Как научиться «качать» ее и использовать для развития бизнеса.
Harvard Business Review назвал дата-аналитиков «самой сексуальной профессией XXI в.», популярность языка программирования для обработки данных Python бьет исторические рекорды, а конкурс на поступление в престижные бизнес-школы США на MBA в два раза ниже, чем в магистратуру по Data Analytics (анализ данных. - Ред.).
Почему же весь мир сходит с ума от этой специальности? Дело в том, что в течение последних десятилетий за счет технологизации бизнес-процессов компаниям удалось накопить значительное количество информации обо всем, что связано с их деятельностью: начиная от данных клиентов и заканчивая статистикой рекламных кампаний. Этот архив дает бесчисленное множество возможностей для более эффективного принятия решений (так называемых инсайтов), и чтобы их использовать, как раз и нужна Data Science - наука о данных. Причем размер организации и объем массива данных не имеет большого значения. Специалистов по анализу вводят в структуру как небольшие бизнесы, для которых в условиях ограниченного бюджета особенно важно минимизировать риски, так и крупные игроки.
Стратегия и планирование бизнеса
Более глубокий анализ финансовых показателей и эффективности дает возможность руководителям принимать решения не интуитивно, а обоснованно. При этом, конечно, нельзя воспринимать Data Science как волшебный ящик, загрузив в который таблички Excel, можно получить ответы на все вопросы.
Например, американский инвестиционный фонд Dodge & Cox использует автоматизированный анализ данных лишь для начального отсева потенциальных компаний, на более высоком уровне уже работают исследователи и опытные инвесторы.
Тем не менее, при сложном выборе подтвердить правильность принятия решения можно, объединяя внутренние и внешние источники информации. Специальные программы (например, Tableau) позволяют визуализировать статистические таблицы для выявления наиболее перспективных решений и формирования выводов в несколько кликов, не переключаясь между огромным количеством выгрузок и файлов. При этом если классический бизнес-анализ концентрируется на выводах о прошлом, то Data Science работает над прогнозами в будущем.
Маркетинговые исследования и аналитика
Big Data (технология больших баз данных) открывает возможности для обнаружения шаблонов поведения целевой аудитории, влияния на бизнес корректировок ценовой стратегии, эффективности рекламных каналов и даже прогнозирования ROI (возврат инвестиций) от запланированных рекламных кампаний. Допустим, у вас есть данные о продажах в разных регионах по месяцам и количеству размещенной рекламы на ТВ, в прессе, сети Интернет и т.д. Построив график линейной зависимости между продажами и каждым каналом и оценив коэффициент детерминации (вероятность зависимости) по каждому из них, можно увидеть, какой из каналов наиболее значительно влияет на продажи. Еще один пример - создание «тепловой карты» для оценки таких важных в продвижении показателей, как ключевые слова, стоимость клика и количество кликов. Такой же подход поможет разобраться в итогах продаж большой линейки SKU (единица учета запасов, например, складской номер. - Ред.) или корреляции между ценовыми акциями и прибылью.
Данные о пользователях, которые кликали на рекламу, совершали покупки или заходили на сайт, наложенные на их профили в социальных сетях, историю поиска и другое огромное количество персональной информации собирают гиганты вроде Facebook и Google.
Это помогает нам лучше понимать, кто наш клиент и формировать сегменты целевых аудиторий, адресуя каждому из них свое сообщение. А в идеале - проводить А/Б-тесты и запускать только то объявление или ролик, который покажет себя лучше на маленьком, безопасном для бюджета объеме расходов. Благодаря такой стратегии преуспел онлайн-кинотеатр Netflix. За счет уникальной рекомендательной системы в зависимости от предыдущих просмотров количество клиентов увеличилось до 100 млн.
О том, где искать данные для составления Big Data, читайте в продолжении статьи, опубликованной в печатной версии журнала «Директор» № 1.
Екатерина САКОВИЧ