомерных выражений MDX / запросов к кубу OLAP;
  • инструменты обнаружения и визуализации данных;
  • инструменты встроенного бизнес-интеллекта и подготовки отчетов;
  • инструменты науки о данных и моделирования;
  • инструменты для работы с искусственным интеллектом и машинным обучением.

3. Дерево возможностей. Представив возможности инструментов в виде дерева, вы увидите пробелы и частичное дублирование. Для заполнения пробелов полезно ознакомиться с отчетами аналитиков о критериях, использованных для упорядочивания аналитических инструментов. Это укажет направление будущих закупок или рационализации.

Если анализ касается специфических инструментов, возможно, следует включить в него нетехнические критерии, такие как цены, техническая поддержка и наличие в вашей организации специалистов, умеющих работать с этими инструментами.

4. Матрица решений. Матрица решений представляет способ количественной оценки различных возможностей инструментов. Например, вы можете использовать пятибалльную шкалу и присвоить вес каждой возможности каждого инструмента или категории инструментов в зависимости от важности этой возможности для организации. После подсчета итогового балла различие в оценках поможет определить значение каждой возможности.

5. Инструмент принятия решения. Наконец, превратите матрицу решений в инструмент принятия решения, позволяющий легко определить, какой инструмент следует использовать для каждой задачи бизнеса или для проекта. Инструмент должен с помощью матрицы решений определять, какие возможности учитывать в решении по определенному инструменту, и давать общую оценку при сравнении различных средств.

Инструмент принятия решений обеспечивает ясность, какая категория средств должна применяться при решении конкретной проблемы, и помогает предотвращать несанкционированное приобретение новых средств решения задач бизнеса, которые можно решать с использованием уже имеющихся аналитических инструментов.

Заключение

Аналитические инструменты развиваются быстрее, чем когда-либо. Используйте описанный выше процесс для разработки инструмента принятия решений, обеспечивающего ясность, какая категория средств (или какое конкретно средство) должна применяться для решения определенной проблемы. Применение инструмента принятия решений ко всем текущим и планируемым аналитическим проектам покажет, какие средства или их категории действительно полезны в вашей организации, а какие являются лишними или устаревшими.

5 инструментов в помощь аналитику

Данных становится всё больше и больше, поэтому сейчас как никогда важно иметь необходимый инструментарий для анализа данных и принятия решений. Сегодня мы поговорим о пяти популярных аналитических системах.

MS Excel Power Query

Power Query — это инструмент интеграции данных в Excel из внешних источников.
Power Query позволяет искать и открывать данные из различных источников доступных онлайн и через корпоративные сети. Он умеет загружать в Excel данные разных типов, форматов и структур, а так же из совершенно разных источников:

  • Из сети
  • Из файла (Excel, CSV, XML, текст или папка с метаданными и ссылками)
  • Из файла баз данных (SQL Server, Access, Oracle, IBM DB2, MySQL, PostgreSQL etc)
  • Из публичных источников данных и корпоративных репозиториев данных (встроена поддержка ETL)
  • Из ряда других источников SharePoint List, OData feed, Active Directory, Facebook etc

Подробное описание можно прочитать тут.

Вики источник

Power Query позволяет импортировать внешние (семи)-структурированные источники данных и обрабатывать их в Excel. Пример, ниже показывает крупнейшие города в северной и южной Америках на карте в соответствии с их населением.

Импорт и анализ писем в Outlook

Так же имеется возможность импортировать письма, как источник данных, и анализировать их в Outlook. Пример ниже демонстрирует импорт почты и создает гистограмму по числу писем от человека, то есть с кем чаще всего происходит переписка.

Плюсы: PowerQuery — один из самых сильных инструментов, имеющий с одной стороны широкую функциональность для анализа, с другой стороны достаточно сложен в освоении, и используется в основном аналитиками. Работает как с табличными моделями, так и с многомерными. Умеет подключать дополнительные источники

Минусы: Не годится для «обычных» пользователей, сложен в освоении, достаточно медлителен. Нет возможности разделения доступа, ограничения на размер файлов/записей etc.

MS Power BI

Power BI — это инструмент создания интерактивных бизнес отчетов с возможностью совместной работы, визуализации и интерактивной работы.

Основные возможности:

  • Быстрая разработка информативных бизнес отчетов и панелей (в сети) – с возможностью взаимодействия и исследования данных.
  • Автоматическое обновление BI-отчетов и визуализации, при изменении данных
  • Поддержка языка запросов, в том числе и Power Query. Возможность взаимодействия между участниками на уровне запросов.
  • Создание каталога данных с индексами для поиска.
  • Язык запросов близкий к естественному (для бизнес-аналитика) и возможность интерактивной работы.
  • Поддержка мобильных устройств

Пример отчета, который может быть опубликован в веб и доступен для взаимодействия и исследования другими участниками.

Пример с запросами и объединением источников: комбинирование источников из Нью-Йоркской фондовой биржи и финансового индекса S&P 500.

Подробнее можно прочитать тут.

Плюсы: новый современный продукт, дружелюбный интерфейс, легок в освоении, онлайн решение.

Минусы: решение «сырое» (некоторые компоненты могут работать нестабильно), не работает с OLAP кубами, урезанный функционал в сравнении с конкурентами.

Дополнительные материалы:

  • Вводное видео в Power BI
  • Онлайн демо
  • Пример применения Power BI для финансового анализа
  • Обзор возможностей (видео)
  • Анализ истории World Cup history с помощью Excel и Power BI

Pyramid Analytics

Pyramid Analytics — облачная платформа бизнес-аналитики; имеет три ключевых компонента:

  • Интеллектуальный анализ данных — Data Discovery
  • Интерактивная работа с данными и визуализацией — Dashboards
  • Представление данных аудитории — Publisher

Примеры отчета с гео-визуализацией и возможностью исследования данных.

Плюсы: легок в освоении, работает с огромным количеством источников, очень широкая функциональность.

Компоненты аналитики MS SQL server (MDS, SSIS, SSAS)

SQL Сервер позволяет проводить анализ внутри своей экосистемы. У него есть обширный набор компонент и мы сфокусируемся на трех наиболее известных.

Master Data Services — процессы и инструменты управления мастер-данными компании. Подробнее тут.
(Мастер-данные — это данные бизнеса: о клиентах, продуктах, услугах, персонале, технологиях, материалах etc.)

SQL Server Integration Services — миграция и интеграция данных. Подробнее тут.

SQL Server Analysis Services OLAP и data mining внутри SQL сервера. Подробнее тут.

Главный инструмент — мозг

Наверное сложно спутать четыре графика, изображенных ниже. Однако, если бы вместо визуализации, мы бы посчитали среднее значение, вариацию, корреляцию и построили бы регрессию на их основе, то мы бы удивились, получив совершенно одинаковый результат.

Это наглядный пример того, что как бы мы не оптимизировали процесс принятия решения аналитику необходимо проводить исследовательский анализ данных (Exploratory Data Analysis). Для этого ему тоже необходимы инструменты, но уже несколько иного плана. Это прежде всего возможность интерактивной работы и обработки данных, а так же их трансформации и визуализации. Представим краткую выборку доступных инструментов и материалов на примере языка python и работ по визуализации (с указанием типичных ошибок).

Визуализация данных:

  • Подборка качественной визуализации данных
  • Chart Wars
  • Как правильно лгать с помощью статистики

Интерактивная работа с данными в python:

  • Умная интерактивная консоль IPython
  • Анализ Pandas
  • Визуализация внутри python окружения Matplotlib
  • Взаимодействие между R и python R2py
  • Интерактивные веб-графики в plotly

Бонус-инструмент

В процессе написания статьи Microsoft анонсировала покупку инструмента аналитики от компании Datazen, поэтому будет полезным его кратко упомянуть.

Datazen — это мульти-платформенное решение, позволяющее построить отчетность, независимо от платформы (PC, iOS, Android, Windows Phone). Отличительной чертой продукта является широкая интеграция и возможность полноценной работы аналитической платформы через мобильные устройства.

Плюсы: поддерживает широкий спектр платформ, поддерживается и развивается MS, работает с большим количеством источников.

Минусы: Не работает с OLAP напрямую (необходимо создавать запросы MDX самостоятельно), имеет ряд ограничений (начиная от возможностей интерфейса и заканчивая настройкой функциональности), не продается отдельно, идет в комплекте с MS SQL Enterprise Edition.

В следующей статье мы рассмотрим Datazen и Pyramid Analytics в деталях, а также разберемся как на их основе создавать отчетность.

Открыть счет и получить бонусные деньги:
  • FinMax
    FinMax

    Бонусы для новых трейдеров до 20 000$!

  • BINARIUM
    BINARIUM

    Огромный раздел по обучению. Бесплатные прогнозы и стратегии!

Понравилась статья? Поделиться с друзьями:
Бинарные опционы для начинающих трейдеров
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: