Как избежать дорогостоящих ошибок в аналитике: пять вредных привычек бизнеса 4:45
В условиях масштабирования компании принятие решений на основе «интуиции» перестает работать. Однако, по данным Gartner, лишь 54% руководителей действительно опираются на аналитические данные, а 73% отмечают, что эти данные не принесли ожидаемого влияния. Питер, основатель Sisu Data, и Барретт, руководитель продукта в той же компании, на сессии SaaStr выделили пять критических ошибок, которые мешают превратить накопленные массивы информации в реальный рост.
1. Анализ лишь фрагмента данных 📉 4:45
Самая распространенная ошибка — ограничение анализа только привычными «срезами» данных, которые уже кажутся важными.
- Риск: Бизнес пропускает скрытые закономерности, которые могут лежать глубже, чем очевидные метрики.
- Пример: Один из B2B SaaS-клиентов Sisu Data при анализе оттока клиентов фокусировался только на одном факторе — используемом страховом провайдере. Использование инструментов Sisu позволило им проанализировать комбинации различных атрибутов, таких как количество сотрудников и конкретные функции продукта, которыми пользовались клиенты.
- Результат: Это позволило найти более нюансированные закономерности и внедрить точечную стратегию удержания, что принесло компании семизначную сумму в дополнительном годовом регулярном доходе (ARR).
2. Отношение к аналитическому отделу как к «фабрике отчетов» 🏭 8:07
Команды часто отправляют запросы аналитикам, не объясняя контекст и бизнес-цели.
- Риск: Это приводит к бесполезным итерациям. Барретт рассказал о продуктовом лидере, который ждал ответа неделями, но получил не те данные. Вместо того чтобы узнать, какие уровни вовлеченности (например, приглашение пяти друзей вместо трех) ведут к долгосрочной адаптации, аналитики просто прислали список популярных функций.
- Решение: Аналитиков нужно видеть как бизнес-партнеров и привлекать их к обсуждению целей проекта на самом раннем этапе. Это сокращает количество ненужных итераций и ускоряет вывод продукта на рынок.
3. Отсутствие стандартизации форматов отчетности 📊 10:55
Когда каждый менеджер или аналитик создает отчеты в Excel или Python в своем собственном стиле, результаты становятся невозможно интерпретировать.
- Проблема: Руководители разочарованы сменой форматов, а аналитики тратят массу времени на ручное «перекладывание» данных из одной формы в другую.
- Решение: Важно заранее инвестировать время в определение стандартизированных форматов, понятных всей команде. Примером эффективного инструмента Барретт назвал «водопадные графики» (waterfall charts), которые наглядно показывают вклад каждого драйвера в изменение метрики.
4. Невозможность задать уточняющие вопросы 🔍 14:35
Если для получения ответа на уточняющий вопрос бизнес-лидеру нужно снова идти к аналитикам, вопрос чаще всего остается без ответа.
- Конфликт: Аналитики не хотят тратить 100% времени на «хотелки», а лидеры бизнеса не знают SQL и не имеют времени ждать.
- Решение: Необходимы инструменты, поддерживающие «самообслуживание» (self-service). Отчеты должны быть параметризуемыми — например, чтобы лидер сам мог изменить период удержания с 14 на 28 дней, не дергая при этом техническую команду.
5. Медленная реакция на инсайты ⏳ 17:09
Аналитика становится бесполезной, если к моменту готовности отчета окно возможностей уже закрылось.
- Риск: Были случаи, когда из-за задержки в несколько дней при идентификации риска оттока ключевого клиента, компания получала отказ: «Извините, я уже принял решение».
- Решение: Технологии должны автоматизировать рутинные этапы анализа, чтобы человек фокусировался на том, что уникально для него — принятии решений и общении с клиентами. Использование автоматизации позволяет просеивать миллионы комбинаций данных, оставляя руководителю только узкий, самый перспективный набор действий для выполнения.
