Аналитика данных: основы, инструменты и советы

Зачем аналитика данных нужна для бизнеса

1. Даёт новые знания об аудитории, продукте и бизнес-процессах. Поиск закономерностей в данных помогает понять, как ведут себя группы клиентов, как они реагируют на изменения в продукте. Также, анализируя данные, можно сделать выводы о том, как сотрудники работают с теми или иными инструментами, например, с CRM и таск-менеджерами.
2. Делает предсказания более научными. Анализ поведения сотрудников и клиентов в прошлом помогает отделить случайное от закономерного и принимать решения не на догадках, а на базе научных гипотез.
3. Позволяет доносить информацию до топ-менеджеров. На основе анализа данных можно строить краткие и понятные отчёты, чтобы руководитель наглядно видел все самые важные показатели своего бизнеса и мог своевременно принимать нужные управленческие решения. Например, увеличить инвестиции в те рекламные каналы, которые приводят на сайт интернет-магазина больше посетителей, заинтересованных в продукции, или внедрить систему рекомендаций для повышения среднего чека с помощью кросс-продаж.
4. Помогает увеличить эффективность. Детальное исследование потенциальных покупателей поможет сформировать максимально результативные маркетинговые кампании, основанные на реальных нуждах и возможностях потребителей. Также менеджмент получит достаточно точные ответы на вопросы о целесообразности открытия нового филиала и прогнозы достижения самоокупаемости.

Виды аналитики данных

Выделяют четыре основных типа анализа данных: описательный, диагностический, прогностический и предписывающий.

Описательная аналитика

Это простой тип анализа на поверхностном уровне, с помощью которого можно просто зафиксировать прошлые события. В процессе описательной аналитики агрегируют данные, представляют их в обобщённом формате. Например, фиксируют продажи товаров за предыдущий период, чтобы определить самые покупаемые товары сезонные тренды.

Диагностическая аналитика

Цель диагностической аналитики — ответить на вопрос «почему». Используя этот тип анализа, пытаются выявить аномалии в данных. Например, если данные показывают, что в марте произошло внезапное падение продаж, то необходимо будет выяснить причину.

Чтобы найти ответ, определяют любые дополнительные источники данных, которые могли бы рассказать больше о причинах возникновения таких аномалий. Затем в этих данных ищут события, соответствующие снижению продаж.

Прогностическая аналитика

С помощью этого типа анализа пытаются предсказать события, которые вероятно произойдут в будущем. Для этого используют данные об уже произошедших событиях и теорию вероятности.

Прогностическая аналитика может использоваться для предсказания спроса на продукты или увеличения выручки за определённый период.

Предписывающая аналитика

Этот тип анализа помогает построить на основе данных бизнес-сценарии, по которым компания будет действовать в будущем. Например, определить план продаж или сформулировать оптимальную цепочку поставок.

Для предписывающей аналитики характерен сложный анализ, который может включать работу с алгоритмами, машинное обучение и процедуры компьютерного моделирования.

Процесс аналитики данных

Выделяют несколько этапов:

1. Постановка проблемы и исследовательского вопроса. На этом этапе выделяют проблему, которую необходимо решить. Например, увеличить число продаж в «неприбыльные» месяцы. В этом случае исследовательский вопрос будет звучать так: «Почему в третьем квартале продажи падают?». После этого определяют, какие данные нужно собрать и из каких источников. Например, изучить данные о продажах, заявках и действиях компании в третьих кварталах предыдущих нескольких лет.
2. Сбор данных. Для этого используют первичные и вторичные источники. Первичные или внутренние источники — это базы данных о клиентах, ресурсах, продажах, заявках. Например, о продажах и заявках можно узнать из CRM, а о поставках и тратах из ERP. Вторичными или внешними называют открытые источники данных, например, государственные порталы и базы, такие как «Спарк» или ЕГРЮЛ. Также можно искать данные в отчётах отраслевых организаций, например, ВОЗ или ЮНИСЕФ.
3. Очистка данных. Когда данные собраны, их готовят к анализу, очищая от дублей и лишних чисел. Очистка данных может быть трудоёмкой задачей, но она имеет решающее значение для получения точных результатов.
4. Анализ данных. На этом этапе для поиска нужных ответов используют один или несколько типов анализа: описательный, диагностический, предсказывающий или приписывающий. Выбранные методы и инструменты зависят от исследовательского вопроса и типа данных.
5. Визуализация данных. Чтобы данные можно было изучить и принять к действию, их оформляют в понятном формате, например, в виде дашбордов.

Инструменты для аналитики

С помощью различных инструментов можно собирать, хранить, анализировать и визуализировать данные.

1. Сбор и хранение данных. Для этих задач используются базы данных: от простых типа MS Excel до специализированных и сложных, например, Oracle.
2. Анализ данных. Используют математические и статистические методы: регрессионный и дисперсионный анализ, корреляцию, линейную регрессию и другие. Часть методов встроена в популярные инструменты, например, MS Excel или Power BI, для решения специальных задач используют Statistica или Jupyter Notebook.
3. Визуализация данных. Для создания графиков, отчётов и дашбордов используют PowerPoint, Miro, Tableau и Power BI.