Санни Ча
22 марта 2017 года
Инструменты для работы с большими данными сегодня повсеместно распространены и, по сравнению с прошлыми годами, стали недорогими. Однако, хотя эти инструменты дают вам ответ на вопрос “что” — целый поток данных, — они не дают ответа на вопрос “как” их использовать.
Например, разработчик игрового приложения может настроить простые и готовые к использованию инструменты для сбора миллионов данных ежедневно о поведении пользователей в игре, вирусной активности, взаимодействии с рекламой и т. д. Однако именно разработчик должен самостоятельно определить, какие из этих данных являются полезными, а какие — бесполезными или не подходят для анализа.
Ниже мы рассмотрим полезную схему принятия решений на примере нашего вымышленного разработчика игр.
Начните с правильных вопросов
Еще до начала сбора каких-либо данных вы можете начать задавать вопросы о результатах деятельности компании. Эти вопросы служат своего рода «шапками», помогающими сосредоточиться на самом важном. Хотя можно и просто определить желаемый результат — например, удержание клиентов на уровне 50 процентов в первый день — и попытаться найти в данных подсказки, как его достичь, такой подход лишен четкой направленности, присущей вопросу, и сопряжен с риском подтверждающего смещения.
В качестве примера предположим, что наш разработчик начинает с вопроса: “Почему мои пользователи не возвращаются на сайт достаточно часто?”
Как только вы поймёте, с чего начать, углубитесь в тему
Для достижения наилучших результатов формулируйте свои вопросы как можно конкретнее. Вопрос “Почему мои пользователи не возвращаются на сайт достаточно часто?” открывает слишком много возможных направлений для исследования. Конкретный вопрос должен опираться на базовые сведения, которые разработчик уже знает.
Разработчик: “Почему мои пользователи открывают приложение на длительные сеансы по 5–10 минут и активно играют, но при этом не возвращаются в него часто?”
Сформулируйте гипотезы, которые могут дать ответ на ваши вопросы
После того как вы сформулируете свои вопросы, сформулируйте гипотезы, которые можно подтвердить или опровергнуть.
Исходная гипотеза разработчика: “Пользователи моей игры не возвращаются в приложение часто, потому что у них мало знакомых в приложении”.”
Затем привяжите действие к каждому из возможных результатов (истина, ложь или другое), чтобы сразу же знать, что делать дальше после проверки.
Окончательная гипотеза разработчика: “Игроки моей игры не возвращаются в неё часто, потому что у них недостаточно активных связей. Если это верно, то нам нужна стратегия, чтобы привлечь в игру их друзей. Если моя гипотеза неверна, то я рассмотрю другие возможные причины, например, невовремя отправляемые уведомления”.”
При анализе данных проводите сегментацию пользователей
Чем меньше ваша целевая группа, тем проще составить план действий с учетом ее поведения. Разбивайте данные по региону регистрации, возрасту или типу устройства и сопоставляйте их с такими факторами, как количество подключений или реакция на уведомления.
Разработчик: “Создать реферальную кампанию для пользователей iOS в возрасте 18–25 лет, проживающих в США, будет гораздо проще, чем просто ориентироваться на всех пользователей iOS”.”
Определить показатели успеха
Без показателей эффективности, по которым можно оценивать данные, трудно решить, следует ли продолжать реализацию стратегии или пора ее скорректировать. Кроме того, сложно точно определить, какие пользователи входят в когорту, которую вы хотите проанализировать.
Разработчик: Как отличить активно вовлечённых пользователей от остальных? Может быть, по тому, что они заходят на сайт десять раз в неделю? Следует ли оценивать пользователей iOS и Android по одним и тем же показателям?
И не обращайте внимания на отдельные данные
И, наконец, помните, что всё меняется. Например, ведущие разработчики часто тратят месяцы на доработку структуры учебного курса, а потом просто отбрасывают её и начинают с нуля. Это связано с тем, что пользователи, которых вы привлекаете сегодня, могут отличаться от тех, кто был 6 месяцев назад. Не стоит слишком зацикливаться на отдельных данных в ущерб общей тенденции.
Разработчик: “Теперь, когда мы добились вирусного роста в сегменте 18–35 лет, стоит ли нам по-прежнему заниматься улучшением показателей для возрастной группы 36–50 лет?”
Не забывайте, что результаты анализа этих данных не должны оставаться запертыми в отделе бизнес-аналитики или в зале заседаний руководства. Когда вы задаете вопросы и делаете выводы, убедитесь, что ваш процесс обмена информацией с другими командами работает. Например, маркетинговой команде будет полезно знать, на какие сегменты ориентировать рекламу. Дизайнерам нужно знать частоту использования, чтобы они могли создать удобный интерфейс приложения. Программистам необходимо знать прогнозы использования, чтобы соответствующим образом масштабировать обновления. Данные должны быть доступны всем.
А чтобы не сойти с ума, лучше всего использовать один инструмент для работы со всеми данными, а не разбивать их на отдельные «силосы». Подробнее о том, как выбрать сервис, читайте в нашей недавней статье статья об инструментах бизнес-аналитики.
