Бородатый веб-аналитик Андрей Осипов: только спустя 7 лет большие компании поняли, насколько сквозная аналитика важна для бизнеса

Power BI или Google Data Studio?
Продуктовые решения или кастомные инструменты учета данных?
Python или R?
Об этих и многих других вопросах поговорили с веб-аналитиком Андреем Осиповым. Читайте интервью и узнаете, какому бизнесу точно не обойтись без глубокой статистики данных, какие инструменты помогут на базовом уровне и с какими вызовами сталкиваются специалисты сферы уже сегодня.

Давайте начнем с азов: какой, по вашему мнению, минимальный набор инструментов для отслеживания аналитики нужен бизнесу?

— Основной — это Google Analytics, он позволяет закрыть базовые задачи. Но для полноценного понимания эффективности тех или иных кампаний, чаще всего, его недостаточно. Надо привлекать спецов, которые совершат ряд дополнительных настроек.

Обязательно ли аналитику знать язык программирования?

— Дима Булах часто шутит, что Google Tag Manager — это извращенный способ выучить JavaScript. Казалось бы, GTM изначально позиционировался, как инструмент, облегчающий маркетологам настройку аналитики и, вроде как, базово он довольно простой и несложный. Но как только тебе хочется сделать чуть более сложные вещи, возникает потребность изучить JavaScript. Стоит совсем чуть-чуть отойти от базового, — и вы уже почувствуете потребность навыков программирования.

Что лучше для аналитики: Python или язык R?

— Эти языки похожи по функционалу и стилистике, но вообще очень разные. R — это язык программирования, основная задача и применение которого — анализ результатов исследования. Если у вас, как у специалиста или аналитика, есть дата-сет (т. е. некий набор данных, таблица), из которой вам нужно сделать какие-то выводы, как-то ее посмотреть, под какими-то углами, что-то посчитать, то R — прекрасный инструмент.
Python же ориентирован на программирование, на создание каких-то решений, программ, которые автоматически вытаскивают нужные нам данные из системы, преобразуют их и складывают в другое место. В первую очередь, это язык создания каких-то приложений, чаще всего с возможностью какой-то статистики. Есть довольно много библиотек для расчета этих показателей, для понимания эффективности каких-то вещей, тех же регрессий и т. п., но, в первую очередь, R используется для personal use, а Python — для разработки приложений.
Безусловно, на Пайтоне можно самостоятельно делать какие-то вещи и применять его для решения простых задач в личных целях. Но все-таки, если вы идете больше в сторону data-science, статистики, то вам отлично подойдет R, ежели вы больше дата-инженер, т. е. человек, который создает data-warehouse — некое хранилище данных, откуда вы можете скачать данные, как-то их преобразовать, реализовать часть автоматического маркетинга или отчетность — тогда вам нужен Python.

Чем веб-аналитик отличается от бизнес- или продуктового аналитика?

— Сейчас все профессии сильно меняются: раньше, к примеру, был такой себе специалист-компьютерщик, который мог и чернила в картридже поменять, и сайт сделать, и локальную сеть проложить. Потом каждая из видов такой деятельности начала выделяться в отдельную специализацию. В частности, по разработке мы, к примеру, привлекаем UX/UI спецов, хотя, раньше, этим занимался один человек. Они вместе работают, но задачи у них совершенно разные. Здесь то же самое: если раньше существовал просто веб-аналитик, который объединял много задач, то сегодня мы отдельно выделяем еще бизнес-аналитиков. У них тот же инструментарий, но абсолютно иные задачи, нацеленные на достижение иных KPI.
Классический веб-аналитик работает с данными конкретного сайта или мобильного приложения, но сейчас сферы настолько интегрировались друг в друга, что я часто вижу даже среди своих задач более бизнесовые. Я вроде и веб-аналитик, но занимаюсь и бизнес-задачами, связанными с теми же источниками трафика и прочими вещами. И чем дальше, тем больше, мне кажется, эти сферы будут пересекаться и влиять друг на друга.

О каких еще трендах в сфере можно говорить?

— Это всегда очень субъективный вопрос, потому что кому-то в каких-то областях эти тренды четко видны, а кому-то нет. Я начал говорить о сквозной аналитике как о важном инструменте еще в 2012 году. Но только спустя 7 лет ощутил интерес к этой теме со стороны больших компаний, которые обращаются ко мне за услугами.

Можно отметить общие тенденции развития. Например, все что связано с Machine Learning, predictions, автоматизацией маркетинга и отчетностей. Ваш вопрос про выбор между R и Python назрел, он актуален сейчас: все понимают, что данных становится очень много и с ними нужно что-то делать, как-то более хитро их использовать с целью получения лучших результатов. Но каких-либо общепринятых конкретных механизмов относительно того, как это делать, пока нет, каждый работает интуитивно. И из этого, кстати, получаются крутые кейсы! Machine Learning уже активно применяется: есть отдельные стартапы и даже отдельные Google-продукты, но от среднего и мелкого бизнеса они еще очень далеки. Большой тренд — это, несомненно, big data и, как следствие, ML: различные механизмы для автоматизации чего-нибудь: расчетов, управления, отчетности.

Что еще, кроме работы с большим массивом данных, можно выделить в качестве проблемы, решения которой не хватает сфере?

— Я не могу сказать, что это проблемы, я воспринимаю такие моменты, как задачи, которые можно быстро и эффективно решить, а можно решать долго и неэффективно. Но часто определить их можно только спустя время, оглядываясь назад и осознавая, что в этом месте было затруднение, которое решилось каким-то клёвым нововведением.
Например, последний год я очень активно работаю с Google Cloud Platform — это набор сервисов от Google, который позволяет работать с big data и реализовывать процессинг этих данных. Там очень много различного функционала и, допустим, чтобы развернуть какое-нибудь хранилище данных — SQL-сервер, — мне нужно где-то секунд 15. Фактически, нажать три кнопки. Чтобы сделать это, скажем, 3-5 лет назад, мне нужно было поднять какой-то сервер, развернуть там данные… В общем, это заняло бы намного больше не только времени, но и компетенции в области, которая мне, к тому же, была не очень интересна. Все это вызывало довольно много усложнений, которые с появлением менеджмент-платформ по типу Google Cloud просто ушли. И да, можно было бы сказать, что это проблема и раньше не хватало такого рода систем, но тогда никто об этом просто не думал.
В веб-аналитике сейчас также сложно что-то подобное отследить. В GTM регулярно появляются интересные новые штуки. Например, триггер Element Visibility, срабатывающий в увиденной пользователем области экрана. Очень классная вещь, я писал различные JavaScript библиотеки и скрипты, которые делали то же самое очень задолго до ее появления и да, это было неудобно. С появлением такого триггера в GTM стало намного проще, но сказать, что это была проблема…. Скорее, некий вызов. И почти все в сфере сейчас про это, почти все моменты, которые меня где-то не устраивают, наверно, про то, что такие задачи можно решать проще. Но все идет в нужном направлении :)

Можно ли говорить, что большим компаниям сложнее в работе с данными из-за объемов этих компаний и их меньшей мобильности?

— Да, и это почти всегда так. Реализация какой-либо сквозной аналитики в небольшой компании, где все заточены на результат и где налажена нормальная коммуникация между продактами и дев-отделом может занять, скажем, две недели. А в больших компаниях все полгода, — и это потерянная прибыль.
Хотя, опять же, процессы везде разные. Есть компании, в которых все быстро и четко, и это даже не от размера зависит, а от качества выстроенных процессов, коммуникаций, задач, KPI и т.д. Я не могу точно сказать, что должно быть, но по опыту работы с большими компаниями вижу, что процесс может идти совершенно по-разному. И это очень четко ощущается. Есть несколько классных компаний, выросших из стартапов, больше связанных с онлайном и меньше с оффлайном, где до сих пор, несмотря на то, что они уже очень крупные, все очень четенько. И есть ряд офлайновых старых компаний, где, порой, реализация каких-то таких штук может занимать намного больше времени. Но это процесс больше про бизнес, чем про веб-аналитику.

А что вы бы сказали таким предприятиям, которые никак не придут к работе с аналитикой в полной мере?

— Здесь основной вопрос в ROI, может это таким компаниям и не нужно. Скажем, им будет выгоднее вложить деньги в модернизацию колл-центра или купить здание, — в общем, в другие вещи, которые могут принести гораздо больше прибыли, чем веб-аналитика. Может, у них простые процессы. Я не могу сказать, что веб-аналитика — это незаменимый инструмент. Есть и другие вещи, которые могут дать бизнесу больше профита. Конечно, веб-аналитика очень важна и если бизнес много работает с онлайном, без нее никуда. Но это вопрос погружения: можно просто поставить GTM и разметить какие-то цели и KPI, а можно погрузиться на порядок глубже. Но для реализации этого бизнес может потратить много ресурсов и не факт, что полученный профит за счет этой ясности будет действительно таким хорошим и оправдает инвестиции. Это не панацея, это такой же инструмент, который можно вовремя применить и получить хороший результат или отложить на позже и заняться более важными задачами.

Если говорить в среднем, достаточно ли уметь работать с Data Studio или обязательно нужно знать Power BI?

— Это просто инструменты с разными подходами и я не вижу в них принципиальной разницы. Пока я не сталкивался с задачами, которые не смог решить в GDS. Да, там есть ограничения, скажем, я не могу сделать на одном листе больше трех сводных таблиц, а в Power BI их можно сделать больше. Но, в принципе, в GDS можно делать очень много всего. Хотя у меня не так много опыта в Power BI, мне намного проще и понятнее работать с GDS.

А если в GDS, к примеру, нужно свести все проекты предприятия в один отчет, это можно сделать при помощи коннекторов или, все же, лучше через таблицы и Google Cloud?

— Что касается стандартных коннекторов с GA — они не дают достаточной гибкости. Как только вам нужно просчитать более сложный показатель, вы сталкиваетесь со сложностями. Самый оптимальный способ — это взять нужные данные через API из отдельных аккаунтов GA, Google Ads и т. п. плюс, допустим, парочку каких-то таблиц Google Sheets, после все это объединить и вывести данные так, как вам нужно. Это будет на порядок точнее.

Какие плюсы и минусы настройки сквозной аналитики через продуктовые решения и самостоятельных решений?

— Как и везде, готовое решение хорошо тем, что его можно быстро применить и оно дешевле любого кастомного, но имеет ограниченный функционал. Оно подойдет вашему бизнесу и практически любому бизнесу, но с его помощью можно будет решить не все задачи.
Наверно, это зависит от бизнеса и его потребностей. Мы начали с того, что руководителю малого бизнеса на базовом уровне достаточно применять Google Analytics, где вместе с программистом настроить базовые цели и не тратить много энергии и сил, а заниматься дальше своими задачами.
Если же ваша компания заточена на data-driven подход, если данные в ней нужны и важны, то, как мне кажется, кастомное решение — это хороший путь. В каждой компании присутствуют свои уникальные моменты и просчитать их с готовым решением может быть невозможно. Могут потребоваться доработки. Как, к примеру, если вы используете какой-нибудь Criteo, а потом выходите на западный рынок и понимаете, что коннекторов под этот сервис на западном рынке попросту нет и вам нужно эти данные учитывать как-то отдельно.
А вот с кастомным решением можно быстро находить выходы из ситуации. Но да, оно требует регулярной поддержки специалистов, наверняка обойдется компании дороже, а внедрение займет больше времени.
Здесь нет однозначного ответа, каждый из вариантов будет правильным, если выбор сделан в зависимости от тех задач и ресурсов, которыми располагает компания для реализации своих целей.

Какому бизнесу точно не обойтись без кастомного решения?

— Если это средний-плюс или крупный онлайн бизнес, то ему почти всегда потребуется кастомный инструмент.

Какие блоги / каналы / ресурсы посоветуете читать тем, кто хочет стать настоящим спецом?

— Я читаю очень много, но в последнее время это что-то конкретное и по сути, что-то, что может помочь мне решить конкретную задачу в процессе. Но в целом посоветовал бы каналы WebAnalytics и BigQuery Insights Димы и Саши Осиюков, у меня есть и личный канал Школа бородатого веб-аналитика, но я туда крайне редко пишу в последнее время. Хороших ресурсов много, тот же Lunametrics, например, и другие.

И на десерт: о чем будете рассказывать на 8Р?

— Пока даже точно не знаю, наверняка о чем-то, что делаю в данный момент: про отчетность в Google Data Studio, красивые воронки, удобные способы сбора, обработки, хранения и визуализации данных. Про сквозную аналитику на глубоком ее уровне. Будет точно интересно и полезно.