CC BY
25Е.С. Чернова
МОДЕЛИ ОЦЕНКИ АНАЛИТИЧЕСКОЙ ЗРЕЛОСТИ КОМПАНИИ
В статье рассматриваются модели оценки аналитической зрелости компании, в частности подробно рассмотрена модель аналитической зрелости Gartner. Рассмотрены этапы модели, а также даны пояснения о том, как понять на каком этапе модели находиться компания и предложены рекомендации о дальнейшем развитии и продвижении по этапам.
Ключевые слова: модели оценки зрелости аналитики, модель Gartner, инструменты аналитики данных.
Введение. Измерение зрелости аналитики в компании становится все более актуальным, учитывая тот факт, что недавние исследования показали положительную связь между зрелостью аналитики и превосходной производительностью компании.
Многие руководители, особенно в последние пару лет, инвестировали огромные суммы денег, чтобы стимулировать внедрение аналитики и повысить ее эффективность на своем предприятии. Тем не менее, многие компании терпят неудачу в своих усилиях стать управляемыми данными [1]. Поэтому крайне важно, чтобы компании из года в год правильно оценивали зрелость своей аналитики, чтобы определить конкретные области для улучшения, начать отслеживать правильные показатели и инвестировать в ключевые приоритетные области, чтобы обеспечить правильные аналитические возможности в своей организации. Для этого и существуют модели зрелости аналитики.
Модель зрелости аналитики — это структура, которая помогает компаниям определить, как они могут использовать свои данные для поиска идей и принятия решений, а не просто собирать данные ради них [2].
Существует несколько моделей зрелости аналитики, наиболее часто используемые из них:
•Модель зрелости Gartner для данных и аналитики
•SAS — Аналитическая система показателей зрелости
•ОЭСР — Модель зрелости аналитики
•DAMM — Модель зрелости анализа данных для ассоциаций
Рассмотрим модель Gartner в качестве основы, потому что она проста для понимания, действенна и применима в различных сегментах, не связанных с маркетингом, таких как продажи, финансы и т. д.
Модель Gartner состоит из четырех этапов - описательная, диагностическая, прогнозная и предписывающая аналитика. Рассмотрим каждый из них отдельно.
Описательная аналитика — то, что произошло — это простейшая форма аналитики и основа для более глубоких типов. Описательная аналитика обобщает то, что произошло или происходит, извлекая тенденции из необработанных данных и предоставляя понимание того, что эти тенденции означают. Вы можете использовать визуализацию данных для передачи описательного анализа, поскольку диаграммы, графики и карты могут отображать тенденции в данных, а также провалы и всплески — в ясной и понятной форме.
Допустим, вы занимаетесь продажей обуви — футбольных кроссовок. Описательная аналитика может сказать вам что-то вроде: эти футбольные кроссовки имеют сезонный рост интереса в августе, сентябре и начале октября каждого года.
На этом этапе используются инструменты для работы с электронными таблицами, такие как Google Sheets, Excel, и инструменты визуализации данных, такие как Looker Studio или Power BI.
Диагностическая аналитика - почему это произошло — включает в себя сравнение тенденций или движений, выявление корреляций между определенными статистическими данными и определение причинно-следственных связей, где это возможно.
Вы можете посмотреть на демографические данные о том, какая группа чаще всего использует футбольные кроссовки, и выяснить, что им от 13 до 16 лет. Но покупателям, которые покупают эти кроссовки, как правило, от 30 до 50 лет. Некоторые собранные ранее данные с опроса показывают, что одна из основных причин, по которой покупатели покупают футбольные кроссовки, заключается в том, что родители
© Е.С. Чернова, 2023.
дарят их своим подросткам. Увеличение продаж в конце лета и начале осени может быть связано с началом футбольного сезона в этом году.
На этом этапе вы можете выполнять диагностическую аналитику вручную в таких инструментах, как Excel и Google Sheets, но зачастую маркетологи используют инструмент BI, такие как Looker Studio или Power BI, чтобы применить простую логику для сравнения определенных статистических данных друг с другом. Использование хранилища данных также является популярным вариантом, поскольку оно позволяет собирать данные из разных источников — платных СМИ и обычных социальных сетей — в одном месте, прежде чем передавать их в инструмент визуализации. Вы можете применять описанные выше концепции в различных случаях использования — изучая маркетинговый спрос и объясняя поведение клиентов
Предиктивная аналитика — что может произойти в будущем — исторические данные для прогнозирования будущих тенденций или результатов. Вы можете сделать это вручную или с помощью алгоритмов машинного обучения. Предиктивная аналитика может использоваться в маркетинге для прогнозирования тенденций продаж в разное время года и соответствующего планирования кампаний.
Например, знание того, что интерес к футбольным кроссовкам и их продажи резко возрастали в августе, сентябре и начале октября каждый год в течение последнего десятилетия, может помочь вам предсказать, что такая же тенденция будет наблюдаться в следующем году. Исторические поведенческие данные также могут помочь вам предсказать вероятность того, что человек перейдет от узнаваемости бренда к покупке продукта. Итак, если вы знаете, что человек обычно взаимодействует с пятью частями контента перед покупкой, вы можете соответствующим образом спланировать свой контент.
Хранение исторических данных в хранилище данных, таком как BigQuery, может помочь вам выполнять прогнозную аналитику вручную. Инструменты моделирования данных, такие как dbt, могут помочь автоматизировать объединение информации из разных источников в готовые к анализу таблицы. Прогнозную аналитику можно дополнительно автоматизировать с помощью платформы машинного обучения. Кроме того, наличие надежного набора данных с возможностями машинного обучения обеспечивает плавный переход на предписывающий уровень.
Предписывающая аналитика — что нам делать дальше — учитывает все возможные факторы сценария и предлагает действенные выводы.
Завершим пример футбольных кроссовок. Теперь, когда вы знаете, что скоро начнется футбольный сезон и спрос на кроссовки вырастет (основываясь на вашем анализе тенденций), что вам следует делать? Вы можете запустить A/B-тестирование с двумя рекламными объявлениями. Тот, который нацелен на конечных пользователей вашего продукта — подростков. И тот, который нацелен на ваших покупателей — родителей. Результаты эксперимента могут помочь вам понять, как еще лучше использовать преимущества этого короткого периода времени.
В то время как ручной предписывающий анализ выполним с небольшими наборами данных, вы получите лучшие результаты, используя алгоритмы машинного обучения при работе с большими объемами данных, чтобы получить ответ на вопрос «что лучше делать дальше?». Такие платформы, как Google Cloud Vision AI или Vertex AI, могут помочь вам развернуть эти модели машинного обучения.
Теперь встает вопрос - как понять на каком этапе модели вы находитесь и как двигаться вперед?
Прежде чем вы решите, на чем сосредоточиться, важно понять, на каком уровне находится ваша организация в различных областях модели зрелости аналитики. В зависимости от того, где вы находитесь, вы можете планировать, как двигаться вперед.
1. Оценка - Во-первых, оцените свой текущий уровень зрелости аналитики, чтобы узнать, какие данные вы собираете и используете. Ответьте на следующие вопросы:
•Каковы ваши текущие источники данных?
•Кто имеет доступ к этим данным?
•Какие инструменты вы используете?
2. Доступность - здесь вы должны выяснить, какие другие источники данных вам доступны, в том
числе:
•Внутренние источники данных: CRM, веб-аналитика, отзывы клиентов
•Внешние источники данных: рекламные площадки, общедоступные данные и т. д.
3. Приоритизация - рассмотрите метрики, которые вы отслеживаете, и вопросы, на которые они отвечают. Отдайте предпочтение тем, которые дают вам полезную информацию о том, «почему» и «как» вместо того, чтобы сосредотачиваться на метриках, которые дают только информацию о том, «сколько».
4. Люди - убедитесь, что соответствующие заинтересованные стороны имеют доступ к соответствующим данным. Внедрите гибкие методики, чтобы избавиться от разрозненности и упростить обмен данными между отделами. Подумайте о том, чтобы предоставить сотрудникам доступ к данным, научите их использовать и поощряйте новые идеи.
5. Технологии - инвестируйте в технологии, которые помогут вам интерпретировать имеющиеся данные и извлечь из них пользу. Вы должны подумать об аналитических навыках вашей команды и выбрать подходящие для них инструменты. Для нетехнических пользователей стоит использовать инструменты визуализации данных с удобным интерфейсом, чтобы сделать отчеты простыми для понимания.С другой стороны, если у вашей команды есть навыки работы с SQL, они получат больше пользы от использования хранилища данных.
Заключение. Модель зрелости аналитики помогает максимально эффективно использовать данные и совершенствовать процесс принятия решений. Каждый шаг в модели подготовит вас к следующему. Таким образом, вы можете начать с использования описательной аналитики, чтобы рассказать историю о том, что происходит, а затем развить ее и выяснить, почему эти вещи происходят с помощью диагностической аналитики. Получив доступ к нужным и надежным данным, вы можете перейти к прогнозной аналитике для выявления тенденций. И, наконец, вы можете использовать эти прогнозы, чтобы узнать, что вам следует делать в будущем с предписывающей аналитикой.
Библиографический список:
1.Тирни Б., Келлехер Д. Наука о данных. Базовый курс // Пер. Белоголовский М. - Издательство Альпина Ди-джитал, 2020. - 220 с.
2.Филлипс Т. Управление на основе данных. Как интерпретировать цифры и принимать качественные решения в бизнесе / Пер. Ю. Константинова - Издательство Манн, Иванов и Фербер, 2017. - 192 с.
ЧЕРНОВА ЕКАТЕРИНА СЕРГЕЕВНА - бакалавр, Санкт-Петербургский государственный экономический университет, Россия.
