Что такое data‑driven‑подход и как он работает в компаниях: рассказываем на примерах
2026-02-21 06:06 Diff
https://skillbox.ru/media/management/chto-takoe-datadrivenpodkhod-i-kak-on-rabotaet-v-kompaniyakh-rasskazyvaem-na-primerakh/

#статьи

  • 14 авг 2023
  • 0

Компании, в которых внедрили data driven, растут в два раза быстрее компаний, где его не используют. Узнайте, что нужно для его внедрения.

Иллюстрация: Brett Sayles / Pexels / Nakaridore / Freepik / Annie для Skillbox Media

Шеф-редактор направлений «Маркетинг», «Управление», «Бизнес», «Деньги» Skillbox Media. В прошлом отраслевой журналист и владелец небольшого нишевого ютуб-канала.

о data-driven-подходе рассказал

Head of Analytics в диджитал-агентстве Adventum. Отвечал за консультирование по продуктам GMP. Занимается развитием Amplitude в России и СНГ: автор курсов и вебинаров по работе с Amplitude, помогает бизнесам правильно начать работу с инструментом, выстроить процессы и получать пользу.

В диджитал-аналитике с 2014 года. Консультировал «МегаФон», «Сбер», Delivery Club, «Утконос», «Лигу ставок» и других. Преподаёт на курсе Skillbox «Аналитика для руководителей и владельцев бизнеса».

Развитие любого бизнеса зависит от решений собственника и топ-менеджмента. Если они принимают правильные решения, бизнес развивается и зарабатывает больше. Если решения неправильные — компания теряет деньги или зарабатывает меньше, чем могла бы, и не растёт.

Находить правильные решения помогает data-driven-подход. Если собственник компании умеет его применять, он может кратно увеличить прибыль бизнеса. Если менеджер знает о data driven, он может внедрить этот подход и принимать правильные решения, а значит, зарабатывать больше благодаря лучшим результатам.

В этом материале Skillbox Media рассказываем главное о data driven и объясняем, как его внедрить.

Data driven — это подход, при котором решения принимают, опираясь на данные. «Data driven» переводится с английского как «управляемый данными». Полное название подхода — data driven decision making (DDDM), в переводе — «принятие решений на основе данных».

Вот как работает DDDM на практике. Допустим, компания продаёт 53 товара. В течение последних месяцев прибыль компании снижается. Нужно решить, как оптимизировать ассортимент.

Собственник компании ставит аналитику задачу собрать данные о числе продаж, выручке и затратах. Аналитик выясняет, что 75% выручки компании приносят 23 товара. Ещё 10 товаров генерируют 20% выручки. Оставшиеся 20 товаров приносят всего 5% выручки, и из-за больших затрат на складское хранение компания продаёт их в убыток.

Благодаря этим данным собственник компании принимает решение отказаться от 20 убыточных товаров. Расходы на складское хранение значительно снижаются, а прибыль компании растёт.

Подход data driven противопоставляют подходу highest paid person’s opinion (HiPPO) — принятию решений на основе мнения руководства. Точнее, на основе интуиции и опыта руководителя. Подход HiPPO считают малоэффективным, потому что руководитель может ошибиться и тогда компания потеряет деньги.

Ещё подход data driven можно противопоставить подходу best practices. Это когда решения принимают на основе общепринятых стандартов отрасли. Общепринятые стандарты — своего рода данные, но ими нельзя руководствоваться постоянно: то, что работает в среднем по отрасли, может не сработать в отдельной компании.

Data-driven-подход эффективнее, чем подходы HiPPO и best practices. Он минимизирует риск ошибок — руководители принимают правильные решения на основе данных и статистики, и это позволяет компании получать большую прибыль.

Вот пример того, что можно сделать с помощью data-driven-подхода. Благодаря продуктовой аналитике букмекерская компания «Лига ставок» ускорила прохождение воронки регистрации в 2,5 раза, увеличила конверсию в успешную регистрацию и идентификацию на 7,7% и долю успешных пополнений счёта на 4,2%.

Традиционно data-driven-подход внедряют в диджитал-компаниях. Но его могут использовать и в любых других отраслях, потому что данные есть везде. Можно сказать, что data driven универсален, однако применяют его по-разному. Разберём, как трансформируется поход в компаниях разного размера и о каких областях работы можно собирать данные.

Сначала приведу пример, который показывает универсальность подхода. Среди наших клиентов была компания, которая выращивает овощи в теплицах. Мы подключались к их телеметрии и собирали данные о влажности и температуре воздуха в базу данных, делали для них датасеты и дашборды. Компания использовала эти данные, чтобы управлять урожайностью.

Благодаря анализу данных можно понять, как сделать так, чтобы овощи в теплице созревали быстрее
Скриншот: / Skillbox Media

От размера компании зависит, как глубоко внедряют data driven. По нашему опыту, крупные компании работают с данными лучше всех. В них чаще собирают данные обо всех направлениях деятельности и используют их для принятия решений на всех уровнях. То есть данные используют топ-менеджеры, руководители среднего звена и рядовые сотрудники.

В малом и среднем бизнесе ситуации разные. Мы встречаем компании, в которых используют аналитику, но несистемно. В них может не быть отдела аналитики и специалистов-аналитиков, а за работу с данными отвечает один человек — например, менеджер продукта. Есть и компании, в которых вообще не задумываются о data driven.

В России многие понимают важность аналитики и используют данные, но уровень работы с данными в разных компаниях неодинаков. Во всём мире ситуация такая же. Авторы ежегодного исследования Analytics Impact Index выделяют четыре уровня развития аналитики в компаниях: отстающие, подражатели, исследователи и лидеры. Лидеров меньше всего, а самая большая группа — это исследователи.

Самые очевидные области работы компании, о которых можно собирать данные, — маркетинг и продуктовый менеджмент. Чаще всего компании собирают данные именно о маркетинге и о том, как пользователи взаимодействуют с продуктом.

В других областях работы компании тоже много данных. Например, в финансовом департаменте с помощью аналитики можно улучшить планирование и контроль, повысить точность отчётности, автоматизировать процессы. В юридическом департаменте можно оптимизировать процессы — например, выяснить, почему затягивается согласование документов, или сделать анализ имеющейся судебной практики, чтобы понять, что влияет на исход дела.

Общепринятых стандартов у data-driven-подхода нет. У каждой компании свои задачи и наборы данных, поэтому принципы работы с ними разные. Но я рекомендую соблюдать два принципа.

Первый принцип — данные должны быть качественными. Иначе пропадает смысл использования data-driven-подхода.

Что такое качественные данные? Это данные, которые собраны корректно, в полном объёме и без ошибок. Корректный сбор подразумевает, что данные собирают по общему правилу и единообразно. Так они отражают объективную картину. Подробнее о том, как организовать сбор качественных данных, поговорим ниже.

Второй принцип — постоянная работа с гипотезами. Гипотезы — предположения о том, что нужно изменить, чтобы улучшить результат.

Data-driven-подход работает тогда, когда в компании постоянно выдвигают и тестируют гипотезы: ищут, что можно улучшить, и делают это, опираясь на результаты анализа. Компании, где так делают, как правило, растут в два раза быстрее, чем компании, где такой практики нет.

Каждая компания определяет свой набор метрик в зависимости от того, чем она занимается, какие данные собирает и какие у неё задачи. Этот набор называется картой метрик.

В карту метрик включают самые важные для компании показатели. Рассмотрим их на примере интернет-магазина. Вот какие показатели можно отслеживать:

  • Прибыль. Это самый важный показатель работы интернет-магазина.
  • Доходы и расходы. Они влияют на прибыль. Чтобы получать большую прибыль, нужно или увеличить доходы, или сократить расходы.
  • Количество заказов и средний чек. Эти показатели влияют на доходы. Если увеличить количество заказов или средний чек, доход вырастет.
  • Число покупателей и число заказов на одного покупателя. От них зависит общее количество заказов. Чтобы продавать больше, интернет-магазин может привлечь больше покупателей или работать с лояльностью, чтобы люди чаще в него возвращались.
  • Конверсия и число посетителей. От этих показателей зависит число покупателей. Оно вырастет и если увеличить конверсию, и если привлечь на сайт больше трафика.

Получается своеобразная пирамида, в которой все показатели взаимосвязаны и влияют на главную метрику — прибыль. С такой пирамидой удобно работать.

Важно!

Метрик не должно быть слишком много, иначе будет сложно сфокусироваться на действительно важных показателях. В карту метрик лучше включать только метрики, которые влияют на финансовое состояние бизнеса.

Инструменты, которые нужны для анализа данных, можно условно разделить на три категории: системы для хранения данных, системы анализа и системы для коммуникации.

К системам для хранения данных относятся, например, CRM-системы, которые хранят данные о пользователях, и «1C:Бухгалтерия», которая хранит данные о бухгалтерском и налоговом учёте.

Системы анализа позволяют работать с данными: строить отчёты и изучать их, чтобы делать выводы. Системой анализа может быть, например, база данных, управляемая языками программирования R, Python или SQL.

Системы хранения могут быть одновременно и системами анализа. Например, системы аналитики вроде Google Analytics, «Яндекс Метрики» и App Metrica хранят данные и позволяют работать с отчётами.

Системы для коммуникации — сервисы и инструменты, с помощью которых можно обмениваться данными. Обмен — это и составление отчётности для руководства, и кросс-командное общение, когда один отдел делится выводами со всеми подразделениями.

Системы коммуникации могут быть встроены в системы анализа. Например, в системе продуктовой аналитики Amplitude есть инструменты для обмена информацией. Также для коммуникации используют сервисы вроде PowerPoint и «Google Презентаций», BI-системы с дашбордами.

Дашбордами могут пользоваться сотрудники разных подразделений — каждый увидит нужные ему показатели
Скриншот: Power BI / Skillbox Media

Для качественной работы с данными важно определить методологию и назначить ответственных.

Методология — система принципов и методов работы с данными. Если простыми словами, это правила, по которым собирают, обрабатывают и анализируют данные. Если правил нет, велик шанс того, что data driven в компании не будет работать.

Допустим, компания решает внедрить веб-аналитику. Ответственный специалист настроил события, которые нужно отслеживать. Через полгода на сайте появились новые страницы, и нужно настроить события для них. Но правил аналитики нет, поэтому события настроили не по той схеме, которую использовали раньше, а по другой. В итоге получилась каша из данных, в которой сложно разобраться.

Если события настроены корректно, в них легко разобраться
Скриншот: Google Analytics 4 / Skillbox Media

Ответственный за data-driven нужен, чтобы контролировать внедрение подхода. Ответственный разрабатывает методологию, управляет внедрением аналитики и курирует процессы: следит, чтобы данные собирали по правилам, не было дубликатов и ошибок.

Ответственным за data-driven-подход может быть один специалист или целая команда. Не обязательно нанимать человека со стороны — эту роль могут выполнять аналитики, которые уже работают в компании.

Кроме методологии и ответственного, для внедрения data-driven-подхода понадобятся инструменты сбора, хранения и анализа данных. Например, если в компании нет CRM-системы и ERP-системы, их нужно будет внедрить.

У data driven два недостатка: использовать подход дорого, а работать с данными непросто.

Аналитика обходится дорого, потому что на неё нужно много ресурсов. Если компания хочет использовать инхаус-аналитику, она потратит деньги на создание инфраструктуры: разработку, поддержку, настройку системы и закупку дополнительных серверов.

Если компания хочет использовать стороннее решение, за него тоже, скорее всего, придётся платить. В бесплатных сервисах есть ограничения, которые делают работу с данными неудобной.

Например, «Яндекс Метрика» может не подойти для анализа большого объёма данных — придётся выгружать отчёты, чтобы работать с ними
Скриншот: «Яндекс Метрика» / Skillbox Media

Кроме того, ресурсы уйдут на обучение сотрудников, изменение бизнес-процессов, наём людей, которые будут работать с системами аналитики и делать выводы.

Работать с данными непросто. Они могут быть некорректными или неполными из‑за неправильного внедрения аналитики. Или их можно неправильно истолковать:

  • не учесть контекст — например, обстоятельства вроде пандемии коронавируса;
  • чрезмерно обобщить — например, посчитать, что, если большинству пользователей нравится стандартная версия продукта, её можно предлагать всем сегментам целевой аудитории.

Можно сказать, что эти недостатки малозначительны. Data-driven-подход может многократно окупить затраты на внедрение и принести большую пользу бизнесу.

  • Data driven — это подход, при котором решения принимают, опираясь на данные. Можно сказать, что его используют все компании, которые работают с данными, но «уровень» этой работы различается.
  • Чтобы работа с данными влияла на прибыль, данные должны быть качественными, а в компании должны постоянно тестировать гипотезы.
  • В data driven используют разные инструменты — системы хранения данных, системы анализа данных и системы для коммуникации. Например, «Яндекс Метрика» и Google Analytics — это одновременно и системы хранения, и системы анализа.
  • Чтобы внедрить data driven, нужны инструменты, методология и ответственные. Методология — набор правил, по которым компания будет работать с данными. Ответственный — человек, который будет следить за соблюдением этих правил.
Более 80 курсов со скидкой до 55%
Курсы по Excel, бухгалтерии, управлению проектами, аналитике для старта карьеры. Подарок — бесплатные уроки по нейросетям. Записаться →