Цифры не лгут, но они могут быть скучными: метрики и магия
Этап новичка: показатели эффективности
Когда мы говорим о науке о данных, мы все должны с чего-то начинать. Для большинства специалистов по работе с данными сюда входит скромная метрика производительности. Мило, аккуратно, легко и во многих случаях именно то, что ищет ваша аудитория.
Метрики — это ваши основные цифры: рейтинг кликов, коэффициент конверсии, конверсии, приобретения и все другие блестящие безделушки, которые вы представляете своему боссу на слайде PowerPoint каждую неделю. Они говорят вам, кто наверху, кто внизу, а кто никуда не денется.
Честно говоря, когда большинство лидеров говорят, что они управляют компанией, «управляемой данными», они имеют в виду именно это, и в этом нет ничего плохого. Я провел много ночей, пытаясь заставить Excel представиться, чтобы создать круговую диаграмму, которая не была бы похожа на картину Пикассо. Необходимые навыки? Знание своего среднего значения по медиане, обращение с электронными таблицами и возможность обсудить свои выводы на встречах с 40 людьми.
Мир передовых методов измерения
Как DS, как только вы освоите это, вы вырастете. Вы понимаете, что наука о данных — это не просто чтение комнаты; речь идет о предсказании будущего. И сделать так, чтобы это будущее выглядело хорошо. Итак, вы начинаете баловаться взрослыми вещами: передовыми методами измерения.
Здесь начинается настоящее веселье. Мы говорим о ранжировании, персонализации, предсказаниях, прогнозировании и сложных алгоритмах, которые решают, что появится первым в вашей очереди Netflix. Мы также говорим об экспериментах, также называемых безумной наукой делового мира, когда мы меняем что-то одно (например, цвет кнопки) и измеряем все остальное (например, действительно ли этот отвратительный оттенок зеленого увеличивает число кликов).
В чем именно разница?
Я не говорю, что простые метрики бесполезны — это совсем не так, — и, как я уже упоминал выше, они часто подходят для большинства случаев использования в бизнесе. Я никогда не работал в компании, в которой было бы достаточно людей, занимающихся отчетностью данных. Но репортажи на поверхностном уровне подобны леденцовой глазури на плитке шоколада — на них приятно смотреть, но на самом деле это не главное событие. Они расскажут вам о местности, но не скажут, почему холмы там, где они есть, или где появится следующая горная цепь.
Передовые методы? Теперь это хорошие вещи. Это карта, компас и хрустальный шар в одном флаконе. Они расскажут вам, почему ваши клиенты делают то, что они делают, и что они будут делать дальше. И так вы выиграете игру. Компании, которые действительно управляются данными, имеют прочную основу для этого и более чем еженедельных показателей, используют эти идеи для разработки стратегии.
Простые метрики производительности — это прямые измерения, которые дают общее представление о состоянии бизнеса. Они часто используются для измерения базовой эффективности бизнеса и включают в себя:
- Доход от продаж. Этот показатель показывает, какой доход бизнес получает от продаж. Это базовая мера успеха, но она не показывает, почему продажи находятся на их текущем уровне, и не позволяет предсказать будущие продажи.
- Маржа чистой прибыли: рассчитывается, какая часть каждого доллара дохода превращается в прибыль. Несмотря на то, что он полезен, он не вникает в особенности структуры затрат или возможностей повышения маржи.
- Customer Acquisition Cost (CAC): этот показатель рассчитывает стоимость привлечения нового клиента. Он дает представление об эффективности маркетинговых стратегий, но не дает представления о ценности жизненного цикла клиента или показателях удержания.
Передовые методы измерения обеспечивают более глубокое погружение в бизнес-данные. Они часто включают сложный статистический анализ, машинное обучение и прогнозное моделирование:
- Пожизненная ценность клиента (CLTV): CLTV прогнозирует чистую прибыль от всех будущих отношений с клиентом. Это понимание более ценно, чем простая метрика CAC, потому что оно помогает компаниям понять окупаемость инвестиций в привлечение новых клиентов и информирует о стратегиях удержания клиентов.
- Модели прогнозирования оттока. Они используют исторические данные и машинное обучение, чтобы предсказать, какие клиенты с наибольшей вероятностью прекратят сотрудничество с вами. Этот уровень понимания позволяет принимать упреждающие меры для улучшения удержания клиентов.
- Модели прогнозирования продаж. Помимо простого дохода от продаж, модели прогнозирования используют данные о прошлых продажах, рыночные тенденции и экономические показатели для прогнозирования будущих продаж. Это гораздо более ценно для стратегического планирования и принятия решений.
- Анализ настроений. Этот метод использует обработку естественного языка (NLP) для понимания мнений и эмоций клиентов о продукте или услуге. Эти данные содержат больше нюансов, чем базовые показатели удовлетворенности клиентов, и могут помочь улучшить характеристики продукта или услуги, маркетинговые сообщения и методы обслуживания клиентов.
- Анализ потребительской корзины. Это расширенный метод, используемый для выявления товаров, которые часто покупают вместе. В отличие от простых данных о продажах, этот анализ может повлиять на стратегические решения о стратегиях объединения продуктов, перекрестных продаж и дополнительных продаж.
Простые метрики требуют довольно простых инструментов. Немного статистики, немного софта, много терпения. Но когда вы переходите к расширенным измерениям, это совсем другая игра.
Вам понадобятся статистическое моделирование, машинное обучение и настоящие навыки программирования, которые динамически объясняют «почему» за метриками.
В истории науки о данных простые метрики — это начало. Они ледокол на вечеринке. Но передовые методы измерения? Вот когда вы достигли своего успеха. Это главное событие. Это значит знать кульминацию шутки еще до того, как она будет рассказана. И как только вы там, вы заслужили право называться «управляемым данными».
