Блог Антона Липатова: заметки с тегом аналитика

КНИГИ. О’Коннор Джозеф, Макдермотт Иан. Искусство системного мышления

Sun, 06 Jun 2021 12:18:00 +0300

🎆 Лоскутное одеяло. К главной теме описания и анализа систем авторы «подшивают» куски других тем про отражение ментальных моделей в языке, когнитивные искажения. По ним не хватает полноты. Но стоит почитать хотя бы из-за главной темы, особенно, если не сталкивался с теорией систем управления.

Ниже — вольный конспект и мысли по поводу 🤔.

1. Язык систем

🤔 Когда-то был удивлен, что звание 👨‍🎓 доктора и патенты можно получить за язык (схемы) описания газодинамических процессов. Т. е. за правила перевода реальной системы в идеализированную модель. По типу электрических схем с ЭДС, сопротивлениями и проч. Правила были очень простыми для понимания, и было непонятно, в чем тут подвиг ❓🦸‍♂️. Так, вроде, и должно было всегда быть. А, оказывается, раньше не было. Подвиг был 🦸‍♂️❗.

В книге авторы также предлагают язык описания систем, их элементов и причинно-следственных связей. Возможно, тоже подвиг 🌳🦸‍♂️.

Анализировать системы удобно методом контурного мышления⭕. Как вы поняли — через выделение контуров. Важный тип контура — обратная связь. Виды обратной связи:

— 📈 усиливающая — изменение системы поступает на вход системе и усиливает изменение в первоначальном направлении (положительная обратная связь);

— ⚖️ уравновешивающая — изменение системы приводит к обслаблению начального изменения (отрицательная обратная связь);

— ⌛ упреждающая (упреждающая усиливающая, упреждающая уравновешивающая) — предвидение или прогноз влияет на настоящее таким образом, что оборачивается самосбывающимся или самоопровергающимся прогнозом.

📝Пример 1. Ожидание дефицита стимулирует людей покупать и стимулирует дефицит (самосбывающееся пророчество на основе упреждающей усиливающей обратной связи).

📝Пример 2. Бессоница. Человек прикладывает все усилия, чтобы заснуть, но тем самым прикладывает много стараний и не может заснуть из-за энергетического состояния организма (самоопровергающееся пророчество на основе упреждающей уравновешивающей обратной связи.

Схематически это выглядит так.

Вот система утоления жажды.

Вот механизм обучения с уравновешивающей обратной связью.

Расшифровывается это так. Мы учимся, чтобы устранить разрыв между тем, что есть, и тем, что хотим получить. Мы переводим знания в действия и анализируем обратную связь — эффект от наших действий для продолжения обучения.

А вот это обучение с дополнительным контуром: когда в процессе обучения мы изменяем наши ментальные модели. Авторы это называют «порождающим обучением», в результате которого мы не просто чему-то учимся, но осваиваем новые стратегии, ставим под сомнение исходные допущения и смотрим на ситуацию по-новому.

А вот это диета

Почему сложно бросить курить.

2. Некоторые базовые схемы.

📈 Путь к успеху — усиливающий контур в правильном направлении. Усиливающий контур в неверном направлении — это плохо. Например, депрессия.

📈⚖️ Пределы роста — усиливающий контур натолкнулся на уравновешивающий контур

🌀 Эскалация (A и С взаимно влияют через B)

3. Ментальные модели

Наши личные представления о мире, полученные на основании опыта. 🤔 Тут ничего нового . Они могут быть объективными и неверными. Мы создаем под влиянием разных факторов — опыта, культуры, влияния других людей и т. п. Для нас характерно:

— 🙈 вычеркивание. Мы отбираем и фильтруем информацию в соответствии с настроением, интересами, озабоченностью и т. п. Информацию, которая не соответствует нашим убеждениям, мы склонны игнорировать;

— 💭 конструирование. Мы видим то, чего нет, но хорошо вписывается в нашу модель мира;

— 🧭 искажение. Мы делаем акцент на одних деталях, которые нам хорошо подходят, и преуменьшаем другие;

— 🕳️ обобщение. На основании единичного опыта мы делаем далеко идущие выводы, отрицая обратные проявления.

🤔 Добавлю, что еще примерно несколько десятков когнитивных искажений, описанных у Канемана, Чалдини и в других источниках.

Ментальные модели также являются системами со своими контурами и обратной связью. В них очень вредна усиливающая обратная связь, укрепляющая эти модели. Она приводит к негативным явлениям:

— 🎚️ регрессия. В данном контексте, скорее, стремление к среднему. Выводы на основании исключительных результатов и прогнозы на их основе рискованны, поскольку мы не учитываем свойство стремления к среднему;

— ⏱️ пренебрежение фактором времени. Мгновенные выводы могут быть ошибочными, поскольку часто последствия проявляются заметно позже причин;

— 💥 односторонняя трактовка событий. Мы замечаем только события, подтверждающие наши убеждения. Причем мы запоминаем события с наибольшим напряжением (одно ДТП более значимо, чем сотни часов безаварийного вождения).

Как всегда, хотя если изначальное направление верное, то усиливающая обратная связь сделает только лучше :).

4. Ограничивающие ментальные модели

Всем на заметку — что такое хорошо и что такое не очень хорошо. Цитата.

Что значит иметь жесткие, ограничивающие ментальные модели

👎 Если вы настаивайте на том, что ваши идеи полностью соответствуют реальности.

👎 Если у вас узкий круг интересов, который исключает приобретение опыта.

👎 Если вы не допускаете ни малейшей неопределенности и стараетесь как можно быстрее делать выводы.

👎 Каждый раз, когда вас не устраивают поведение людей и ход событий, вы имеете наготове богатый запас объяснений.

👎 Активно используете модальные операторы («должен», «не должен», «необходимо», «недопустимо») и никогда не сомневаетесь в оправданности их применения.

👎 Щедро оснащаете свою речь универсалиями — обобщающими понятиями («все», «каждый», «никто», «никогда») и не признаете никаких исключений.

👎 Не стесняетесь делать обобщения на основании единственного случая.

👎 Используете односторонние, полученные вне прогнозируемых временных рамок события для подтверждения своих идей.

👎 Вину за неудачи и проблемы возлагаете на людей (не забывая при этом и себя).

👎 Осмысляете происходящее в терминах прямолинейной логики «причина — следствие».

👎 Никогда не проявляете любознательности.

👎 Не пересматриваете своих убеждений на основе полученного опыта.

Что значит иметь системные ментальные модели

👍 Вы исходите из того, что на данный момент ваши ментальные модели лучшие из всего, что было вам доступно, но не прекращайте поиска более совершенных.

👍 Вы имеете широкий круг интересов.

👍 Не боитесь неопределенности.

👍 Проявляете любознательность и уделяете особое внимание тому, что, похоже, противоречит вашим ментальным моделям.

👍 Ищете причины событий в системе обратных связей, действующих в разные временные периоды.

👍 Столкнувшись с проблемой, исследуете не только ситуацию, но и свои предположения о ней.

👍 Обращаете внимание на взаимную связь факторов, добиваясь понимания того, как события согласуются друг с другом.

👍 Ищете объяснения в виде системы циклов и контуров обратных связей, в которых результат — следствие одной из причин — в свою очередь становится причиной чего-то другого.

5. Как работать с ограничивающими моделями.

😊 Хорошая новость — с некачественными ментальными моделями можно работать. Вот как это делать.

1. Составить список трудностей. Поставить перед собой цель и ответить на вопрос — Что препятствует в достижении цели? По поводу каждой трудности следующий вопрос — В чем проявляется эта проблема? Дальше — Что должно произойти, чтобы это перестало быть проблемой?

Если ответы намекают на отсутствие навыков или ресурсов у вас или у других, это признак ограничивающих ментальных моделей.

2. Метод «левая колонка». Метод разработан К. Агририсом и Д. Шоном. На примере: вспомните типичный неприятный разговор с кем-нибудь. На листе бумаги справа напишите, что вы сказали, слева — что думали про себя. Прочитайте, что написано слева и задайте себе вопросы:

❓ Какие скрытые или явные убеждения и представления породили в вас эти мысли?

❓ Что остановило и помешало произнести их вслух?

Исходя из ответов на первые два вопроса, что вы можете сказать о своих представлениях и убеждениях?

3. Прислушиваться к языку. Об этом в следующей части.

6. Ментальные модели и язык

Отдельное уважением авторам за гипотезу о связи между ментальными моделями и языком 🦜. Признаки ограничивающих ментальных моделей в языке:

— категоричность: «очевидно», «несомненно», «понятно, что» ...

— признаки нормы: «должен», «обязан», «следует», «необходимо», «не должен», «не следует» ...

— лингвистические универсалии: «все», «каждый», «никогда», «всегда», «никто» ...

Их можно ставить под сомнение:
— «Кто это сказал?», «Что из этого следует?»

— «Что случится, если мы это не сделаем/сделаем?»

— «У этого правила были исключения?»

7. 🤔 Выводы, робастность

Схемы — это круто, но возникает сомнение в применимости. Насколько в жизни очевидны эти связи. Легко с ними разобраться в простых моделях, но в случаях систем со многими элементами («статическая сложность») пропуск одного неочевидного элемента, направления причинно-следственной связи или неверно определенная обратная связь могут обрушить тщательно подготовленную модель, показать неверные эмерджентные свойства (свойства, не характерные для элементов системы, но которые проявляются на уровне системы), которая станет показывать ложную природу процессов.

Все это накладывается на то, что как авторы справедливо отмечают, у данных моделей есть еще «динамическая сложность», т. е. взаимодействие элементов во временном пространстве. Цикл обратной связи может замкнуться намного позже, чем мы ожидаем. И это также приведет к неверным выводам.

📝 Раз уж вспомнили про университет. В системах автоматического управления есть понятие «робастности» (robust). Не ручаюсь за точность определения, но попробую передать концепт.

Есть система, которая состоит из объекта (например, конвейера), на вход которой поступает один сигнал (например, электрический сигнал блока управления), а выходом является другой (например, скорость движения конвейера). Говорят, что система (вход-объект-выход) «робастная» в том случае, когда малое изменение параметров объекта приводит к малым изменениям выхода. Короче, система устойчива к помехам и мелким поломкам.

Вы поняли: делать «робастные» системы хорошо, делать «неробастные» системы — плохо.

В крупных системах со множеством элементов подход со схемами поможет разобраться, но полностью на него полагаться я бы не стал. Чувствую, есть риск создания «неробастных» представлений о системе.

Юнит-экономика: что потеряно в переводе и как считать

Tue, 27 Apr 2021 20:52:53 +0300

Содержание за 15 секунд:
1. Содержание терминов unit-экономики разное в разных компаниях. Прочитав эту статью, вы поймете общий принцип расчетов, и сможете распространить на любой проект.
2. Нормальный файл для расчета по ссылке.

🖖 Говорят, что термин Unit-экономика и принцип ее расчета был предложен в России Ильей Красинским. Как по мне, это адаптация простых формул университетского курса про постоянные и переменные издержки, точку безубыточности или более сложного финансового анализа, к метрикам и реалиям цифрового мира. В том числе к метрикам мобильных приложений.

Что-то революционное? — Нет. Ближе к современному бизнесу? — Наверное.

🤑 В чем хорош подход? Он подсвечивает те метрики, от которых зависит успех бизнеса. Анализ чувствительности результата к ним покажет, какая из метрик больше влияет на прибыль.

👺 Но как обычную экономику за пределами бухучета все считают по-своему, так и unit-экономика оказалась у каждого своя. Это нормально, потому что бизнес-модели у всех разные: у кого-то пользователи и месячная подписка, у кого-то интернет-магазин с потоком заказов и т. п. Масла в огонь подливает разница в понятиях финансового учета в России и США и то, что эти понятия плохо состыковываются с уже закрепившимися финансовыми понятиями в digital.

😞 Первая боль — это беда с терминами. В пределах одного инструмента могут быть использованы разные названия одного параметра. Например, сначала вы называете покупателей Buyers, а потом Customer, а потом в аббревиатурах еще используете Paying User (ARPPU, Average Revenue Per Paying User). Revenue повсеместно мешается с Margin повсеместно.

⌛ Вторая боль — время. Ряд величин зависят от периода, на котором они измеряются, и не стоит их считать в разные периоды: постоянные затраты за месяц, а регулярность покупок — за всю жизнь.

💸 Третья боль — учет затрат, которые у нас принято относить к постоянным: зарплата менеджмента, продуктовых команд. Те деньги, объем которых не зависит напрямую от объема продаж. Про них часто забывают или учитывают в себестоимости, как переменные издержки. Так делать не стоит, они не зависят напрямую от объема продаж, цены.

👨‍🏫 Четвертая боль — обилие материала по теме с призывом разобраться за 15 минут. В разных источниках отличаются термины и определения, и сложно установить правду. Поэтому лучше включать свою логику. С ней, по крайней мере, будет понятно, как перейти в систему координат очередного автора.

Вот одна из трактовок. Она не единственно верная.

Термины

👨 Users — пользователи. Сколько вообще есть у вас зарегистрированных пользователей за период.

➡️ Коэффициент C1. Коэффициент конверсии из пользователей в покупатели.

🤑 Customers, или Buyers, Paying Users** — покупатели (Customers = Users × C1). Нам нужны именно уникальные покупатели, число людей.

💵 Average Price — средний чек (Revenue / Buyers). Эту метрику можно разбить далее на число товаров в корзине (icount) и среднюю стоимость (iprice) для того, чтобы отслеживать, как изменение этих параметров влияет на прибыль.

💸 COGS (Cost of Good Sold) — это затраты на проданные товары, что-то вроде себестоимости. Их можно разбить:

📌 COGS, % — затраты, которые зависят от цены продажи и относятся к единице продукции. Например, комиссия за электронную транзакцию, если она считается как процент к базе;
🧱COGS, vc — переменные затраты, которые не зависят от цены продажи, но относятся к единице продукции. Например, себестоимость сырья;
1️⃣ 1sCOGS — дополнительные затраты на осуществление первой (и последующих) покупок. Например, купон на скидку для новых клиентов. Эти затраты не зависят ни от цены, но относятся к единице продукции.
💻 COGS, fix — затраты, относимые к постоянным. Они не зависят ни от цены, ни от объема продаж. Например, расходы на продуктовую команду.

Часто постоянные затраты при расчетах unit-экономики относят к переменным, относя их к прогнозной базе привлеченных пользователей. Однако в этом случае становится некорректным анализ чувствительности — изменения прибыли в зависимости от числа пользователей. Т. к. изменение числа пользователей приведет к другому значению постоянных издержек, приведенных к единице продукции.

💲 Payments per 1 Buyer или APC (Average Payment Count) — число платежей, которые в среднем делает покупатель за период.

💰 Revenue — выручка. Это то, сколько денег мы получили до вычета наших расходов (Revenue = Customers x Average Price x APC)

💳 AC (Acquisition Costs) — стоимость привлечения, то есть маркетинговый бюджет на привлечение новых пользователей.

❤️ CPA (Cost Per Acquisition) или CPU (Cost Per User) — стоимость привлечения одного пользователя (CPA = AC / Users).

👍 CM (Contribution Margin) — маржинальная/валовая прибыль. Ее как раз и считаем, и на ее основании оцениваем эффективность модели.

Как посчитать Прибыль?

Очевидно, что CM — это разница между Revenue и затратами. Формула для выручки была выше. Из чего складываются затраты:

📌 COGS,% × Customers × Average Price × APC — затраты, которые мы несем с каждой единицей продукции и которые зависят от цены;
🧱 COGS, vc × Customers × APC — затраты, которые мы несем с каждой единицей продукции;
1️⃣ 1sCOGS × Customers — затраты, которые мы несем с каждым пользователем при первой покупке;
💻 COGS, fix — просто постоянные затраты. Важно, что COGS, fix стоит брать за тот же период, за который рассчитывается APC.
CPA × Users — затраты на привлечение, которые привяжем к пользователям.

В итоге получаем:

👍 CM = Customers × Average Price × APC — (COGS,% × Customers × Average Price × APC + COGS,vc × Customers × APC + 1sCOGS × Customers + COGS,fix + CPA × Users) (1)

или

👍 CM = Users × (C1 × (APC × (Average Price × (1 — COGS,%) — COGS,vc) — 1sCOGS) — CPA) — COGS,fix (2)

зеленым — то, что удается заработать c одного пользователя, назовем эту цифру прибыль с пользователя (AMPU — Average Margin Per User).

Какой вывод напрашивается: объем — король. В пределе бесконечное число пользователей при положительном AMPU может покрыть любые постоянные затраты. В жизни это, конечно, не так, поскольку с ростом базы пользователей увеличивается CPA; увеличивается штат продаж и поддержки, то есть COGS, fix.

Пример

У нас есть интернет-магазин со следующими показателями, отнесенными к одному месяцу. То есть в случае с APC предполагаем, что клиент успевает купить указанное число раз в течение месяца.

👨 Users = 20 000

➡️ С1 = 2,15%

💵 Average Price = 2 000 руб.

💲 APC = 1,6

📌 COGS,% = 10% от цены на налоги и эквайринг

🧱 COGS,vc = 900 руб.

1️⃣ 1sCOGS = 50 руб.

💻 COGS, fix = 300 000 руб. на зарплату персоналу

💳 AC = 250 000 руб.

Подставляем в формулу
👍 CM = 20 000 × (2,15% × (1,6 × (2 000 × (1 — 0,1) — 900) — 50) — 12,5) — 300 000 = 347 700 — 300 000 = 47 700 руб.

AMPU, то есть, сколько мы зарабатываем с одного пользователя с учетом всех затрат, кроме постоянных и затрат на привлечение:
AMPU = 2,15% × (1,6 × (2 000 × (1 — 0,1) — 900) — 50) = 29,89 руб.

AMPU (29,89) больше CPA (12,5 руб.), поэтому дальнейшее повышения числа пользователей при условии сохранения прежнего уровня постоянных затрат приведет к росту прибыли.

Проведем анализ чувствительности — как изменится CM, если изменить входные данные.

Сильнее всего в этом примере влияет Average Price. Так, ее снижение на 20% обрушивает экономику проекта к уровню — минус 200 тыс. руб. Практически не влияет изменение дополнительных затрат на совершение первой покупки — 1sCOGS.

Во всех ли примерах изменение Average Price будет оказывать наибольшее влияние, а изменение 1sCOGS — наименьшее? Нет. Все зависит от соотношения величин самих параметров.

Что влияет на Прибыль?

Вернемся к начальной формуле (1), заменив Customers = Users × C1:

👍 CM = Users × C1 × Average Price × APC — (COGS,% × Users × C1 × Average Price × APC + COGS,vc × Users × C1 × APC + 1sCOGS × Users × C1 + COGS,fix + CPA × Users) (3)

Как быстро понять, прибыльный у нас проект или нет? Очевидно, что через сравнение выручки и затрат. В случае CM = 0 выручка равна затратам. Давайте разделим обе части на Revenue = Users × C1 × Average Price × APC и обозначим CM1 = CM/Revenue. Тогда из (3) получим:

👍 CM1 = 1 — COGS, % — COGS,vc / Average Price — 1sCOGS / (Average Price × APC) — COGS,fix / Revenue — CPA / (Average Price × APC × C1) (4)

Каждое из слагаемых в правой части «откусывает» от нашей выручки свою долю, уменьшая прибыль. Не только каждое из слагаемых должно быть меньше единицы, но и сумма слагаемых с отрицательным знаком для положительной прибыли должна быть меньше единицы.

Перепишем (4) в виде (5):

CM1 = 1 — E — D — C — B — A (5),
где A-E соответствующие коэффициенты. Например, A = CPA / (Average Price × APC × C1).

Подставив числа, получим, что наши затраты «съедают» 97% выручки. Действительно, CM / Revenue у нас равно 3,5%. При этом половина — это 🧱 COGS, vc

Если вы знаете коэффициенты A-E, вы знаете, на чем вы теряете больше всего.

Калькулятор юнит-экономики

Калькулятор юнит-экономики, повторяющий расчет, описанный в статье, — https://docs.google.com/spreadsheets/d/1BRkUs4UInWWK2Etm_70vaFiqCBaMjktNitXEsbRbSXc/. Чтобы задать свои параметры, скопируйте его к себе на Google Drive.

Это все. А дальше?

А дальше — усиление расчетов unit-экономики благодаря когоротному анализу и применению метода к разным временным периодам. Когороты, действительно, дают лучшее представление, что происходит с бизнесом, и где надо срочно чинить.

Product Management 101

Fri, 17 Jan 2020 15:20:05 +0300

В университетах США есть традиция нумеровать курсы в пределах направления. Номер 101 — так часто обозначают вводный курс для новичков.

В статье перечислю перечислил то, из чего состоит управление продуктом (PM). Этот список не может быть одним общепринятым и полным. Воспринимайте его как набор терминов, отправную точку для дальнейшего исследования.

Часть 1. Жизненный цикл продукта (PLC)
Часть 2. Идеи (Ideas & User Needs)
Часть 3. Анализ конкурентов и рынка (Competitors & Market analysis)
Часть 4. Развитие на клиентах (Customer Development)
Часть 5. Эксперименты (Experiments) и Минимально жизнеспособный продукт (MVP)
Часть 6. Моделирование (Conceptualizing)
Часть 7. Метрики (Metrics)

По тексту есть ссылки на отдельные методы, подходы, фреймворки.

Даны термины на английском языке. Раньше я не любил включать иностранные слова в русскую речь. Но дело в том, что англоязычные эквиваленты как раз общеприняты. Если вы скажете user story, epic то и вы поймете, о чем речь, и ваш собеседник тоже. Русские эквиваленты (истории пользователей, эпики) не так однозначно понимаемы.

Часть 1. Жизненный цикл продукта (PLC)

Жизненный цикл продукта (Product Life Cycle, PLC)

PLC часто представлен как последовательность 4-х стадий. Каждая из стадий отличается своими особенностями с точки зрения развития продукта и его маркетинга.

1. Внедрение на рынок (Introduction): продвижение среди инноваторов, проверка конкурентных преимуществ, работа в минус.

2. Рост (Growth): рост за счет притока новых бесплатных пользователей, увеличение маржинальности, увеличение рекламных бюджетов и их ориентация на более широкую аудиторию.

3. Зрелость (Maturity): сокращение прироста, отстройка от конкурентов, рост стоимости новых потребителей.

4. Спад (Decline): сокращение продаж, прекращение работы или переход в нишевой сегмент.

Процесс разработки продукта (New Product Development, NPD)

NPD включает 7 стадий.

1. Задумка (Conceive). Это исследовательский этап, на котором собираются проблемы пользователей, а также идеи по их решению.

2. План (Plan / Research). Проводится исследование рынка и конкурентов, определяются гипотезы по параметру продукта, проводятся интервью пользователей.

3. Разработка (Develop / Execute). Записываются требования к продукту, таймлайн, пишутся user stories и технические спецификации. Итогом становится минимально жизнеспособный продукт (Minimal Viable Product, MVP).

4. Валидация (Iterate / Qualify / Validate). MVP проверяется на реальных пользователях и получение обратной связи от них. Разработка версии для бета- и альфа-тестирования.

5. Запуск (Launch). Разрабатывается стратегия Go-To-Market (GTM), объединяющая усилия разных служб (маркетинг, продажи, PR, финансисты, юристы) по представлению продукта пользователям.

6. Продажи (Steady State / Deliver / Post Launch). Продукт дорабатывается в соответствии с обратной связью пользователей, выводы делаются на основании метрик; работа маркетинга и продаж.

7. Maintain OR Kill / Retire. Принятие решение на основании данных о дальнейшей поддержке или закрытии продукта.

Часть 2. Идеи (Ideas & User Needs)

Сбор идей

Сбор идей происходит на разных стадиях развития продукта: в момент планирования, создания MVP, поддержки уже готового продукта. Распространенные источники идей собраны в аббревиатуру EMUC (Employees, Metrics, Users, Clients), то есть сотрудники, показатели, пользователи, клиенты.

?Отличие пользователей от клиентов в том, что пользователи непосредственно работают с продуктами (например, SMM-менеджер с агрегатором статистики), а клиент оплачивает использование продукта (руководитель отдела маркетинга). У этих двух категорий могут быть разные оценки продукта и идеи по улучшению.

Оценка идеи

Не все идеи достойны того, чтобы быть принятыми в работу. При анализе идеи полезно задать вопросы:
— А это на самом деле проблема?
— Не будет ли негативных побочных эффектов?
— Действительно ли идея решит потребность пользователя?

Оценка идеи 2

Альтернативный и дополняющий подход состоит в том, что хорошая идея приводит к одному или нескольким позитивным результатам:
— Рост числа пользователей
— Рост удовлетворенности пользователей
— Усиление бренда

Часть 3. Анализ конкурентов и рынка (Competitors & Market analysis)

Оценка рынка

Оценка рынка не обязательно должна быть точной, но хорошая оценка верно отражает порядок, а самое главное — динамику.

Объем рынка, на который выводится продукт, можно оценивать «сверху» (Top Down) и «снизу» (Bottom Up).

Оценка сверху отталкивается от расчета возможного спроса, емкости.

?Пример. Для оценки рынка мужской обуви в РФ можно идти от того, что мужчины составляют треть населения страны (50 млн чел.) и покупают новую пару раз в год — 50 млн пар обуви в год. Дальше можно уточнять по демографии, виду продукции и т. п.

Оценку снизу получают суммированием известных показателей участников рынка.

?Если в России работают пять производителей мужской обуви, каждый производит по 10 млн пар в год, то при условии нулевой внешней торговли и нулевых складских запасов получается та же оценка — 50 млн пар в год.

Поиск конкурентов

Если у вашего продукта нет конкурентов, то это признак того, что:
— нет спроса на продукт или сервис,
— анализ проведен недостаточно хорошо и вы искали только прямых конкурентов и забыли про косвенных, потенциальных и конкурентов с «продуктами-заменителями»;
— вы нашли свой голубой океан ?.

Кроме прямых (предлагают схожий продукт) на рынке могут быть следующие группы конкурентов:
— косвенные. Их продукт решает те же проблемы пользователей, но иным способом и/или для иной целевой аудитории;
— потенциальные. Работают с вашей целевой аудиторией, но решают другие проблемы... пока;
— конкуренты с продуктами-заменителями. Решают те же проблемы, но иным способом.

?Для нового сервиса каршеринга прямыми конкурентами будут Яндекс Драйв, Делимобиль; косвенными — службы такси, доставки городского транспорта.

Оценка конкурентов

Один из возможных подходов к оценке компаний-конкурентов:

— насколько хороша продуктовая команда;
— число пользователей;
— качество дизайна (в широком смысле, включая UX);
— бренд;
— скорость изменений.

По каждому параметру конкуренту присваивают оценку. Шкала может быть какой угодно (от 0 до 5, от 0 до 10 и т.д). Итоговая оценка — это сумма оценок по пяти параметрам.

Таблица свойств (Feature Table)

По аналогии с оценкой конкурентов оценивают их продукты. Это делают с помощью таблицы свойств (Feature Table). В таблице принято откладывать по горизонтали сравниваемые компании, по вертикали — сравниваемые свойства. На основании сравнения, задав веса свойствам можно получить суммарную оценку продуктов конкурентов.

Часть 4. Развитие на клиентах (Customer Development)

Концепцию Customer Development предложил Стив Бланк (S. Blank). Это подход к построению продукта, в соответствии с которым от клиентов и пользователей постоянно получается обратная связь: идеи, гипотезы, пожелания. Акцент именно на постоянном характере обратной связи.

В этом фреймворке разработка продукта, а скорее уже процесс создание стартапа на основе продукта, состоит из четырех циклов:
1. Исследование (Customer Discovery). Определить целевую аудиторию и понять важность решаемой задачи для них. Разработать сценарий MVP
2. Подтверждение (Customer Validation). Построение стандартного процесса продаж и первые продажи ранним адептам. Если модель не подтверждается деньгами, то возможен возврат на предыдущую стадию Исследования.
3. Создание (Customer Creation). Расширение бизнеса за счет увеличения рекламы, действия реферальных программ.
4. Построение (Company Building). Создание формализованной компании.

Виды интервью

Разделение на виды очень условно. В пределах одного интервью могут быть вопросы разного характера. Интервью до выпуска продукта (pre-product) серьезно отличаются от интервью после выпуска (post-product).

1.Исследовательское (Exploratory). Наиболее свободное по форме интервью: открытые вопросы для того, чтобы понять боли, контекст использования продукта, конкурирующие продукты и технологии и уйти с интервью с новыми идеями.

2. Подтверждающее (Validation). Целью является подтверждение или опровержение гипотезы. В ходе интервью нужно стараться объективно понять особенности поведения респондента, не подталкивая его к желаемому ответу. Озвучить решение проблемы можно в завершении, также важно получить объективную оценку.

3. Оценка удовлетворенности (Satisfaction oriented). В чем продукт хорош, а в чем плох.

4. Эффективность (Efficiency interview). Здесь обратная связь используется для изменения продукта с целью повышения выбранных показателей эффективности (с точки зрения бизнеса, клиентов)

Часть 5. Эксперименты (Experiments) и Минимально жизнеспособный продукт (MVP)

Термин MVP (Minimal Viable Product, MVP) был предложен Эриком Ризом (E.Ries) во фреймворке Lean Startup. MVP — это такая версия продукта, которая позволяет собрать максимальный объем данных от пользователей при минимальных затратах.

?Хорошая практика: за один MVP тестировать один функционал. Если одновременно тестируете несколько функционалов, нужно понимать, как эти тесты могут повлиять друг на друга.

Подготовка MVP состоит из семи шагов:

Шаг 1. Определить, в чем состоит боль/потребность потребителей.

Шаг 2. Зафиксировать принятые допущения.

Допущения удобно фиксировать в формате «Продукт будет успешен при условии, что... ». Например, «...при условии, что у моих потенциальных клиентов есть потребность x, за которую они готовы заплатить z, и при этом нет сильных альтернатив».

Допущения ранжируют по степени влияния на продукт, то есть, насколько велики будут отрицательные последствия для продукта в случае, если допущение окажется ложным. Обычно самое рисковое допущение — предположение о наличии потребности у потенциального клиента.

Второй измерение для ранжирования — сложность проверки допущения.

На основании комбинации риск-сложность определяют приоритет проверки допущений через MVP:
— Большой риск — Маленькие затраты
— Большой риск — Большие затраты
— Маленький риск — Маленькие затраты
— Маленький риск — Большие затраты (обычно не проверяют)

Шаг 3. Сформулировать гипотезы.

Для проверки в MVP допущения должны быть переведены на язык гипотез. Гипотеза — это письменно зафиксированное утверждение, которое можно подтвердить или опровергнуть результатами теста. Варианты формулировки гипотез (от худшего к лучшему):

a. Мы думаем, что (пользователь, цель) будут (ожидаемое действие), потому что (причина).
b. Если мы (действие), то это приведет к тому, что (пользователь, цель) будут (ожидаемое действие), потому что (причина).
с. Мы думаем, что (пользователь цель) имеют (боль, потребность), потому что (причина). Если мы (действие), это приведет к тому, что метрика (ожидаемое состояние).

Во всех случаях причины лучше описывать в терминах болей и потребностей; хуже — в терминах ценностей и преимуществ.

Шаг 4. Зафиксировать минимальный порог успеха (Minimal Criteria for Success, MCS).

10% результатов экспериментов носят однозначно бинарный характер: мы провели эксперимент и наша гипотеза однозначно подтвердилась или однозначно не подтвердилась.

В 90% случаев результат где-то посередине, поэтому нужно фиксировать MCS — рубеж, по достижению которого гипотеза будет считаться принятой.

Этот рубеж опирается на одну или несколько метрик. Как правило, в качестве MCS стараются выбирать такую точку, начиная с которой потенциальный доход превышает ожидаемые затраты на разработку.

Метрикой может быть процент пользователей, выполнивших действие, или соответствующих определенным условиям (провели в приложении столько-то времени, просмотрели столько-то страниц).

Шаг 5. Выбрать тип MVP-эксперимента.

Протестировать интерес пользователей в цифровой среде можно разными способами.

— Email-анонс. Разослать письма с анонсом нового функционала и собрать обратную связь
— Кнопка (Shadow Button). Разместить на сайте кнопку для доступа к новому функционалу и отслеживать клики. Клики могут переводить на страницу «Скоро».
— 404 / Скоро (Coming soon). При интересе пользователя и переходе пользователя на страницу нового функционала показывать сообщение о скором создании раздела.

? Так часто делает Amazon.

— Видео (Explainer video). В видео рассказать о новом функционале и выгодах для пользователя.

? Так стартовал Dropbox.

— Лендинг (Landing page). Аналогично видео, но рассказать о преимуществах функционала на отдельной странице.
— Консьерж (Concierge service). В случае интереса пользователя прикрепленный менеджер помогает пользователю выполнить те действия, которые потом будут реализованы в функционале.
— Частичный MVP (Piecemeal). Часть функциональности MVP закрывается с помощью существующих сервисов автоматизации, таких как Google Docs, Zapier и проч.
— Волшебник Изумрудного города (Wizard of Oz). Продукт притворяется, в то время как все действия новой функциональности выполняются вручную.

Типы MVP-экспериментов — подробное описание (скоро)

Шаг 6. Провести MVP-эксперимент.

Шаг 7. Подвести итоги и сделать выводы.

MVP возвращают численные результаты. Для этого в начале допущения переводили в форму гипотез. На их основании данных PM принимают решение о том, стоит ли делать тот или иной функционал.

?Хорошая практика: дополнить численные результаты качественными данными из интервью. Чтобы понять, почему пользователи сделали так, а не по-другому.

Часть 6. Моделирование (Conceptualizing)

Тут все несложно. Самое главное — принято различать три уровня моделей. Их лучше не путать.

Схема (Wireframe) — схематический рисунок, в котором картинки обозначаются перечеркнутыми прямоугольниками, рыбный текст, показано существование и размещение блоков. По мере обсуждения функционала команды уточняют схемы. Схемы обычно делает PM.

Как составить схему:
— нарисовать браузер;
— в браузере нарисовать лого и основное навигационное меню;
— понять цель страницы;
— выписать сценарии, которые пользователи проходят на странице;
— добавить на страницу элементы.

Мокап (Mockup) — схема в цвете. В мокапе уже фиксируются места элементов и добавляются элементы дизайна. Точность мокапа выше, чем у схемы.

Прототип (Prototype) — модель, цель которой показать, как пользователь будет взаимодействовать с продуктом. Это самая точная модель, после согласования идет на разработку.

?Взаимодействие с продуктом может быть показано уже на схеме.

Часть 7. Метрики (Metrics)

Метрики показывают, что происходит с продуктом, они свидетельствуют о достижении целей, а также дают базу для проведения экспериментов. Важные метрики входят в число KPI (Key Performance Indicator).

Метрики принято разделять:

— Метрики роста (Growth&Activation). Они показывают рост вашего продукта.
Примеры: число новых пользователей, их структура по источнику трафика, число активаций (пользователей, которые не только установили приложение, но и зарегистрировались и выполнили определенные действия).

— Метрики удержания (Retention). Показывают, как часто пользователи возвращаются к продукту.
Примеры: число пользователей ежедневно использующих продукт, восстановленные пользователи (не использовали некоторое время, но вернулись)

— Метрики вовлечения (Engagement). Показывают, насколько пользователи привязаны к продукту.
Примеры: среднее число визитов, проведенное время, страниц за сессию, число написанных постов или социальных действий.

— Метрики счастья (Happiness). Показывают удовлетворенность пользователей
Примеры: NPS, число жалоб, рейтинг в сторах.

— Денежные метрики (Revenue). Показывают, сколько продукт зарабатывает.
Примеры: LTV, стоимость привлечения новых пользователей, месячный постоянный доход (Monthly recurring revenue, MRR), годовой постоянный доход (Annual recurring revenue, ARR)

Метрики бывают:
— Исследовательские метрики (Exploratory). Показывают специфическую информацию, важную в определенный момент времени. Например, это метрики, связанные с экспериментами (стоимость привлечения и уровень вовлеченности в определенный раздел продукта). Список исследовательских метрик гибкий, он периодически обновляется.
— Отчетные метрики (Reporting). Стабильный список глобальных метрик, по которым из месяца в месяца оценивается динамика продукта.

? Хорошие отчетные метрики:
— понятны, однозначны;
— представляют собой относительную или среднюю величину, не абсолютны (пользователи за день, процент довольных пользователей и т. п.);
— не взаимосвязаны между собой (нет смысла одновременно мерить число визитов за день и за месяц);
— учитывают внешние факторы и их можно улучшить (бесполезно работать над длительностью сессии, если у характерного пользователя есть только 2 часа в день на работу с продуктом)
— относятся к «причинным» метрикам, реже следствиям. Причинная метрика — баланс калорий за день, следственная — изменение веса.

По фреймворку HEART работа над созданием метрик выглядит следующим образом:
— определяете, что хотите измерить. Например, денежные метрики (обычно одна из групп того или иного фреймворка);
— определяете цель, чего конкретно хотите добиться. Например, увеличить выручку и продавать больше;
— определяете сигналы; по сигналам можно определить, что цели достигаются. Увеличение числа заказов и рост выручки;
— определяете метрику. Метрика показывает, как измерить сигнал. Среднее число заказов в день на пользователя, средняя выручка за день.

? Пример: составить метрику, связанную с удовлетворенностью пользователей.
— Цель: обеспечить максимальную удовлетворенность от продукта и сервиса;
— Сигналы: рейтинг в сторе, оценки NPS.
— Метрики: динамика NPS к предыдущему месяцу; число оценок 10 при опросе NPS.

Часть 8. Создание продукта

Пирамида продукта

Части пирамиды продукта:
— Глобальное видение отрасли (Global vision) — живая картинка будущего отрасли;
— Видение компании (Company Vision) — место компании в будущем отрасли с учетом глобального видения;
— Цели (Goals) — видение компании, описанное метриками;
— Инициативы (Initiatives) — крупные направления, которые помогут достичь намеченных целей;
— Элементы бэклога (Product Backlog Items): Релизы (Releases) / Эпики (Epics) / Фичи (Features) / Темы (Themes) / Пользовательские истории (User Stories / Tasks) / Баги (Bugs). В описании Scrum задачи, связанные с разработкой продукта, называются элементами бэклога. Такой подход позволяет каждой команде по-своему создавать свою структуру задач и направлений. У кого-то это только эпики и истории, у кого-то релизы, фичи и истории. Однако большинство команд используют пользовательские истории.

Как писать User Stories

Спецификации

Спецификации пишут на крупные задачи (эпики). Их пишут простым языком, чтобы любой сотрудник мог понять их суть. Состав спецификации:

Введение. Во введении указывают:
- — какие фичи входят в эпик и почему решено их реализовать;
- — на какие метрики повлияют изменения;
- — ссылки на дополнительные документы;
- — согласование эпика с планом маркетинга, юридические тербования;
- — схемы.

Требования к продукту (Product requirements). Какие изменения должны произойти в продукте, чтобы эпик считался успешным.

Требования к дизайну (Design requirements). Специфические ограничения по дизайну: использование гайдов, UI-китов и т. п.

Требования к разработке (Engineer requirements). Что должно быть сделано с точки зрения бэкенда и фронтэнда.

Оценки

Оценки в IT сложно давать, поскольку каждая новая задача уникальна. Из SCRUM пришел подход, связанный с оценкой в условных и абстрактных единицах — очках (story point).

На покере планирования (planning poker) команда присваивает пользовательским историям оценку в очках. Со временем команда понимает, сколько очков она способна в среднем закрыть за один спринт. Допустим, вы знаете «скорость» разработки. С этим знанием вы сможете более уверенно набирать задачи на спринт в пределах этого объема, и у вас будет большая уверенность, что они будут выполнены.

Приоритеты

Некоторые способы расставить приоритеты пользовательским историям/фичам/эпиками.

1. «Допущения + Важность»
Метод похож на описанный в разделе про MVP способ расставить приоритеты допущениям. А именно мы закрываем первыми такие истории, которые позволяют проверить наиболее рисковые допущения и которые одновременно мы считаем важными для пользователей. Таким образом для каждой истории мы ставим оценку от 1 до 5 или 10 по критериям:

— насколько велик риск допущения, которое связано с историей. Напомню, что риск допущения — это насколько велики будут отрицательные последствия для продукта в случае, если допущение окажется ложным

? У нас осталось непроверенным допущение, что люди пожилого возраста будут пользоваться нашим облачным фотохранилищем. Мы рассчитываем на эту аудиторию, поэтому истории, в которой пользователь может использовать номер пенсионного удостоверения для скидки, дадим 10 баллов по допущениям

— насколько важна задача с точки зрения бизнеса, пользователей.

Суммируя две оценки получаем одно число. Чем оно выше, тем быстрее истории уходит в разработку.

2. BUC (Business, Users, Costs)
Метод также дает одну оценку. Она складыается из трех факторов, которые оцифровываются по любой шкале (1-5, 1-10):
— выгоды бизнеса: рост выручки, упрощение процессов, привлечение новых пользователей;
— выгоды пользователей: удобство использования, дополнительный функционал;
— затраты: насколько сложно историю закрыть.

В результате число получается сложением выгод и вычитанием затрат.

3. MOSCOW (Must, Should, Could, Would)
Этот метод впервые начали применять в 1994 году в Oracle. Истории распределяются по четырем корзинам:

обязательно нужно сделать. Если историю не закрыть, последствия могут быть значимыми негативными.
следует сделать. Не самые важные требования, но которые стоит закрыть после обязательных.
могли бы сделать. Желательные требования, которые сделаем, если останутся ресурсы.
можем и не делать. Требования зафиксированы, но можно их отложить на следующий спринт, поскольку они не повлияют серьезным образом на бизнес или пользователей.

Дьявол в графике

Tue, 31 Jul 2018 19:18:32 +0300

Все мы воспринимаем графику лучше, чем текст. Нам легче усвоить учебный материал, если он дан в форме схемы; мы гораздо быстрее понимаем диаграммы, чем их описание; инфографика правит миром.

Однако далеко не всегда выбранное графическое решение отражает реальное положение дел или мысль автора. Более того, с помощью графики можно эффективно манипулировать идеей, скрывать правду, обманывать конечного потребителя.

Классические примеры визуального обмана поражают своей простотой и находчивостью. Вот справа на картинке история успеха газеты New York Post, почти «догнавшей» по тиражу конкурента Daily News.

Выявить подобное жульничество сложнее, чем в тексте. Это обратная сторона легкости восприятия графики и повышенного доверия к ней. Потребителю легче принять трактовку автора, чем относиться к каждой цифре критически.

Разберем подробно один пример, показывающий влияние формы графики на передаваемый смысл.

Оригинал поста — в блоге Junk Charts, я привожу сокращенный пересказ

График был опубликован Reuters. Он показывает в динамике изменение процента женщин-руководителей в компаниях Fortune 500.

Рисунок 1. Процент женщин среди CEO быстро увеличивается

Как видно, используется всего два параметра: год, процент женщин-руководителей. Число компаний на протяжении всего период времени остается неизменным, поэтому процентное выражение идентично по динамике абсолютному, т. е. просто числу женщин-руководителей.

Неправда ли, эта компоновка — портретная ориентация, максимальное значение по шкале в последний год — заставляет в первую очередь, обратить внимание на значительный рост числа женщин-руководителей. Рост здесь — главная идея, которую автор, может быть, и не хотел передать, но передал.

Альтернативная мысль — число женщин по-прежнему крайне мало! — достигается при показе шкалы ординат полностью.

Рисунок 2. Процент женщин среди CEO по-прежнему мал

Шаг вперед, но и на пути к усложнению визуализации — это разнесение двух показателей: динамика отдельно, мысль о малом проценте — отдельно. Такой подход представлен на следующих диаграммах. Обратите внимание, что достигается преемственность цвета: процент, откладываемый на пай-диаграмме и в поле квадратов, явно ассоциируется с последним годом наблюдения благодаря выделению красным цветом.

Рисунок 3. Процент женщин среди CEO быстро растет, но по-прежнему мал

На правом рисунке примечательно то, что квадрат, соответствующий женщинам-руководителям, размещен в центре поля. Очевидно, автор хотел сравнить пропорции этого малого и общего квадратов. Однако в такой расстановке может создаться впечатление о давлении на женщин-руководителей со всех сторон или их исключительном «центральном» положении.

Наконец, революционный относительно предыдущих вариантов, подход — показать данные на графике с двумя осями. По левой оси отложено число женщин-руководителей в абсолютном выражении; по правой — то же, но в процентном выражении. Эквивалентность динамики этих двух показателей позволяет относить графики одновременно к обеим осям, что является необычным подходом.

Рисунок 4. Процент женщин руководителей растет, но не быстро, и он по-прежнему мал.

Такое отображение становится в оппозицию к другим вариантам: здесь очевиден весьма незначительный прирост числа и соответственно процента женщин-руководителей. В это же время другие графики, если и отвечают на вопрос о динамике, то склоняют читателя скорее к позитивной оценке.

Однако сходу последний вариант крайне сложно понять из-за его непривычности. Часто на подобных диаграммах проценты соответствуют относительному приросту, а не отображаемому показателю — в данном случае, проценту женщин-руководителей.

Таким образом, четыре графика — четыре разные мысли:

— процент женщин-руководителей быстро растет;
— процент женщин-руководителей по-прежнему мал;
— процент женщин-руководителей быстро растет, но по-прежнему мал;
— процент женщин руководителей растет, но не быстро, и он по-прежнему мал.

А ведь в данном случае работа ведется только с двумя показателями. Большее число показателей открывает поистине обширные горизонты для манипулирования фактами.

На мой взгляд, наиболее удачный вариант, точно описывающий и динамику, и текущее положение, — показан на третьем рисунке (вариант слева). А как вы считаете, какой вариант самый удачный? Можете предложить свой? Приходилось ли вам сталкиваться с подобными задачами на практике?

Какой не должна быть инфографика. Часть 1 — BARный кошмар

Tue, 31 Jul 2018 19:17:57 +0300

Когда дело доходит до таких вещей как сайты, графика, пользовательские интерфейсы и т. п. мы часто общаемся в терминах «нравится»/«не нравится». С инфографикой все очень похоже за одним исключением: инфографика должна передавать какой-то смысл, решать определенную задачу (сайты, интерфейсы, кстати, тоже). Чаще всего эта задача — дать быстрое понимание сложных фактов пользователю. Если она не решена — значит, и инфографика не совсем хороша. И это совсем не дело вкуса.

Мы начинаем собирать примеры того, какой инфографика не должна быть, и постараемся объяснить нашу точку зрения. Безусловно, встречные мнения приветствуются.

Проблема

Следующая иллюстрация была напечатана, правда уже достаточно давно, в одном из ведущих деловых изданий. Она показывает развитие сетей «Позитроника» и «Эксперт-Компьютерс» с помощью горизонтальной столбчатой диаграммы/горизонтального бара (bar chart).

Инфографика, очевидно, должна дать представление о следующем:

— показать, как выросли «Позитроника» и «Эксперт-Компьютерс» в 2007 году;
— сравнить, как они соотносятся между собой (по числу открытых магазинов).

Но дело сразу пошло не так: за очень редким исключением, нельзя на одной оси откладывать разные размерности. В данном случае это сделано с млн долларов и штуками.

Далее, совершенное буйство цветов, которое дополняется несоответствием пиктограммы на легенде (белая точка в середине) с изображением на графике.

На графике показатели чередуются: выручка с числом магазинов; это решение делает график окончательно нечитабельным.

Последним шагом на пути в бездну могло стать отображение информации в форме пай-диаграммы, но до этого, к счастью, дело не дошло.

Решение

Два шага к успеху: оставить шкалу только для одного показателя и перейти от абсолютного показателя (выручки) к относительному (средняя выручка с торговой точки).

Последнее нужно прокомментировать. Средняя выручка с магазина у сетей примерно одинакова и изменяется от 0,8 до 1,2 млн долл. в год (показатели неточные, определены «на глазок» по графику). Если бы она была идентичной, то динамика магазинов полностью бы совпадала с динамикой выручки. Но и в диапазоне 0,8-1,2 динамика мы добиваемся того же эффекта примерного соответствия динамики числа магазинов и выручки.

С помощью стандартных электронных таблиц, без привлечения дизайнера, можно получить следующую альтернативу. Здесь не хватает только легенды, что золотистый цвет относится к «Позитронике», а серый — к «Эксперт-Компьютерс».

В альтернативной версии также появляются подписи данных, число магазинов, средняя выручка, которые облегчают понимание. С помощью дизайна можно еще лучше подчеркнуть наиболее важные моменты на диаграмме, это только прототип.

Лирическое отступление

Кстати, линейные графики, состоящие только из двух периодов времени, на западе сейчас в тренде. Ту мысль, которую раньше показывали пай-диаграммой, а сегодня показывают горизонтальными барами, завтра, скорее всего, чаще будут показывать именно линейными графиками.

Пай-диаграмма

Горизонтальный бар

Линейный график

Впервые опубликовано: blog.datasense.ru/view/kakoi-ne-dolzhna-byt-infografika-chast-1, 7 августа 2015 года

Какой не должна быть инфографика. Часть 2 — Неожиданные примеры плохой визуализации

Tue, 31 Jul 2018 19:12:32 +0300

Хорхе Камоишь (Jorge Camoes) в своем блоге Excel Charts приводит примерынеудачной визуализации от вполне уважаемых авторов и изданий, которые могли бы справиться с задачей лучше. Примеры на португальском языке, но часто можно увидеть проблему и без понимания сути. Попробуем разобраться, в чем дело, а также предложить альтернативные решения.

Первый пример — представление барьеров, которые ограничивают португальскую экономику.

Здесь неудачно, в первую очередь, разделение графической части и легенды — проще было подписать названия категорий непосредственно рядом с шестеренками. Далее, сама форма шестеренки дает намек, что соседние барьеры каким-то образом связаны. Этот смысловой оттенок ввиду симметрических черт изображения, весьма сомнителен. Наконец, сходу непонятно: какой все-таки из барьеров основной для португальской экономики.

Второй пример — газета Publico и географически привязанные пай-чарты и столбчатые диаграммы.

В круговых диаграммах одна категория стабильно меньше 1% — возможно был смысл ее опустить. В целом, нужно либо упрощать графическую часть, либо не привязывать ее к карте страны.

Третий пример принадлежит Государственному совету по образованию Португалии.

График должен показать по годам распределение учебных заведений страны в зависимости от числа студентов. Всего сегментация по 2 категориям и выделяется 110 «ячеек». Насколько можно понять задумку автора, главная мысль — в последние годы увеличивается число крупных учебных заведений. Альтернативное решение для подобных задач — это групповые горизонтальные бары: например, можно попробовать нарисовать 10 баров по годам для каждой из групп учреждений по численности и выделить отмеченный тренд. Можно было также подумать об объединении некоторых сегментов по численности.

Последний пример — график от фонда FFMS — независимой организации, чья миссия заключается в объективном освещении ситуации в стране. Фонд опубликовал следующую визуализацию статистики адептов католической религии в Испании, Италии и Португалии по годам.

Подобное решение делает совершенно несравнимыми показатели отдельных лет по странам. Альтернатива аналогична предыдущему пункту — группы горизонтальных баров.

Впервые опубликовано: blog.datasense.ru/view/kakoi-ne-dolzhna-byt-infografika-chast-2, 2 ноября 2015 года

Инфографика как средство привлечения внимания к проблемам

Tue, 31 Jul 2018 19:00:29 +0300

Порой, для того, чтобы понять серьезность той или иной проблемы, необходимо видеть картину в целом. Так, мы периодически слышим об авариях на газопроводах, нефтепроводах, разливах нефтепродуктов. Однако при этом мало кто догадывается о реальных последствиях таких событиях. Инфографика — идеальный инструмент для того, чтобы дать полное понимание, обозначить масштаб, способствовать инициативам решить проблему.

Журнал Politico в апреле этого года опубликовал материал про аварии на трубопроводах в США. Цифры из статьи впечатляющие: аварии разной степени тяжести происходят в стране каждый день. За 13 лет они унесли жизни 199 человек, и пострадали еще 799 человек. Материальный ущерб только в 2014 году оценивается в 300 млн долл.

Иллюстрации для материала делала компания 5W Infographics. В работе были использованы сервисы Tableau и Illustrator. Tableau пригодился для того, чтобы оценить возможность визуализации большого массива данных.

Карту аварий дополняют иллюстрации, дающие понимание причин аварий, статистику человеческих жертв. Так, главная причина аварий — это отказ оборудования; число аварий по этой причине увеличилось к 2014 году на 60% по сравнению с минимальным уровнем в 2007 году. Вторая по распространенности причина — это коррозия труб.

Есть корреляция между числом проверок деятельности трубопроводных операторов и числом аварий. Также показано, насколько ничтожны штрафы за аварии (не более 2 млн долл. за каждый случай) по сравнению с наносимым материальным ущербом: в период 2002-2014 гг. суммарный ущерб составил 5,6 млрд долл. при том, что штрафов было собрано всего на 44,2 млн долл.

Впервые опубликовано: blog.datasense.ru/view/infografika-kak-sredstvo-privlecheniya-vnimaniya-k, 27 июля 2015 года

Инфографика: удачное представление результатов соцопросов

Tue, 31 Jul 2018 18:41:13 +0300

В инфографике большое мастерство — это, конечно, расставить акценты на статической картинке таким образом, чтобы читатель однозначно понял все сообщения автора.

Однако бывает, что данных и их измерений очень и очень много. Например, это результаты соцопроса.

В таких случаях отобразить удобным образом полученные знания весьма непросто. Замечательно, что тем не менее удачные решения существуют. И здесь отлично срабатывает интерактивность, дающая возможность в разное время отобразить тот или иной срез данных.

Этот пост вновь написан по мотивам поста, опубликованного в блоге Junk Charts Кайзера Фунга (Kaiser Fung). В нем речь пойдет об интерактивной визуализации результатов соцопроса. Опрос сравнивает отношение жителей Восточной и Западной Германии к социальным трендам, а также показывает динамику мнений в течение последних 25 лет, т. е. с момента воссоединения страны.

Как и в любом опросе респонденты были сегментированы, в данном случае — на 9 групп: по полу, уровеню образования (3 категории), возрастной группе (4 категории).

Можно ли одновременно отобразить на одном графике 20 временных трендов (9 групп и среднее отдельно по Восточной и Западной Германии)?

Можно! Вот, что сделали авторы из издания Zeit Online (кстати, у них очень хорошие примеры интерактивной инфографики). Это типовой интерфейс их инфографики; он демонстрирует результат ответа на один вопрос.

Вопрос анкеты звучал так: «Согласны ли Вы, что с точки зрения воспитания ребенка работающая мать более предпочтительный вариант, чем мать-домохозяйка?». График показывает число согласных (от 0 до 100%).

Толстые линии соответствуют средним значениям: синяя — среди жителей Восточной Германии; желтая — среди жителей Западной Германии. Разрыв в отношении к этому социальному явлению между двумя регионами значителен и со временем почти не сократился на фоне общего тренда поощрения работы матерей.

Каждая из тонких фоновых линий — это один из разрезов респондентов. Доступ к разделу происходит через кнопки в верхней части интерфейса. Вот результат выбора сегмента «Мужчины» (выбранный сегмент прорисован толстой серой линией).

Что не удивительно, в обоих регионах мужчины больше поощряют женский труд, чем население в среднем, и, следовательно, чем женщины. При этом с точки зрения временной динамики тренд этой группы практически полностью повторяет тренд среднего.

Обратите внимание, насколько «чистым» и простым выглядит интерфейс: хотя на нем практически отсутствуют подписи числовых значений (а они появляются только для выбранного сегментов), зритель сразу может охватить картину в целом.

Дополнительные преимущества этой работы:

— Результаты ответов на все вопросы представлены в едином стиле и зрители не тратят время на то, чтобы перенастроить свое восприятие инфографики на новые образы и закономерности.
— Справа предложен удобный навигационный инструмент для того, чтобы перемещаться между разными вопросами анкеты.

Компании, проводящие опросы, — примите на заметку! Datasense поможет Вам создать удобные и понятные интерактивные интерфейсы для представления сегментированных результатов Ваших опросов.

Впервые опубликовано: blog.datasense.ru/view/infografika-udachnoe-predstavlenie-rezultatov-sot, 10 июля 2015 года

Польза от тепловых карт

Tue, 31 Jul 2018 18:35:50 +0300

Существует много типов диаграмм и различных способов отображения данных. Одни из них традиционные и, если вы их используете, у вас очень много шансов быть верно понятыми без лишних усилий и комментариев. Другие встречаются заметно реже. Однако с ними часто сложно рассчитывать на «понимание по умолчанию». Тепловые карты (heatmap) относятся к последним. Тем не менее, они имеют свою область применения и там очень эффективны.

Недавно в газете Washington Post была опубликована точечная диаграмма. Каждая точка соответствует одному американскому городу, а ее положение — проценту белокожего населения (по горизонтальной оси абсцисс) и проценту белокожих полицейских (по вертикальной оси ординат). Цвет точек не имеет принципиального значения: синим цветом показаны те города, в которых процент белокожих полицейских больше процента белокожих жителей; серый соответственно, наоборот.

Проблема этого решения в том, что оно плохо отвечает на вопрос о плотности точек. Правый верхний угол: там сконцентрированы точки, и непонятно, сколько их. То есть: «Как много городов, в которых все полицейские белокожие (100% по ординате) и процент белокожего населения велик (70-100%)?». Эта проблема связана с излишней дисперсностью диаграммы: если какой-то показатель отличается у двух городов на 0,1% — это будут две, наезжающие друг на друга, точки.

Решение проблемы — использование тепловой карты (heatmap): обе оси делятся на 5%-е интервалы, составляя тем самым 400 квадратов. Цвет квадрата показывает, сколько городов относятся к соответствующему диапазону.

Теперь, конечно, не увидеть каждый город, но возникает общее понимание ситуации, в том числе ясно, что концентрация показателей в правом верхнем углу значительна. В бледно-желтых квадратах — от 1 до 5 городов. Именно этот масштаб пока не дает полного представления, поскольку каждый пятый город имеет только белокожих полицейских.

Обратимся к содержанию статьи, которую иллюстрировала точечная диаграмма. Она посвящена резонансному для США событию: 4 апреля 2015 года в городе Норт-Чарлстон (Южная Каролина) белокожий полицейский из соображений самообороны застрелил чернокожего нарушителя. В Норт-Чарлстоне имеет место расовый дисбаланс: от общего числа жителей чернокожие занимают больше половины, однако среди полицейских преобладают белокожие (более 80%).

Это знание позволяет упростить диаграмму. Предположим, что в городах с большой долей белокожих в полиции (100%) расовый момент неприменим. Удалим соответствующие точки из выборки. Получается уточненная картина, дающая хороший вывод, — есть прямая корреляция между процентом белокожего населения и полицейских. Увеличивая масштаб по каждой из сторон клетки с 5% до 10%, получим следующий вид, отражающий прямую зависимость двух показателей.

Какие выводы можно сделать из данных Washington Post:

Наблюдается определенная тенденция: процент белокожих полицейских выше процента белокожих жителей в населенных пунктах. При этом, конечно, есть исключения.
Почти в каждом пятом городе полицейская служба состоит только из белокожих (на графике эти города не представлены).
Стоит обратить внимание на города, которые сильно отстоят от среднего значения, т. е. в которых процент белокожих полицейских несравнимо выше процента белокожего населения и наоборот.

Еще один вывод: в некоторых случаях исключение отдельных сегментов данных (здесь — городов со 100%-й белокожей полицейской службой) не только не портит картину, но и дает ее лучшее понимание.

Пост основан на публикации в блоге Junk Charts.

Впервые опубликовано: blog.datasense.ru/view/polza-ot-teplovih-kart, 27 апреля 2015 года

Конкурсы по Data-mining

Tue, 31 Jul 2018 18:25:46 +0300

Область интеллектуального анализа данных, как никакая другая, способствует проведению открытых профессиональных конкурсов.

Для авторов задач это способ не только получить решение своей проблемы, но провести очень красивую PR- и HR-кампанию. Кампанию не для всех, но очень весомую для разбирающейся публики. Здорово, что этот инструмент опробуют и российские компании — Яndex, Wikimart.

Для участников — это лишний способ опробовать алгоритмы на больших, действительно больших массивах данных. И, что самое примечательное, — быть полезным, то есть предложить свое решение для реально существующей проблемы.

Недаром конкурсы по Data Mining (DM) стартовали с социальных задач. В последние годы, конечно, явно преобладают коммерческие запросы. И соответствующие призовые фонды.

Конкурсные задания обычно основаны на задачах классификации или регрессии. Намного реже речь идет о кластеризации, анализе последовательностей.

Для решения задачи участникам предоставляются два массива. Один, большой, массив — это данные для обучения алгоритма. Второй, поменьше, — для тестирования. Собственно, результат применения алгоритма на тестовом массиве и является решением.

Ниже привожу обзор наиболее значимых и регулярных событий в области DM. Помимо этого, существует большой список конкурсов и испытаний, которые организуются в образовательных целях. Так, например, компания SAS проводит конкурсы совместно с Университетом Технологии Сиднея UTS; свою программу имеет Microsoft.

KDD Cup — от родоначальников темы

Первый KDD Cup был проведен в 1997 году. Событие было организовано сообществом со сложным названием ACM SIGKDD (Special Interest Group on Knowledge Disovery and Data Mining), по факту являющимся наиболее известным объединением профессионалов в области машинного обучения.

В первый год участникам было предложено оказать содействие организации Paralyzed Veterans of America (PVA). Организация обладает более чем 13 миллионной базой жертвователей в США. Задачей участников было предсказание факта пожертвования конкретным жертвователем. Эта информация использовалась для оптимизации адресной рассылки.

Первые два года победителем становилась американская компания Urban Science Applications с ПО GainSmarts. В 1998 году ей удалось даже обогнать признанного лидера отрасли — SAS Institute. Сегодня компания Urban Science поставляет решения и консалтинговые услуги практически для всех компаний автомобильной отрасли в 70 странах мира.

Примечательно, что уже в 2000 году на KDD Cup в качестве объекта была выбрана база данных посещений веб-сайта. И задачи были связаны с анализом последовательности (сиквенциальным анализом).

Netflix Prize — отнюдь не первый, но самый значимый

Если в области конкурсов по Data Mining ввести индекс цитирования, то конкурс от американского прокатчика фильмов Netflix в 2007-2009 году, я уверен, был бы абсолютным лидером. И выделялся он из общего ряда потрясающим бюджетом в $1,000,000.

Участникам марафона предлагалось улучшить алгоритм Cinematch фирмы Netflix. Этот алгоритм прогнозировал оценку, которую поставит пользователь тому или иному фильму по пятибалльной шкале. Среднеквадратическое отклонение алгоритма Cinematch на тренировочной выборке составило 0,95; участникам предстояло улучшить данный показатель на 10%. Главный приз предполагалось выплатить только при достижении одной из команд данного уровня.

В итоге на третьем году конкурса добиться требуемого уровня СКО удалось команде BellKor’s Pragmatic Chaos, составленной из участников изначально трех независимых команд.

Head Health Challenge — на порядок круче Netflix

На порядок круче с точки зрения денежного фонда соревнования, который составил $20,000,000. Спонсорами конкурса выступают General Electric, Under Armour, а также североамериканская лига американского футбола NFL.

Миссия конкурса — научиться лучше понимать последствия черепно-мозговых травм и вовремя диагностировать опасные последствия. К сожалению, тема таких травм очень критична для американского футбола.

Head Health Challenge начался в марте 2013 года, и его соревновательная завершилась в феврале 2014 года. Вручение наград запланировано на сентябрь 2014 года.

KAGGLE — самая популярная платформа

KAGGLE — платформа, созданная в 2010 году австралийским математиком Энтони Голдблумом (Anthony Goldbloom) для проведения конкурсов в области интеллектуального анализа данных.

На начало 2014 года в проекте зарегистрировано почти 150 тыс. исследователей из разных стран мира, из которых более 10 тыс. имеют рейтинговые очки (приняли активное индивидуальное участие или в составе группы в одном из конкурсов).

С момента создания было проведено 130 конкурсов, часть из которых являются «закрытыми», т. е. доступны только для участников с максимальным рейтингом. Часть конкурсов не имеют призового фонда, в некоторых случаях он символический. Призовой фонд семи конкурсов превышает $100,000, в том числе: от страховой компании Heritage Provider Network, четыре конкурса от General Electric, два — от фонда Hewlett Foundation.

В январе 2014 года на сайте был подведен итог конкурса от Яндекса с призовым фондом в $9,000. Целью конкурса был алгоритм ранжирования документов с учетом пользовательских предпочтений, как исторических, так и относящихся к конкретной поисковой сессии.

Олимпиада Wikimart — пионеры в России

В 2013 году был проведен первый конкурс DM центром онлайн-торговли Wikimart.

Конкурс состоял из трех задач, имеющих практическое приложение к деятельности сайта: участникам предлагалось спрогнозировать обращение в колл-центр, предсказать вероятность отказа от созданного заказа и ухода посетителя с сайта.

В конкурсе приняли участие около 50 человек.

Другие конкурсы

— TunedIT (www.tunedit.org/challenges) — международная платформа конкурсов в области DM.
— Cybersecurity Data Mining Competition, CDMC (www.csmining.org/cdmc2013/) — международный конкурс по DM в области информационной безопасности.
— Large Scale Hierarchical Text Classification (www.lshtc.iit.demokritos.gr/) — конкурс в области Text Mining.
— DataDigger (www.ithouse.by/?page_id=6303&sub=1) — конкурс DM в Беларуси.

Знаете другие конкурсы? Пожалуйста, поделитесь ссылкой на них в комментариях, и я их добавлю в статью.

Один из характерных признаков в области DM — их демократичность. Принять в них участие может любой зарегистрировавшийся пользователь. Во многих случаях данные для анализа доступны даже после подведения официальных итогов.

Так что пробовать уже можно сегодня :)

Впервые опубликовано: blog.datasense.ru/view/konkursy-po-data-mining, в 2014 году

Анализируйте, а не предоставляйте данные

Tue, 31 Jul 2018 17:34:24 +0300

Сегодня данные не только не радуют их пользователей, но и наводят уныние.

Век информационных технологий открывает для бизнеса огромные возможности. Big-big data. Любой маркетолог из 60-х позавидовал бы, узнав какие данные о клиентах доступны сегодня, как легко получить к ним доступ, хранить, обрабатывать.

А что мы обычно имеем на выходе работы с данными? Цифры, которые не позволяют ни получить понимание ситуации, ни принять какое-либо решение.

Это разочаровывающий, депрессивный итог, особенно если посмотреть на ресурсы, потраченные на работу с данными.

Дата-депрессия началась не вчера. Еще во времена первого фильма о «Терминаторе» об этом явлении писал Джон Нейсбитт (John Naisbitt) в суперкниге «Мегатренды».

Джон Нейсбитт: «Мы тонем в информации, но испытываем голод по знанию»

За тридцать лет немногое изменилось. Не правда ли?

Применительно к данным, проблема информация-знания синонимична проблеме отчетность-аналитика.

Чем отличается аналитика от отчетности? В аналитике, кроме данных, дается понимание, инсайт, оценка; в отчетности — простая констатация фактов.

Чем отличается статистика от дата-майнинга? Тем же самым.

К вам приходит коллега и говорит, что выручка и прибыль компании в прошлом году выросли в два раза. Что стоит за этой фразой?

Во-первых, это некоторое усилие по сбору данных.

Во-вторых, простейшие математические операции, сравнение с предыдущим годом и собственно отчетность. На этот раз в словесной форме.

Полезна ли такая информация? Да, безусловно. Особенно, если коллега — бухгалтер, и была поставлена задача получить две цифры: приросты по выручке и прибыли.

С точки зрения аналитики — это слабая попытка. Так как отсутствует инсайт.

Как воспринимать рост в два раза? Это позитивная или негативная новость? Какие еще есть важные замечания и нюансы?

Почва для подобных выводов — это вопросы, позволяющие установить контекст. В данном конкретном случае такими вопросами могут быть:

— как компания росла в предыдущие годы, и как растут конкуренты;
— как соотносятся эти два финансовых показателя с другими финансовыми KPI;
— за счет чего были достигнуты эти результаты, и вписываются ли они в общую стратегию компании.

Простейший способ перевести отчетность в аналитику, это добавить: «Мы выросли в два раза по выручке и прибыли, и ... с учетом конъюнктуры я считаю это хорошим результатом».

Как бы по-детски ни звучало — «хороший результат», это уточнение переводит работу на качественно новый уровень. Уровень аналитики.

Итак, три этапа: сбор данных — отчетность — аналитика.

Из известных мне авторов первым в завершенном формате подобный подход предложил Авинаш Кошик (Avinash Kaushik), гуру веб-аналитики, а в последнее время — и большой специалист в области digital-маркетинга.

В терминах Авинаша три этапа выглядят как DC-DR-DA (data collection, data reporting, data analysis). Аналитика, конечно, наиболее важный этап, на который он рекомендует тратить 65% бюджетов и сил. На DC и DR — 15% и 20% соответственно.

Почему так? Потому что сбор и отчетность требуют минимального погружения в бизнес. Сданная только отчетность означает, что задача анализа перевешивается на заказчика. Ему самому нужно погружаться в тему, выявлять инсайт. И на это он потратит гораздо более 65% бюджета.

Вот интересная сводная таблица от Авинаша, которая показывает его видение рынка консалтинга в области веб-аналитики в разрезе этапов DC-DR-DA.

Источник

Сделать хорошую аналитику в отрыве от контекста невозможно. Однако именно аналитика является панацеей от дата-депрессии. И для исполнителя, получающего удовлетворение от своей работы, и для клиента, получающего видение за пределами цифр.

Мы в Datasense верим в аналитику. Аналитика данных, интеллектуальный анализ, требующий понимания и погружения в бизнес клиента, — наша специализация.

Как итог.

Из опасения утонуть сегодня многие предпочитают вообще не заходить в океан данных. В принципе не собирают данные, или собирают и их игнорируют. Второе еще более преступно, чем первое.

Но в любом случае, это слабая позиция. Мы все способны на гораздо большее.

Простой шаг — попробуйте внести в отчеты немного аналитики, вашего видения, инсайта. Не важно, что это за отчет, и какие в нем данные: показатели производства, продаж, посещения сайта, затраты на рекламу... Продвиньтесь от унылых: «было выпущено X единиц, что на Y больше прошлого периода, в средний ежегодный прирост за Z лет — А%».

Оцените их. Наполните смыслом свою работу. И для себя, и для потребителя ваших данных.

Насколько серьезна дата-депрессия? Как из нее выйти? Что предпочитают ваши руководители: отчетность или аналитику? Если есть добавления, возражения; хотите поделиться своим опытом и соображениями, добро пожаловать в «Комментарии».

Впервые опубликовано: здесь, в 2014 году

Доступность — главный враг данных

Tue, 31 Jul 2018 17:19:21 +0300

Данные — они везде. Продажи, закупки, посетители на сайте, характеристики процессов... Я могу продолжать и продолжать этот список.

Парадокс, но чем более доступны данные, тем их хуже анализируют. Доступность и очень близкий в данном контексте синоним — открытость, девальвируют ценность данных.

Как с этим бороться? В конце поста я приведу три рекомендации по работе с доступными данными.

Вот первый пример. Возьмем любую систему веб-статистики. Google Analytics, Яндекс Метрика, Liveinternet и другие дают пользователям десятки уже готовых отчетов. Эти возможности дополнены еще функционалом создания индивидуальных отчетов, разрезов (сегментов), настраивания целей. «Вау, возможности безграничны!», — думает каждый новый владелец аккаунта.

И что же получаем на выходе?

Обычно — многостраничные отчеты с графиками и расчетами, которые не дают понимания глубинных причин взаимосвязей.

Второй пример — открытые данные статистических служб мира. По моему опыту работы в нашей исследовательской компании Research.Techart, отношение аналитиков (людей, выполняющих анализ данных) к этим данным двойственно.

[Конечно, к любой государственной статистике, тем более Росстата, стоит относиться весьма критически. Например, китайская служба выдает со статистически неправдоподобной частотой «круглые» показатели с нулем и пятью десятыми в дробной части].

В начале работы над новой темой официальные данные часто помогают определить направления для дальнейшего исследования.Потом им в отчете уделяется весьма скромное место. Обычно все сводится к трансляции простейших таблиц и выборок. И логика здесь простая: эти данные открыты и доступны. Значит для покупателя и заказчика они не представляют большую ценность. Но за этими цифрами стоит большой труд по переписи людей, предприятий и организаций, их характеристик.

Почему доступность данных и качество их анализа имеют отрицательную корреляцию?

По моему опыту, здесь есть две основные причины.

Эйфория от доступа к большому массиву данных. Обычная реакция аналитика на большой массив — начинать с ним разбираться, делать выборки, выявлять доступные значения и их разброс, создавать новые поля.

Все мы любим «поиграть» с данными, неправда ли?

Только в одном из десяти случаев аналитик сначала досконально разберется с тем, что же означают приводимые показатели, каковы их взаимосвязями и как они были получены. Еще в одном случае из десяти он это сделает впоследствии. В остальных случаях обращение к мануалу происходит по мере необходимости. Т. е. по мере выявления ошибок в расчетах, отчетах.

Отсутствие четких целей. Когда аналитик сам скрупулезно собирает по зернам данные... Или, конечно, просит кого-то это сделать :)... В любом случае он, во-первых, хорошо понимает их глубинную сущность и всевозможные оговорки. Во-вторых, он часто имеет представление, как эти данные будут использоваться.

Собирать данные без понимания их последующего использования — это особая тема и особое преступление перед своей компанией. Собирать данные для архива, чтобы сделать один отчет, «чтобы было». Настаиваю, что каждая из этих формулировок по-своему преступна. Услышав ее, сделайте все, что в ваших силах, чтобы остановить бесцельную трату времени на сбор данных. Они вряд ли принесут пользу в будущем.

Доступные данные — это изначально данные, собранные без твоего участия, и без учета твоих целей! Поэтому они не настолько бесплатны — ты должен заплатить временем и усилием для того, чтобы их понять.

3 совета по работе с доступными данными

##1. Не подстраивайте свои цели под доступные данные
Если вы уже задали хорошие и правильные бизнес-вопросы к данным, не стоит их ослаблять только по той причине, что нет таких доступных данных. Очень часто намного больший эффект даст сохранение вопроса и дополнительные инвестиции в модификацию данных.

Например, ни одна из систем веб-статистики не умеет работать с концепцией жизненной ценности клиента (Lifetime value, LTV). Не умеет, и вряд ли в ближайшем будущем научится с достаточной степенью достоверности.

Допустим, ваша компания уже готова к этой трансформации мышления и переходу на LTV. Это само по себе похвально, и наверняка вы вот-вот победите всех своих конкурентов. Отказываться от LTV лишь потому, что Яндекс.Метрика или Google Analytics не умеют с ним работать, очень глупо.

Так зачем же ставить себя в зависимость от состава доступных в других случаях? Правильно, не стоит.

2. Разберитесь последовательно со значениями всех показателей

У вас есть 50, 100, 500 различных показателей, вы видите данные впервые. Какими бы ни казались однозначными, простыми, интуитивно понятными показатели, потратьте 30 минут и прочитайте сопровождающее описание. Эти полчаса на периоде работ в дни, недели и месяца позволят вам сэкономить уйму времени.

Не ставьте перед собой цель запомнить все!

Описания содержат какую-либо понятную структуру. Речь, конечно, про хорошие описания. Так вот, ознакомьтесь с этой структурой, чтобы для начала хотя бы знать, где что искать.

3. Уделите время поиску описания кейсов использования данных

Данные доступны, и, скорее всего, вы не первый, кто работает с ними! Наверное, в интернете уже вас ждут красивые и содержательные истории успеха других сотрудников и пока не знакомых вам людей.

Следуя этим трем простым советам, вы избавите себя от многих проблем и ограничений, связанных с доступными данными.

Были ли полезны эти советы? Можете что-то добавить? Есть истории успеха в работе с доступными данными?

Жду ваших комментариев. Спасибо за уделенное прочтению поста время.

Впервые опубликовано: blog.datasense.ru/view/Dostupnost-glavnyj-vrag-dannyh, в 2014 году

Супер Боул 2015. Сравниваем команды

Tue, 31 Jul 2018 16:36:46 +0300

1 февраля (утром 2 февраля по московскому времени) в Глендейле, Аризона состоится очередная игра Супер Боул. Это финальная игра сезона Национальной футбольной лиги США. В этом году звание чемпиона будут оспаривать победитель прошлого года, команда «Сиэтл Сихокс» («Ястребы») и «Нью-Ингленд Пэтриотс» («Патриоты»).

Супер Боул — это не только матч, красочное шоу и почти национальный праздник в США. Это еще и большой тотализатор. В этом году в букмекерских казино штата Невада, а это единственные легальные пункты приема ставок на игру, было поставлено в сумме около 100 миллионов долларов. Ресурс Bettingexpert оценивает объем нелегальных ставок в четыре миллиарда долларов.

Игроки на ставках при выборе своего фаворита руководствуются различными соображениями. Одни полагаются на интуицию, вторые читают все сообщения про форму команд. Третьи используют подход, основанный на данных.

В круг сторонников дата-подхода входит и Шираз Азиф (Shiraz Asif). В статье Шираз предлагает алгоритм, позволяющий сравнить характеристики команд-финалистов. Хотя подход автора намного более простой по сравнению с алгоритмами главных героев фильма Moneyball, он имеет хорошие шансы на успех из-за особенностей американского футбола. Также в статье показывается пример работы с облачным сервисом BigQuery от Google.

Прогноз на игру состоит из трех этапов:

C сайта ESPN выгружается статистика команд в сезоне 2014-2015 года. Она состоит из трех файлов: статистика нападения, статистика защиты и дополнительных показателей. Игра в нападении и защите характеризуется четырьмя парами показателей. Каждая пара состоит из показателя за сезон и среднего за игру. Эти пары:
— пройденные ярды;
— дальность выполненных передач;
— пронесенные ярды (игрок пробегает дистанцию с мячом в руках);
— набранные за игру очки;
— плюс два специальных показателя — забитые и пропущенные полевые (удар наносится ногой с места или с полулета) голы.

Данные загружаются в BigQuery. Это можно сделать тремя разными способами. Наиболее доступный и демократичный из них — прямая загрузка файла в формате CSV/JSON.

В BigQuery работа с данными аналогична SQL. Например, чтобы вывести список команд, отсортированный по общей сумме ярдов, пройденных в нападении, нужно выполнить запрос

SELECT team, yds FROM [superbowl2015.offense] order by yds DESC

Выполним следующий запрос.

SELECT team,
      rank() OVER (ORDER BY yds DESC) rk_yds,
      rank() OVER (ORDER BY yds_g DESC) rk_yds_g,
      rank() OVER (ORDER BY pass DESC) rk_pass,
      rank() OVER (ORDER BY pass DESC) rk_p_yds_g,
      rank() OVER (ORDER BY pass DESC) rk_rush,
      rank() OVER (ORDER BY pass DESC) rk_r_yds_g,
      rank() OVER (ORDER BY pass DESC) rk_pts,
      rank() OVER (ORDER BY pass DESC) rk_pts_g,
      FROM [superbowl2015.offense] WHERE
      team='Seattle' or team='New England' LIMIT 1000

Его результат.

По шести показателям из восьми в нападении Патриоты опережают Ястребов. Если убрать по одному избыточному показателю из каждой пары показателей, можно сказать, что это раунд Ястребы выигрывают со счетом 3 балла против 1.

Результат аналогичного запроса для анализа защитных характеристик: 0:4 в пользу Ястребов.

По двум специальным показателям счет оказался 1:2 опять же в пользу Ястребов (в сумме получается три, поскольку один из показателей у команд идентичен, и в этом случае каждой из них был присвоен один балл).

Простым сложением всех баллов автор получил результат 4:7 за Ястребов. Довольно убедительная победа. Этот результат соотносится с распространенным мнением, что в американском футболе выигрывает команда с лучшей защитой.

В букмекерских конторах шансы команд оцениваются почти как равные, и коэффициенты на победу каждой из команд близки к двум.

Подводя итог этому нехитрому анализу, автор задает вопрос, достаточны ли эти данные для точного предсказания победителя? Нет. Как и в бизнесе, полученные результаты нужно рассматривать как сигнал, определенный фон и направление для действий. Системы принятия решений, жестко основанные только на данных, обречены. Равно как и компании, которые их не анализируют. Наиболее успешный подход — рассматривать результаты как хорошее дополнение для собственных идей и видения.

Возвращаясь к матчу, фаворитом мы будем считать Ястребов. А как все получится на самом деле, мы увидим уже завтра.

Впервые опубликовано blog.datasense.ru/view/super-boul-2015-sravnivaem-komandy, 30 января 2015 года

Как построить интернет-маркетинг шаг за шагом?

Tue, 31 Jul 2018 15:08:11 +0300

Вы не разбираетесь в современном интернет-маркетинге? Только делаете первые шаги? Или уже работаете в отрасли, но не хватает системы? Тогда этот пост для вас.

Сразу предупреждаю, что этот пост не научит вас строить интернет-маркетинг. Как и любой другой пост. Этому нельзя научиться, прочитав пять, десять, сто статей и книг. Нужна практика. За рамками остаются целеполагание, разработка стратегии, медиапланирование, применение отдельных инструментов. Не говоря об организационных вопросах, таких как взаимодействие с подрядчиками.

Чем же он тогда будет полезным? Он продвигает одну очень простую мысль — нельзя браться за все сразу и нужно уметь концентрироваться на главном в текущий момент. Главное в разные моменты времени — разное. В посте будет показано, в какой последовательности и на чем стоит концентрироваться при построении и — что не менее важно — при трансформации диджитал-маркетинга и веб-аналитики.

Пост представляет собой вольный перевод поста Digital Marketing And Analytics: Two Ladders For Magnificent Success. Его автор, Авинаш Кошик (Avinash Kaushik), евангелист Google в области диджитал-маркетинга и самый известный в мире специалист по веб-аналитике.

На мой взгляд, эта статья одна из главных у Авинаша, поскольку систематизирует другие знания, на которые по тексту будут ссылки.

И это тот случай, когда 1% усилий дает 80% понимания.

НЕ БЕРИТЕСЬ ЗА ВСЕ СРАЗУ

В любом деле один из главных секретов успеха — концентрация на том, что является главным в текущий момент.

Помните Ленина: заключить мир с Германией любой ценой, «все на Колчака!», «все на Деникина!»?

При построении диджитал-маркетинга работают все те же правила: если делаете его с нуля, последовательно концентрируйтесь на отдельных задачах и инструментах. Побежите сразу за всеми зайцами — ни одного не поймаете.

В терминах Авинаша — не стоит задумывать Тадж-Махал, когда у вас не работает туалет; разберитесь сначала с базовыми проблемами! И таким образом, хороший план — это последовательность действий: сделай это, сделай то; убедись, что все хорошо в третьем; сделай четвертое.

Такой подход сложно продать: клиент всегда хочет все и сразу. Но «все и сразу» —верный путь к неудаче. У неудачи разные лица, наиболее часто — неэффективно потраченные деньги.

Хороший подход к построению маркетинг-микса — это эволюционное выстраивание «Лестницы к великолепию» (Ladder of awesomeness). Именно ladder (приставная лестница, стремянка), а не stairway (статичная лестница).

Потому что по стремянке быстрее взбираться и ее легко переносить от компании к компании.

Поддерживает лестницу в диджитал-маркетинге вторая лестница — лестница к великолепию в веб-аналитике. Веб-аналитика дает понимание, правильно ли вы движетесь. Стоит ли переходить на следующую ступеньку, или на текущей есть поле для работы.

Ниже последовательно о двух лестницах.

ЛЕСТНИЦА К ВЕЛИКОЛЕПИЮ В ДИДЖИТАЛ-МАРКЕТИНГЕ

В диджитал-маркетинге лестница выглядит следующим образом.

Лестница к великолепию в диджитал-маркетинге по Авинашу Кошику

Конечно, не бывает одной универсальной лестницы, которая оптимальна для всех типов бизнеса и на все времена. Эту статью Авинаш написал в 2013 году, за три года маркетинг-микс изменился.

Перепрыгивать через ступеньки и менять их местами, конечно, можно. Но если вы займетесь, например, сквозной аналитикой (восьмая ступень) до того, как ваш сайт будет нормально отображаться на планшетах и мобильных (вторая ступень), из этого ничего хорошего не выйдет: ваши потери будут намного выше приобретений.

Далее некоторые моменты концепции контринтуитивны. Например, брендовые кампании в контексте идут сначала, а сбор теплого спроса по продающим запросам — одна из последних ступеней. Здесь, очевидно, Авинаш делает ставку на игру вдолгую, построение бренда. Это не про двухходовочку «сделать лендинг и лить рекламу».

Однако стоит помнить, что самое главное здесь — это базовый принцип построения или трансформации маркетинга — «концентрируйтесь последовательно на разных маркетинговых инструментах». И он кажется вечным.

По Кошику, диджитал-лестница состоит из следующих ступеней.

1. Нормальный сайт, SEO

Не заказываете суперсайт у модной студии, которая будет его делать год. Сайт нужен быстро и он должен быть нормальным, обычным, с предсказуемыми для пользователя структурой и поведением.

Вложитесь в контент и SEO. Это именно та база, которая при неудачах на всех остальных ступенях останется вашим гарантом стабильности.

2. Мобайл-френдли

В 2016 году первые две ступени уже можно поменять местами или объединить в одну. Сделайте принцип Mobile-first своим лозунгом, адаптируйте сайт и инструменты.

После второй ступени у вас есть сайт, он хорошо отображается на планшетах и мобильных телефонах (хотя бы приемлемо). Вы получаете небольшие объемы бесплатного трафика из поисковых систем, с порталов, досок объявлений и проч.

3. Email, брендовая реклама в поисковиках

Третья ступень — время инвестировать в отношения с клиентами. Мы постепенно переходим от задачи «привлечения» к задачам «конверсии» (продажам или целевым действиям) и «удержания» (повторным продажам).

Email-маркетингом вы создаете своему бизнесу лояльную аудиторию. И она в трудные времена, когда у вас не будет денег на рекламу, станет «тихой бухтой» стабильности.

Запустив брендовую рекламу, вы получите уверенность, что все, кто хочет найти вашу компанию, попадают именно к вам на сайт, а не уходят к конкурентам или читать статьи в Википедию.

4. Брендовая медийная реклама

На четвертой ступени настало время увеличивать аудиторию. Наращиваем ее, показывая медийную брендовую рекламу людям, которые по косвенным признакам определены алгоритмами как наши потенциальные клиенты. В адаптации к российским условиям — это партнерские сетки Google и Yandex, инструменты programmatic.

5. Микроконверсии

Микроконверсии на сайте — это тема для отдельного поста. Корни этой концепции растут, конечно, из веб-аналитики.

На сайте есть макроконверсия — это то действие, к которому сайт должен подтолкнуть пользователя: что-то купить, оставить лид. Авинаш утверждает, что в среднем на сайте макроконверсии совершают менее 2% посетителей. Такой малый процент отбрасывает тень на весь диджитал-маркетинг (98% усилий бесполезны!). Он также не позволяет делать каких-либо выводов: в прошлом месяце макроконверсия была 2%, а в этом — 2,1%; и что из этого?

Авинаш расширяет пул конверсий, вводя понятие микроконверсий — действий на сайте, которые непосредственно не приносят прибыль, но которые показывают, что посетитель сделал один шаг вперед в своем customer journey: просмотрел видео, подписался на рассылку и проч.

Эти микроконверсионные действия укладываются в одну из трех стадий: See-Think-Do, или Посмотреть-Задуматься-Сделать. То есть пользователь сначала смотрит предложения (просмотр карточек товаров, информации о компании, спецпредложений), потом задумывается о покупке (подписка на уведомления о снижении цены, просмотр видео, подписка на рассылку) и, наконец, действует.

Создание на сайте условий для таких микроконверсий на всех трех стадиях и есть задача пятого этапа. С помощью этих микроконверсий вы уже способны обслуживать не 2% посетителей, а все 100%.

6. Отличный сайт и SMM

Текущий сайт у вас уже работает: на нем есть контент, предусмотрены микроконверсии, на него идет бесплатный и платный трафик. Теперь можно инвестировать в его улучшение для повышения конверсии, нанять юзабилистов, обратиться, если позволяет прибыль, к топовой веб-студии.

Параллельно Авинаш предлагает инвестировать в Youtube и Facebook, то есть заняться SMM. Здесь также автор предлагает собственное видение пользы контента: Entertain-Inform-Provide Utility, то есть Развлекай-Информируй-Давай пользу.

7. Усиление рекламных кампаний

Когда новый сайт готов, усиливайте рекламные кампании за счет расширения семантического ядра и охвата аудиторий.

8. Мультиканальность

К этому моменту главные действия по оптимизации привлечения и сайта уже выполнены.

На восьмом шаге Авинаш предлагает заняться внедрением инструментов мультиканальности. Эти действия нужны для того, чтобы связать поведение пользователей в интернете и в офлайне (телефон, точки продаж). Чтобы в итоге прийти к так любимой всеми сквозной аналитике.

Да, за сквозную аналитику не стоит браться сразу, вы же помните историю с Тадж-Махалом. А вот на восьмом шаге — это вполне удачное время.

9. Лояльность

Последняя ступень лестницы — это работа с лояльностью клиентов: повторные покупки, рекомендации своим знакомым.

Клиентом Авинаш считает покупателя, который сделал не менее двух покупок: первую он мог сделать случайно, но второе обращение в вашу компанию — это уже действительно осознанное действие. Таким покупателям нужно показать, что для вас они важны: создавайте для них уникальный полезный контент, придумывайте специальные маркетинговые кампании.

ЛЕСТНИЦА К ВЕЛИКОЛЕПИЮ В ВЕБ-АНАЛИТИКЕ

Все описанные изменения в диджитал-маркетинге вы можете делать не только опираясь на веру, но и на данные систем веб-аналитики.

Современные системы веб-аналитики обрушивают на вас сразу сотни показателей и десятки отчетов. Погружаться сразу во все показатели — верный путь к неудаче. Веб-аналитику, так же как и маркетинг, нужно улучшать постепенно. На каждой ступени уделяйте внимание разным метрикам и показателям.

Вот как выглядит лестница к великолепию в веб-аналитике.

Лестница к великолепию в веб-аналитике по Авинашу Кошику

К этой лестнице тоже могут быть вопросы. Самый очевидный — как на первых двух этапах вообще не ориентироваться на денежные показатели, которые появляются только на третьей ступени?

Ответ простой: как и в случае с диджитал-маркетингом, на ступенях показаны те метрики, на которых стоит сконцентрироваться в тот или иной момент времени. Но они, конечно, не отменяют работу с другими показателями.

1. Посещения, CTR

На первой ступени работайте с посещениями и CTR рекламных кампаний. Эти самые простые количественные показатели позволят сегментировать ваш трафик: из каких источников больше приходит людей, какие географические регионы вы задействуете, с каких сайтов к вам приходят посетители, по каким поисковым фразам.

2. Показатель отказов, глубина просмотра

После того, как к вам стали приходить посетители, пора понять, насколько он для них хорош. Здесь вступают в дело показатели качества: показатель отказов и глубина просмотра, то есть число страниц, просмотренных за сеанс. Понимание качества трафика в разрезе сегментов, установленных на первом шаге (географический регион, поисковые фразы и проч.), позволит оптимизировать страницы входа и раскидать бюджет между инструментами привлечения.

3. Процент макроконверсий, ценность страницы

Только на третьей ступени мы переходим к деньгам. Здесь две характеристики, которые показывают эффективность сайта в целом (процент макроконверсий) и отдельных страниц (ценность страницы) соответственно.

4. CPA

Итак, на первых трех шагах вы настроили аналитику для стадий привлечения, поведения на сайте и конверсии. Начинается период оптимизации.

На четвертой ступени оптимизируйте привлечение, перебрасывая бюджет на те каналы, которые приносят наибольшую прибыль. Для этих целей ваша метрика — Cost per action (CPA), то есть средняя цена результативного действия на сайте.

5. Электронная торговля

На пятом шаге разберитесь с показателями и причинами, по которым пользователи бросают карточку товара и корзину на сайте (если вы, конечно, используете интернет-торговлю).

Кроме этого, переходите к продвинутому анализу выручки, которую вам приносят разные кампании. Используйте не только показатели, соответствующие модели последнего клика, но полный круг эффективности канала и его участие во вспомогательных взаимодействиях (случай, когда кампания привлекла пользователя на сайт, но действие он совершил в один из последующих визитов с другой кампании).

##6. Показатели SMM
В лестнице диджитал-маркетинга шестая ступень — это SMM. Логично, что в лестнице веб-аналитики на этом этапе появляются инструменты измерения эффективности SMM. Авинаш предлагает следующие показатели:

Уровень диалога (conversation rate) — отношение числа комментов к числу постов;
Уровень трансляции (amplification rate) — отношение числа ретвитов/расшариваний к числу постов;
Уровень восхищения (applause rate) — отношение числа лайков к числу постов.

Помимо этого, конечно, не забывайте и экономический эффект — сколько денег приносит посетитель из этого канала.

Метрики оценки эффективности SMM по Авинашу Кошику

7. Процент микроконверсий, экономический эффект

Экономический эффект — это не только деньги, которые приносит макроконверсия (покупка или лид). Как мы видели в лестнице диджитал-маркетинга, люди не всегда приходят на сайт, чтобы сразу купить; абсолютное большинство находятся на стадиях «смотрю» или «думаю». Поэтому для каждой микроконверсии установите цель и назначьте ей цену. Таким образом, вы в настоящий момент времени будете знать не только о продажах, но и о тех действиях, которые вам принесут продажу через месяц или даже через год.

8. Прибыль

Предыдущие семь шагов были исключительно в интернете, поэтому не представляли особой сложности. Восьмая ступень — это тот момент, когда вы выходите за пределы веб и это действительно сложно.

На этом этапе главный оптимизируемый показатель — ROI, который учитывает не только продажи (реальные продажи, не заказы в интернете) и затраты на рекламные кампании, но и себестоимость продаваемых товаров.

Тут нужна и интеграция с CRM, из которой берутся реальные продажи, и нужно связать пользователей в онлайне и оффлайне (коллтрекинг, номера посетителей, QR-коды и проч.)

9. Пожизненная ценность клиента (CLV)

Пожизненная ценность клиента возникает только на последней ступени. Это кажется странным, но на самом деле, чтобы к ней переходить, необходимо полностью отстроить систему веб-аналитики на предыдущих восьми шагах. Отстроить таким образом, чтобы в ее центр поместить человека со всеми его каналами коммуникации (разные девайсы и каналы).

Без этой отстройки показатели CLV будут неточными, их оптимизация на бумаге с реальными данными из жизни будет не совпадать.

ЗАКЛЮЧЕНИЕ

Напоследок еще раз подчеркну, что последовательность действий в построении маркетинг-микса, предложенная Авинашем Кошиком, не является универсальной, к ней есть вопросы, для разных бизнесов и контекстов последовательность ступеней может отличаться.

К лестнице веб-аналитики лично у меня куда меньше вопросов, потому что это Авинаш Кошик.

Тем не менее, не браться за все сразу — вот девиз, который сэкономит вам деньги, время и энергию при построении интернет-маркетинга.

Впервые опубликовано blog.techart.ru/internet-marketing-web-analytics-kaushik , 27 ноября 2017 года

Процессные подход: получите максимальную пользу от заказа маркетингового исследования

Tue, 31 Jul 2018 15:05:07 +0300

Исследования — это узкий сегмент рынка маркетинговых услуг. Особенно и незаслуженно узкий в России. Исследования нужно использовать для формирования и проверки гипотез при открытии бизнеса или трансформации уже действующего. Отечественные же собственники и руководители предпочитают опираться на ощущения и опыт маркетинговых подрядчиков.

Это не маркетинг, основанный на фактах или данных (data-driven). Это маркетинг, основанный на чутье (vibe-driven).

Когда проект-менеджер осознает необходимость заказа сложного исследования, он сталкивается с тем, что проект по всем признакам супер-рисковый: со слабой управляемостью и малым числом точек контроля. Из этой ситуации есть волевой выход в сторону заказа исследования или, наоборот, в сторону отечественных vibe-традиций.

«Текарт» предлагает новый для рынка формат проведения сложных индивидуальных маркетинговых исследований. Речь идет о процессном подходе, который делает для клиента проект доступным и максимально управляемым.

Далеко не каждый из нас самостоятельно проводил или заказывал исследование. О них все знают, но в жизни немногие видели отчеты, тем более крупные заказные работы. Поэтому, прежде чем перейти к описанию процессного формата, дам несколько вводных разделов, описывающих контекст его появления.

О каких маркетинговых исследованиях идет речь?

Понятие маркетингового исследования широкое.

Так, есть исследования рынков, цель которых — определить объем продаж товаров или услуг, выявить ключевых конкурентов и их доли. Компании b2c проводят исследования, чтобы понять, отвечает ли их новый продукт ожиданиям потребителей и сколько те готовы за него заплатить. Компании b2b могут быть заинтересованы в поиске партнеров и определении внешних факторов, которые влияют на их отрасль.

Говоря формально, исследования различаются по объекту (рынок, продукт, потребители) и методам (полевые и кабинетные; количественные и качественные и т. д.)

В России мало универсальных компаний со штатными специалистами, которые реально выполняют (а не только декларируют) все виды исследований на одном высоком уровне. Часто универсальные компании специализируются на определенных отраслях и делают полный цикл исследований. Например, перед выводом на рынок новых медицинских изделий или препаратов.

У большинства же ярко выражена одна из двух специализаций:

кабинетные исследования (анализ вторичных источников информации);
полевые исследования (сбор и анализ информации для целей исследования).

Специализация исследовательского направления «Текарт» определена общей стратегией развития группы и особенностями клиентов (больший акцент на b2b). В 2003 году мы начинали с кабинетных исследований. Однако сразу стало понятно, что этого недостаточно, чтобы обеспечить необходимое качество работы. Поэтому сегодня методология «Текарт» — это синтез кабинетных и некоторых видов полевых исследований: глубинные интервью, опросы экспертов и потребителей, mystery shopping. Фото Кабинетные и полевые маркетинговые исследования

При проведении исследований в «Текарт» мы используем, как кабинетные, так и полевые методы

Предлагая процессный подход, мы «примеряем» его на нашу специализацию. Это значит, что мы испытали его на наших методиках исследований и гарантируем его результативность. Однако подход может быть распространен и на другие виды исследований.

Чем заказ исследования отличается от заказа сайта?

Почему крупные исследования — супер-рисковые проекты? Отвечу на этот вопрос, проводя аналогию с услугой создания сайтов. С сайтами сегодня сталкивалось куда больше людей, чем с исследованиями.

Как и в сайтостроении, на рынке исследований есть шаблонные решения — готовые исследования рынков. Отличие заключается в том, что шаблон сайта требует доработки. Готовые исследования продаются как есть, хотя не исключена и минимальная доработка под специфику заказчика.

Если для проверки ваших гипотез недостаточно покупки готового исследования, нужно заказывать индивидуальную работу. Именно о таких проектах далее идет речь.

Индивидуальные исследования различаются по сложности.

Простой проект — это, например, информация об импортных поставках оливкового масла из Испании в мае 2016 года. Если сравнивать с сайтами, это такой простенький лендинг, сделанный на конструкторе.

Сложная работа — исследование рынка сельскохозяйственных тракторов с бизнес-требованиями на 20 страниц. А это уже корпоративный портал с интернет-магазином, сеткой региональных сайтов и интеграцией с 1С.

К слову, в денежном плане приведенные аналогии вполне имеют право на существование. Ценник на простые исследовательские работы — это обычно 30-150 тысяч рублей; на сложные — единицы миллионов рублей.

Делаем сайт

Какие этапы есть в создании сайта? Если максимально, почти преступно, упрощать, то «средний по больнице» проект в Рунете состоит из четырех последовательных или частично параллельных стадий:

Этап 1. Подписание технического задания / бизнес-требований.

Этап 2. Разработка и согласование прототипа.

Этап 3. Разработка и согласование дизайна.

Этап 4. Верстка, разработка и согласование функционала.

Таким образом, после подписания бизнес-требований заказчик участвует в проекте на этапе согласования прототипа, дизайна и программных решений. Конечно, этапы в реальности разбиваются на подэтапы. Каждый из них согласовывается отдельно: дизайн главной страницы, дизайн внутренних страниц и режимов.

Возникают маргинальные ситуации, когда все идет гладко с проект-менджером клиента, а потом на завершающем этапе приходит руководитель и ему совсем не нравится дизайн. Однако, в целом, шанс отклониться от технического задания и пожеланий клиента в такой схеме мал.

Важно, что перед тем, как войти в проект, вы можете «пощупать» опыт компании: посмотреть на разных устройствах сделанные ими сайты, прочитать отзывы клиентов.

Делаем исследование

Начнем с того, что если вы не работали раньше с исследовательской компанией, прямой признак ее класса — только отзывы клиентов. Отзывы — это, пожалуй, все, что есть.

Вы, конечно, не можете посмотреть аналогичные работы, выполненные для других клиентов. Это справедливо: не хотите же вы, чтобы ваш отчет показывали в качестве примера.

Это первая составляющая в копилку риска проекта. Идем дальше.

Какие есть этапы взаимодействия в исследовательском проекте?

Этап 1. Подписание технического задания / бизнес-требований.

Этап 2. Сдача/приемка отчета

То есть минимум или в принципе никаких согласований по ходу работы. На старте вы отдаете 30-50% предоплаты за проект, 2-3 месяца ждете результат, в итоге получаете документ на 100-300 страниц.

Этот сценарий взаимодействия назовем «базовым». В соответствии с ним выполняется большинство исследовательских работ в России.

Еще одно слагаемое в рисковой копилке — это этап «сдачи/приемки». Его формат определяют стандарты исследовательской компании и условия, прописанные в договоре на конкретную работу. Это могут быть ответы на вопросы, личная презентация и защита проекта. По завершении данного этапа проводится вторая оплата. В любом случае, клиент за короткое время должен ознакомиться с отчетом и выяснить все оставшиеся для себя «белые пятна». Это не так уж и просто сделать. Напомню, что речь идет об относительно сложном, комплексном исследовании.

Инсайт в отчете выявляет потребность более глубокой проработки отдельных вопросов и формулирование новых. Эти уточнения невозможно выполнить в рамках согласованных бюджетов, поскольку это дополнительные трудозатраты. С одной стороны, подрядчик справедливо отказывается от таких доработок. С другой стороны, можно понять и заказчика, заплатившего приличную сумму за исследования и оставшегося по его итогам с новым списком вопросов и гипотез.

Наконец, современный бизнес динамичен, и за два-три месяца бизнес-требования могут трагически устареть.

Подведем итоги по рискам:

Сложно проверить компетенцию исследовательской компании.

Отсутствуют точки контроля в процессе проведения исследования.

Клиент за короткий промежуток времени должен «впитать» выводы отчета и задать правильные вопросы.

Выводы исследования порождают потребность в новых исследованиях.

Невозможно изменить бизнес-требования по ходу работы.

Согласились бы вы делать сайт на таких условиях? Сомневаюсь.

Процессный подход

Суть процессного подхода к исследованиям от «Текарт» заключается в том, что большая исследовательская задача разбивается на модули. Каждый модуль длится не более 3-4 недель и имеет свой набор задач и вопросов, ответы на которые необходимо получить. По результатам текущего модуля задачи и вопросы на следующий могут быть скорректированы. Оплата проекта осуществляется помодульно.

// В процессном подходе комплексное исследование разбивается на модули //

На протяжении всей работы клиент имеет доступ в онлайн-кабинет. В этом кабинете виден процесс выполнения задач, отчеты с промежуточными данными, сбор документов по решенным блокам. Это эволюционирующий интерактивный «отчет». Интерактивный потому, что на основании собираемых данных происходит постоянный контакт и обмен мнениями между рабочими группами клиента и подрядчика.

Клиент в онлайн-кабинете видит весь контур проекта, может вносить коррективы в приоритеты и глубину проработки вопросов; контролирует бюджет и управляет им. На выходе проекта клиент получает такой же, как и в базовом подходе, отчет.

При процессном подходе:

Клиент постоянно погружен в проект.

Клиент «держит руку на пульсе» проекта и может управлять вектором его развития.

Снижаются риски клиента, связанные с оплатой: во-первых, снижается порог входа в проект; во-вторых, контракт можно прервать после любого модуля с сохранением накопленной информации.

Процессный подход не для всех

Не буду подробно останавливаться на трудностях, которые возникают у подрядчика в процессном подходе. Безусловно, этот формат сложнее, чем формат описанного базового сценария. Нужна высокая квалификация руководителя исследовательского проекта, причем как в области профессиональной деятельности, так и в области построения коммуникаций с клиентом.

Процессный подход требует погружения клиента в проект. На это не нужно уговаривать тех менеджеров, которые осознают важность и стратегический характер работы, — они и так стремятся в полной мере участвовать в проекте, делиться своими наработками, чтобы получить правильную базу для последующих решений.

Процессный подход неэффективен или невозможен в следующих случаях:

бюджет проекта незначителен, требуется ответ на понятный ряд вопросов и/или у проекта сжатые сроки;

компания и непосредственно рабочая группа со стороны клиента не нуждается в исследовании, но заказывает его по формальным причинам: для инвесторов или кредиторов, в соответствии с принятыми бизнес-процессами или законодательством.

В обоих случаях лучше сработает базовый сценарий взаимодействия.

Вопрос цены

При прочих равных процессный подход более дорогой за счет появления коммуникационной составляющей. Перед вами лежат два одинаковых отчета, выполненные в базовом и процессном формате. Цена последнего будет на 15-50% выше.

Однако в процессном подходе риск неудовлетворенности конечным результатом несравнимо ниже риска базового подхода. Клиент может гибко управлять процессом. То, что в примере выше отчеты получились одинаковыми, — счастливый случай. На практике, переплатив за коммуникацию и модульность, вы включите в рассмотрение только действительно важные вопросы, с нужным приоритетом и глубиной проработки.

Процессные исследования как часть маркетинг-микса

Исследования, равно как и реклама, PR, брендинг и прочие маркетинговые инструменты и активности, не существуют изолированно. Вернее, они могут существовать, но с потерей эффективности.

Сегодня запрос на бесшовность в маркетинге, интегрированные решения растет. Клиент уже плохо соглашается на то, чтобы исследование проводила одна компания, стратегию продвижения и план маркетинга писала другая, а реализовывал план еще пул из 5-10 подрядчиков. Все активности должны быть увязаны. Более того, должна быть оперативная реакция: коррекция исследований в зависимости от стратегии и результатов применения маркетинговых инструментов.

Это признаки необходимости agile-подхода.

Исследования в базовом подходе автономны и негибки. Задача по переносу их выводов и принятия решений ложится на плечи клиента, который вряд ли в полной мере впитает весь инсайт проведенной работы. За два-три месяца, пока нужно ждать выполнения работы, ситуация, задачи могут перевернуться на 180 градусов.

На этом фоне исследования должны быть включены в рамки процессного маркетинг-микса. В этом миксе и реализуются принципы agile с короткими «спринтами»/модулями, в рамках которых специалисты разных профилей в коммуникации решают разнообразные маркетинговые задачи.

Вечером руководство клиента одобрило задачу продвижения компании в Воронеже. На следующее утро в рамках бюджета модуля исследователь оценил объем рынка, проанализировал конкурентов. Днем бизнес-аналитик совместно с узкими специалистами описал стратегию и план выхода. Вечером клиент одобрил план, и работа по продвижению началась уже на следующий день.

Впервые опубликовано: blog.techart.ru/protsessnyi-podhod-poluchite-maksimalnuyu-polzu-ot-zakaza-marketingovogo-issledovaniya, 29 июня 2016 года

Russia and Ukraine PV market report 2011

Tue, 31 Jul 2018 09:36:16 +0300

В 2011 году Cleandex опубликовал открытый отчет по рынку фотовольтаики в России и на Украине.

Это был необычный формат, поскольку в сжатой форме нужно было рассказать о рынках двух стран по всей производственной цепочке.

Тогда еще оставались надежды на развитие отрасли. Хотя оптимизма уже было меньше, чем в 2009 году, когда рынком интересовалось Роснано. На Украине дела шли лучше, но уже через три года крупнейшие солнечные станции Крыма оказались российскими.

В проекте приняли участие эксперты компаний
ООО «Рентехно», Киев
ЗАО «Телеком СТВ», Москва
Activ Solar, Киев
ООО «Хевел», Москва
Группа «Нитол», Москва
ОАО «Монокристалл», Ставрополь
ОАО «НПП Квант», Москва

Отчет (PDF, 2,5 MB)

А каждый год подводились итоги развития отрасли

2010 год
2011 год

Инфографика: пособие по созданию и использованию в маркетинге

Sat, 30 Jun 2018 17:32:21 +0300

Мы знаем, что инфографика — это способ быстро и просто донести до адресата большой объем информации; что мозг воспринимает картинку лучше и быстрее, чем текст; что инфографика широко используется в новостных и аналитических изданиях.

Глупо не поставить эти преимущества на службу маркетингу. Этим прилежно и занимаются агентства, делая инфографику клиентам направо и налево. На выходе — ужасные результаты, насилие над графикой и смыслом.

Почему так происходит? Ответ в этом посте. После его прочтения вы сможете:

определить, уместно ли применение инфографики;
создать интересный сюжет для инфографики;
выбрать правильный тип решения.

Речь пойдет только про статику. Ее используют в полиграфии и в диджитал-решениях. Еще есть анимационная и интерактивная инфографика. Про них будет отдельный пост.

Если ты такой умный, то где твой ROMI?

Инфографика в маркетинге «в лоб» не работает. Она напрямую не влияет на классическую цепочку «привлечение»-«конверсия»-«удержание». Глупо ждать, что схема покупки сразу увеличит число заказов, а графика о скидках приведет к повторным заказам.

Как изолированный инструмент инфографика дает нулевой возврат инвестиций в маркетинг (ROMI). На ней не заработаешь. И это, к счастью, служит барьером, который часть некачественных решений не преодолевают.

Инфографика становится мощным инструментом в том случае, когда она входит в более сложную стратегию, контент-стратегию. Стратегию, которая ориентирована на имидж и лояльность. А это именно те понятия, которые сегодня принято помещать в ядро маркетинга.

Статическая инфографика в диджитал — это уникальный инструмент получения обратных ссылок на сайт и социальных действий. Но, как и любой контент, это инвестиция.

Хотя с каждым годом роль ссылок в ранжировании результатов поисковой выдачи сокращается (по крайней мере, поисковики так говорят), эффект от обратных ссылок на сайт никто не отменял. Ничего плохого нет, что ссылка на вашу инфографику появится в посте блогера или аналитической статье.

Будет здорово, если инфографика на сайте расположена в нужном месте и ссылки будут вести в это нужное место. Туда, где рядом есть призыв к действию, форма заказа, скачиваемая презентация услуг компании или что-то еще.

Как и любой контент, инфографика мертва без продвижения. Если вы потратили много часов на то, чтобы сделать красивое решение, потратьте еще столько же и еще немного на его распространение. Каналы могут быть совершенно разными: база подписчиков email, непосредственно сайт, социальные сети, работа с тематическими ресурсами, сувенирная продукция.

Короче говоря, инфографика сама по себе никому не нужна. Ее нужно правильно преподнести. И будьте готовы на это потратиться.

Выбираем сюжет

Вы уже провели работу по поиску фактов или только собираетесь это сделать. Половину успеха инфографике обеспечивает интересный для читателя сюжет. Идеально оформленная картинка привлечет внимание читателя, но не завладеет им на 100%. Должно быть содержание. Вот две стадии, которые помогут его создать.

Шаг 1. Возьмите тему, которая:

актуальна, т. е. связана с происходящими событиями, праздниками и особыми датами, временем года. Например, сумасшествие с Pokemon Go, корги, День Металлурга, жаркое лето;
важна для вашей целевой аудитории: связана с вашей продукцией или услугами, затрагивает иные интересы аудитории. Например, если вы подключаете компании к интернету, расскажите клиентам о тарифах, особых предложениях и бонусах; как автоматизировать бизнес и почему выгодно отдать кейтеринг на аутсорс. Все это, конечно, в разных работах.

##Шаг 2. Разверните тему. Возьмем для примера Pokemon Go.

Расскажите все про нее: историю, малоизвестные факты и цифры, биографии людей и персонажей. Например,
— «Кто такие покемоны?»;
— «Чем известна Nintendo, кроме Pokemon Go?»;
— «Какие бывают покемоны?»;
— «Что нужно знать о Pokemon Go?»;
— «Pokemon Go и другие популярные игры для мобильных устройств».

Научите чему-то читателей, предложите им инструкцию для применения. Проявите заботу, и люди это оценят;
— «Как установить и играть в Pokemon Go?»;
— «10 лайфхаков Pokemon Go»;
— «Все способы прокачки опыта в Pokemon Go».

Сравните c аналогом или антиподом: «Чем Pokemon Go лучше Ingress?».

Проверьте, можно ли набрать много чисел и характеристик: «Список всех покемонов в Pokemon Go».

После этих шагов остаются несколько тем. Будет нелишним пропустить их через три сита Сократа. Для каждого из сюжетов ответьте на три вопроса:

— «Вы уверены, что то, что вы скажете, правда?»
— «Вы уверены, что вы скажете что-то хорошее?»
— «Вы уверены, что людям необходимо увидеть то, что вы хотите рассказать?»

Итак, вы уверены, что никого не введете в заблуждение из-за незнания темы, принесете в мир свет и пользу людям? Что ж, теперь пора задаться главным вопросом.

А нужно ли вообще делать инфографику?

Маркетинг — наука не точная. Маркетинговые задачи не имеют единственного верного решения. Инфографику можно заменить практически любым видом контента: верно оформленным текстом, презентацией, видеороликом, слайдером или картой на сайте.

Вот отличительные признаки массива данных, для которого лучше использовать инфографику:
— не менее 10 различных элементов или фактов;
— каждый элемент имеет одно или несколько свойств: количественный показатель, привязку ко времени, географическому региону и тому подобное;
— знания, полученные на основе данных, сводятся к 1-2 идеям, сюжетам. Простых списков может быть сколько угодно, но число идей должно быть ограниченным.

Если данных недостаточно, то можно обойтись слайдером или диаграммами; если недостаточно свойств — то диаграммой или списком; если много идей — лучше использовать презентацию или видеоролик.

Алгоритм выбора формы представления данных

Сначала подумайте: а действительно ли нужно делать инфографику?

Какие бывают типы инфографики?

Есть несколько подходов к классификации инфографики: первый, второй, третий и другие. Наиболее распространенный подход к классификации был предложен NeoMam Studios. Эта же студия разработала гайд по выбору типа инфографики. Но обо всем по порядку.

Тип 1. Визуализированная статья

Визуализированная статья — это презентация материала с добавлением небольших графических форм. Здесь акцент делается на заголовке, и он должен убедить читателя потратить время на изучение. Как и в текстовой статье.

Тип 2. Алгоритм, блок-схема

Речь идет о визуализации процесса или алгоритма принятия решения.

Автор и источник: Julian Hansen

Тип 3. Практичная инфографика (useful bait)

На английском языке данный тип назван useful bait, это выражение непросто перевести на русский. «Практичная инфографика» представляет собой синтез двух предыдущих типов: она дает конкретные рекомендации, как блок-схема, и вместе с тем имеет форму визуализированной статьи.

Тип 4. Таймлайн

Это тип, в котором события или элементы располагаются в последовательности: хронологической или пространственной, смысловой.

Тип 5. Сравнение

В качестве объектов сравнения могут быть выбраны реальные предметы или понятия. Никто не любит сухие сравнения — нужно добавить юмора в графику или тексты.

Тип 6. Числа

Основной акцент сделан на числах (и они должны быть впечатляющими), графика выполняет второстепенную функцию. Тип «числа» наравне с визуализированной статьей — самые простые решения, к которым стоит прибегать при ограниченном бюджете.

Тип 7. Фотоинфографика

Этот тип инфографики лучше всего привлекает внимание, но одновременно требует высокой квалификации и фотографа, и дизайнера. Оба специалиста должны работать согласованно, на одно конечное решение.

Автор и источник: Rosea Lake

Тип 8. Дата-виз (Data Vis)

Еще один тип, для названия которого сложно подобрать русскоязычный эквивалент. Да и в принципе сложно дать определение. Главный признак Data Vis — большие затраты на подготовку, важность графических элементов, баланс между графикой, текстом и данными.

Как выбрать тип инфографики?

NeoMam Studios дает рекомендации по выбору нужного типа инфографики. Да, все правильно, в приведенной выше классификации эта инфографика относится к типу 2.

С этим алгоритмом легко выбрать верный тип информации для ваших данных

Если ресурсы ограничены, то имеет смысл остановиться на визуализированной статье (тип 1), блок-схеме (тип 2), простом таймлайне (тип 4) или числах (тип 6). Больше всего потратить деньги и произвести впечатление можно уйдя в Дата-виз (тип 8). Другие решения по сложности где-то посередине.

Особенности типов инфографики

О конструкторах инфографики

Как только речь заходит об ограничениях, возникают конструкторы. Сходу можно найти множество статей вроде 10 бесплатных сервисов для самостоятельного создания инфографики с бессменными visual.ly, easel.ly, piktochart.com, www.infogr.am.

Звучит все очень здорово, шаблоны классные. Но поверьте, что с помощью этих сервисов можно сделать приемлемое решение только в том случае, если шаблон вам полностью подходит. Если у вас нет дизайнерских навыков и нужно что-то добавить или изменить — все решение рушится. А если дизайнерские навыки у вас есть — зачем себя загонять в рамки инструментария сервиса. Не проще ли все отрисовать в привычных Photoshop или Corel?

Забудьте, пожалуйста, о конструкторах.

Бонус: как выбрать диаграмму

В инфографике могут использоваться диаграммы. Есть четкий гайд, какую диаграмму в каком случае стоит использовать.

Заключение

Три мысли этого поста, которые сделают вас мастером инфографики:

инфографику нужно вписывать в более общую контент-стратегию, тогда она принесет целевые действия и ее ROMI будет отличным от нуля;
на создании инфографики, как и любого значимого контента, дело не заканчивается; ее надо продвигать;
процесс создания инфографики хорошо формализуется: сюжет-тип инфографики. После этого дело в мастерстве дизайнера и качестве подобранного контента.

Впервые опубликовано blog.techart.ru/infographics/, 25 июля 2016 года

КНИГИ. О’Коннор Джозеф, Макдермотт Иан. Искусство системного мышления

Антон Липатов — Sun, 06 Jun 2021 12:18:00 +0300