Як створити успішну стратегію аналітики в продуктовій компанії

💡 Усі статті, обговорення, новини про продукти — в одному місці. Приєднуйтесь до Product спільноти!

Всім привіт. Мене звати Оксана. Я є керівницею команди аналітики в українській продуктовій компанії Jooble, викладачкою на платформі Projector та авторкою освітніх програм. У вільний час також займаюся консультуванням компаній та спеціалістів з питань аналітики та продукту.

Суб’єктивно мені здається, що я маю дві основні супер сили — це пояснювати складне доступною мовою та впроваджувати аналітику в компаніях з нуля. І сьогодні я б хотіла якраз поговорити про друге, адже до мене все частіше звертаються компанії за допомогою з таким питанням: «Ми хочемо будувати стратегію на основі даних, як нам це зробити?».

Признаюся чесно, я обожнюю приходити в компанії та вибудовувати там аналітику. Коли я бачу, як зникають безкінечні гугл-документи, іксельки, листи з вкладеннями по 500 МБ і на їхньому місці з’являються адекватні метрики, оновлювані вітрини даних, довіра до інформації та вивільняється купа часу на менш рутинні задачі — це тішить мого внутрішнього оптимізатора й заохочує ще більше викристалізовувати аналітичний підхід.

Тому сьогодні мій матеріал буде націлений не лише на аналітиків, але й на компанії, які хочуть щось зробити з даними, почати їх якісно збирати й аналізувати, але не дуже розуміють, які конкретні кроки мають відбутися на цьому шляху.

Ухвалення рішення

Перше, що потрібно зробити — це ухвалити рішення на рівні компанії / бізнесу, що ви йдете в цю історію. Чому? Тому що такі зміни потребують фінансів. І якщо ви тут не домовитесь, а знайдете аналітика та будете економити кожні $50 на інфраструктуру, такий проєкт маловірогідно буде успішним.

Частенько цю ідею треба «продати» людині, яка ухвалює фінальне фінансове рішення. Раніше «продавати» потрібно було майже завжди, а зараз, коли аналітика й дані набули просто небаченої популярності, нерідко всі CEO або фаундери розуміють цінність таких змін і ладять з ними.

Якщо все ж є необхідність доводити доцільність побудови аналітики та найм аналітичної команди, варто звернутися до фінансової вигоди:

• Зараз команда розробки (два Backend, один Frontend, один QA, 1 PM) робить 20 експериментів в рік, вона обходиться компанії в $220,000, а тести приносять $250,000 в рік. Половина з тестів не приносить компанії гроші, тому що аудиторія, яка побачить зміну, недостатня. Middle-аналітик у цій команді може відсіяти нерелевантні 10 експериментів, які замінять попередньо завалідовані тести + пришвидшить аналіз й збільшить пропускну спроможність команди до 30 тестів в рік. І порахуємо фінансовий вплив: якщо з 20 тестів адекватними були 10, у середньому один проведений текст приносить компанії $25,000.

Допускаємо, що не втримаємо планку в 25К за умови збільшення кількості, тож візьмімо $20К. $20К*30 = $600К. Віднімаємо річну зарплату мідла в $30К і гроші на аналітичну інфраструктуру ~ $20К ( беру прям максимально). І однаково отримуємо $600К-$250К-$30К-$20К = $300К!!! Нічого так покращення завдяки одній ролі в одній команді?

Дані та інфраструктура під ці дані

Цей етап не варто відкладати після ухваленого рішення вище, адже що раніше почне збиратися інформація, то більше її буде, коли знайдеться спеціаліст, готовий робити аналіз.

Аналітична інфраструктура — це фундамент усіх подальших кроків. Я рекомендую тут відразу підходити вдумливо і закладати стабільне рішення, адже в цьому разі дешевше продумати відразу кілька основних нюансів, про які я згадаю далі, ніж перероблювати все через рік.

Тому варто або взяти консультацію сильного Data-інженера, або підключити СТО вашої компанії чи технічного ліда.

Мені імпонує, що в переважній кількості компаній, які приходять до мене за порадами, дані вже в якомусь вигляді збираються. Це круто, адже є з чим працювати і є на що опиратися, щоб покращуватися.

Найпопулярніша опція для невеликого й середнього бізнесу зараз — це використати хмарну базу даних Google Big Query. Прорахуйте відразу, яку потенційну кількість інформації ви будете зберігати. Це будуть гігабайти / терабайти / сотні терабайт? Це допоможе оцінити вартість використання Google BigQuery й вирішити, чи підходить вам такий варіант.

Якщо підходить, тут одразу є багато плюсів:

• легко писати дані для вашого сайту через tag manager в BigQuery;
• нові івенти можуть додавати навіть аналітики або менеджери, не потрібно залучати когось з розробки;
• можна не тривожитися за проблеми з доступом, інтерфейсами і т. д., усе супер просто і зручно. У мене студенти розбираються в BigQuery за тиждень на рівні аналітика.
• є можливість відразу увімкнути безкоштовну Looker Studio (Data Studio в минулому), а якщо є бажання, то й сам Looker;
• усі ETL-процеси також можна налаштовувати відразу в інтерфейсі BigQuery, ставити розклади завантажень або прорахунку скриптів;
• безкоштовні користувачі через gmail-аккаунти;
• Зручні адмін-налаштування обмежень за витратами або запитами на користувача.

І так далі. Не буду сильно поглиблюватися, тут можна порахувати, скільки це задоволення буде вам коштувати.

За останній рік це рішення використало десь 10 компаній, яким я допомагала в сетапі аналітики, і все вийшло дуже просто й прогнозовано, витрати складали $50 — $1000 на місяць.

Якщо ви вже великий бізнес і плануєте зберігати дуже багато даних, то тут загалом два основних шляхи.

1. Зберігати в Amazon або ж на власних фізичних серверах. У цьому варіанті основний мінус: ну, Amazon не дешевий 🙂
2. У другому варіанті: потрібні люди на підтримку цього добра, і це також не безкоштовно. З досвіду: компанії, які все-таки можуть дозволити собі Amazon, переходять на нього. Тому також прикиньте, чи хочете 20К-50К витрачати за аналітичну інфраструктуру. Чи вам краще фізично підвозити постійно нові диски.

Це швидкий огляд можливостей, якщо перед вами стоїть питання, що краще обрати. Якщо в компанії немає спеціаліста, який тут може впевнено допомогти, зверніться за консультацією до Data-інженера, якому довіряєте: навіть години вистачить, щоб зорієнтуватися та обрати найкраще рішення.

Коли рішення стосовно інфраструктури ухвалене, треба писати дані 🙂 Скоріш за все у вас уже є частина інформації на основі якої функціонує продукт. За можливості класно було б відразу робити репліку / копію в аналітичне сховище, щоб усі запити на аналіз не навантажували продуктові бази й не стали причиною того, що ваш продукт не буде працювати через це.

Тому що в мене було багато таких випадків. Ну що поробиш, коли виконуєш великі аналізи й використовуєш максимально базу дану, рано чи пізно може статися таке, що навантаження буде критичним.

А відтак дуже рекомендовано відразу відокремлювати дані для продукту та дані для аналітики.

Окрім основних даних, існує багато інформації, яка також стане корисною:

• гугл-аналітика;
• фінансова частина;
• маркетинг;
• реклама;
• листи;
• курси валют і т. д.

Збирайте все це щастя відразу в одному сховищі, щоб дані були доступні за запитом.

Тут важливо обрати спроможності інфраструктури так, щоб працювати з даними було реально. Якщо ви зібрали всю інформацію під одним «дахом», але кожен запит виконується годину, діла не буде. Це заблокує роботу з даними, тому не треба економити на налаштуваннях і на технічній складовій аналітичного сховища.

На моїй практиці траплялося таке, що справді було сховище даних і там була вся необхідна інформація, але щоб щось отримати, потрібно було чекати по 3-4 години! Це був якийсь жах, я не могла навіть адекватно перевіряти свої запити, тому писала великі шматки скрипту без проміжних перевірок, запускала запит, отримувала результати та дуже сподівалася, що там все буде ок, адже інакше прийдеться виправляти багу й очікувати ще дві години!

З класних прикладів оптимального вибору: для одного продукту на 50К користувачів в місяць ми насетапили аналітику на основі BigQuery, і вона в місяць обходилася в $100. А адмініструванням я займалася самостійно, адже все дуже інтуїтивно. Ну хіба не чудово?

Інтерфейс до даних

Тут, звичайно, також є кілька опцій:

• Перша і найпростіша: обрати BI-систему — Looker Studio або Power Bi або Tableau. Ці три системи найпопулярніші, є багато спеціалістів на ринку, які можуть з ними працювати, вони доступні до вивчення навіть менеджерам. Ці системи замінять всі ваші гугл-документи й іксельки, дані оновлюватимуться з БД автоматично. Looker Studio взагалі безкоштовна, тому якщо ви обрали BigQuery як сховище, й немає інших баз даних, можете брати саме цю BI. Tableau, наприклад, буде коштувати $75 в місяць на аналітика і $15 read only ліцензія. Рекомендую безпощадно забирати ліцензії тих, хто не заходив в систему більше двох місяців.
• Системи типу Amplitude or Mixpanel. Ви можете налаштувати ці програми та відстежувати продуктові поведінкові метрики. Плюси: робити репорти також можуть нетехнічні спеціалісти, багато вже готових фреймворків як retention, funnel. Мінуси: час на імплементацію івентів, не можна аналізувати абсолюнто всі дані, для частини потрібна буде BI-система, а також ціна. Для продуктів з великою кількістю користувачів і подій вартість буде високою.
• Пилити свою власну панель. Компанії вже рідко обирають цю опцію. А ще 5-7 років тому це було популярно, тому що не було довіри до готових інструментів і здавалося, що своє завжди дешевше. А з досвідом розумієш, що переважно дешевше якраз використати вже готове рішення. Звичайно що плюси: максимальна гнучкість, ви можете реалізувати абсолютно все, будь-які візуалізації, кнопки, вигляд. Мінус: абсолютно розробницька історія зі спринтами, девелопментом, тестуванням, будь-якими змінами через задачі та пріоритети.

І ви можете подумати, а навіщо компанії BI, якщо є аналітик, який може вивантажувати дані в Google Sheet, усі будуть раді, й компанії не потрібно нічого платити.

Ну прикиньмо знову на тому, що легко зрозуміти, — на грошах 🙂

Візьмемо Tableau, тут дуже легко точно зрозуміти, скільки воно вам буде коштувати.

Один аналітик + 30 користувачів будуть обходитися вашій компанії в 75+15*30 = 5775 в рік. За ці кошти 30 людей у компанії можуть отримати десь 90% всіх необхідних їм даних і звертатися до аналітика лише за 10% того, чого немає в BI-системі.

А якби замість BI-системи аналітик кожного разу оновлював дані, скільки б нам було потрібно людей? Для цих 30 співробітників, як мінімум, один. А це десь $30,000 у рік.

І не забуваємо додати часові затримки, які роблять ухвалені рішення (та й самі дані) уже не такими актуальними. Як на мене, і фінансова, й бізнесова вигоди очевидні.

Аналітики

Усе це спроваджувати, розробляти, підтримувати й насичувати має спеціаліст з даних. Тут треба також зорієнтуватися, які сегменти компанії ви хочете покрити аналітикою, й від цього відштовхуватися щодо необхідних спеціалістів і їхньої кількості.

Зазвичай якщо необхідно покрити даними й аналітичною підтримкою більшість функцій в компанії, на 200 співробітників потрібно десь 5-10 аналітиків різних напрямів. Це можуть бути продуктові спеціалісти, які будуть допомагати в формуванні гіпотез й проведенні A/B-тестів, маркетинг-аналітики, які підсапортять запуски рекламних кампаній, sales аналітики і т. д.

Проте кількість аналітиків не можна спрогнозувати. У мене був досвід: у компанії на 200 людей було аж 15 аналітиків! Дуже ця компанія любить ухвалювати виважені рішення 🙂

А був кейс, коли на 200 людей був усього один розробник дешбордів + один дата-інженер. Аналітики як такої не було, але ці два співробітники робили вітрини даних й давали до них доступ. Беклог й плани тут були на шість місяців вперед, тому не скажу, що цей підхід був дуже гнучким.

Також я б не рекомендувала знаходити людину, яка буде займатися всім і відразу, краще закріпляти аналітиків за логічними частинами вашого бізнесу: продукт, sales, marketing.

Це дасть змогу людини краще розібратися в предметці та принести максимальну користь.

Роль аналітика дуже багатогранна, тому важливо описати для вашої компанії компетенції або обов’язки такого спеціаліста, інакше буде важко зрозуміти, що входить в зону відповідальності, а що — ні.

Для середньої компанії у 200 людей з набором стандартних доменів я пропоную таку структуру команди аналітики:

Важливий момент: для продуктових A/B-тестів та гіпотез не беріть Junior, краще брати людей з досвідом як мінімум два роки. Така експертиза забустить продуктові покращення в рази.

Для Hiring-менеджерів, які будуть шукати аналітиків, я рекомендую звертати увагу на Soft skills; важливо, щоб людина, яка планує працювати з даними, була проактивна, ініціативна й орієнтована на бізнес.

Ну й відразу хочу попередити, що пошук Middle + аналітика — не дуже просте діло. Середній час такого пошуку 3-6 місяців. У мене був сумний досвід пошуку навіть Junior-аналітика пʼять місяців! Щодо зарплатам можна орієнтуватися на аналітику тут.

Метрики

Бізнесу потрібні прозорі ключові показники, за якими варто стежити та які показують стан речей. Тому тут або самостійно, або вже з аналітиками потрібно розробити систему метрик, яка дозволить заміряти успіх різних частин бізнесу й ставити та відстежувати цілі.

Деякі метрики вже можуть бути в компанії, як, наприклад, гроші, продажі або візити на сайт. Але щоб краще працювати з ітеративним покращенням, потрібно додавати й не такі очевидні показники. Наприклад, крім візитів, окремо заміряти візити нових користувачів й окремо тих, хто вже повернувся на ваш продукт. Чи рахувати не просто оплати, а який середній дохід приносить вам клієнт певної категорії чи типу.

Найважче підібрати правильні метрики для продуктової частини. Адже тут треба знайти саме ті показники, які допоможуть заміряти цінність від вашого продукту для користувача.

Бізнес-цінність — гроші — заміряти просто. А як зрозуміти, що ваш сайт або застосунок виконує свою місію й закриває біль або потребу користувача? Тут приходять на допомогу вже розроблені продуктові фреймворки, як-от мейнстримна North Start metric, або ж Aha/Habit moments.

Хоча підходи й розроблені дуже розумними людьми, й за якісної реалізації вони круто працюють, «нащупати» свої показники може бути не так легко, як здається.

Аналітичне мислення та культура ухвалення рішень

Ну й останнє — впровадження аналітичного мислення та культури ухвалювання рішення, спираючись на дані. Від того, що прийдуть аналітики, або ж з’явиться карта метрик, абсолютно нічого не зміниться, якщо люди в компанії не зрозуміють цінність від цих змін і не будуть ними користуватися.

Упровадження любові до аналітики є поступовим явищем, але як свідчить практика, майже завжди результативним і позитивно сприйнятим іншими співробітниками. Чому? Тому що це зміни, які допомагають на щось спертися у важкій буденності.

Людям притаманне бажання знизити невизначеність, й аналітика робить саме це. Вона показує, що один дизайн працює краще іншого, або ж якісь маркетинг компанії перформлять гірше попередніх. І побачивши це на реальних і зрозумілих даних, співробітникам легше й простіше ухвалювати рішення.

Я на своєму досвіді спостерігаю що прийняття аналітики відбувається супершвидко. Адже ви даєте, а не відбираєте. Дані дають відповіді.

Сюди я б долала ще й навчання. Дані й цифри можуть зрозуміти більшість людей, аналітика компаній — це не інтеграли та похідні, це досить зрозумілі показники, які можна пояснити більшості співробітників, яким вони потрібні для роботи.

Я досить часто спостерігаю, що з появою аналітиків люди не хочуть думати цифрами й повністю це делегують. Але не варто так робити, тому що ви втрачаєте можливість бути ще більш незалежними у власних рішеннях; вчіться використовувати аналітику самостійно.

«Підсаджувати» на дані та аналітику можна поступово. У мене був одночасно смішний й трохи сумний кейс: співробітники запитували, чи буде річний бонус, а він давався за виконання фінансової цілі на 95% і більше. І раніше ці дані були недоступні, тому буде бонус чи ні — для людей до кінця року було загадкою. Я ж, почувши це питання, просто скинула вітрину з Tableau, де моя команда реалізувала відстеження цілей на денній основі.

Бонус, на жаль, не виплатили, але всі в компанії це розуміли заздалегідь, тому що бачили реальну картину. Дешборд із цілями був найпопулярнішим у цій компанії за кількістю візитів в день 🙂

Потрібно навчати людей не просто дивитися на дані, але й використовувати їх.

• Проведіть кілька зустрічей з командами, які у своїй роботі мають найбільше опиратися на інформацію: продукт, sales, marketing.
• Покажіть, як дивитися на дані, як з ними взаємодіяти, які інструменти та можливості доступні співробітникам.
• Зробіть якісну документацію, щоб людям було легко зрозуміти, на які дані вони дивляться.
• Зараз є дуже прикольна практика записувати також Looms — короткі відео, які пояснюють дешборд і метрики в ньому.
• Якщо на аналітику приходить запит, який людина може зробити самостійно, краще нехай аналітик витратить на годину більше часу, але пояснить, як закрити запит замовнику самостійно, — це збереже час в майбутньому.

Хочу резюмувати: якщо ви ще не спровадили ухвалення щоденних рішень у вашій компанії на основі актуальних даних, то час почати це робити 🙂