Преподаватель который помогает студентам и школьникам в учёбе.

Процессы принятия решений в организации (принципы управления на основе данных)

Содержание:

ВВЕДЕНИЕ

В современном мире, где существует множество каналов и типов устройств, статистика может оказаться как краеугольным камнем успеха компании, так и источником всех ее проблем. Бренды, которые грамотно используют данные при принятии бизнес-решений, добиваются невероятных результатов [1].

Результаты исследования консалтинговой компании PwC показывают, что организации, полагающиеся на статистику, втрое чаще остальных принимают эффективные решения [2]. Тем не менее 62% руководителей по-прежнему полагаются не на цифры, а на опыт и советы коллег [3].

Построение в компании культуры принятия решений на основе данных является темой данной работы. Вопрос перехода от традиционного управления компанией к принятию решений на основе данных является актуальным среди многих руководителей компаний и различных подразделений, так как в настоящий момент времени о таком подходе много пишут и говорят, но малое количество руководителей представляют, как внедрить культуру, построенную на данных, в повседневную работу.

Цель курсовой работы – рассмотреть процесс принятия решений в организации.

Задачи курсовой работы:

раскрыть сущность, цели и задачи управленческого решения;
провести анализ практики принятия управленческих решений в организации.

Объект курсовой работы – процесс принятия управленческих решений.

Предмет курсовой работы – особенности принятия управленческих решений.

Методы исследования – сравнения, аналитический, анализа научной литературы.

При написании курсовой работы использовалась научная литература.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ В ОРГАНИЗАЦИИ

1.1 Формирование принципов управления на основе данных

Наиболее известные компании с управлением на основе данных - это международные интернет-компании такие, как Google, Amazon, Facebook, LinkedIn. Кроме приведенных компаний, существуют другие примеры организаций, которые не завязаны на работу в интернете, но придерживающиеся принципов культуры, основанной на данных.

Компания Walmart является одной из первопроходцев в работе с данными с 1970 года. Она входила в число компаний, которые начали создавать огромные хранилища данных для управления запасами всего бизнеса. Это позволило им стать первой компанией, которая заработала более одного миллиарда долларов в продажах за первые 17 лет работы. В 1980 году Walmart пришла к выводу, что следует улучшить качество собираемых данных, поэтому для более качественного сбора данных они впервые использовали сканеры штрих-кодов в кассовых аппаратах. Данные нововведения позволили отслеживать, какие продукты хорошо продавались, и как месторасположение товаров влияло на размеры продаж, существует ли сезональный тренд, и как региональная разница влияет на покупателей. С увеличением количества магазинов и объемов продаж, росла сложность управления запасами магазинов. Благодаря историческим данным и предсказывающей модели, Walmart смогла управлять своим ростом. Для сокращения времени принятия решений Walmart стала первой крупной компанией, которая инвестировала в RFID технологии.

RFID (англ. Radio Frequency IDentification, радиочастотная идентификация) — способ автоматической идентификации объектов, в котором посредством радиосигналов считываются или записываются данные, хранящиеся в так называемых транспондерах, или RFID-метках [5].

UPS хорошо известна, как компания, которая активно используют различные данные в своей работе. На основе полученных данных компания UPS пришла к тому, что если их водители будут поворачивать только направо, минимизируя при доставке повороты налево, то это поможет сократить расходы на топливо и сократит время доставки. Результаты, полученные после введения данных инициатив, были впечатляющие - компания смогла уменьшить количество миль на 20,4 миллиона за один год.

Аналогичная ситуация наблюдается у General Electric, которые используют данные для повышения эффективности их авиационных двигателей. Сейчас около 20 тысяч самолетов работают с помощью 43 тысяч двигателей компании GE. В течение следующих 15 лет планируется выпустить в использование порядка 30 тысяч двигателей. Увеличение эффективности на 1% приведет к сокращению издержек на 30 миллионов долларов. Эти цели могут быть достигнуты за счет нового двигателя GEnx. Каждый двигатель весит 13 740 фунтов, имеет 4000 частей с 18 лопастями вентилятора, вращающимися со скоростью 1242 фут/с, и имеет температуру на выходе 1325 градусов по Фаренгейту. Но самым большим отличием от традиционных двигателей является количество данных, которое может записывать новый двигатель в реальном времени. Согласно данным GE, обычный полет создает порядка терабайта данных. Эти данные используются пилотами для принятия решений для оптимизации полета, а также используются авиакомпаниями для построения наилучшего маршрута, предотвращения потенциальных проблем и планирования профилактических мероприятий [4].

1.2 Сущность, цели и задачи управленческого решения

Управленческое решение – это некие альтернативы выбора, которые входят в компетенцию руководителя и направленные на повышение эффективности деятельности компании. На рисунке 1.1. мы видим, в каких формах могут выступать управленческие решения в организации.(рис. 1.1.)

Рисунок 1.1 Формы реализации управленческих решений

Управленческие решения могут быть поделены по разнообразным признакам 8, С.225

I. По исходной информации (ее характеру):

1) В условиях наиполнейшей информации. Этот случай предполагает, что руководитель может принять верное решение с помощью того, что ему известно все – последствия того или иного решения и того, что он уверен, в том, что делает.

2) В рамках присутствия риска.

3) В неопределенных условиях, когда информация неполная.

II. По принципам выработки решений (рис. 1.2.).

Рисунок 1.2. Управленческие решения в разрезе принципа их выработки

III. Учитывая методики решения проблем (рис. 1.3.).

IV. По частоте принятия решений: 6, С.122

1) Одноразовые (случайные);

2) Те которые имеют свойство повторяться.

V. Учитывая сферу деятельности и влияния проблеммы:

1) Производственные (технические и технологические);

2) Сбытовые;

3) Финансовые, бухгалтерские, плановые, кадровые и другие.

VI. По формам принятия:

Рисунок 1.3. Методы принятия решений по классификации решения проблем

1) Одноличные (принимаются руководителем без обсуждения с другими лицами);

2) Коллегиальные;

3) Коллективные (могут приниматься коллективом или на основании общего голосования, ответственность, в таком случае, делится между всеми);

VII. В зависимости от инстанции, в которой принимается решение (рис. 1.4).

VIII. Классификация по предмету выделяет:

1) Концептуальные решения (выделяютосновные аспекты развития предприятия) относятся к прерогативам высшего менеджмента;

2) Исполнительские или операционные (носят рутинный характер) могут осуществляться средними и нижними звеньями управленческой цепи.

Рисунок 1.4. Управленческое решение в зависимости от инстанции, принимающей его 18, С.118

IX. По решаемым задачам:

1) Информативные (имеют целью оценить получаемую информацию);

2) Организационные (призваны установить необходимую структуру управления);

3) Оперативные.

X. По широте охвата:

1) Общие (касаются всех сотрудников);

2) Узкоспециализированные.

XI. По жесткости регламентации:

1) Контурные (только образно регламентируют деятельности подчиненных и управленческого состава);

2) Структурированные (предполагают жесткое регламентирование действия подчиненных, инициатива с их стороны может проявляться лишь в решении второстепенных вопросов);

3) Алгоритмические решения (предельно жестко регламентируют деятельность подчиненных и, практически, исключает их инициативу).

ГЛАВА 2. АНАЛИЗ ПРОЦЕССА ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ ПОДХОДА DATA DRIVEN DECISIONS

Основная идея подхода Data Driven Decisions заключается в том, как каждое конкретное решение влияет на конечную цель компании, например, сколько прибыли получила компания на каждый вложенный рубль при вложении в конкретный рекламный канал [6].

Использование на практике:

Необходимо сформулировать ключевую бизнес-цель компании на текущей стадии (рост прибыли, доля рынка);
Исходя из цели определить правильные метрики, оптимизация которых будет напрямую способствовать достижению заявленной цели. Например, для достижения цели «рост прибыли», метриками могут быть (один или несколько из списка): количество новых клиентов, уровень оттока пользователей на определенном этапе, средний чек, стоимость привлечения клиентов, уровень маржинальности продуктов, уровень конверсии;
Оценка каждого бизнес-решения с точки зрения его реализации и впоследствии работать над оптимизацией выбранных метрик.

Правильно определить метрики — один из ключевых факторов успеха в любой компании. Ниже приведены характеристики, которым должны соответствовать метрики:

Сравнительность. Метрику можно сравнивать между временными периодами, рекламными каналами или группами пользователей;
Понятность. Если метрика труднозапоминаема, то ее будет намного сложнее использовать ее для достижения целей компании;
Выраженность в относительных показателях. Относительные показатели более удобны для принятия решения, их удобно сравнивать друг с другом. Сравнив метрики друг с другом, можно понять: текущее значение — это весомое изменение или долгосрочный тренд;

2.1 Разработка медийной стратегии на основе анализа данных маркетологами компании iZettle

Компания iZettle специализируется на удобных решениях для среднего и малого бизнеса в сфере кассового обслуживания, управления, анализа продаж, вовлечения клиентов, а также финансирования. Услуги компании помогают предпринимателям из разных стран создавать и развивать свой бизнес [9].

Компания iZettle размещает рекламу как в Интернете, так и офлайн, меняя медиамикс с учетом текущих задач. Раньше медийная реклама применялась только для повышения узнаваемости (в расчете на аудиторию, находящуюся вверху воронки продаж), а также для ремаркетинговых кампаний с постоянным присутствием. Для увеличения использования потенциала медийной рекламы, маркетологи iZettle решили сконцентрировать усилия на этом направлении.

Бизнес-стратегия iZettle предполагает поиск потенциальных клиентов из среды среднего и малого бизнеса с помощью анализа данных и выявления сигналов, свидетельствующих о заинтересованности в предложениях компании.

Основная идея заключается в том, что информация о любом из этапов последовательности конверсии может использоваться для оптимизации маркетинговой активности на других этапах.

Маркетологи iZettle решили в первую очередь узнать, как можно больше об уже существующих клиентах компании. Анализ данных клиентов позволил определить характеристики похожих аудиторий [10] (с помощью инструмента "Похожие аудитории" можно показывать рекламу пользователям, которые просматривают примерно те же сайты, что и посетители определенного сайта). Это позволило iZettle еще сильнее расширить круг потенциальных клиентов, включив в него пользователей со схожими интересами, аудитории заинтересованных покупателей, а также пользователей с особыми категориями интересов. Чтобы в полной мере оценить эффективность медийной рекламы, маркетологи iZettle учли не только данные о последних кликах (действиях, соответствующих нижней части воронки продаж), но и статистику по ассоциированным конверсиям [11] (в отчете ассоциированные конверсии представлено количество конверсий, связанных со вспомогательными кликами и показами), а также конверсиям по показам. Затем в кампаниях была проведена оптимизация как по кликам, так и по показам. Кроме того, данные о конверсиях в результате взаимодействий на нескольких устройствах и о конверсиях по последнему клику были использованы для интеллектуального назначения ставок AdWords. Результаты показали, что 12% клиентов совершают конверсии в результате взаимодействий на нескольких устройствах. Этот вывод помог маркетологам точнее оценить эффект медийных кампаний.

Рисунок 2.1. Оптимизация маркетинговой активности на различных этапах конверсии

Обобщенные сведения о роли каналов при ведении рекламной кампании в интернете можно найти в отчете Ассоциированные конверсии открытого инструмента Google Analytics. Бесплатная программа веб-аналитики от Google, предоставляющая подробные отчеты об использовании сайта посетителями и позволяющая узнать, что происходит после клика по объявлению. Google Analytics показывает, каким образом пользователи находят сайт и что они на нем делают.

Канал взаимодействия пользователя и рекламного объявления может играть три роли в пути конверсии:

Последнее взаимодействие – переход, непосредственно предшествующий конверсии;
Вспомогательное взаимодействие – любой переход в пути, за исключением последнего;
Первое взаимодействие – первый переход в пути (также относится к вспомогательным взаимодействиям).

Показатели отчета Ассоциированные конверсии рассчитываются для всех путей анализируемых конверсий:

Ассоциированные конверсии и Ценность ассоциированных конверсий - количество и денежное выражение продаж и конверсий, полученных с помощью канала. При расчете учитываются все вспомогательные каналы пути, за исключением последнего. Чем выше эти значения, тем больший вклад вносит канал;
Конверсии по последнему клику или прямому взаимодействию и Ценность конверсий по последнему клику или прямому взаимодействию - количество и денежное выражение продаж и конверсий, закрытых или завершенных в канале. Последним взаимодействием считаются клик или прямое посещение, непосредственно приведшие к конверсии. Чем выше эти значения, тем значительнее вклад канала в получение завершенных конверсий и продаж;
Конверсии по первому клику и Ценность конверсий по первому клику - количество и денежное выражение продаж и конверсий, начавшихся с заданного канала. Это первое взаимодействие в пути. Чем выше эти значения, тем значительнее вклад канала в получение новых конверсий и продаж;
Ассоциированные конверсии/конверсии по последнему клику или прямому взаимодействию и Конверсии по первому клику/конверсии по последнему клику или прямому взаимодействию - коэффициент, определяющий суммарный вклад канала. Близкое к нулю значение определяет канал, в основном завершающий конверсии и продажи. У канала с коэффициентом около 1 роль как вспомогательная, так и завершающая, а с более высоким значением – преимущественно вспомогательную.

К числу ассоциированных относятся все конверсии, для которых канал не является последним взаимодействием. Ценность ассоциированных конверсий – это общая ценность конверсий этого типа. Таким образом, может выполняться двойной подсчет значений в строках или в последних и ассоциированных конверсиях. Если один и тот же пользователь выполняет две конверсии, любые взаимодействия с различными каналами, зарегистрированные в обоих путях, будут учитываться для каждой из конверсий.

До появления новой стратегии главной целью медийной рекламы iZettle было привлечение новых клиентов. Теперь же медийная реклама помогает решать задачи, относящиеся к разным этапам последовательности конверсии: повышать узнаваемость бренда, побуждать к более активному использованию продуктов, укреплять лояльность.

В результате объем продаж, совершенных за счет медийной рекламы, увеличился почти вдвое. Благодаря оптимизации показа объявлений на разных устройствах доходы iZettle выросли на 5%. Адаптивные объявления в сравнении со стандартными принесли на 278% больше дополнительных кликов и на 280% больше дополнительных конверсий.

2.2 Стратегия компании по продаже пластиковых окон “Фабрика окон”

Компания “Фабрика окон” ведет свою деятельность в течение 12 лет, в штате порядка 400 сотрудников, а база клиентов насчитывает около 137000 человек. Бизнес в данной сфере является одним из самых конкурентных в России, с большим количеством игроков и сложным циклом принятия решений. Рекламный рынок находится на пике и каждый визит сотрудника должен быть оплачен. Получение заявки на установку окон не гарантирует того, что клиент сделает заказ в фирме, обычно клиенты вызывают работников сразу из нескольких компаний, а потом сравнивают их предложения и выбирают оптимальное для себя [6].

Компания “Фабрика окон” использует 4 метрики для оценки своей деятельности: выручка, EBITDA, NPS (уровень удовлетворенности клиентов) и ENPS (уровень удовлетворенности/вовлечения сотрудников). По мнению основателя компании, рекламная кампания не будет эффективна, если в любой точке контакта с брендом клиент останется неудовлетворенным. NPS и ENPS — важнейшие показатели бизнеса на уровне причин, а оборот и прибыль — это показатели на уровне следствий. Если у большинства компаний выручка и оборот считаются главными, то у “Фабрики окон” эти показатели на втором месте после NPS и ENPS. Пришел ли инженер вовремя, был ли вежлив, надел ли бахилы и помог ли передвинуть мебель — все это напрямую влияет на степень удовлетворения клиентов и их желание рекомендовать компанию друзьям. Шанс того, что в следующий раз клиент вернется именно к ним, вырастает в разы. А удовлетворенность сотрудников компанией напрямую влияет на то, как они ведут себя с клиентами, когда руководство компании этого не видит [12].

В любой компании можно придумать бесконечное количество метрик, но важно найти несколько ключевых, которые напрямую будут отражать успешность и динамику вашего бизнеса. Для «Фабрики окон» — это показатели уровня удовлетворенности клиентов и сотрудников. Именно положительная динамика озвученных показателей напрямую влияет на эффективность бизнеса обеих компаний.

Индекс NPS — метод измерения лояльности клиентов

«ОЦЕНИТЕ, ПОЖАЛУЙСТА, ПО ШКАЛЕ ОТ НУЛЯ ДО 10 СВОЮ ГОТОВНОСТЬ РЕКОМЕНДОВАТЬ ФАБРИКУ ОКОН СВОИМ ДРУЗЬЯМ ИЛИ КОЛЛЕГАМ» - это стандартный вопрос для измерения индекса NPS.

Что такое индекс NPS? Это принятый во всем мире индекс измерения лояльности клиентов, представленный в декабре 2003 года Фредериком Райхельдом в журнале Harvard Business Review. Основа метода — анализ ответов на вопрос, задаваемый клиентам после оказания услуг: «С какой вероятностью вы порекомендуете Фабрику Окон своим друзьям или знакомым?» [13].

Согласно этой концепции, клиенты делятся на три типа:

Первый тип — это промоутеры, то есть клиенты, оценивающие свою готовность рекомендовать компанию на 9 баллов и выше. Такие клиенты настолько восхищены сотрудничеством с компанией, что готовы взять на себя определенный риск, который неизбежно возникает при рекомендации. Получается, что эти клиенты уверены, что компания настолько хороша, что не может не понравиться их близким;
Второй тип клиента — это те люди, которые поставили оценку в 7-8 баллов. Это нейтральные клиенты. Это те люди, ожидания которых оказались оправданы, но они не обладают стремлением рекомендовать компанию другим;
Третий тип клиентов — это «отрицательные» агенты, поставившие при опросе ниже 6 баллов. Эти клиенты не удовлетворены компанией и не будут ее рекомендовать.

Чтобы посчитать индекс NPS, необходимо вычесть из процентного показателя количества «позитивных» агентов тот же показатель агентов «отрицательных». Полученное число — и есть NPS. Важно, что индекс лояльности в любой сфере может составлять от -100 до 100%.

NPS в Фабрике Окон

Компания стремимся работать так, чтобы каждый клиент был готов рекомендовать их в будущем. И поэтому основная задача — это увлечь каждого клиента, запомниться ему. Когда “Фабрика окон” только начала измерять индекс NPS в ноябре 2013 года, его показатель составлял 30%. К 2014 году была поставлена цель — поднять показатель до 70%. На практике за первую половину 2014 года индекс лояльности в” Фабрике окон” составил 72%. А это значит, что больше половины наших клиентов готовы рекомендовать работу с компанией своим близким. В 2015 году была поставлена цель - достигнуть 90% [13].

В настоящее время компания показывает хорошие результаты - это не только высокий показатель NPS, но и множество положительных отзывов, а также большое количество клиентов, возвращающихся к повторно. Пример последнего месяца (февраль), - 82% клиентов готовы рекомендовать, 13%, вероятно, будут рекомендовать и лишь 5% не готовы рекомендовать. Когда индекс NPS в «Фабрике Окон» только начинали измерять, он составлял всего 30%.

Самый важный показатель по мнению основателя “Фабрики окон” это NPS сотрудника компании. То есть сотрудник является внутренним клиентом - насколько он включен, насколько он вовлечен. Как его измеряют в компании? Если с клиентами замеры проводятся каждый день через обзвоны каждого клиента, то с сотрудниками делаются замеры раз в год и сравниваются эти показатели с предыдущими замерами. Техника следующая: работники отвечают анонимно, в компьютерах, которые стоят в отдельных комнатах, они отвечают на 20 вопросов, и не каждый сотрудник, а репрезентативная выборка. Выборка содержит из порядка 100 человек. Через такие опросы можно понять, как по мнению сотрудников улучшилась или ухудшилась компания. Это отвечает на уровень причин, как обстоят в бизнесе дела.

Выстроив данную систему, “Фабрика окон” смогла подтвердить гипотезу относительно контекстной рекламы: реальные заказы были получены из источников, в которых относительно небольшое число конверсий. Там же, где конверсий много, лишь очень малая часть из них потом превращается в реальный договор. В итоге был перераспределен бюджет и теперь компания получает в два раза больше прибыли с одной только контекстной рекламы, не говоря уже о том, что работает эффективно весь комплекс инструментов.

Такими небольшими шагами идет оптимизация не только воронку привлечения и продаж, но и делаем более эффективным сам бизнес. За 6 месяцев работы возврат маркетинговых инвестиций вырос на 22%, количество целевых звонков увеличилось на 11%, а средний чек стал выше на 7%. Высвободившиеся после более эффективного расходования рекламного бюджета средства «Фабрика Окон» направила на закупку оборудования, открытие новых шоу-румов, развитие программы лояльности и обновление автопарка.

2.3 Использование данных интернет-магазином электроники ePrice

Специалисты интернет-магазина электроники ePrice заметили, что за год трафик с мобильных устройств вырос на 325%, а с компьютеров – уменьшился на 3%. Чтобы адаптироваться к массовому переходу покупателей на смартфоны, компания занялась оптимизацией мобильного сайта и приложения, а также увеличила инвестиции в мобильный маркетинг [14].

Прежде всего специалисты ePrice начали использовать User ID из Google Analytics 360 [15] (Эта функция позволяет связать один или несколько сеансов и выполняемые в их рамках действия с постоянным уникальным идентификатором, который передается в Analytics) для отслеживания взаимодействий на нескольких устройствах.

Каждый такой идентификатор определяет уникальный аккаунт Analytics и позволяет более точно определять число пользователей в отчетах. Отправляя в Analytics идентификатор и связанные с ним данные в рамках разных сеансов, задается контекст действий пользователя, позволяющий определить активные отношения для анализа. В качестве значений User ID в Analytics можно передавать уникальные идентификаторы, назначаемые системой аутентификации компании. Так можно учитывать в Analytics любые взаимодействия, включая клики по ссылкам и просмотры страниц, произошедшие при назначенном идентификаторе.

Если эта функция Analytics не применяется, каждый раз при доступе к контенту с другого устройства или создании нового сеанса учитывается уникальный пользователь. Например, если пользователь выполнит поиск с телефона, через три дня совершит покупку с ноутбука, а позднее обратится в службу поддержки с планшета, в стандартной реализации Analytics будут учтены три уникальных пользователя, даже если эти действия выполнены под одним аккаунтом. В таком случае становится невозможным определение наличия каких-либо взаимоотношений между действиями и устройствами, каждый раз получая независимые точки данных.

С помощью функции User ID можно определить связанные действия и устройства, установив отношения между точками данных, которые выглядят независимыми. Соответственно, в показанной в предыдущем примере ситуации теперь будут определены три взаимосвязанных действия на связанных устройствах. Благодаря этому возможно понять контекст для анализа, позволяющий сформировать целостное представление о взаимодействии с пользователями.

Выяснилось, что взаимодействия на мобильных устройствах способствовали продажам на сайте. Кроме того, у покупателей, использовавших несколько устройств, а не одно, средняя сумма заказа была на 16% выше. Эти сведения помогли ePrice реализовать более точные модели атрибуции и пересмотреть вклад мобильных устройств в продажи (который оказался на 92% больше, чем считалось раньше).

Следующим шагом было тестирование мобильных инвестиций в поисковые и торговые кампании. Постепенно повышая ставки, компания смогла перестроиться на мобильный шопинг и при этом удержать расходы в нужных рамках.

Эти меры быстро принесли результаты. По сравнению с предыдущим годом цена за конверсию на мобильных устройствах понизилась на 80%, а доля конверсий по последнему клику на мобильных устройствах в общей структуре дохода увеличилась. При этом количество конверсий за год выросло на 112%.

2.4 Компания OZON.ru в два раза увеличила показатель конверсии при ремаркетинге благодаря интеграции данных из CRM

Один из ведущих игроков российского рынка электронной коммерции компания OZON.ru решила использовать данные из собственной CRM для повышения рентабельности инвестиций в рекламу при ремаркетинге. Благодаря моделированию ожидаемого LTV (Lifetime Value — это совокупная прибыль компании, получаемая от одного клиента за все время сотрудничества с ним) [17], которое позволило предсказывать прибыльность покупателей и в соответствии с этим ранжировать рекламные затраты на их привлечение, ей удалось удвоить показатель конверсии, а объем рекламных кампаний вырос в 2,5 раза [16].

LTV — это одна из важнейших метрик в бизнесе (особенно E-commerce). Девид Скок, известный венчурный инвестор, в своей статье говорит, что большинство стартапов умирает из-за того, что стоимость привлечения нового клиента (CAC) превышает пожизненную стоимость клиента (LTV).

Как показывает практика, чаще всего такой перевес происходит из-за того, что компаний фокусируется на осуществлении сделки и зачастую забывает об опыте, который получает клиент после конверсии.

Знание LTV помогает:

Определить реальный ROI по стоимости привлечения нового клиента - LTV помогает сфокусироваться на тех каналах, которые приносят лучших клиентов. Лучше оптимизировать свои маркетинговые каналы на основе прибыли, которую приносит клиент за всё время, нежели на доходе от его начальной покупки. Следовательно, можно максимизировать пожизненную ценность клиента по отношению к стоимости привлечения нового (CAC).
Улучшить стратегию удержания клиента - значение маркетинговой кампании (например, той, что превращает покупателя, однажды совершившего покупку, в постоянного клиента) не должно быть основано на текущем доходе. Оно должно оцениваться во влиянии на средний LTV в сегменте потребителей, на которых происходит таргетирование.
Создать более эффективными обмен сообщениями, таргетинг и информирование клиентов - сегментирование своих клиентов по LTV. Это помогает усовершенствованию релевантности маркетинговых кампаний при помощи более персонифицированных сообщений. Важная переменная, используемая здесь — это типы продуктов, которые вы продаете клиентам из разных сегментов.
Усовершенствовать поведенческие триггеры - используя кластерные техники, открываются новые поведенческие триггеры, которые простимулировали клиента сделать свою первую покупку. Дублирование этого поведенческого фактора с новыми потенциальными клиентами подтолкнет их к первому приобретению.
Улучшить производительность за счет поддержки клиентов - фокус времени на оказание особого внимания к самым ценным клиентам.

CRM хранит огромный пласт ценной информации о покупателях и тех действиях, которые они совершали на сайте компании, особенно, когда речь идет о таком крупном игроке рынка e-commerce как OZON.ru. Именно поэтому для увеличения эффективности ремаркетинга и корректировки затрат на привлечение отдельных клиентов, было принято решение использовать данные из CRM. Это позволило ранжировать пользователей, которые уже взаимодействовали с сайтом OZON.ru в прошлом, по ожидаемой прибыли для компании и настроить ремаркетинг таким образом, чтобы более высокие ставки автоматически выставлялись на более прибыльных клиентов.

Методология интеграции данных из CRM

На первом этапе была настроена ежедневная обработка данных в CRM компании OZON.ru. Специальное приложение оценивало всех пользователей, совершивших действия на сайте, на основе RFM-модели по трем показателям: как давно (Recency) и с какой частотой (Frequency) они делали покупки, а также по величине чека (Monetary Value) и их географии. Приложение предсказывало ожидаемый LTV каждого покупателя в течение года и передавало эти данные в Google Analytics, где пользователи группировались в списки аудиторий на основе предсказательных сигналов их дальнейшего поведения по отношению к компании и вероятности совершения покупок. И наконец, на последнем этапе эти аудитории экспортировались в Google AdWords, где по ним настраивался ремаркетинг, автоматически ранжируя значения рекламных ставок исходя из разницы в ожидаемой прибыльности этих списков.

После интеграции данных из CRM в онлайн-рекламу, OZON.ru получил видимые результаты: показатель конверсии кампаний ремаркетинга увеличился в два раза. Кроме того, в два с половиной раза вырос объем кампаний, а коэффициент возврата инвестиций (ROI) стал выше на 55%. Также данный подход был одним из драйверов улучшения когортного поведения покупателей, помогая поддерживать покупки и уменьшать отток (customer churn) у повторных покупателей. Ощутив эффект от данного подхода, OZON.ru начал использовать его не только в контекстно-медийной сети Google, но и в поисковой рекламе.

2.5 Использование данных для оценки влияния поисковой рекламы на посещаемость магазинов IKEA

За 75 лет, прошедшие с момента основания компании IKEA, легко узнаваемые желто-синие фасады появились более чем в трехстах городах мира. Ежегодно ее магазины посещают более 770 миллионов покупателей, которых привлекают современный дизайн, широчайший ассортимент и дружелюбная атмосфера. И несмотря на стремительное развитие электронной торговли, обычные магазины по-прежнему являются основой бренда IKEA. Бизнес IKEA невозможно представить без магазинов и шестигранных ключей. Однако это не означает, что компания не заинтересована в электронной торговле. IKEA не только занимается развитием своего интернет-магазина, но и проводит различные маркетинговые кампании, чтобы привлечь онлайн- и офлайн-покупателей. Особое место в этой стратегии занимает сервис “Google Покупки”. Поскольку рентабельность инвестиций в рекламу (ROAS) является одним из ключевых показателей бизнеса, маркетологам компании было важно понять, как объявления в Интернете влияют на покупки офлайн. С этой целью в июне 2015 года они начали использовать данные отчетов AdWords о посещении магазинов. Такие отчеты доступны рекламодателям с широкой сетью розничных точек, активно размещающих рекламу в Интернете. В них обобщенные анонимизированные данные о местоположении пользователей сопоставляются с данными о кликах по объявлениям. Это позволяет отслеживать, сколько пользователей посещает магазин после просмотра рекламы [18].

Конверсии в результате посещения магазинов

Функция отслеживания конверсий в AdWords позволяет узнать, как клики по объявлениям влияют на посещения розничных магазинов, отелей, ресторанов, автосалонов и т. д.

Возможность учета конверсий в результате посещения магазинов доступна ограниченному кругу рекламодателей. Конверсии в результате посещений магазинов доступны ограниченному кругу рекламодателей AdWords.

Для использования этой функции необходимо:

быть владельцем нескольких обычных магазинов в определенных странах;
получить тысячи кликов по объявлениям и множество посещений магазинов;
связать аккаунт сервиса "Google Мой бизнес" с аккаунтом AdWords;
создать запись о каждом филиале своей компании в аккаунте сервиса "Google Мой бизнес".

Данные по посещениям магазинов основаны на анонимной обобщенной статистике. Система моделирует значения с помощью текущих и прошлых сведений о количестве людей, которые нажимают на объявления, а затем посещают ваш магазин.

Данные по посещениям магазинов не могут быть привязаны к отдельным пользователям или кликам по объявлениям.

Результаты анализа данных по конверсиям в результате посещения магазина компанией Икеа

Благодаря отчетам AdWords маркетологи IKEA смогли сразу оценить, как реклама в Интернете влияет на посещаемость. Согласно полученным данным, 10,6% пользователей, нажавших на платные объявления в Интернете, пришли затем в магазины. Кроме того, оказалось, что посетители обычных магазинов после просмотра такой рекламы приносят компании в три раза больше дохода, чем те, кто под ее влиянием делает покупки онлайн. Данные о поведении пользователей, полученные на более ранних этапах, уже помогли маркетологам IKEA скорректировать стратегию: теперь на компьютерах чаще показывается реклама интернет-магазина, а на мобильных устройствах – реклама обычных магазинов. Данные о посещении магазинов оказались настолько полезными, что теперь их включают во внутренние отчеты компании и учитывают в долгосрочной стратегии оптимизации.

Перечень рассмотренных выше кейсов включает в себя два кейса из практики на российском рынке и три кейса зарубежных компаний, а также были описаны различные индустрии бизнеса, такие как финансовые технологии, производство материалов, интернет продажа товаров, услуги логистики и доставки, производство и продажа мебели. В таблице 1 приведена информация для сравнительной характеристики используемых данных, поставленных целей, метрик, подходов, а также достигнутых результатов в рамках выполнения определенной бизнес-задачи.

Таблица 2.1. Сводный перечень характеристик рассмотренных компаний

	iZettle	Фабрика окон	eRrice	Ozon	IKEA
Исходная проблема	Разработать стратегию медийной рекламы, охватывающую все этапы последовательности конверсии	Увеличение уровня удовлетворенности клиентов и сотрудников	Адаптироваться к переходу покупателей на мобильный шопинг	Повысить эффективность рекламных кампаний при ремаркетинге, не уменьшая их объем	Оценить влияние интернет-рекламы на продажи в магазинах
Источники данных	Характеристики существующих клиентов; Статистика по конверсиям (AdWords)	Опросы сотрудников и клиентов; Финансовые показатели	User ID из Google Analytics 360	CRM данные компании	Данные отчетов AdWords о посещении магазинов; Данные о местоположении пользователей; Данные о кликах по объявлениям
Метрики	Объем продаж; Количество конверсий	Выручка; EBITDA; NPS; ENPS	Количество конверсий; Стоимость конверсии	Показатель конверсии; Возврат от инвестиций в рекламу (ROI)	Рентабельность инвестиций в рекламу (ROAS)
Подход к улучшению метрик	Подбор аудиторий, соответствующих характеристикам уже существующих клиентов; Поиск новых целевых групп и расширение аудитории рекламных кампаний на основе анализа данных; Увеличение онлайн-присутствия для наиболее перспективных аудиторий, сегментов, объявлений и мест размещения; Анализ ассоциированных конверсий и конверсий по показам; Применение интеллектуального назначения ставок в AdWords	Измерение индекса удовлетворенности клиентов CSI и измерение индекса лояльности клиентов NPS	Использование User ID из Google Analytics 360 для отслеживания взаимодействий на нескольких устройствах; Переоценка вклада мобильных устройств в продажи; Увеличение мобильных ставок внутри поиска и торговых кампаний	Использование RFM модели, которая позволяет ранжировать пользователей, совершавших действия на сайте, по ожидаемой прибыльности за следующий год (LTV); Передача этих данных (обезличенные user_id) в Google Analytics; Создание групп пользователей с одинаковой доходностью и экспорт их в Google AdWords; Настройка затрат на ретаргетинг исходя из ожидаемой прибыльности этих групп	Учет данных о посещении магазинов в стратегии назначения ставок с целью стимулирования продаж офлайн; Корректировка модификаторов ставок с целью привлечения посетителей в магазины; Увеличение доли показов по запросам от пользователей, намеревающихся посетить обычный магазин
Результаты применения подхода	Объем продаж, совершенных за счет медийной рекламы, вырос почти вдвое; 12% всех конверсий получены в результате взаимодействий на нескольких устройства; Адаптивные объявления в сравнении со стандартными принесли на 278% больше дополнительных кликов и на 280% больше дополнительных конверсий	Рост индекса NPS на 50% в феврале 2017 года по сравнению с ноябрем 2013 года	Цена за конверсию на мобильных устройствах понизилась на 80%; Увеличилась доля конверсий по последнему клику на мобильных устройствах в общей структуре дохода; Количество конверсий выросло на 112%	В два раза увеличился показатель конверсии рекламных кампаний OZON.ru; В 2,5 раза увеличился объем рекламных кампаний, а возврат инвестиций в рекламу (ROI) повысился на 55%	10,6% пользователей, нажавших на поисковые объявления, затем посетили магазины IKEA; Рентабельность инвестиций в цифровую рекламу выросла в 5 раз

После изучения информации, приведенной в Таблице 1, можно подвести итог, что у разных компаний в разных индустриях и при разных бизнес-целях могут использоваться разные бизнес-метрики. Но важно соблюдать баланс при выборе этих метрик, не более двух, для большей точности при принятии бизнес-решений.

При постановке задач в сфере маркетинга наиболее подходящими данными будет информация о клиентах. Огромная база данных создается пользователями при работе в интернете, поэтому при оптимизации своей маркетинговой кампании стоит использовать данные из аккаунтов своих систем контекстной рекламы, например, геоданные, показатели конверсий. При совмещении подобных измерений с показателями данных CRM можно сформировать определенную картину того, как функционирует бизнес, и составить план бизнес-решений.

В большинстве случаев целью компаний является оптимизация и увеличение эффективности определенного процесса. В маркетинге в качестве метрик для определения эффективности могут быть выбраны такие показатели, как количество конверсий или возврат от инвестиций в рекламу. Последний наиболее предпочтителен, так как мы можем отследить финансовую составляющую процесса. Например, для финансовой оценки показателя NPS, который использует компания «Фабрика Окон», его можно модернизировать с помощью использования информации о стоимости привлечения клиента. Если оценивать количество клиентов с высоким NPS, как соотношение с новыми клиентами, которые обратились по рекомендации, учитывая стоимость привлечения, то можно рассматривать показатель потенциальной прибыли от привлечения.

ЗАКЛЮЧЕНИЕ

Путь к верным решениям и выдающимся результатам лежит через анализ данных. Однако следовать этому направлению совсем непросто: прежде всего необходимо наладить сбор и систематизацию информации.

К сложностям использования подхода принятия решений на основе данных в большинстве случаев относится сложность получения или интеграция данных. Эта проблема будет дальше оставаться актуальной, так как объемы данных продолжают расти с огромной скоростью. Для ее решения необходимо заручиться поддержкой руководства и привлечь к работе нужных специалистов.

По результатам опросов, к сложностям внедрения культуры, основанной на данных, все меньше является отсутствие необходимых инструментов и технологий. Большой и сложной проблемой будет являться не приобретение инструментов, а использование их полного потенциала для анализа данных. Цель данной работы состоит в описании методологии перехода и внедрения управления на основе данных, которая может использоваться компанией в качестве руководства к использованию.

В рамках данной работы была описана методология перехода и внедрения управления на основе данных, которая может использоваться компанией, были раскрыты теоретические основы и суть данного подхода, рассмотрены решения, которые применялись международными компаниями, приведены компетенции, которыми должен обладать специалист по работе с данными, сформированы принципы отслеживания метрик и результатов, а также рассмотрены практические примеры использования данного подхода.

К трем факторам успеха для успешной работы с данными относятся грамотное использование аналитических инструментов, регулярная систематизация данных, понимание общих целей, как руководителями компании, так остальными сотрудниками.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Три совета по эффективному использованию данных [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/article/tri-soveta-po-effektivnomu-ispolzovaniiu-dannykh/. – (Дата обращения: 30.07.2017).
PwC, Big Decisions™, всемирный опрос об анализе данных. Выборка: 1135 руководителей высшего звена со всего мира, май 2016 год.
PwC, Big Decisions™, всемирный опрос об анализе данных. Выборка: 2106 руководителей высшего звена со всего мира, май 2016 г.
DJ Patil and Hilary Mason, Data Driven Creating a Data Culture. — O’Reilly Media, 2015. — 28 с.
RFID [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/RFID – (Дата обращения: 30.07.2017).
Данные решают. Что такое Data Driven Decisions и зачем оно вам? [Электронный ресурс]. – Режим доступа: http://businessfun.club/2016/01/16/data_driven_decisions/. – (Дата обращения: 30.07.2017).
Маркетинговые аналитики: люди, которые умеют интерпретировать данные [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/article/marketingovye-analitiki-liudi-kotorye-umeiut-interpretirovat-dannye/. – (Дата обращения: 30.07.2017).
Филлипс, Тим, Управление на основе данных. Как интерпретировать цифры и принимать качественные решения в бизнесе; пер. с англ. Юлии Константиновой. - М.: Манн, Иванов и Фербер, 2017 — 192 с.
Разработав медийную стратегию на основе анализа данных, маркетологи компании iZettle обратились к целевой аудитории на всех этапах пути к конверсии [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/case-study/razrabotav-mediinuiu-strategiiu-na-osnove-analiza-dannykh-marketologi-kompanii-izettle-obratilis-k-tselevoi-auditorii-na-vsekh-etapakh-puti-k-konversii/. – (Дата обращения: 30.07.2017).
Как привлечь похожую аудиторию [Электронный ресурс]. – Режим доступа: https://support.google.com/adwords/answer/2676774?hl=ru. – (Дата обращения: 30.07.2017).
Как привлечь похожую аудиторию [Электронный ресурс]. – Режим доступа: https://support.google.com/adwords/answer/1722023?hl=ru. – (Дата обращения: 30.07.2017).
Как создать Dream Team: секреты от "Фабрики Окон" [Электронный ресурс]. – Режим доступа: https: //new-retail.ru/persony/kak_sozdat_dream_team_sekrety_ot_fabriki_okon7382/. – (Дата обращения: 30.07.2017).
Индекс NPS — метод измерения лояльности клиентов [Электронный ресурс]. – Режим доступа: https://www.fabrikaokon.ru/nps.html. – (Дата обращения: 30.07.2017).
Использование User ID из Google Analytics 360 помогло ePrice пересмотреть свои мобильные инвестиции и снизить цену за конверсию на мобильных устройствах на 80% [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/case-study/ispolzovanie-user-id-iz-google-analytics-360-pomoglo-eprice-peresmotret-svoi-mobilnye-investitsii-i-snizit-tsenu-za-konversiiu-na-mobilnykh-ustroistvakh-na-80/. – (Дата обращения: 30.07.2017).
Функция User ID [Электронный ресурс]. – Режим доступа: https://support.google.com/analytics/answer/3123662?hl=ru. – (Дата обращения: 30.07.2017).
Компания OZON.ru в два раза увеличила показатель конверсии при ремаркетинге благодаря интеграции данных из CRM [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/case-study/ozonru-v-dva-raza-uvelichila-pokazatel-konversii-pri-remarketinge-blagodaria-integratsii-dannykh-iz-crm/. – (Дата обращения: 30.07.2017).
Как считать LTV (Lifetime Value) [Электронный ресурс]. – Режим доступа: https://www.cubeline.ru/blog/posts/kak-schitat-ltv-lifetime-value.html. – (Дата обращения: 30.07.2017).
Данные отчетов AdWords позволили оценить влияние поисковой рекламы на посещаемость магазинов IKEA [Электронный ресурс]. – Режим доступа: https://www.thinkwithgoogle.com/intl/ru-ru/case-study/dannye-otchetov-adwords-pozvolili-otsenit-vliianie-poiskovoi-reklamy-na-poseshchaemost-magazinov-ikea/. – (Дата обращения: 30.07.2017).