Бородатий веб-аналітик Андрій Осипов: тільки через 7 років великі компанії зрозуміли, наскільки наскрізна аналітика важлива для бізнесу

Power BI або Google Data Studio?
Продуктові рішення або кастомні інструменти обліку даних?
Python або R?
Про ці та багато інших питань поговорили з веб-аналітиком Андрієм Осиповим. Читайте інтерв’ю і дізнаєтеся, який бізнес точно не обійдеться без глибокої статистики даних, які інструменти допоможуть на базовому рівні і з якими викликами стикаються фахівці сфери вже сьогодні.

Давайте почнемо з азів: який, на вашу думку, мінімальний набір інструментів для відстеження аналітики потрібен бізнесу?

– Основний – це Google Analytics, він дозволяє закрити базові завдання. Але для повноцінного розуміння ефективності тих чи інших кампаній, найчастіше, його недостатньо. Треба залучати спеців, які здійснять ряд додаткових налаштувань.

Чи обов’язково аналітику знати мову програмування?

— Діма Булах часто жартує, що Google Tag Manager – це збочений спосіб вивчити JavaScript. Здавалося б, GTM спочатку позиціонувався, як інструмент, який полегшує маркетологам налаштування аналітики і, ніби як, базово він досить простий і нескладний. Але як тільки тобі хочеться зробити трохи складніші речі, виникає потреба вивчити JavaScript. Варто зовсім трохи відійти від базового, – і ви вже відчуєте потребу навичок програмування.

Що краще для аналітики: Python або мова R?

– Ці мови схожі за функціоналом і стилістикою, але взагалі дуже різні. R – це мова програмування, основне завдання і застосування якого – аналіз результатів дослідження. Якщо у вас, як у фахівця або аналітика, є дата-сет (певний набір даних, таблиця), з якої вам потрібно зробити якісь висновки, якось її подивитися, під якимись кутами, щось порахувати, то R – прекрасний інструмент.

Python же орієнтований на програмування, на створення якихось рішень, програм, які автоматично витягують потрібні нам дані з системи, перетворюють їх і складають в інше місце. В першу чергу, це мова створення якихось додатків, найчастіше з можливістю якийсь статистики. Є досить багато бібліотек для розрахунку цих показників, для розуміння ефективності якихось речей, тих самих регрессий й інше. Але, в першу чергу, R використовується для personal use, а Python – для розробки додатків.
Безумовно, на Пайтон можна самостійно робити якісь речі і застосовувати їх для вирішення простих завдань в особистих цілях. Але все ж таки, якщо ви йдете більше в бік data-science, статистики, то вам підійде R. А якщо ви більше дата-інженер, людина, яка створює data-warehouse – якесь сховище даних, звідки ви можете завантажити дані,  їх перетворити, реалізувати частину автоматичного маркетингу або звітність – тоді вам потрібен Python.

Чим веб-аналітик відрізняється від бізнес-або продуктового аналітика?

– Зараз всі професії сильно змінюються: раніше, наприклад, був такий собі фахівець-комп’ютерник, який міг і чорнило в картриджі поміняти, і сайт зробити, і локальну мережу прокласти. Потім кожна з видів такої діяльності почала виділятися в окрему спеціалізацію. Зокрема, по розробці ми, наприклад, залучаємо UX / UI спеців, хоча, раніше, цим займалася одна людина. Вони разом працюють, але завдання у них абсолютно різні. Тут те  саме: якщо раніше існував просто веб-аналітик, який об’єднував багато завдань, то сьогодні ми окремо виділяємо ще бізнес-аналітиків. У них той самий інструментарій, але абсолютно інші завдання, націлені на досягнення інших KPI.

Класичний веб-аналітик працює з даними конкретного сайту або мобільного додатку, але зараз сфери настільки інтегрувалися один в одного, що я часто бачу навіть серед своїх завдань понад бізнесові. Я ніби й веб-аналітик, але займаюся і бізнес-завданнями, пов’язаними з джерелами трафіку та іншими речами. І чим далі, тим більше, мені здається, ці сфери будуть перетинатися і впливати один на одного.

Про які ще тренди у сфері можна говорити?

– Це завжди дуже суб’єктивний питання, тому що комусь в якихось областях ці тренди чітко видно, а комусь ні. Я почав говорити про наскрізну аналітику як про важливий інструмент ще в 2012 році. Але тільки за 7 років відчув інтерес до цієї теми з боку великих компаній, які звертаються до мене.

Можна відзначити загальні тенденції розвитку. Наприклад, все що пов’язано з Machine Learning, predictions, автоматизацією маркетингу і звітностями. Ваше питання про вибір між R і Python назріло, воно актуальне зараз: всі розуміють, що даних стає дуже багато і з ними потрібно щось робити, якось більш хитро їх використовувати з метою отримання кращих результатів. Але будь-яких загальноприйнятих конкретних механізмів щодо того, як це робити, поки немає, кожен працює інтуїтивно. І з цього, до речі, виходять круті кейси! Machine Learning вже активно застосовується: є окремі стартапи і навіть окремі Google-продукти, але від середнього і дрібного бізнесу вони ще дуже далекі. Великий тренд – це, безсумнівно, big data і, як наслідок, ML: різні механізми для автоматизації чогось: розрахунків, управління, звітності.

Що ще, крім роботи з великим масивом даних, можна виділити в якості проблеми, вирішення якої не вистачає сфері?

– Я не можу сказати, що це проблеми, я сприймаю такі моменти, як завдання, які можна швидко і ефективно вирішити, а можна вирішувати довго і неефективно. Але часто визначити їх можна тільки з часом, озираючись назад і усвідомлюючи, що в цьому місці було складне становище, де наважилися на кльове нововведення.

Наприклад, останній рік я дуже активно працюю з Google Cloud Platform – це набір сервісів від Google, який дозволяє працювати з big data і реалізовувати процесинг цих даних. Там дуже багато різного функціоналу і, припустимо, щоб розгорнути якесь сховище даних – SQL-сервер, – мені потрібно десь секунд 15. Фактично, натиснути три кнопки. Щоб зробити це, скажімо, 3-5 років тому, мені потрібно було підняти якийсь сервер, розгорнути дані … Загалом, це займало б набагато більше не тільки часу, а й компетенції в області, яка мені, до того ж, була не дуже цікава. Все це викликало досить багато ускладнень, які з появою менеджмент-платформ за типом Google Cloud просто пішли. І так, можна було б сказати, що це проблема і раніше не вистачало такого роду систем, але тоді ніхто про це просто не думав.

У веб-аналітиці зараз також складно щось подібне відстежити. У GTM регулярно з’являються цікаві нові штуки. Наприклад, тригер Element Visibility, що спрацьовує в побаченій користувачем області екрана. Дуже класна річ, я писав різні JavaScript бібліотеки і скрипти, які робили те ж саме дуже задовго до її появи і так, це було незручно. З появою такого тригера в GTM стало набагато простіше, але сказати, що це була проблема …. Швидше, якийсь виклик. І майже всі в сфері зараз про це, майже всі моменти, які мене десь не влаштовують, напевно, про те, що такі завдання можна вирішувати простіше. Але все йде в потрібному напрямку 🙂

Чи можна говорити, що великим компаніям складніше в роботі з даними через обсяги цих компаній і їх меншу мобільність?

– Так, і це майже завжди так. Реалізація будь-якої наскрізної аналітики в невеликій компанії, де всі заточені на результат і де налагоджено нормальну комунікацію між продакт і дів-відділом може зайняти, два тижні. А у великих компаніях все півроку, – і це втрачений прибуток.

Хоча, знову ж таки, процеси скрізь різні. Є компанії, в яких все швидко і чітко, і це навіть не від розміру залежить, а від якості збудованих процесів, комунікацій, завдань, KPI. Я не можу точно сказати, що повинно бути, але з досвіду роботи з великими компаніями бачу, що процес може йти зовсім по-різному. І це дуже чітко відчувається. Існують деякі видатні компаній, які виросли зі стартапів, більше пов’язаних з онлайном і менше з офлайном, де до сих пір, незважаючи на те, що вони вже дуже великі, все дуже чітко. І є ряд офлайнових старих компаній, де, часом, реалізація якихось таких штук може займати набагато більше часу. Але це процес більше про бізнес, ніж про веб-аналітику.

А що ви б сказали таким підприємствам, які ніяк не дійдуть до роботи з аналітикою в повній мірі?

– Тут основне питання в ROI, може це таким компаніям і не потрібно. Скажімо, їм буде вигідніше вкласти гроші в модернізацію колл-центру або купити будинок, – в загальному, в інші речі, які можуть принести набагато більше прибутку, ніж веб-аналітика. Може, у них прості процеси. Я не можу сказати, що веб-аналітика – це незамінний інструмент. Є й інші речі, які можуть дати бізнесу більше профіту. Звичайно, веб-аналітика дуже важлива і якщо бізнес багато працює з онлайном, без неї нікуди. Але це питання занурення: можна просто поставити GTM і розмітити якісь цілі і KPI, а можна зануритися на порядок глибше. Але для реалізації цього бізнес може витратити багато ресурсів і не факт, що отриманий профіт за рахунок цієї ясності буде дійсно таким хорошим і виправдає інвестиції. Це не панацея, це такий самий інструмент, який можна вчасно застосувати і отримати хороший результат або відкласти на пізніше і зайнятися більш важливими завданнями.

Якщо говорити в середньому, достатньо вміти працювати з Data Studio або обов’язково потрібно знати Power BI?

– Це просто інструменти з різними підходами і я не бачу в них принципової різниці. Поки я не стикався із завданнями, які не зміг вирішити в GDS. Так, там є обмеження, скажімо, я не можу зробити на одному аркуші більше трьох зведених таблиць, а в Power BI їх можна зробити більше. Але, в принципі, в GDS можна робити дуже багато всього. Хоча у мене не так багато досвіду в Power BI, мені набагато простіше і зрозуміліше працювати з GDS.

А якщо в GDS, наприклад, потрібно звести всі проекти підприємства в один звіт, це можна зробити за допомогою конекторів або, все ж, краще через таблиці і Google Cloud?

– Що стосується стандартних конекторів з GA – вони не дають достатньої гнучкості. Як тільки вам потрібно прорахувати більш складний показник, ви стикаєтеся з труднощами. Найоптимальніший спосіб – це взяти потрібні дані через API з окремих акаунтів GA, Google Ads й інше. Плюс, припустимо, парочку якихось таблиць Google Sheets, все це об’єднати і вивести дані так, як вам потрібно. Це буде на порядок точніше.

Які плюси і мінуси налаштування наскрізної аналітики через продуктові рішення і самостійних рішень?

– Як і скрізь, готове рішення добре тим, що його можна швидко застосувати і воно дешевше будь-якого кастомного, але має обмежений функціонал. Воно підійде вашому бізнесу і практично будь-якому бізнесу, але з його допомогою можна буде вирішити не всі завдання.

Напевно, це залежить від бізнесу і його потреб. Ми почали з того, що керівнику малого бізнесу на базовому рівні досить застосовувати Google Analytics, де разом з програмістом налаштувати базові цілі й не витрачати багато енергії і сил, а займатися далі своїми завданнями.

Якщо ж ваша компанія заточена на data-driven підхід, якщо дані в ній потрібні і важливі, як мені здається, кастомними рішення – це хороший шлях. У кожній компанії присутні свої унікальні моменти і прорахувати їх з готовим рішенням може бути неможливо. Можуть знадобитися доопрацювання. Як, наприклад, якщо ви використовуєте який-небудь Criteo, а потім виходьте на західний ринок і розумієте, що конекторів під цей сервіс на західному ринку просто немає і вам потрібно ці дані враховувати якось окремо.

А ось з кастомними рішеннями можна швидко знаходити виходи з ситуації. Але так, воно вимагає регулярної підтримки фахівців, що напевно обійдеться компанії дорожче, а впровадження займе більше часу. Тут немає однозначної відповіді, кожен з варіантів буде правильним, якщо вибір зроблений в залежності від тих завдань і ресурсів, якими володіє компанія для реалізації своїх цілей.

Якому бізнесу точно не обійтися без кастомного рішення?

– Якщо це середній-плюс або великий онлайн бізнес, то йому майже завжди потрібен кастомний інструмент.

Які блоги / канали / ресурси порадите читати тим, хто хоче стати справжнім фахівцем?

– Я читаю дуже багато, але останнім часом це щось конкретне і по суті, щось, що може допомогти мені вирішити конкретну задачу в процесі. Але в цілому порадив би канали WebAnalytics и BigQuery Insights Діми і Саші Осіюк, у мене є і особистий канал Школа бородатого веб-аналітика, але я туди вкрай рідко пишу останнім часом. Хороших ресурсів багато, той же Lunametrics, наприклад, і інші.

І на десерт: про що будете розповідати на 8Р?

– Поки навіть точно не знаю, напевно про щось, що роблю в даний момент: про звітність в Google Data Studio, красиві воронки, зручні способи збору, обробки, зберігання та візуалізації даних. Про наскрізну аналітику на глибокому її рівні. Буде точно цікаво і корисно.