تحلیل داده، مهندسی داده و مشکلات سر راه دادمحور شدن

در این مطلب گزارشی از گفت‌وگوی زنده اینستاگرام دی‌ام برد با علیرضا رحیمی مدیر محتوای سکان را می‌خوانید:

داده‌ها در حالت کلی از درون و بیرون سازمان به روش‌های آنلاین (Google Analytics، Insight ih و…) و سنتی (میدانی و…) جمع‌آوری می‌شوند، که این جمع‌آوری داده‌ها از طریق خود سازمان یا از طریق پلتفرم‌های داده‌محور انجام می‌گردد. داده‌های بسیار ارزشمندی روزانه درون یک سازمان تولید می‌شوند که اطلاعات کاملی از نحوه رشد، نقاط ضعف، نقاط قوت، شرایط سازمان در آینده، مشکلات پیش‌رو، رفتار مشتری و… می‌توانند در اختیار تیم مدیریتی و اجرایی سازمان قرار بدهند. اما شرط اصلی استفاده از این داده‌ها جمع‌آوری آن‌هاست بسیاری از سازمان‌ها بر این باورند که بدون نیاز به یک پلتفرم در داخل تیمشان، بر اساس شهود و تجربه، توانایی تحلیل اطلاعاتی که در سازمان موجود است را دارا هستند، اما واقعیت این است که این دیدگاه شاید عملکرد مثبتی برای تیم به ارمغان بیاورد، ولی باید توجه داشت که این حداقل استفاده ممکن از این داده‌هاست. برای حداکثر استفاده ما نیازمند مراحل تخصصی‌تر هستیم.

منظورمان از ”داده” را بهتر بگوییم.

در حالت کلی داده‌ها اطلاعات مختلفی میتوانند باشند، از اطلاعات مشتریان شما گرفته تا اطلاعات حسابداری! بسته به کسب‌وکار، کاربرد داده‌ها متفاوت است. مثلا شاید برای شرکت‌های بزرگ دولتی، شما نیازمند تحلیل رفتار مشتری نباشید و بیشتر نیاز شما، تحلیل رفتار فنی درون سازمان باشد ولی برای یک کسب‌وکار آنلاین تحلیل رفتار مشتری یکی از کلیدی‌ترین ابزارهای پیش‌برد کسب‌وکار است.
شما برای خلق ارزش و تامین بهتر نیاز مشتریانتان، هر چه اطلاعات دقیق‌تری داشته باشید می‌توانید هوشمندانه‌تر عمل کنید. از طرفی در کسب‌وکارهای آنلاین اگر شما در اولین خرید مشتریتان، اطلاعات زیادی از او بخواهید ممکن است او از خرید خود پشیمان شود و اعتماد خود را نسبت به مجموعه شما از دست بدهد. باید حد متعادلی از اطلاعات را انتخاب کنید که سبب بی‌اعتمادی مشتریانتان نشود و یا طی برنامه‌ای به مرور برخی اطلاعات مفید برای سازمانتان را از مشتری دریافت کنید. مثال: سن، جنسیت، آدرس، نحوه‌ی آشنایی با شما و… .
البته این نکته نیز وجود دارد که برخی اطلاعات را مشتری شما شخصا به شما نمی‌دهد بلکه طبق فعالیتی که انجام می‌دهد، اثراتی از خود در سازمان شما به جا می‌گذارد که شما می‌توانید از آن‌ها استفاده کنید. مثلا برای سایتی مانند دی‌ام ‌برد تعداد خوانده شدن مطالب، میزان علاقه مخاطبان را به طیفی از اطلاعات نشان می‌دهد.

مهندسی دیتا چه تخصصی است؟

با اینکه عمده مهندسین دیتا دارای پیش‌زمینه‌ی برنامه‌نویسی و کامپیوتر هستند، اما مهم‌ترین پیش‌نیاز برای یک مهندس دیتا، دانش کسب‌‌وکار است. کسی که اطلاعات خوب از کسب‌وکار، بازاریابی و مسائل مربوطه داشته باشد، با گذراندن دوره‌ برنامه‌نویسی و فعالیت ۲-۳ ساله در این حوزه با کسب تجربه می‌تواند به بهترین شکل فعالیت کند. چراکه مهم‌ترین اصل برای موفقیت در این شغل تجربه، شناخت و ذهنی تحلیل‌گر است. در ایران هم نیاز به این شغل رو به افزایش بوده و هر کسی از امروز شروع کند در آینده از لحاظ شغلی می‌تواند تامین باشد.

داده‌محوری شما را چگونه از بقیه متمایز می‌کند؟

افزایش فروش

طبق گزارش مجله Forbes در سال ۲۰۱۸ شرکت‌هایی که بازاریابی داده محور انجام می‌دهند ۸۵٪ افزایش فروش دارند. این یکی از مهم‌ترین نکات مورد توجه مدیران عامل و مدیران مارکتینگ می‌باشد.

پیش‌بینی آینده

• داده‌ها امکان پیش‌بینی اتفاقات آتی قابل وقوع در سازمان را فراهم می‌کنند. پیش‌بینی درمورد:
  شرایط مشتریان در آینده: مثلا شما طبق اطلاعاتی که از کاربران گذشته خود دارید متوجه می‌شوید که کاربری که برای اولین بار از شما خرید انجام می‌دهد فاصله احتمالی خرید دوم آن چقدر است شما تلاش می‌کنید طی این زمان با کمپین‌های مختلف که برای آن گروه خاص اجرا می‌کنید آن گروه از افراد را زودتر از آن زمان به خرید دوم دعوت کنید. و علاوه بر آن به بهترین شکل ممکن میزان اثربخشی این کمیپن‌ها را بررسی کنید.
• شرایط محصولات در آینده: مثلا طبق روند مرجوئیات محصول و میزان فروش متوجه مشکلات در بخش فنی یا عدم استقبال مردم از محصول می‌شوید.
• فرصت سرمایه‌گذاری: طبق اطلاعاتی که شما از بخش بازاریابی بدست می‌آورید متوجه استقبال مردم از برخی محصولاتتان می‌شوید و سرمایه‌گذاری در آن بخش را توسعه می‌دهید.
• توسعه داخلی کسب‌وکار: نقاط قوت و ضعف منابع انسانی در داخل سازمان شناسایی شده و به آن‌ها پرداخته می‌شود در نتیجه‌ آن سازمان یک روند رشد تدریجی و ثابت خواهد داشت.

آیا امکان استفاده از دیتا برای استارتاپ‌ها نیز وجود دارد؟

بستگی به نوع فعالیت استارتاپ دارد، اگر شما در یک گروه اولین باشید شاید اطلاعات کافی موجود نباشد ولی اگر کسب‌وکاری مشابه شما قبلا وجود داشته باشد شما می‌توانید با استفاده از اطلاعات آن‌ها شروع کنید و در ادامه فرهنگ داده محوری را از ابتدا در سازمان اجرا کنید. فرهنگ داده محوری در سازمان‌های قدیمی با تغییر ساختار باید اجرا شود و شما از ابتدا شرایط را فراهم می‌کنید.

اما فرهنگ داده محوری چیست؟  مدیران عامل و مدیران بازاریابی باید تصمیمات خود را مبتنی بر داده‌ها اتخاذ کنند و همچنین تمامی کارمندان در سطوح مختلف باید به دنبال گردآوری داده‌های سودمند و تصمیم‌گیری‌ها براساس آن‌ها باشند. اگر تصمیم گیری در تمام سطوح بر اساس داده باشد، فرهنگ داده محوری بر آن سازمان حاکم شده است.

مشکلات در مسیر دیتا

عدم اطلاع از اهمیت و کاربرد دیتا

افراد در حوزه‌ی مارکتینگ به سه گروه تقسیم می‌شوند: افرادی که اهمیت دیتا بی‌اطلاع‌اند، افرادی که اطلاعات دارند ولی بستر لازمه این فرایند را ندارند این افراد با همکاری با پلتفرم‌های تحلیل داده می‌توانند به گزارش‌های مورد نیازشان دسترسی پیدا کنند ولی گروه سوم کسانی هستند که فکر می‌کنند علم کافی نسبت به داده را دارند که متوجه ساختن این افراد نسبت به وسعت و تخصص این علم شاید یک چالش باشد!

هزینه

اینکه شما بخواهید یک تیم با زیرساخت داده محور ایجاد کنید و داخل سازمان خود داده‌ها را تحلیل کنید به چندین مهندس حوزه‌ی داده نیاز دارید در این صورت آیا امکان تحمل این هزینه سنگین در سازمان شما وجود دارد؟ هزینه تهیه کردن زیرساخت و نگهداری آن یکی از عوامل مهم سد راه است.
علاوه بر این برای تشکیل یک تیم مهندسی دیتا شما به چندین مهندس دیتا و یک تحلیل‌گر کسب‌وکار نیاز دارید و عملا تعداد افراد متخصص در این حوزه بسیار کمیاب هستند.
اگر تمام شرایط فوق را هم فراهم کنید پس از استقرار تیم مهندسی دیتا افراد تیم نیاز دارند به مدت دو سال در سازمان فعالیت کنند تا آزمون و خطا کنند و دیتای ملزوم را بدست بیاورند و در نهایت بعد از دو سال ثمره‌ی تلاش این تیم برای سازمان آشکار شود.
در هر صورت برای استفاده از پلتفرم‌های تحلیل داده با ۱٪ هزینه ساخت و نگهداری زیرساخت داده محور و هزینه‌های معنوی آن می‌توانید نیاز سازمان خود را رفع کنید.

سازمان‌های قدیمی

خیلی سازمان ها به دلیل اینکه سال‌ها با آن ساختار قبلی به یک حداقل نتیجه مطلوب دستیابی پیدا کرده‌اند علاقه‌ای به تغییر ساختار سازمان ندارند. برخی از این سازمان‌ها به خاطر تجربه بد درمورد تغییر ساختار در برابر تغییرات مقاومت می‌کنند.

دشمنان دیتا

کارمندهای درون سازمان از لحاظ عملکرد واقعی و عملکرد ادراکی به چهار گروه تقسیم می‌شوند:
۱. افرادی که عملکرد واقعی و ادراکی ضعیفی دارند، این افراد درک و عکس العمل خاصی نسبت به تغییر در سازمان نشان نمی‌دهند.
۲. افرادی که عملکرد واقعی و ادراکی خوبی دارند، نسبت به این تغییر مشکوک بوده و نسبت به نتایج آتی آن از خود کنجکاوی نشان می‌دهند.
۳. افرادی که عملکرد واقعی خوب ولی عملکرد ادراکی ضعیفی دارند، این افراد دوستان دیتا معرفی می‌شوند آن‌ها می‌دانند با ساختار داده محور افراد بهتر متوجه ارزش و میزان فعالیت آن‌ها درون سازمان می‌شود.
۴. افرادی که عملکرد واقعی ضعیفی ولی عملکرد ادراکی خوب دارند، این افراد دشمنان دیتا معرفی می‌شوند آن‌ها می‌دانند افراد این‌بار متوجه عملکرد ضعیف آن‌ها خواهند شد. چنین افرادی در سازمان مخالف ساختار دیتا محور هستند.

پلتفرم‌های تحلیل داده سکان چه قابلیت‌هایی دارد؟

۱. تحلیل رفتار مشتریان
۲. تحلیل محصولات
۳. تحلیل‌های پیش‌بینی کننده
۴. KPI مانیتورینگ
۵. تحلیل Cohort

تحلیل‌های پیش‌بینی کننده

امکان پیش‌بینی اینکه در ماه X چه تعداد مشتری جذب خواهند شد، چقدر فروش نسبت به پارسال خواهیم داشت، میزان ریزش مشتری چقدر و از کدام دسته ریزش خواهد داشت، فاصله خرید مشتریان، bundling محصولات و… . این اطلاعات طبق تاریخچه‌ی رفتار مشتریان سابق به وسیله‌ی هوش مصنوعی و الگوریتم‌های خاصی اجرا می‌شود که خارج از توان انسان است.

تحلیل رفتار مشتریان

در مرحله اول برای تحلیل مشتریان باید آن‌ها را در دسته‌های مختلف دسته‌بندی نمود. مشهورترین و پرکاربردترین مدل دسته‌بندی در جهان مدل RFM است. (برای اطلاعات بیشتر درباره‌ی این مدل به مطلب سایت دی‌ام برد از این لینک  مراجعه کنید.) 

طبق این روش امکان دسته‌بندی مشتریان نسبت به کسب‌وکار سه نوع است: دسته‌بندی ۶تایی، ۹تایی و ۱۱تایی. برای هر مشتری امتیازی از ۱ الی ۵ برای R، F و M تعیین می‌شود. طبق این امتیاز گروهی از مشتریان که بیشترین امتیاز را کسب کرده‌اند به عنوان قهرمان شناخته می‌شوند. و باید رفتار ما در کمپین‌های مختلف برای هر گروه متفاوت باشد، یعنی نباید رفتار مشابه با مشتری قهرمان و تازه وارد داشته باشیم، باید برای هرکدام بسته به نیاز پیشنهادات متفاوت ارائه کنیم. پس از اجرای کمپین نیز می‌توانید مثلا میزان تغییر مشتری‌های تازه وارد به وفادار را طی این کمپین بررسی کنید.

KPI مانیتورینگ

از این طریق مدیران عامل در هر ساعت از شبانه روز می‌توانند اطلاعاتی که نیاز دارند، مانند: فروش خالص، فروش ناخالص، تعداد محصولات برگشتی و… در هر بازه‌ی زمانی KPI مورد نظرشان را بدست بیاورند.
این درصورتی است که در داخل سازمان وقتی مدیران درخواست گزارش می‌کند تهیه و ارائه آن به مدیر تا دوهفته زمان می‌برد.

تحلیل Cohort

طبق این تحلیل نرخ بازگشت مشتریان جدید در مدت زمان معلوم و با رفتار مشخص بررسی می‌شود. و بعلاوه میزان customer share (سهم مشتری) نیز بررسی می‌شود. مثلا میزان مشتریان جدید در ماه X. در حالت کلی بررسی گروه خاصی از مشتریان در مدت زمان معلوم را شامل می‌شود.
تفاوت تحلیل  Google Analytics ،Cohort و سکان در این است که  Google Analytics داده را از Client (مشتری) می‌گیرد که سبب ایجاد خطا بیشتر می‌شود، به خصوص در بخش سفارش و فروش. اما سکان دیتا را از سمت سرور جمع‌آوری می‌کند که در این صورت خطا نزدیک به صفر می‌شود.