Маркетинговая аналитика с ИИ

Ограничения и риски

Сквозная аналитика в МСБ — всегда компромисс между точностью и затратами. Идеальная сквозная аналитика с единым ID пользователя через личный кабинет стоит дорого и требует разработки. Приемлемая — через UTM, email и телефон — стоит недорого, но имеет погрешность 5–10%. Аналитик должен знать, в каком диапазоне погрешности он работает, и не делать выводов, требующих точности выше этого диапазона. Например, если ROMI по каналу — 180%, а погрешность — 10%, то реальный ROMI — в диапазоне 162–198%; вывод «канал работает» корректен. Если ROMI — 102%, а погрешность — 10%, реальный — в диапазоне 92–112%; вывод «работает» — уже не корректен, потому что возможна зона убытка.

Главный риск — переоценка точности. Собственник видит в отчёте «ROMI по Директу — 215%», и принимает решение увеличить бюджет. Если реальный ROMI с учётом погрешности — 180%, всё ещё выгодно. Если реальный — 165%, тоже выгодно. Но если в отчёте «ROMI 215%» за счёт того, что не учли возвраты и скидки, реальный — 95%, решение «увеличить бюджет» — убыток. Поэтому критически важные решения нужно проверять двумя способами: по данным сквозной аналитики и по данным финансовой системы. Если они существенно расходятся — останавливаемся и разбираемся.

Краткие выводы

Ключевые тезисы главы 5

— Сквозная аналитика — это связывание событий в разных системах через общие идентификаторы.

— UTM-метки — основной язык связи рекламы и сайта. Без них аналитика каналов невозможна.

— Дедупликация по нормализованному телефону или email — обязательна; без неё CAC и LTV неточны.

— Единые справочники — дисциплинарная задача, не техническая.

— Цепь обрывается там, где идентификатор не передаётся. Найти обрыв — задача аналитика.

— Сквозная аналитика не означает, что все цифры сходятся. Это означает, что понятно, какие должны сходиться и почему.

— Точность сквозной аналитики в МСБ — обычно ±5–10%. Выводы должны учитывать эту погрешность.

Практическое задание

Постройте цепочку идентификаторов для вашей компании: показ → клик → визит → лид → сделка → платёж. Для каждого перехода отметьте, передаётся ли идентификатор. Найдите место обрыва. Оцените, какой процент событий проходит всю цепочку. Если меньше 70% — это приоритет №1 для исправления. Если больше 90% — можно переходить к следующей главе. Между 70% и 90% — определите, какой процент событий не доходит до конца, и решите, является ли потеря критичной для ключевых решений.

Глава 6. Качество данных: мусор на входе — ошибки на выходе

Аналитик не начинает с анализа. Аналитик начинает с проверки данных. Это скучная истина, которую приходится повторять каждому, кто хочет построить работающую аналитику. Любой вывод, основанный на непроверенных данных, — это в лучшем случае догадка, в худшем — управленческое решение, основанное на ошибке. Эта глава — про то, какие бывают проблемы с качеством данных, как их находить и как выстроить регулярную проверку.

Пропуски: что мы не видим

Пропуск — это событие, которое произошло, но не зафиксировано в данных. Пропуски бывают двух типов: явные (поле пустое) и скрытые (поле заполнено, но значение «неизвестно» или дефолтное). С явными пропусками проще — видно, что данных нет. Со скрытыми сложнее: поле «источник» заполнено значением «другое» — это может означать реальный канал «другое», а может — «менеджер не разметил». Различать эти два случая — задача аналитика.

В «Дом и Сад» в поле «источник» в CRM у 23% заявок стояло «неизвестно». Собственник считал, что это нормально. Когда мы попросили менеджеров в течение недели проставлять источник каждому лиду (хотя бы приблизительно), доля «неизвестно» упала до 7%. Остальные 16% — это были реальные каналы: Instagram-реклама, посевы в Telegram-каналах, рекомендации. Без них аналитика каналов была неточной на 23%. После разметки — стала неточной на 7%, что приемлемо для управленческих выводов.

Как находить пропуски

Базовая проверка — по доле заполнения каждого поля. Для каждого ключевого поля в CRM (источник, продукт, причина отказа, менеджер) считается: сколько записей имеют непустое значение? Если меньше 95% — это проблема. Если меньше 80% — это серьёзная проблема, с которой нельзя работать, пока не исправлено. Доля заполнения — самый простой и самый недооценённый показатель качества данных. ИИ-помощник может за минуту посчитать долю заполнения по всем полям и подсветить проблемные.

Дубликаты: одна и та же история дважды

Дубликаты — это повторяющиеся записи, которые на самом деле описывают одно событие или одного клиента. Бывают технические дубликаты (один и тот же лид создан дважды из-за ошибки интеграции) и человеческие (менеджер завёл нового клиента, который уже есть в базе). Технические решаются правилами дедупликации (глава 5), человеческие — обучением и регулярной проверкой. Дубликаты искажают все метрики: CAC, LTV, Retention, AOV — всё считается на основе «уникальных клиентов», и если клиент не уникальный, метрика неточна.

Простой способ проверить дубликаты — сгруппировать записи по «нормализованному телефону или email» и посмотреть, сколько групп имеют больше одной записи. Если доля групп с 2+ записями — больше 5%, база нуждается в дедупликации. После дедупликации нужно следить, чтобы CRM не позволяла создавать новый контакт с уже существующим телефоном/email без подтверждения. Это настройка в большинстве современных CRM.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.