Aa Aa Aa
Aa Aa Aa
Прочитати вголос
Зупинити читання

Аналітика для стартапів — як організувати її належним чином

Analityka dlja startapiv — jak organizuvaty її naležnym čynom

Налаштування аналітичних сервісів та запровадження коректної культури аналізу та агрегації даних — один із ключових компонентів до побудови успішного стартапу. Як упоратися з цим завданням?
Nalaštuvannja analityčnyh servisiv ta zaprovadžennja korektnoї kuľtury analizu ta agregaciї danyh — odyn iz ključovyh komponentiv do pobudovy uspišnogo startapu. Jak uporatysja z cym zavdannjam?
Čytaty latynkoju

Спеціальні можливості

Прочитати вголос
Зупинити читання
Контрастна версія
  На цьому етапі у вас немає ресурсів і немає часу. Існує мільйон речей, які можна виміряти, але ви настільки близькі до деталей свого бізнесу, що ви насправді можете приймати досить інстинктивні рішення і без надто прискіпливої аналітики. Єдине, що потрібно для перевірки того, що ви вимірюєте, — ваш продукт. Решта питань можуть зачекати. Що робити: Встановіть Google Analytics на своєму сайті та налаштуйте Google Tag Manager. Дані не будуть ідеальними без додаткової роботи, проте навіть базових налаштувань вам буде досить. Для електронної торгівлі також можете налаштувати фільтри. Якщо ви створюєте програмне забезпечення будь-якого типу, вам потрібне відстеження подій в режимі реального часу. Для цієї мети можна скористатися такими сервісами, як Mixpanel та Heap. Для аналізу фінансової звітності можна використати Quickbooks, Excel та Baremetrics. Якщо у вас бракує технічних знань, можливо, вам знадобиться фахівець, який допоможе вам проаналізувати GA та відстежувати події. Що не робити: Все, що не є одним з перерахованих вище пунктів. Не дозволяйте комусь продавати вам сховище даних, платформу BI, великий консалтинговий проект. В аналітичну платформу чи складну систему обробки даних є сенс інвестувати на значно пізніших етапах. Ви трохи покращуєте свою команду. Своєю чергою, люди потребують даних, щоби виконувати свою роботу належним чином. При цьому не у всіх є експертиза щодо обробки даних. Що робити: На цьому етапі ви, напевно, найняли маркетолога. Переконайтеся, що ця людина володіє роботою із GA. Варто, аби усі ваші посилання на сайті чи розміщені матеріали мали UTM-мітки. Переконайтеся, що не відбувається подвійний облік субдоменів. Якщо у вас є менеджер із продажів і ви користуєтеся CRM, використовуйте вбудовані звіти. Переконайтеся, що ваші співробітники знають, як цим користовуватися. Вам потрібно знати основні речі, такі як продуктивність звернень та коефіцієнт конверсії. Salesforce допоможе вам із цим упоратися. Не експортуйте дані в Excel, не створюйте звіти у (жахливому) розробнику звітів. Більшість систем довідкової служби чи аналітичних систем не мають зручних звітів, тому вибирайте KPI, які можна легко виміряти в межах наявного інтерфейсу. Переконайтеся, що ви відстежуєте NPS. Спробуйте також скористатися Wootric або Delighted. Що не робити: Ще зарано для сховища даних та для аналітики на основі SQL - це просто займатиме багато часу. Ви повинні витратити весь свій час на те, щоби працювати, а не аналізувати, і найпростіший спосіб це зробити — використовувати вбудовані можливості звітування різних продуктів SaaS, які ви використовуєте для ведення бізнесу. Ви також не повинні наймати аналітика на повний робочий день. Тут важливіше витратити обмежені кошти. На цій стадії ви побачите, що технологія аналітики стає кращою та швидшою. Раніше цей тип інфраструктури був доступний лише для набагато більших компаній. Це — найважча і найважливіша фаза. Що робити: Налаштуйте свою інфраструктуру даних. Це означає вибір сховища даних, інструменту ETL та інструмента BI. Вам також знадобиться ціла команда аналітиків: інженери, аналітики, фахівці з роботи із даними. Вам потрібно знайти таку особливу людину, яка зможе зібрати довкола себе команду потрібних фахівців. Часто ці люди мають досвід роботи у сфері консалтингу або фінансів, мають МВА. Подумайте над тим, аби найняти консультанта. Що не робити: Якщо машинне навчання не є основною частиною вашого продукту, поки не наймайте наукового співробітника. Не варто робити кастомних аналітичних шаблонів чи власних систем аналітики. Не варто заощаджувати на хмарному сховищі, користуючися традиційними базами даних, такими як Postgres. Цей етап потенційно є найбільш складним. Ви — як і раніше — маєте відносно невелику команду та небагато ресурсів, але вас просять надати для бізнесу все більш складну та різноманітну аналітику, і ваша робота може безпосередньо вплинути на успіх чи невдачу компанії в цілому. Тут важливо досягти прогресу, одночасно переконавшись, що ви продовжуєте закладати основу для майбутніх етапів свого зростання. Що робити: Запровадити процес для моделювання даних на основі SQL. Ваші моделі даних слугують основною бізнес-логікою для вашої аналітичної роботи, і ними слід користуватися в першу чергу. Переконайтеся, що ваш процес обробки даних та їхнього аналізу дозволяє всім користувачам вносити зміни до скриптів моделювання даних, має контроль версій та працює у прозорому середовищі. Перемістіть свою аналітичну роботу до Snowplow Analytics. — цей сервіс володіє тими ж можливостями, що й платні інструменти, але заснований на open source.  Якщо ви не зробите перехід на цьому етапі, вам не вдасться зібрати набагато більше деталізованих даних, — а використання комплексних платних інструментів легко може «вимивати» із вашого бюджету щонайменше $10 тис щомісяця. Ядром вашої команди на цьому етапі мають стати бізнес-аналітики: люди, які є експертами в SQL і ваших інструментах BI, і витрачають час на роботу з бізнес-користувачами, щоби допомогти їм із запитами даних. Варто також на цьому етапі пошукати свого першого фахівця із посадою Data Scientist. Ці моделі, ймовірно, не будуть надзвичайно витонченими, але вони стануть великим удосконаленням у порівнянні з випадковою робочою книгою Excel, яку ви створили і вели на початковому етапі. Що не робити: Легко зануритися в себе і почати інвестувати у складну інфраструктуру для обробки даних. Не робіть цього. На цьому етапі великі інвестиції в інфраструктуру залишаються дорогим відволіканням від основної мети. Додайте до робочих ноутбуків Jupyter для роботи з даними. Знайдіть недорогі способи створення наборів даних ETL, які не мають інтегрованих компонентів. Цей етап полягає у створенні масштабних аналітичних процесів. Потрібно збалансувати відповіді на питання, які вам потрібні сьогодні, з впровадженням практик аналітики, які будуть потрібні у майбутньому, по мірі масштабування проекту та команди.  У компанії на 150 працівників лише 3-6 потійних аналітиків. Коли ви доростете до 500+ співробітників, можете легко збільшити цей відділ уп’ятеро. Якщо ви не впораєтесь із цим переходом, ви працюватимете менш ефективно по мірі зростання команд. Вам доведеться довше складати значущі статистичні дані, а ваші відповіді будуть менш якісними. Щоби подолати цей виклик, слід налагодити відповідні процеси. Що робити: Слід запровадити тестування даних. У вас є дані, що надходять із принаймні десятка джерел на цьому етапі, і вам потрібно провести оптимізацію, аби усунути помилки, повтори, нульові поля та при цьому зберегти користувальницьку бізнес-логіку. Якщо у вас немає прозорого автоматизованого процесу, який перевіряє вхідні дані, якість вашого аналізу продовжуватиме деградувати, а ви при цьому не зможете встановити справжньої причини такого занепаду. Ваш аналітичний код — це актив, який керує вашим сайтом та додатком. Виготовлення високоякісного коду вимагає серйозного контролю над версією. Долучіть усіх учасників команди до сховища коду на Git, навчіть їх користуватися гілками обговорень та коментування коду. Серйозно ставтеся до документації. Середовище даних у вашій компанії на цьому етапі значно ускладниться. Єдиний спосіб ефективно керувати цими знаннями та ділитися ними із вашою командою — це інвестувати час та енергію, необхідну для документування змін. Це додасть деяких накладних витрат, але якщо ви в це не інвестуєте, ваші аналітики працюватимуть довше над запитами. Існує 2 основних моделі побудови аналітичної команди: централізована та вбудована. Немає чіткої правильної відповіді, яка з моделей пасуватиме вашому проекту. Проте саме це рішення буде ключовим фактором для вашого подальшого зростання. Що не робити: Не приймайте виправдань та компромісів у випадку помилок чи недоліків у роботі. Проведення аналітики на цьому рівні — це важка робота, і для цього потрібна талановита і мотивована команда, яка постійно інноваційно розвивається. Огляди коду вимагають часу та енергії. Аналітики не звикли тестувати свій код, а документування є копіткою працею. Ви можете зіткнутися із опором (явним чи прихованим) з боку тих учасників команди, які пам’ятають, «старі добрі часи», коли все було простішим та не настільки «бюрократизованим». Але оскільки складність зростає, вам потрібно розвинути свої процеси для адаптації. Серйозне ставлення до збирання та аналізу даних — запорука того, що зростання вашого стартапу на цьому етапі не наштовхнеться на «скляну стелю».

Стадія заснування (від 0 до 10 працівників)

На цьому етапі у вас немає ресурсів і немає часу. Існує мільйон речей, які можна виміряти, але ви настільки близькі до деталей свого бізнесу, що ви насправді можете приймати досить інстинктивні рішення і без надто прискіпливої аналітики. Єдине, що потрібно для перевірки того, що ви вимірюєте, — ваш продукт. Решта питань можуть зачекати.

Що робити: Встановіть Google Analytics на своєму сайті та налаштуйте Google Tag Manager. Дані не будуть ідеальними без додаткової роботи, проте навіть базових налаштувань вам буде досить. Для електронної торгівлі також можете налаштувати фільтри. Якщо ви створюєте програмне забезпечення будь-якого типу, вам потрібне відстеження подій в режимі реального часу. Для цієї мети можна скористатися такими сервісами, як Mixpanel та Heap. Для аналізу фінансової звітності можна використати Quickbooks, Excel та Baremetrics. Якщо у вас бракує технічних знань, можливо, вам знадобиться фахівець, який допоможе вам проаналізувати GA та відстежувати події.

Що не робити: Все, що не є одним з перерахованих вище пунктів. Не дозволяйте комусь продавати вам сховище даних, платформу BI, великий консалтинговий проект. В аналітичну платформу чи складну систему обробки даних є сенс інвестувати на значно пізніших етапах.

Дуже рання стадія (від 10 до 20 працівників)

Ви трохи покращуєте свою команду. Своєю чергою, люди потребують даних, щоби виконувати свою роботу належним чином. При цьому не у всіх є експертиза щодо обробки даних.

Що робити: На цьому етапі ви, напевно, найняли маркетолога. Переконайтеся, що ця людина володіє роботою із GA. Варто, аби усі ваші посилання на сайті чи розміщені матеріали мали UTM-мітки. Переконайтеся, що не відбувається подвійний облік субдоменів.

Якщо у вас є менеджер із продажів і ви користуєтеся CRM, використовуйте вбудовані звіти. Переконайтеся, що ваші співробітники знають, як цим користовуватися. Вам потрібно знати основні речі, такі як продуктивність звернень та коефіцієнт конверсії. Salesforce допоможе вам із цим упоратися. Не експортуйте дані в Excel, не створюйте звіти у (жахливому) розробнику звітів.

Більшість систем довідкової служби чи аналітичних систем не мають зручних звітів, тому вибирайте KPI, які можна легко виміряти в межах наявного інтерфейсу. Переконайтеся, що ви відстежуєте NPS. Спробуйте також скористатися Wootric або Delighted.

Що не робити: Ще зарано для сховища даних та для аналітики на основі SQL – це просто займатиме багато часу. Ви повинні витратити весь свій час на те, щоби працювати, а не аналізувати, і найпростіший спосіб це зробити — використовувати вбудовані можливості звітування різних продуктів SaaS, які ви використовуєте для ведення бізнесу. Ви також не повинні наймати аналітика на повний робочий день. Тут важливіше витратити обмежені кошти.

Рання стадія (від 20 до 50 працівників)

На цій стадії ви побачите, що технологія аналітики стає кращою та швидшою. Раніше цей тип інфраструктури був доступний лише для набагато більших компаній. Це — найважча і найважливіша фаза.

Що робити: Налаштуйте свою інфраструктуру даних. Це означає вибір сховища даних, інструменту ETL та інструмента BI. Вам також знадобиться ціла команда аналітиків: інженери, аналітики, фахівці з роботи із даними. Вам потрібно знайти таку особливу людину, яка зможе зібрати довкола себе команду потрібних фахівців. Часто ці люди мають досвід роботи у сфері консалтингу або фінансів, мають МВА. Подумайте над тим, аби найняти консультанта.

Що не робити: Якщо машинне навчання не є основною частиною вашого продукту, поки не наймайте наукового співробітника. Не варто робити кастомних аналітичних шаблонів чи власних систем аналітики. Не варто заощаджувати на хмарному сховищі, користуючися традиційними базами даних, такими як Postgres.

Середній етап (від 50 до 150 працівників)

Цей етап потенційно є найбільш складним. Ви — як і раніше — маєте відносно невелику команду та небагато ресурсів, але вас просять надати для бізнесу все більш складну та різноманітну аналітику, і ваша робота може безпосередньо вплинути на успіх чи невдачу компанії в цілому. Тут важливо досягти прогресу, одночасно переконавшись, що ви продовжуєте закладати основу для майбутніх етапів свого зростання.

Читайте також: Data Scientist — хто це такий і чи варто обирати цей фах

Що робити: Запровадити процес для моделювання даних на основі SQL. Ваші моделі даних слугують основною бізнес-логікою для вашої аналітичної роботи, і ними слід користуватися в першу чергу. Переконайтеся, що ваш процес обробки даних та їхнього аналізу дозволяє всім користувачам вносити зміни до скриптів моделювання даних, має контроль версій та працює у прозорому середовищі. Перемістіть свою аналітичну роботу до Snowplow Analytics. — цей сервіс володіє тими ж можливостями, що й платні інструменти, але заснований на open source.  Якщо ви не зробите перехід на цьому етапі, вам не вдасться зібрати набагато більше деталізованих даних, — а використання комплексних платних інструментів легко може «вимивати» із вашого бюджету щонайменше $10 тис щомісяця.

Ядром вашої команди на цьому етапі мають стати бізнес-аналітики: люди, які є експертами в SQL і ваших інструментах BI, і витрачають час на роботу з бізнес-користувачами, щоби допомогти їм із запитами даних. Варто також на цьому етапі пошукати свого першого фахівця із посадою Data Scientist.

Якщо ви займаєтеся бізнесом у SaaS-сегменті, ви повинні працювати над моделлю прогнозування потоку. Якщо ви є комерційним бізнесом, слід працювати над моделлю прогнозування попиту

Ці моделі, ймовірно, не будуть надзвичайно витонченими, але вони стануть великим удосконаленням у порівнянні з випадковою робочою книгою Excel, яку ви створили і вели на початковому етапі.

Що не робити: Легко зануритися в себе і почати інвестувати у складну інфраструктуру для обробки даних. Не робіть цього. На цьому етапі великі інвестиції в інфраструктуру залишаються дорогим відволіканням від основної мети. Додайте до робочих ноутбуків Jupyter для роботи з даними. Знайдіть недорогі способи створення наборів даних ETL, які не мають інтегрованих компонентів.

Етап зростання (від 150 до 500 працівників)

Цей етап полягає у створенні масштабних аналітичних процесів. Потрібно збалансувати відповіді на питання, які вам потрібні сьогодні, з впровадженням практик аналітики, які будуть потрібні у майбутньому, по мірі масштабування проекту та команди.  У компанії на 150 працівників лише 3-6 потійних аналітиків. Коли ви доростете до 500+ співробітників, можете легко збільшити цей відділ уп’ятеро. Якщо ви не впораєтесь із цим переходом, ви працюватимете менш ефективно по мірі зростання команд. Вам доведеться довше складати значущі статистичні дані, а ваші відповіді будуть менш якісними. Щоби подолати цей виклик, слід налагодити відповідні процеси.

Що робити: Слід запровадити тестування даних. У вас є дані, що надходять із принаймні десятка джерел на цьому етапі, і вам потрібно провести оптимізацію, аби усунути помилки, повтори, нульові поля та при цьому зберегти користувальницьку бізнес-логіку. Якщо у вас немає прозорого автоматизованого процесу, який перевіряє вхідні дані, якість вашого аналізу продовжуватиме деградувати, а ви при цьому не зможете встановити справжньої причини такого занепаду.

Читайте також: Владислав Флакс, OWOX: «Налаштувати аналітику можна за день»

Ваш аналітичний код — це актив, який керує вашим сайтом та додатком. Виготовлення високоякісного коду вимагає серйозного контролю над версією. Долучіть усіх учасників команди до сховища коду на Git, навчіть їх користуватися гілками обговорень та коментування коду.

Серйозно ставтеся до документації. Середовище даних у вашій компанії на цьому етапі значно ускладниться. Єдиний спосіб ефективно керувати цими знаннями та ділитися ними із вашою командою — це інвестувати час та енергію, необхідну для документування змін. Це додасть деяких накладних витрат, але якщо ви в це не інвестуєте, ваші аналітики працюватимуть довше над запитами.

Існує 2 основних моделі побудови аналітичної команди: централізована та вбудована. Немає чіткої правильної відповіді, яка з моделей пасуватиме вашому проекту. Проте саме це рішення буде ключовим фактором для вашого подальшого зростання.

Що не робити: Не приймайте виправдань та компромісів у випадку помилок чи недоліків у роботі. Проведення аналітики на цьому рівні — це важка робота, і для цього потрібна талановита і мотивована команда, яка постійно інноваційно розвивається. Огляди коду вимагають часу та енергії. Аналітики не звикли тестувати свій код, а документування є копіткою працею. Ви можете зіткнутися із опором (явним чи прихованим) з боку тих учасників команди, які пам’ятають, «старі добрі часи», коли все було простішим та не настільки «бюрократизованим». Але оскільки складність зростає, вам потрібно розвинути свої процеси для адаптації. Серйозне ставлення до збирання та аналізу даних — запорука того, що зростання вашого стартапу на цьому етапі не наштовхнеться на «скляну стелю».

Додати коментар

Такий e-mail вже зареєстровано. Скористуйтеся формою входу або введіть інший.

Ви вказали некоректні логін або пароль

Вибачте, для коментування необхідно увійти.

Повідомити про помилку

Текст, який буде надіслано нашим редакторам: