2024-04-25 17:05:35 ТОП Ульяновска - Публикации - Статьи про Ульяновск - Аналитика для стартапов - как организовать ее должным образом



Статья

Аналитика для стартапов - как организовать ее должным образом

  • 12 декабря 2017
  • 10:00
  • 0


Настройка аналитических сервисов и внедрение корректной культуры анализа и агрегации данных - один из ключевых компонентов к построению успешного стартапа. Как справиться с этой задачей?

Стадия основания (от 0 до 10 работников)

На этом этапе у вас нет ресурсов и нет времени. Существует миллион вещей, которые можно измерить, но вы настолько близки к деталям своего бизнеса, вы на самом деле можете принимать достаточно инстинктивные решения и без слишком пристального аналитики. Единственное, что нужно для проверки того, что вы измеряете, - ваш продукт. Остальные вопросы могут подождать.

Что делать: Установите Google Analytics на своем сайте и настройте Google Tag Manager. Данные не будут идеальными без дополнительной работы, однако даже базовых настроек вам будет достаточно. Для электронной торговли также можете настроить фильтры. Если вы создаете программное обеспечение любого типа, вам нужно отслеживания событий в режиме реального времени. Для этой цели можно воспользоваться такими сервисами, как Mixpanel и Heap. Для анализа финансовой отчетности можно использовать Quickbooks, Excel и Baremetrics. Если у вас не хватает технических знаний, возможно, вам понадобится специалист, который поможет вам проанализировать GA и отслеживать события.

Что не делать: Все, что не является одним из перечисленных выше пунктов. Не позволяйте кому-то продавать вам хранилище данных, платформу BI, большой консалтинговый проект. В аналитическую платформу или сложную систему обработки данных смысл инвестировать на гораздо более поздних этапах.

Очень ранняя стадия (от 10 до 20 работников)

Вы немного улучшаете свою команду. В свою очередь, люди нуждаются в данных, чтобы выполнять свою работу должным образом. При этом не у всех есть экспертиза по обработке данных.

Что делать: На этом этапе вы, наверное, наняли маркетолога. Убедитесь, что этот человек обладает работой с GA. Стоит, чтобы все ваши ссылки на сайте или размещены материалы имели UTM-метки. Убедитесь, что происходит двойной учет поддоменов.

Если у вас есть менеджер по продажам и вы пользуетесь CRM, используйте встроенные отчеты. Убедитесь, что ваши сотрудники знают, как этим користовуватися. Вам нужно знать основные вещи, такие как производительность обращений и коэффициент конверсии. Salesforce поможет вам с этим справиться. Не экспортирует данные в Excel, не создавайте отчеты в (ужасном) разработчику отчетов.

Большинство систем справочной службы или аналитических систем не имеют удобных отчетов, поэтому выбирайте KPI, которые можно легко измерить в пределах имеющегося интерфейса. Убедитесь, что вы отслеживаете NPS. Попробуйте также воспользоваться Wootric или Delighted.

Что не делать: Еще рано для хранилища данных и для аналитики на основе SQL - это просто занимать много времени. Вы должны потратить все свое время на то, чтобы работать, а не анализировать, и самый простой способ это сделать - использовать встроенные возможности отчетности различных продуктов SaaS, которые вы используете для ведения бизнеса. Вы также не должны нанимать аналитика на полный рабочий день. Здесь важнее потратить ограниченные средства.

Ранняя стадия (от 20 до 50 работников)

На этой стадии вы увидите, что технология аналитики становится лучше и быстрее. Ранее этот тип инфраструктуры был доступен только гораздо больших компаний. Это - самая тяжелая и самая важная фаза.

Что делать: Настройте свою инфраструктуру данных. Это означает выбор хранилища данных, инструмента ETL и инструмента BI. Вам понадобится целая команда аналитиков: инженеры, аналитики, специалисты по работе с данными. Вам нужно найти такую ​​особую человека, который сможет собрать вокруг себя команду нужных специалистов. Часто эти люди имеют опыт работы в сфере консалтинга или финансов, имеют МВА. Подумайте над тем, чтобы нанять консультанта.

Что не делать: Если машинное обучение не является основной частью вашего продукта, пока не нанимайте научного сотрудника. Не стоит делать кастомные аналитических шаблонов или собственных систем аналитики. Не стоит экономить на облачном хранилище, пользуясь традиционными базами данных, такими как Postgres.

Средний этап (от 50 до 150 работников)

Этот этап потенциально является наиболее сложным. Вы - по-прежнему - есть относительно небольшую команду и немного ресурсов, но вас просят предоставить для бизнеса все более сложную и разнообразную аналитику, и ваша работа может непосредственно повлиять на успех или неудачу компании в целом. Здесь важно достичь прогресса, одновременно убедившись, что вы продолжаете закладывать основу для будущих этапов своего роста.

Что делать: Ввести процесс для моделирования данных на основе SQL. Ваши модели данных служат основной бизнес-логикой для вашей аналитической работы, и ими следует пользоваться в первую очередь. Убедитесь, что ваш процесс обработки данных и их анализа позволяет всем пользователям вносить изменения в скриптов моделирования данных, имеет контроль версий и работает в прозрачной среде. Переместите свою аналитическую работу в Snowplow Analytics. - этот сервис обладает теми же возможностями, что и платные инструменты, но основан на open source. Если вы не сделаете переход на этом этапе, не удастся собрать намного больше детализированных данных, - а использование комплексных платных инструментов легко может «вымывать» из вашего бюджета не менее $ 10 тыс в месяц.

Ядром вашей команды на этом этапе должны стать бизнес-аналитики люди, которые являются экспертами в SQL и ваших инструментах BI, и тратят время на работу с бизнес-пользователями, чтобы помочь им с запросами данных. Стоит также на этом этапе поискать своего первого специалиста по должности Data Scientist.

Эти модели, вероятно, не будут чрезвычайно изящными, но они станут большим усовершенствованием по сравнению со случайной рабочей книгой Excel, которую вы создали и вели на начальном этапе.

Что не делать: Легко погрузиться в себя и начать инвестировать в сложную инфраструктуру для обработки данных. Не делайте этого. На этом этапе крупные инвестиции в инфраструктуру остаются дорогим отвлечением от основной цели. Добавьте к рабочим ноутбуков Jupyter для работы с данными. Найдите недорогие способы создания наборов данных ETL, которые не имеют интегрированных компонентов.

Этап роста (от 150 до 500 работников)

Этот этап заключается в создании масштабных аналитических процессов. Нужно сбалансировать ответы на вопросы, которые вам нужны сегодня, с внедрением практик аналитики, которые потребуются в будущем, по мере масштабирования проекта и команды. В компании на 150 работников только 3-6 потийних аналитиков. Когда вы дорастете к 500+ сотрудников, можете легко увеличить этот отдел в пять раз. Если вы не справитесь с этим переходом, вы работать менее эффективно по мере роста команд. Вам придется дольше составлять значимые статистические данные, а ваши ответы будут менее качественными. Чтобы преодолеть этот вызов, следует наладить соответствующие процессы.

Что делать: Следует ввести тестирование данных. У вас есть данные, поступающие из по крайней мере десятка источников на этом этапе, и вам нужно провести оптимизацию, чтобы устранить ошибки, повторы, нулевые поля и при этом сохранить пользовательскую бизнес-логику. Если у вас нет прозрачного автоматизированного процесса, который проверяет входные данные, качество вашего анализа будет продолжать деградировать, а вы при этом не сможете установить истинной причины такого упадка.

Ваш аналитический код - это актив, который руководит вашим сайтом и приложением. Изготовление высококачественного кода требует серьезного контроля над версией. Приложите всех участников команды в хранилище кода на Git, научите их пользоваться ветвями обсуждений и комментирования кода.

Серьезно относитесь к документации. Среда данных в вашей компании на этом этапе значительно усложнится. Единственный способ эффективно управлять этими знаниями и делиться ими с вашей командой - это инвестировать время и энергию, необходимую для документирования изменений. Это придаст некоторых накладных расходов, но если вы в это не инвестируете, ваши аналитики работать дольше над запросами.

Существует 2 основных модели построения аналитической команды: централизованная и встроенная. Нет четкой правильного ответа, какая из моделей подойдет вашему проекту. Однако именно это решение будет ключевым фактором для вашего дальнейшего роста.

Что не делать: не принимайте оправданий и компромиссов в случае ошибок или недостатков в работе. Проведение аналитики на этом уровне - это тяжелая работа, и для этого нужна талантливая и мотивированная команда, которая постоянно инновационно развивается. Обзоры кода требуют времени и энергии. Аналитики не привыкли тестировать код и документирования является кропотливым трудом. Вы можете столкнуться с сопротивлением (явным или скрытым) со стороны тех участников команды, которые помнят, «старые добрые времена», когда все было проще и не столь «бюрократизированным». Но поскольку сложность растет, вам нужно развить свои процессы для адаптации. Серьезное отношение к сбору и анализу данных - залог того, что рост вашего стартапа на этом этапе не натолкнется на «стеклянный потолок».

Вернуться к списку публикаций


Свежие новости