Podejmuj trafne decyzje stosując metody analizy danych

Czy analityka cyfrowa to sposób na zdobycie przewagi biznesowej

Żyjemy w złotych czasach dla analityki internetowej. Klasyczne metody analityczne w połączeniu z nowoczesnymi technologiami pozwalają na wyciąganie wniosków wpływających na działania firmy. Jakich metod analizy danych użyć i jak właściwa interpretacja wyników może przełożyć się na decyzje biznesowe?

Wykorzystanie analityki i podejmowanie kluczowych decyzji biznesowych na podstawie danych jest stałym elementem strategii większości rozwijających się i konkurujących ze sobą firm. Jak pokazują badania Deloitte z 2013 roku, 55% prezesów firm przyznaje, że analiza danych przyczyniła się do poprawy pozycji wśród konkurencji. Jednocześnie tylko 17% firm miało wówczas dostęp do bardziej zaawansowanych narzędzi pozwalających na analizę predykcyjną i przetwarzanie nieustrukturyzowanych danych (The Analytics Advantage. We’re Just Getting Started, Deloitte, 2013).

Od tego czasu zgodnie z prawem Moore’a moc przetwarzania informacji przez komputery wzrosła 40‑krotnie, zezwalając tym samym na nowe możliwości integracji i analizy danych. Zwiększyła się również liczba danych – 90% danych istniejących na świecie zostało stworzonych w ciągu ostatnich dwóch lat. W przypadku pojedynczej firmy liczba danych rośnie w tempie 60% rocznie, czyli podwaja się co mniej więcej 20 miesięcy. Kombinacja ogromu danych oraz nowych metod analizy przekłada się też na wysnuwanie nowych, niedostrzegalnych do tej pory, zależności i zachowań klientów. Choć na pewno wydaje się to przytłaczające, firmy, które opanowały sztukę analizy danych, uzyskują lepsze wyniki finansowe niż konkurencja.

Opieranie działań na intuicji, a nie na danych, jest zdecydowanie niepożądaną strategią analityczną. Niezależnie od etapu rozwoju firmy nawet najprostsze introspekcje dostarczą wartościowych wniosków.

Metody analizy cyfrowej wykorzystywane w biznesie

Już na samym początku planowania prowadzenia działalności przewagę nad konkurencją można uzyskać dzięki rozważnej analizie. Tego typu klasyczną metodą analizy siły i potencjału przedsiębiorstwa jest chociażby analiza pięciu sił Portera. Opiera się ona na pięciu czynnikach i służy ocenie atrakcyjności sektora i zagrożeń, z którymi wiąże się prowadzenie przedsiębiorstwa. Są to:

możliwość pojawienia się nowych konkurentów;

siła przetargowa dostawców;

możliwość pojawienia się substytutów;

siła przetargowa nabywców;

rywalizacja wewnątrz sektora.

Źródła danych do takiej analizy są nierzadko powszechnie dostępne. Mogą to być dane z publikacji instytutów rządowych lub udostępnionych raportów agencji badawczych, a nawet informacji prasowych.

Marketing oparty na danych pozwala na nieustanną optymalizację i poprawę efektywności działań marketingowych w toku ich trwania.

Zbliżoną metodą analizy przedsiębiorstw jest metoda PESTEL. Dzięki niej można ocenić środowisko firmy na podstawie wpływu zewnętrznych czynników. Są to – zgodnie z sugestią w nazwie – obszary:

polityczny (political);

ekonomiczny (economical);

społeczny (social);

technologiczny (technical);

środowiskowy (environmental);

prawny (legal).

Inną metodą analizy są mapy percepcji. Ich tworzenie pozwala ulokować przedsiębiorstwo pośród konkurencji i odkryć tym samym niezagospodarowane obszary rynkowe. Mapa percepcji w graficzny sposób przedstawia, jak klienci postrzegają marki, co stanowi cenną informację dotyczącą kierunku rozwoju. Warto dodać, że mapy percepcji zalicza się do poznawczo‑behawioralnych i skoncentrowanych na kliencie linii biznesowych.

Nowoczesne przedsiębiorstwa wykorzystują także metodykę Lean Analytics. Ta forma analityki pozwala na:

ulokowanie swojego przedsiębiorstwa w odpowiedniej fazie cyklu rozwoju firmy;

dobór celów biznesowych;

wybór wskaźników efektywności;

dobranie odpowiedniego wskaźnika wyprzedzającego, który pozwala przewidzieć przyszłe zachowania klientów oraz informuje o przejściu do kolejnej fazy cyklu rozwoju firmy.

Analogicznie jak mapy percepcji również ta metoda jest skoncentrowanych na kliencie – kolejne etapy rozwoju zależne są od wskaźników konsumenckich, działań i relacji wiążących firmę z klientem. Metoda Lean Analytics zakłada kilka etapów rozwoju biznesu. Są to:

1. Empatia

Początkowy proces zbierania informacji od potencjalnej grupy docelowej: potrzeb, problemów oraz sposobów ich rozwiązywania. Produkt na tym etapie jeszcze nie istnieje fizycznie, powstaje na podstawie pozyskanych danych ilościowych i jakościowych pochodzących z wywiadów, ankiet i obserwacji.

2. Chwytliwość

Dzięki zebranym w poprzednim etapie danym powstaje produkt, który powinien być jak najbardziej atrakcyjny dla klientów. Dotyczy to zarówno oferty, jak i całości doświadczenia związanego z użytkowaniem produktu. Satysfakcję klientów należy weryfikować w toku badań i wywiadów z konsumentami.

3. Wirusowość

Na tym etapie kluczowe są wskaźniki pozyskiwania klientów. W szacowaniu szans na wirusowość produktów czy usług przydatne okazują się badania NPS. Wirusowość może być sztuczna (wspomagana przez stosowanie programów partnerskich, benefitów za zaproszenia znajomych lub współpracowników), jak i naturalna (do korzystania z aplikacji użytkownicy potrzebują innych, ponieważ wartość aplikacji rośnie wraz ze wzrostem liczby użytkowników – tak działa większość portali społecznościowych).

4. Generowanie przychodów

W momencie pozyskania dużej liczby regularnych użytkowników należy skupić się na optymalizacji wskaźników, takich jak: koszt pozyskania jednego klienta (lub aktywnego użytkownika w przypadku aplikacji mobilnych), życiowa wartość klienta, zysk z jednego klienta.

5. Skalowanie

Ten etap rozumie się jako zwiększanie rozmiaru biznesu poprzez wchodzenie na nowe rynki i docieranie do nowych klientów.

Czy opłaca się nie korzystać z analityki biznesowej

Zaskakujące jest, jak niewiele firm opiera działania marketingowe na danych. Mark Jeffery w książce Marketing analityczny. 15 wskaźników, które powinien znać każdy marketer przytacza wyniki przeprowadzonego przez siebie badania na próbie 252 firm, których wydatki marketingowe sięgają 53 miliardów dolarów rocznie. Okazuje się, że:

53% badanych firm nie przygotowało prognoz zwrotu z inwestycji w działania marketingowe;

57% firm nie stosuje uzasadnień projektów w ramach oceny kampanii marketingowych pod kątem ich finansowania;

61% firm nie dysponuje zdefiniowanym i udokumentowanym procesem selekcji i oceny kampanii marketingowych;

69% firm nie przeprowadza eksperymentów z grupą kontrolną – testowane nie są ani kreacje, ani sposób komunikacji, ani strony docelowe.

Te same badania wykazały również, że 20% firm uzyskujących najwyższe wyniki finansowe realizuje wszystkie powyższe techniki analizy. Mimo powszechnego dostępu do danych efektywnie wykorzystują je tylko liderzy. Firmy te mają ustalone procesy marketingowe i analityczne, dane są rozpowszechniane pomiędzy wszystkimi działami tychże firm, co ułatwia współpracę, klaruje i nadaje priorytety działań zrozumiałe dla wszystkich członków organizacji. Remedium dla pozostałych firm jest wykorzystanie systemów DMP 7– Data Management Platform. W systemach DMP są przechowywane wszystkie dane pozwalające na przeprowadzenie kampanii marketingowej: począwszy od zakupu mediów, przez targetowanie, po analizę.

Marketing oparty na danych – dzięki możliwości ich zbierania w czasie rzeczywistym – pozwala także na nieustanną optymalizację i poprawę efektywności działań marketingowych w toku ich trwania. Możliwa jest szybka reakcja na mało wydajne kampanie, optymalizacja lub w skrajnych przypadkach wyłączenie kampanii, która zamiast przychodów może zacząć przynosić straty. Dzięki gromadzeniu danych z całego ekosystemu przedsiębiorstwa można uzyskać wgląd w czasie rzeczywistym w finanse i sprzedaż, marketing i rozwój produktów oraz wiele innych obszarów. Te dane umożliwiają każdemu zespołowi efektywniejszą współpracę, osiąganie lepszych wyników i wyprzedzanie konkurencyjnych firm. Pracownicy, znając kontekst dla danych, mogą podejmować trafne decyzje biznesowe, tak by uzyskać udoskonalone produkty i usługi.

Jak sobie poradzić z nieustrukturyzowanymi danymi

Do tej pory w większości przypadków mieliśmy do czynienia z danymi ustrukturyzowanymi, które nie wymagają unikalnych umiejętności. Powyższe analizy można przeprowadzić z wykorzystaniem powszechnie dostępnych danych. Również badania ankietowe nie zawsze muszą wymagać znajomości narzędzi do analiz społecznych, jak SPSS, lub narzędzi analizy danych typu SAS Enterprise GUIDE. Z niektórymi z nich można poradzić sobie, wykorzystując najprostszy arkusz kalkulacyjny.

Oprócz danych ustrukturyzowanych (jak raporty instytucji rządowych, agencji badawczych, dane z narzędzi Web Analytics) są one dostępne także w postaci nieustrukturyzowanej (dane z komentarzy for internetowych, dane dostępne w logach serwera). Analiza wymaga zastosowania nowoczesnych metod, specyficznych umiejętności analitycznych na pograniczu statystyki, programowania i wiedzy biznesowej. Konieczne jest nie tylko precyzyjne przetwarzanie danych, ale umiejętność poruszania się między różnymi systemami – narzędziami Web Analytics, narzędziami CRM i e‑CRM, bazami danych SQL, środowiskami big data, jak Hadoop, Spark. Niezbędna jest umiejętność wizualizacji olbrzymich zbiorów danych w atrakcyjny i przystępny sposób.

Według IBM, dziennie powstaje prawie 2,5 kwintyliona bajtów danych (czyli 2,5 × 10^30). Szacuje się, że 80% wszystkich dostępnych bajtów danych to dane nieustrukturyzowane. Nie ma zatem możliwości, aby dokonywać takich analiz samodzielnie. Z pomocą przychodzą algorytmy uczenia maszynowego, naturalnego przetwarzania języka, wykrywania wzorców, klasyfikacji językowej oraz boty filtrujące internet. Analiza danych z wykorzystaniem inteligentnych algorytmów może pomóc firmom m.in.:

prowadzić innowacyjne badania rynku – na przykład uczenie maszynowe pozwala w szybkim czasie przeszukiwać sieć, analizując tematykę publikacji, recenzji i opinii na temat produktów bądź marek, i szacować towarzyszący im wydźwięk emocjonalny. Daje to bardziej wiarygodne wyniki niż sterowane badania ankietowe, ponieważ sam fakt realizacji nie wpływa na odpowiedzi bądź zachowanie respondenta;

– na przykład uczenie maszynowe pozwala w szybkim czasie przeszukiwać sieć, analizując tematykę publikacji, recenzji i opinii na temat produktów bądź marek, i szacować towarzyszący im wydźwięk emocjonalny. Daje to bardziej wiarygodne wyniki niż sterowane badania ankietowe, ponieważ sam fakt realizacji nie wpływa na odpowiedzi bądź zachowanie respondenta; prognozować z wysoką skutecznością wyniki planowanych kampanii i działań marketingowych , a także przyszłych zachowań konsumentów, dzięki zastosowaniu analizy predykcyjnej;

, a także przyszłych zachowań konsumentów, dzięki zastosowaniu analizy predykcyjnej; wprowadzać innowacje produktowe i procesowe – polegające chociażby na wyborze odpowiedniej struktury i liczebności działów w organizacji, uwzględniając przy tym takie czynniki, jak: umiejętności, przeszłe doświadczenia, a nawet osobowość poszczególnych pracowników;

– polegające chociażby na wyborze odpowiedniej struktury i liczebności działów w organizacji, uwzględniając przy tym takie czynniki, jak: umiejętności, przeszłe doświadczenia, a nawet osobowość poszczególnych pracowników; wykorzystywać inteligentne chatboty w działaniach marketingowych , zwiększając tym samym zaangażowanie klientów;

, zwiększając tym samym zaangażowanie klientów; wprowadzać radykalną personalizację na każdym kroku procesu zakupowego klienta. Pozwala ona z kolei przewidywać jego potrzeby oraz plany i tym samym odpowiednio dobierać komunikaty.

Tego typu kompleksowa analityka cyfrowa pozwala wyciągać wnioski z nowych i wciąż pojawiających się typów danych i treści. Tym samym przełoży się na większą elastyczność firmy (rozumianą jako tempo odpowiedzi na potrzeby rynku), która zoptymalizuje prowadzone działania i stanie w jednym rzędzie z liderami, pozostawiając daleko w tyle dotychczasową konkurencję. Aż do chwili obecnej brakowało sposobów na korzystanie z tego ogromu danych.

Krzysztof Nowakowski

Digital Analyst w agencji marketingu online They.pl, gdzie zajmuje się szeroko rozumianą analityką, badaniami online oraz optymalizacją e-commerce.

ERP, CRM, ECM, MRP, Business Intelligence, MRP

Finanse, sprzedaż i operacje. W tych obszarach firmy InPost, dane wykorzystywane są nie tylko jako źródło informacji historycznej. Służą bieżącemu podejmowaniu decyzji. Wprowadzenie rozwiązań chmurowych w firmie jest także krokiem w kierunku zaawansowanej analityki informacji, dzięki której organizacja może zapewniać jeszcze lepsze doświadczenia swoim klientom, a także zyskiwać przewagę na konkurencyjnym rynku.

Finanse, sprzedaż i operacje. W tych obszarach firmy InPost, dane wykorzystywane są nie tylko jako źródło informacji historycznej. Służą bieżącemu podejmowaniu decyzji. Wprowadzenie rozwiązań chmurowych w firmie jest także krokiem w kierunku zaawansowanej analityki informacji, dzięki której organizacja może zapewniać jeszcze lepsze doświadczenia swoim klientom, a także zyskiwać przewagę na konkurencyjnym rynku.

Podejmuj trafne decyzje stosując metody analizy danych

Przy podejmowaniu decyzji biznesowych można kierować się wcześniej nabytymi doświadczeniami albo intuicją, ale znaczenie lepsze efekty daje analiza danych dostarczająca wiedzę potrzebą organizacjom w dokonywaniu właściwych wyborów. Analiza danych pozwala podejmować decyzje m.in. w takich obszarach jak finanse, inwestycje, produkcja, marketing i sprzedaż.

Z TEGO ARTYKUŁU DOWIESZ SIĘ: DO JAKICH ZASTOSOWAŃ WYKORZYSTYWANA JEST ANALIZA BIG DATA? JAKIE PODEJŚCIA MOŻNA WYRÓŻNIĆ W ANALIZIE BIG DATA? NA CZYM POLEGA ANALIZA PREDYKCYJNA? SKĄD BIORĄ SIĘ DANE DO ANALIZ BIG DATA? JAKIE DANE MOŻE DOSTARCZYĆ OPERATOR TELEKOMUNIKACYJNY? JAKIE SĄ PRZYKŁADOWE ZASTOSOWANIA DANYCH OPERATORA?

Z roku na rok wzrasta świadomość znaczenia analizy danych przy podejmowaniu decyzji biznesowych. W raporcie Credence Research1 „Big Data Analytics Market by Platform” rynek Big Data Analytics w 2018 r wyceniony został na 37,34 mld USD. Autorzy oczekują średniego rocznego wzrostu (CAGR) w kolejnych latach na poziomie 12,3%.

Częstym w praktyce biznesowej sposobem podejścia do analizy danych jest analiza jakościowa pozwalająca odpowiadać między innymi na pytania: „dlaczego?”, „jak?”. Ułatwia ona rozwiązanie kluczowych problemów biznesowych: np. dlaczego sprzedaż spada, lub dlaczego sprzedaż rośnie, jaka jest obecnie sytuacja na rynku. Uzyskanie odpowiedzi na tego rodzaju pytania jest zwykle bardzo trudne i często na przeszkodzie stoi brak danych. Dlatego biznes nierzadko zadowala się nieco prostszymi do przeprowadzenia rodzajami analiz, takimi jak na przykład analiza ilościowa operująca na dostępnych zwykle wartościach liczbowych, podobnie jak analiza statystyczna. Nie odpowiada ona na skomplikowane pytania, ale wskazuje wartości np. sumaryczny koszt obsługi klienta, przeciętną wartość zakupów klienta itp.

Nieco dalej we wnioskowaniu idzie analiza diagnostyczna, która określana jest również jako analiza przyczyn źródłowych, ponieważ obejmuje procesy, takie jak odkrywanie danych, eksploracja i drążenie. Pozwala ona identyfikować anomalie w zbiorach danych, a następnie pomaga zidentyfikować ich źródła i wyjaśnić tę anomalię. Ten ostatni krok często wymaga od analityków poszukiwania wzorców poza istniejącymi zbiorami danych i pobierania ich ze źródeł zewnętrznych, a tym samym identyfikowania korelacji i określania, czy mają one charakter przyczynowo-skutkowy. Jeszcze innym rodzajem analiz informacji jest analiza predykcyjna, która wykorzystuje dane historyczne i wprowadza je do modelu uczenia maszynowego, aby znaleźć wzorce i trendy. Model jest stosowany do bieżących danych po to, by przewidywać, co będzie dalej. Analiza predykcyjna pozwala m.in. odkrywać wzory oszustw finansowych i zapobiegać przestępstwom. Inny sposób wykorzystania tego rodzaju analiz danych to optymalizacja kampanii marketingowych: modele predykcyjne pomagają firmom przyciągać klientów, utrzymywać i rozwijać relacje z najbardziej dochodowymi klientami. Pomaga również w określaniu odpowiedzi na zachęty do zakupów i ułatwia wykrywanie możliwości sprzedaży krzyżowej. Ten rodzaj analiz stosowany jest także do doskonalenia operacyjnego – trafniejszego prognozowania zapasów i zarządzania zasobami. Na przykład linie lotnicze używają modeli predykcyjnych do ustalania cen biletów.

Skąd brać dane do analiz?

Źródłem danych najczęściej są systemy CRM gromadzące dane o już istniejących klientach oraz o ich zachowaniach, jednak nie dostarczają one informacji potrzebnych przy podejmowaniu wielu, nierzadko krytycznych decyzji biznesowych. Częstym problemem, z którym należy się zmierzyć przy stosowaniu analiz danych jest… brak danych, potrzebnych do rozwiązania problemu.

Firmy stają przed takim wyzwaniem, jak na przykład optymalizacja lokalizacji placówki usługowej, pozwalająca przyciągnąć jak najwięcej klientów lub wybór lokalizacji biletomatów w takich miejscach, by jak największa liczba osób mogła z nich skorzystać. Skąd brać tego rodzaju informacje? W pierwszym momencie nasuwa się myśl o wykorzystaniu danych zagregowanych przez dostawców usług internetowych, serwisów i portali i na podstawie tych informacji dokonywać wyborów biznesowych. Metody stosowane przy gromadzeniu tych danych zapewniają profilowanie użytkowników i pozwalają zdobywać o nich wiele informacji. Oferowane są przez agregatorów reklam, operatorów serwisów internetowych lub serwisów społecznościowych. Ich wadą jest jednak dostęp do zaledwie wycinka grupy potencjalnych klientów, maksymalnie około 30 procent, którzy są w Internecie aktywni i zezwalają na śledzenie swojej aktywności.

Drugą metodą może być skorzystanie ze zanonimizowanych danych operatorów telekomunikacyjnych, które obejmują już około 90 procent użytkowników, w tym m.in. tych, którzy nie posiadają profili w serwisach społecznościowych lub są w stanie skutecznie ukryć aktywność. Dane oferowane przez operatora telekomunikacyjnego, np. T‑Mobile, chociaż na użytek analizy nie są sprofilowane według preferencji użytkowników – mogą dostarczyć, jakże potrzebnych danych do analizy. Informacje zapewniane przez operatora pozwolą ustalić liczbę kart SIM aktywnych na danym terenie. Często po uzupełnieniu informacjami dostarczanymi przez Główny Urząd Statystyczny stanowią wystarczające zasoby danych konieczne m.in. do takich badań jak optymalna lokalizacja punktu dla gastronomii, lokalizacja dla agencji turystycznych czy umiejscowienie punktów usługowych.

Różnorodność zastosowań

Dane operatora mogą być wykorzystywane nie tylko w biznesie, ale także w usługach użyteczności publicznej. Ważnym zastosowaniem informacji o aktywności użytkowników kart SIM może być wyznaczenie punktów obsługi turystycznej, zapewnienie na danym terenie adekwatnego do zapotrzebowania dostępu do mediów – produkcji wody, czy energii elektrycznej. Operator udostępnia także informacje o przemieszczaniu się ludzi, co pozwala odpowiednio dostosować do nich na przykład lokalizację przystanków środków komunikacji publicznej.

Informacje wykorzystywane w usłudze Analiza ruchu Big Data od T‑Mobile zapewniają najbardziej miarodajne odzwierciedlenie zachowań użytkowników. Dzięki integracji bazy ponad 6 mln posiadaczy telefonów komórkowych, doświadczeniu i specjalistycznej wiedzy usługa jest rozwiązaniem przynoszącym realne korzyści biznesowe.

Dane i powstałe na ich podstawie analizy mogą być używane w różnych branżach. Korzystanie z narzędzi do analizy biznesowej zapewni przewagę konkurencyjną, pozwalając zmniejszyć koszty operacyjne i zwiększyć przychody dzięki lepszemu wykorzystaniu środków na sprzedaż i marketing. Raporty i narzędzia do wizualizacji danych online pomagają firmom w optymalizacji wydatków i usprawnią procesy podejmowania decyzji.

Podsumowanie

Przypomnijmy najważniejsze informacje dotyczące analizy danych:

Analiza predykcyjna korzysta z danych historycznych po to, by wprowadzić je do modelu uczenia maszynowego. Model stosowany jest do przewidywania przyszłości. Analiza predykcyjna pozwala m.in. odkrywać wzory oszustw finansowych i zapobiegać przestępstwom. Modele predykcyjne pomagają także firmom przyciągać klientów, utrzymywać i rozwijać relacje. Pomaga również w sprzedaży i marketingu ułatwiając wykrywanie możliwości sprzedaży krzyżowej

Źródłem danych często są systemy CRM gromadzące informacje o już istniejących klientach oraz o ich zachowaniach

Skorzystanie ze zanonimizowanych danych operatorów telekomunikacyjnych pozwala wykonywać analizy preferencji użytkowników. Po uzupełnieniu informacjami Głównego Urzędu Statystycznego dane te mogą być wykorzystywane m.in. do takich badań jak optymalna lokalizacja punktu dla gastronomii, lokalizacja dla agencji turystycznych czy umiejscowienie punktów usługowych

Informacje wykorzystywane w usłudze T‑Mobile Analiza ruchu Big Data zapewniają miarodajne odzwierciedlenie zachowań użytkowników