Комментарии
Большой разбор: чем бизнес-аналитика отличается от продуктовой, продуктовая — от мобильной, в чём суть предиктивного анализа, и какие виды аналитики ещё есть
Такая разная аналитика
Сибирикс

Такая разная аналитика

Большой разбор: чем бизнес-аналитика отличается от продуктовой, продуктовая — от мобильной, в чём суть предиктивного анализа, и какие виды аналитики ещё есть
На старт, внимание, марш — сегодня погружаемся в глубины бизнесовой аналитики. Как оказалось, направлений такого анализа слишком много, чтобы держать всё это в голове (и отличать их), поэтому мы решили досконально разобраться, чем отличаются разные виды аналитик и когда они особенно нужны бизнесу.

Business Intelligence и бизнес-аналитика

Business Intelligence (BI) — это цифровые методы и инструменты, которые помогают свести разрозненную деловую информацию (финансовые, производственные, маркетинговые, бухгалтерские показатели) в единую систему, которую просто и удобно анализировать. Это понятие часто приравнивают к «бизнес-аналитике», но есть разница.

Бизнес-аналитика — это процесс анализа уже собранных, обработанных и подготовленных к анализу данных. Она оценивает текущую ситуацию и помогает делать прогнозы, поэтому её ещё иногда зовут углубленной аналитикой.

Business Intelligence — это, скорее, сам процесс сбора, обработки и «очистки» всевозможных данных и преобразование их в удобный формат. Такая аналитика помогает интерпретировать большие массивы данных, делая акценты на ключевых факторах, моделировать эффект от управленческих решений и оценивать их результаты. Поэтому её часто называют «продвинутой аналитикой».

Обычно для Business Intelligence используют специальный софт или так называемые BI-системы — например, платформы Microsoft Power BI, Tableau, Qlik, или системы Sisense, Zoomdata, Information Builders. Подобные сервисы работают по следующему алгоритму:
1
Загрузка данных
Сначала вы, как следует, «кормите» систему богатым меню информации из разных источников: от таблиц до облачных систем вроде Microsoft Azure. Данные преобразуются, пересобираются в модель и отправляются в хранилище, чтобы их было легко анализировать.
2
Анализ данных
С помощью алгоритмов и средств автоматизации обнаруживаются закономерности и расхождения, показываются тенденции и предлагаются рекомендации (обычно используется сразу несколько методов анализа — исследовательский, описательный, статистический, прогнозный).
3
Визуализация данных
Итоговые отчёты оформляются в виде графиков, диаграмм, панелей мониторинга, которые отражают текущее положение дел в бизнесе. Чаще всего для аналитики и визуализации подобные сервисы используют ИИ и машинное обучение.
Когда данные визуализированы и собраны в удобный дашборд (панель с ключевыми параметрами, изображенными в виде графиков и диаграмм), проще вносить корректировки в текущие процессы и легче обдумывать стратегические решения: в работе с клиентами, продажах, маркетинге, финансах или безопасности. Интерфейс у таких платформ обычно понятен даже не специалисту, и нужный отчёт можно получить за пару кликов.
визуализация данных аналитики
Как может выглядеть такая аналитика — на примере сервиса Qlik (источник)
Эксперты говорят, что если раньше бизнес-аналитика была прерогативой нескольких «посвященных людей» в компании, то теперь это вполне доступный инструмент для работы сотрудников из самых разных департаментов, с помощью которого им проще принимать решения.

Но при этом есть такое явление как «BI-плато» — когда данные доступны широкому кругу сотрудников, но далеко не каждый из них умеет извлекать из такой информации пользу. На помощь приходят подсказки от разработчиков внутри софта (часто — с использованием машинного обучения) или возможность общаться с аналитической системой на естественном языке (NLP, natural language processing).
Аналитика с помощью системы Business Intelligence будет особенно эффективна, если в основу анализа ляжет информация как из внешних (сведения о рынке и потребителях), так и из внутренних (финансы, производственные показатели, маркетинг) источников. Сочетание внешней и внутренней информации отражает более реалистичную картину мира с точки зрения ведения бизнеса. Старая-добрая Яндекс.Метрика на такое точно не способна :)

Когда нужна BI-система

Потенциально — всегда, если вы хотите понимать, что происходит с бизнесом и какие зависимости между разными внешними и внутренними параметрами существуют. Но особенно такая аналитика пригодится, если вы:

  • собираете много данных из разных источников и хотите их систематизировать;
  • планируете расширять бизнес или запускать новый продукт, но сначала хотите проверить гипотезы с учетом аналитики;
  • хотите оценить несколько возможных бизнес-решений с точки зрения их влияния на ключевые показатели деятельности;
  • хотите прогнозировать развитие компании на основе имеющихся аналитических данных;
  • хотите всесторонне мониторить бизнес-систему и оптимизировать процессы;
  • отчаялись найти адекватного специалиста по Data Science (наука о данных) к себе в команду.
Дата-сайентист — тот, кто сам будет собирать, обрабатывать и анализировать данные — в московский офис может обойтись вам в 150−200 тысяч ежемесячно и более (спрос HR-специалистов на январь 2021 года). Ценник на одного пользователя BI-систем — скажем, это будете вы сами — варьирует от $ 9,99 (Microsoft Power BI) до $ 70 (Tableau).
Крупные корпорации, как правило, стараются создавать собственные цифровые платформы для аналитики и всячески их улучшать — для них это важно стратегически. Для малого и среднего бизнеса, а также государственного сектора «упрощенные» BI-решения в последние пару лет становятся всё более актуальными — это не так дорого, как раньше, и даёт бОльшую управляемость в процессах. Рынок подстраивается под запрос и создаёт крутые решения с понятным юзабилити, простой интеграцией в бизнес-процессы и набором аналитических инструментов внутри для типичных задач.
Российские BI-системы
Если ваша деятельность связана с производством или государственным сектором, возможно, вам пригодятся разработки российских компаний в сфере Business Intelligence: например, Visiology — вариант, если нужно анализировать много данных, а облачные системы не подходят (есть мобильное приложение и даже телеграм-бот). Среди альтернатив — Alpha BI, Ctrl2GO (для промышленности) или Luxms BI.

Продуктовая аналитика

Ботаники следят за тем, как развиваются растения, педиатры — как развиваются дети, а продуктовые аналитики — как развивается пользовательский опыт в продукте: куда люди кликают, как часто пользуются продуктом, что кладут в корзину и так далее. Зная эту информацию, можно делать гипотезы о развитии продукта: добавлять новые фичи и находить, где люди спотыкаются (да, это та самая UX-аналитика, которая является частью продуктовой).

Цель продуктовой аналитики — улучшение продукта: с точки зрения пользовательского опыта, эффективности маркетинговых активностей и прибыльности для его владельца. За основу здесь берутся финансовые, маркетинговые и пользовательские метрики, отслеживая которые можно эффективнее управлять бюджетами на разработку и продвижение и улучшать пользовательский опыт.
Продуктовая аналитика может сказать, как именно влияет продукт на разные бизнесовые показатели, и как их можно улучшить за счёт изменений в самом продукте. Например, добавить пуш-уведомления в приложение, чтобы увеличить возврат пользователей — а с этим и количество повторных заказов. Потому что удерживать текущих пользователей всегда дешевле, чем привлекать новых.
Продуктовую аналитику иногда относят к бизнес-аналитике. Бизнес-аналитика говорит о том, как дела в бизнесе на сегодняшний момент (сколько заработали в прошлом месяце или на этой неделе, сколько «слили» на маркетинг и какой был эффект), а продуктовая аналитика — по аналогии — даёт понимание о текущем положении дел в конкретном продукте. Но здесь есть проблема: для продуктовой аналитики простого анализа того, как продукт чувствует себя сейчас, мало.

Бизнес-аналитика не работает в режиме быстрых итераций: посмотрели на данные — выдвинули гипотезу — проверили — оценили эффект. Она заточена под анализ Big Data и принятие стратегических решений.

Продуктовая же аналитика приносит эффект лишь тогда, когда её используют в режиме реального времени: оценивают имеющиеся данные, строят продуктовые гипотезы, проверяют их и оценивают эффект на продукт здесь и сейчас. Продуктовые гипотезы обычно являются решением какой-то проблемы пользователя, а их эффект оценить проще, когда идёшь от обратного: опровержение гипотезы — куда более доказательно, чем её подтверждение.

Настройка продуктовой аналитики предполагает затраты — для начала, на создание плана измерений (measurement plan). Это документ, где прописаны ключевые KPI плюс события и их свойства, которые оценивают выполнение KPI. Например, измеряемыми метриками могут быть средний чек, LTV (Lifetime Value — пожизненная ценность клиента), Retention (возврат клиентов), Conversion Rate (конверсия страницы), а событиями — «успешная оплата на странице транзакции» или «повторная покупка».
Главное с продуктовыми KPI — не перебарщивать: часто бывает, когда пытаются навесить события на каждый «шорох» пользователя в продукте. В итоге получается тонна данных, из которых используется только 10−20%, а на сбор этой информации уже потрачены трудовые часы (и деньги).
Скорее всего, изучать поведение пользователя в продукте вы будете не вручную — поэтому в затраты на продуктовую аналитику надо включать также стоимость аналитических платформ вроде Amplitude, Mixpanel, AppsFlyer или уже знакомого Tableau. Само собой, базовые бесплатные инструменты — Google Analytics или Яндекс. Метрику — никто не отменял.
как выглядит дашборд
Как может выглядеть дашборд продуктовой аналитики (источник)
Да, вы, как владелец продукта, заинтересованы в его успешном развитии, как никто другой. Но если с аналитической платформой вы вполне справитесь сами, то с другими популярными инструментами в арсенале аналитиков вы можете быть знакомы лишь заочно.

Тогда в команде пригодится продуктовый аналитик — такие специалисты, как правило, владеют языком программирования Python, который очень пригодится, если нужно автоматизировать обработку больших массивов данных или визуализировать их, а также построить модели прогнозирования. А ещё они умеют работать с SQL — инструментом для взаимодействия с базами данных продукта. За счёт этого знания продуктовые аналитики могут обходиться без разработчиков, когда нужно обработать или скомпоновать данные.
инструменты продуктового аналитика
Что ещё может использовать продуктовый аналитик (источник)
Но наличие продуктового аналитика в команде всё равно не спасёт вас от того, чтобы разбираться в ключевых метриках продукта :)
Владимир
CEO & Founder Сибирикс
Вот буквально вчера приходил на собеседование парень с такими компетенциями. Немного SQL, немного Python. В резюме всякие умные слова про PowerBi. Работает у крупного ретейлера, аналитиком. Я его спрашиваю — делаешь-то что? Говорит — отчеты готовлю, данные выбираю. Я говорю: «Ну у тебя ж там всё по-любому автоматизировано должно быть, давно. Три кнопки нажимай, и всё». Он: «Ну нет, не автоматизировано. Выбираю данные, затем засовываю их в Excel, как-то соединяю». Ну, говорю, это у тебя час-два в месяц должно занимать. А в остальное время-то что? Он мне: «Ну да, у меня загрузка на 2 дня в неделю». Спрашиваю — а не кажется ли тебе, что ты какой-то херней занимаешься? Он мне: «Не кажется, именно по этому я здесь…». Дал ему в шутку старинную задачку на SQL. C 4-й попытки сделал, но как-то неуверенно.

Я это к чему. Вокруг аналитики и выборки данных нашайтанили очень большую дымовую завесу из умных слов. А предикцию и нормальную математику мало-мало кто умеет. Математика вообще как-то немодной стала. По факту перекладываем данные из левого кармана в правый и картинки по ним выводим. Не все конечно, но большая часть. Словом, если не знаешь, какой херней ты занимаешься на работе — назови это Аналитикой

Когда нужна продуктовая аналитика

Если бы у Икара был хотя бы простенький дашборд, где показывалась бы температура окружающей среды и степень плавления воска в его крылышках, он, вероятно, смог бы избежать печальной участи. Так что, пожалуй, продуктовая аналитика нужна всегда, когда вы хотите делать успешный продукт, который не просто «взлетит», но и продолжит своё развитие.

Но особенно продуктовая аналитика пригодится, если:

  • вы ищете точки роста — продукт работает, но вы не понимаете, как его масштабировать;
  • пользователи никак не хотят превращаться в покупателей — привязав конкретные события к шагам на Customer Journey Map, проще понять типичные «затыки» и устранить их;
  • вам нужен краткий срез метрик продукта для постоянного мониторинга и принятия решений — аналитика хороша, когда она регулярна;
  • у вас есть продуктовые гипотезы, и их нужно проверить — изучая эффект на пальцах конкретных метриках, проще делать выводы;
  • вашим А/В-тестам не хватает прозрачности — красная кнопка действительно лучше работает или это эффект чёрной пятницы?

Мобильная аналитика

Мобильная аналитика — часть продуктовой. Её цель — оценивать эффективность конкретного продукта: мобильного приложения. И сейчас этот вид аналитики очень популярен, учитывая, что большинство компаний рано или поздно приходят к созданию собственного мобильного приложения.

Для мобильной аналитики изучают маркетинговую аналитику приложения (сколько бюджета на привлечение было потрачено и какой был эффект), аналитику самого приложения (как пользователи себя ведут, используя продукт) и аналитику сторов — Google Play Console и Apple Store Connect. В сторах можно найти данные о платежах, о загрузках, о повторных подписках, о сроке жизни приложения на устройстве пользователя и ещё много чего интересного.
Ребята из vc.ru и сервис мобильной аналитики Adjust подготовили словарь мобильного аналитика — внутри вы найдёте описания ключевых понятий, а также важные метрики и формулы их расчёта.
Мобильная аналитика, как и продуктовая, — изучает множество метрик и погружается в глубины глубин поведения пользователей, чтобы найти взаимосвязи. Поэтому новичкам с ней всегда сложно: эти взаимосвязи не лежат на поверхности, отчего бывает непросто понять, что добавление какой-то супер-полезной фичи (которая по гипотезе должна сделать продукт лучше) в итоге увеличит отток пользователей просто потому, что приложение будет весить на пару гигабайтов больше.

Но даже если вы вооружитесь пачкой метрик мобильной аналитики, это не подскажет вам на 100%, как действовать: какие фичи добавлять и выстрелят ли они. Поэтому, по-хорошему, придётся использовать всю свою интуицию — просто потому что ваш продукт уникален (только если вы не пилите второй Фейсбук), и вряд ли кто-то подскажет, что с ним делать дальше. Поэтому на данные аналитики надейся, а сам не плошай :)
Масло в огонь подливают две такие разные операционные системы — iOS и Android. Если вы делаете не кроссплатформенное приложение, то готовьтесь к вечному перетягиванию одеяла: идеальная фича для айфонщиков может стать катастрофическим г*ном для адроидоводов. И такие вещи всегда будут влиять на результаты мобильной аналитики, потому что интерпретировать эти противоречивые данные не так-то просто.

Когда нужна мобильная аналитика

Если вы делаете собственное приложение не для галочки и планируете на нём зарабатывать — без мобильной аналитики не обойтись. А ещё не обойтись без хорошего специалиста и удобных платформ для анализа мобильных приложений: например, того же Adjust или AppMetrica от Яндекса, гугловского Firebase, а ещё — Amplitude, AppAnnie или уже знакомого Mixpanel. Ну и если вы всё ещё доверяете Фейсбуку, то можете попробовать Facebook Analytics.
Владимир
CEO & Founder Сибирикс
Из всех попробованных инструментов мне больше всего понравился AppsFlyer. Но цены, конечно, кусучие.

Предиктивная аналитика

Что, если в астрологию вы не верите, а строить догадки о развитии продукта или бизнеса на основе бизнес-аналитики не хотите (или не умеете)? Добро пожаловать в мир предиктивной аналитики. Она использует исторические данные, которые с помощью статистических алгоритмов и методов машинного обучения превращаются в прогнозы будущих результатов.

Проблема бизнес-аналитики в том, что она опирается только на прошлое — то, что уже произошло в предыдущие периоды: сколько было выручки, потребителей, маркетинговых активностей. Предиктивная аналитика же помогает заглянуть в будущее — наверное, поэтому эта технология интеллектуальной автоматизации используется большинством крупных предприятий в мире.

Чтобы создать адекватную модель для предиктивной аналитики, нужны данные: внутренние (то, что мы уже знаем о бизнесе — ассортимент, товарооборот, выручка, количество клиентов) и внешние (всё, что так или иначе влияет на бизнес — статистика коронавируса, биржевые котировки или даже погода). Вот почему бизнес-аналитика хуже справляется с прогнозами — обычно она оперирует только внутренними данными, хотя на бизнес всегда влияют и внешние факторы.

Другой вопрос в том, что внешние данные иногда не так-то просто собрать (процесс сбора данных ещё называют Data Mining). Например, чтобы добыть информацию о чеках, придётся договариваться с операторами фискальных данных. А за какую-то информацию придётся даже платить. Поэтому каждый раз приходится думать, насколько такие данные смогут сделать прогноз точнее, и соизмеримы ли затраты на их добычу с эффектом от их использования в модели прогноза.

Как построить такую модель — опыт Redmadrobot:
1
Собрать все необходимые данные.
2
Поделить их случайным образом: 80% — тренировочная выборка, 20% — валидационная выборка. На первой модель будут обучать, на второй — проверять, что она работает верно.
3
Поделить тренировочную выборку (80%) на обучающую (70%) и тестовую выборки (30%). На первой модель обучается, на второй — проверяется.
4
Если всё работает адекватно, проверить результат на валидационной выборке (20% данных).
5
Если всё работает и здесь, модель готова предсказывать.
6
«Завернуть» модель в веб-интерфейс или приложение — тогда она сможет продолжить обучаться.
7
Следить за обучением модели и корректировать её поведение (можно автоматизировать и этот процесс, но тогда при малейшей неадекватности данных — вроде событий коронакризиса — данные будут искажаться).
Предиктивную аналитику на основе нейросетей уже давно хотят задействовать в прогнозах для тех сфер, где малейшие колебания приводят к серьёзным взлётам и падениям прибылей — например, для прогнозов цен на нефть или для биржевого рынка. Но пока это всё ещё запретный плод (может быть, это даже хорошо).
Как рассказывает РБК Trends, в 2018-м российские специалисты попробовали предугадать нефтяные цены на два года вперёд с помощью самообучающейся нейронной модели. По их прогнозам, в середине 2020-го цена Brent должна была упасть до $ 50 за баррель. А в итоге всё получилось куда хуже (в марте — $ 23 за баррель), потому что пандемию предсказать модель, увы, не могла.

На самом деле ситуация оказалась куда хуже. Нейросеть не смогла учесть влияние пандемии. На фоне коронавируса в марте 2020-го стоимость Brent падала ниже $ 23 за баррель. А концу первого полугодия с трудом дотянула до отметки $ 40−43.

Когда нужна предиктивная аналитика

Предиктивная аналитика пригодится, если:

  • вы хотите точнее прогнозировать бюджеты — не полагаться на исторические данные, а предугадывать будущие потребности;

  • нужно предсказать поведение потребителя, чтобы создать более качественные продукты и услуги под его потребности или увеличить отдачу от своих клиентов (средний чек, конверсии, лояльность);

  • нужно снизить затраты на маркетинг — прогнозные модели могут учитывать цикл жизни клиента и предугадывать его поведение;

  • нужно принять стратегическое решение, а исторических данных для этого недостаточно;

  • вы хотите увеличить продажи — предиктивная аналитика на основе истории покупок конкретного пользователя помогает предугадать другие продукты и услуги, которые он купил бы;

  • нужен прогноз эффективности рекламного контента и маркетинговых активностей;

  • вы хотите предсказывать LTV клиента и иметь возможность влиять на этот показатель;

  • у вас производство на базе высокотехнологичного оборудования, и нужно предугадывать его поломки сильно заранее;

  • нужно предсказать текучку кадров и найти причины, чтобы её устранить.

Предиктивную аналитику можно реализовать с помощью языков программирования — всё того же Python или R. А можно воспользоваться готовыми инструментами: RapidMiner, Knime, гугловским BigQuery, Oracle Big Data Preparation или TIBCO Spotfire (на самом деле, инструментов куда больше).

Сквозная аналитика

Сквозная аналитика — это маркетинговая, бизнесовая и продуктовая аналитики, но по чуть-чуть. Она отслеживает путь пользователя от просмотра рекламного объявления до покупки и оперирует сразу огромным объёмом информации: базами данных (в том числе, из CRM-систем), аналитическим софтом, инструментами визуализации, данными коллтрекинга и почтовых рассылок.

В результате получается сводный дашборд с базовыми метриками, которые объединяют маркетинг, финансы и продажи в единую взаимозависимую систему:

  • ROMI (Return on Marketing Investments) — возврат инвестиций на маркетинг;
  • ROAS (Return on Ad Spend) — возврат инвестиций на рекламу;
  • ROI (Return on Investments) — возврат инвестиций;
  • CPO (Cost per Order) — стоимость заказа;
  • CPA (Cost per Action) — стоимость целевого действия;
  • CTR (Click through Rate) — показатель кликабельности;
  • LTV (Lifetime value) —жизненный цикл клиента.
Визуализировать данные сквозной аналитики можно с помощью Google Data Studio или уже знакомого Microsoft Power BI.
В идеальной картине мира сквозную аналитику настроить проще простого: ведь данные уже основательно собираются и грамотно хранятся, все рекламные активности отслеживаются с помощью UTM-меток, а все заказы и данные о клиентах бережно вносятся в CRM. Ну да, ну да, так не бывает. Обычно разговор о сквозной аналитике заходит тогда, когда данные накрывают лавиной, и вручную их уже не обработать.

Когда нужна сквозная аналитика

Если у вас нет вообще никакой аналитики, то сквозная могла бы стать первой ступенькой к управляемости бизнес-процессов. Правда, для сбора ключевых метрик придётся работать с разными инструментами.

Сквозная аналитика особенно нужна, если:

  • у вас нет единой системы данных — данные с сайта, рекламных кабинетов, различных сервисов, CRM и трекеров хранятся как попало и никак не учитываются их взаимосвязи;

  • маркетинговые активности разрозненны — непонятно, какие каналы работают эффективнее и как они взаимосвязаны, хотя каждый в отдельности показывает неплохие результаты;

  • в вашей отчётности чёрт ногу сломит: чтобы понять, как обстоят дела в финансах, маркетинге, продажах, вы тратите не один день на сбор и консолидацию всей информации (а хотелось бы — быстро сделать срез по всем ключевым метрикам);

  • ваш маркетолог опять просит выделить бюджет на что-то экстраординарное, а продажники делают одно и то же, желая получить другой результат — сквозная аналитика показала бы, какие каналы эффективны для финансирования, и какие действия приносят больше прибыли;

  • вы устали сливать бюджеты на рекламу всего подряд — сквозная аналитика помогает найти самые популярные товары и категории и расходовать деньги оптимально.

А что есть ещё

Маркетинговая аналитика

Изучает маркетинговые кампании, чтобы увеличить их эффективность. Оперирует маркетинговыми метриками вроде ROMI (Return on Marketing Investments), CPO (Cost per Order), CPA (Cost per Action) и CTR (Click through Rate), а данные собирает из всех рекламных каналов и CRM. Метрики помогают выяснить, как ведут себя клиенты, что изменить на сайте и в рекламных креативах и каким должен быть бюджет на рекламу.

Веб-аналитика

Обычно это интегрированная система, которая собирает, измеряет, анализирует и интерпретирует информацию о посетителях сайтов, чтобы улучшить пользовательский опыт и оптимизировать работу сайта. Вот тут есть подборка неплохих инструментов для веб-аналитики.

Post-view аналитика

Post-view аналитика помогает узнать, что вы видели рекламу, которая повлияла на решение о покупке. То есть, когда вы увидели объявление в интернете, но не кликнули по нему, а потом спустя время нагуглили сайт с этим товаром/услугой и купили.

Такая аналитика помогает взглянуть на маркетинговые активности объективнее, а работает за счёт cookie-файлов. Post-view аналитику относят к сквозной, и в 2020-м на фоне коронакризиса она расцвела, как никогда. Палки в колёса этому трендовому направлению могут вставлять разработчики браузеров с их ограничениями на хранение куки-файлов.

Финансовая аналитика

К ней относится анализ всего, что связано с финансами предприятия: денежные потоки, риски, ценные бумаги, бухгалтерский и управленческий учет, маркетинговые бюджеты. Финансовые аналитики изучают тренды и тенденции в отрасли, занимаются финансовой отчетностью и формируют прогнозы и рекомендации.

Системная аналитика

Похожа на бизнес-аналитику, но с уклоном в технические тонкости: системные аналитики определяют стек нужных технологий, систематизируют технические требования для разработчиков, участвуют в проверке продукта с точки зрения его соответствия ТЗ и составляют техническую документацию.

Процессная аналитика

Такая аналитика использует «цифровой след» из журналов событий информационных систем, чтобы потом визуализировать протекание конкретного процесса и выявить его узкие места: зацикливания, пропуски шагов, лишние операции, расхождения с регламентами, переброс задач с исполнителя на исполнителя и прочее.

Процессная аналитика также помогает:

  • выявлять повторяющиеся задачи, которые можно автоматизировать и тем самым сократить затраты;
  • предупреждать ошибки на более ранних стадиях;
  • отслеживать эффект от изменений на каком-то из этапов на всём бизнес-процессе.

Такая аналитика особенно пригодится в промышленности, банковском секторе, медицине, логистике и сфере телекоммуникации.

Как всё это уживается

О взаимоотношениях всех этих аналитик сложно судить — здесь всё чаще случается так, как когда-то происходило с дизайном: сначала были графические, UI-дизайнеры, UX-дизайнеры, дизайнеры прототипов, а потом появился продуктовый дизайнер, который умеет это всё делать. Скорее всего, с аналитикой однажды случится так же. Но пока мы думаем, что соотношение выглядит как-то так:
бизнес аналитика

Но как они соотносятся, по большому счёту, неважно — важно, какие виды аналитик вы возьмёте себе на вооружение для управления продуктом и бизнесом:

  • Если вы в начале пути, и аналитики нет от слова «совсем» — скорее всего, вам нужна сквозная, чтобы представлять хотя бы в общем, что происходит с бизнесом.

  • Если вы создаёте продукт с нуля, то лучше сразу настроить продуктовую, мобильную и UX-аналитику (если это приложение), чтобы не набить шишек впоследствии.

  • Если маркетинг хромает, налаживайте маркетинговую аналитику.

  • Если с финансами не всё гладко — логично, финансовую аналитику.

  • Если хотите понимать, что происходит с бизнесом комплексно, заморочьтесь на бизнес-аналитике. Business Intelligence пригодится, если данных слишком много.

  • Если вы знаете, что процессы в компании можно улучшить, но пока не понимаете как — добро пожаловать в процессную аналитику.

И кстати, никто не говорил, что вам нужен только один тип аналитики — совмещайте, экспериментируйте и отфильтровывайте из моря метрик те, которые быстрее и лучше всего будут отражать малейшие изменения в бизнесе и продукте.