От данных к решению: как синергия маркетинговой и веб-аналитики помогает бизнесу принимать решения

«Зачем мне два аналитика? Если специалист хороший, он и рекламные кампании проанализирует, и цели настроит, и данные соберёт».

Вопрос вполне справедливый. Более того, на части проектов я бы сам не стал искусственно разделять маркетинговую и веб-аналитику между двумя людьми.

Если у бизнеса относительно простой сайт, несколько понятных каналов продвижения и ограниченное количество аналитических задач, сильный универсальный специалист действительно может закрывать их все.

Проблема начинается не в тот момент, когда специалист чего-то не умеет. А тогда, когда от него одновременно требуется поддерживать техническую инфраструктуру аналитики, разбираться в рекламных системах, анализировать поведение пользователей, искать точки роста, формировать маркетинговые гипотезы и ещё следить за изменениями всех этих инструментов.

Здесь возникает другой вопрос: не «может ли один человек это сделать?», а насколько глубоко и регулярно он может практиковаться во всех этих направлениях одновременно.

Именно здесь появляется ценность связки веб- и маркетинговой аналитики.

Один специалист может уметь многое. Но «может» и «постоянно специализируется» — не одно и то же

Представим маркетингового аналитика, которому нужно настроить новое событие в Метрике через Tag Manager.

Он вполне может это сделать. Если задача знакомая, она не представляет особой сложности.

Но если тот же специалист занимается такой технической настройкой раз в несколько месяцев, а всё остальное время анализирует рекламные каналы, воронки и маркетинговые гипотезы, на техническую часть ему может потребоваться больше времени.

Для веб-аналитика, который делает подобные задачи регулярно, это повседневная работа.

Обратная ситуация тоже вполне реальна.

WA может хорошо понимать рекламные каналы и маркетинговые задачи. Но если ему нужно каждый день отвечать на вопросы вроде «какой сегмент аудитории растёт быстрее», «почему изменился вклад канала», «какие посадочные страницы дают потенциал для роста», «как изменить маркетинговую механику», то специалист, который постоянно занимается именно маркетинговым анализом, скорее всего, быстрее перейдёт от данных к гипотезе.

Это не вопрос уровня интеллекта или качества специалиста. Это вопрос глубины и регулярности практики.

Можно хорошо знать соседнюю область, не делая её своей основной специализацией.

И, на мой взгляд, именно здесь проходит здоровая граница между универсальностью и специализацией.

Что на самом деле разделяет WA и MA

Я бы не описывал веб-аналитика и маркетингового аналитика как две изолированные профессии.

Наоборот, хороший WA должен понимать маркетинг, а хороший MA — техническую сторону аналитики.

Но глубина их работы всё-таки различается.

Веб-аналитик в первую очередь отвечает за то, чтобы данным можно было доверять

Это:

• цели и события;

• техническая реализация аналитики;

• разметка;

• сбор и хранение данных;

• ETL-процессы;

• интеграции;

• контроль качества данных;

• поддержка аналитической инфраструктуры.

При этом WA не должен работать по принципу:

«Получил ТЗ — настроил цель — пошёл дальше».

Ему важно понимать, зачем эта цель нужна.

Если маркетинговая команда просит настроить событие «отправка формы», хороший WA должен задать встречный вопрос: что мы хотим узнать с его помощью? Достаточно ли самого факта отправки? Нужно ли различать типы форм? Нужно ли связывать эту конверсию с последующим офлайн-действием?

Например, Яндекс Метрика поддерживает передачу офлайн-конверсий и позволяет связывать действия пользователя на сайте с последующими действиями вне интернета. Такие конверсии можно использовать в отчётах и сегментации, чтобы точнее оценивать эффективность каналов.

То есть техническая настройка имеет смысл только в контексте бизнес-задачи.

Маркетинговый аналитик отвечает за другой вопрос

Его зона — понять:

• какую задачу бизнеса мы решаем;

• как работает маркетинговая стратегия;

• какие каналы и сегменты дают результат;

• где есть точки роста;

• какие гипотезы стоит проверить;

• что происходит с посадочными страницами;

• какое изменение может повлиять на результат.

Но и MA не должен относиться к данным как к чёрному ящику.

Ему важно понимать:

• откуда берётся показатель;

• какие события его формируют;

• что можно и нельзя измерить;

• какие есть технические ограничения;

• почему данные могут расходиться;

• насколько корректно сформирован сегмент.

Иначе возникает опасная ситуация: маркетинговая гипотеза звучит убедительно, но проверить её невозможно.

Получается не разделение двух профессий, а пересечение двух областей компетенций.

Что происходит, если эти компетенции не соединить

Здесь удобно рассмотреть четыре сценария.

WA без MA

Технически всё работает.

Цели настроены, события передаются, отчёты строятся.

Но бизнес получает ответ на вопрос, который никто не задавал.

Можно идеально измерять количество кликов по кнопке, хотя реальная проблема компании заключается в качестве заявок.

MA без WA

Маркетинговая гипотеза может быть очень хорошей.

Например:

«Пользователи из определённого сегмента плохо конвертируются на этой странице. Давайте изменим предложение именно для них».

Но если нужный сегмент не выделяется корректно, событие не передаётся или конверсия измеряется не на том этапе воронки, экспериментировать практически бессмысленно.

WA и MA работают параллельно

Это уже лучше.

WA поддерживает данные. MA анализирует маркетинг.

Но между ними может появиться разрыв:

MA сформировал вопрос → WA получил задачу → сделал техническую часть → MA получил данные.

Каждый свою работу выполнил. Но никто не обязательно отвечал за всю цепочку целиком.

WA и MA работают синхронно

Здесь появляется совсем другая модель:

Бизнес-задача → маркетинговый вопрос → гипотеза → требования к данным → техническая реализация → проверка данных → анализ → решение → изменение → повторное измерение.

Именно этот цикл я считаю главным аргументом в пользу синергии.

Откуда пришёл пользователь — только начало разговора

Возьмём Яндекс Метрику.

На базовом уровне мы можем спросить:

Откуда пришёл пользователь?

Следующий вопрос:

Что он сделал на сайте?

Потом:

Где возникла проблема?

И дальше:

Почему не произошло целевое действие?

После этого:

Что можно изменить?

И наконец:

Как проверить, что изменение действительно помогло?

В этом и заключается переход от веб-аналитики к маркетинговому решению.

Яндекс Метрика сама по себе позволяет решать гораздо больше задач, чем просто оценивать источники трафика. В ней можно работать с целями и событиями, анализировать поведение пользователей, использовать Вебвизор и аналитику форм.

Но сам инструмент не формирует бизнес-вопрос за аналитика.

Он даёт материал, на основе которого этот вопрос можно поставить.

Например, SMM

Предположим, команда SMM хочет доказать эффективность своей работы.

Первый вариант анализа:

«Из социальных сетей пришло 20 тысяч пользователей».

Показатель понятный, но для бизнеса сам по себе не очень полезный.

MA задаёт следующие вопросы:

• какие действия совершали эти пользователи;

• какие сегменты аудитории были наиболее ценными;

• какие сценарии приводили к целевому действию;

• как SMM связан с бизнес-результатом;

• какие гипотезы можно проверить.

WA, в свою очередь, помогает сделать так, чтобы эти вопросы вообще можно было корректно измерить:

• проверить источники;

• настроить необходимые события;

• обеспечить передачу параметров;

• проверить цели;

• проконтролировать качество данных.

В результате вопрос меняется.

Не:

«Сколько пользователей пришло из SMM?»

А:

«Какую роль SMM играет в пользовательском сценарии и бизнес-результате, какие сегменты работают лучше и что мы можем изменить?»

Это уже совсем другой уровень разговора.

Похожая ситуация возникает с рекламой

Допустим, две кампании приводят одинаковое количество заявок.

На уровне отчёта они выглядят примерно одинаково.

Но MA задаёт следующий вопрос:

Все ли заявки одинаково ценны?

Если бизнес продаёт сложный продукт, между отправкой формы и реальной сделкой может быть несколько этапов.

Здесь особенно важна корректная связь онлайн- и офлайн-данных. Метрика позволяет загружать офлайн-конверсии и привязывать их к визитам, чтобы анализировать, какой источник, кампания или ключевое слово привели к такой конверсии.

WA отвечает за техническую часть этой цепочки.

MA — за то, какой показатель действительно должен использоваться для принятия маркетингового решения.

В итоге рекламные кампании можно сравнивать не только по количеству заявок, но и по дальнейшему качеству результата — если бизнес выстроил соответствующее измерение.

Ещё одна классическая задача — посадочная страница

Реклама приводит релевантный трафик.

Но конверсия страницы ниже ожидаемой.

Первое искушение — сразу поменять кнопку, заголовок или форму.

Но «поменяем кнопку» — это ещё не гипотеза.

Сначала нужно понять, где и почему возникает проблема.

MA смотрит на:

• соответствие предложения ожиданиям аудитории;

• сегменты;

• рекламное сообщение;

• оффер;

• структуру страницы;

• пользовательский сценарий;

• возможные маркетинговые причины низкой конверсии.

WA помогает посмотреть на:

• последовательность действий пользователей;

• события;

• точки отвалов;

• корректность измерения;

• технические причины проблем.

В Яндекс Метрике для такого анализа есть, например, Вебвизор: он предназначен для детального анализа поведения посетителей и помогает выявлять проблемы навигации, логики и юзабилити.

Есть и аналитика форм: она показывает просмотры, взаимодействия и отправки форм, а на уровне отдельных полей позволяет увидеть, с каких полей пользователи уходят, не завершив заполнение.

И здесь снова важно не остановиться на наблюдении:

«Форма плохо конвертирует».

Гораздо полезнее прийти к следующей постановке:

«Мы видим, на каком этапе возникает проблема, понимаем несколько возможных причин, формируем гипотезу и заранее определяем, каким показателем будем оценивать результат изменения».

Вот здесь аналитика начинает работать как часть маркетинга.

Когда стандартной аналитики становится мало

На небольшом проекте возможностей обычной Метрики часто достаточно.

Но с ростом проекта меняется не только объём данных. Меняется сама аналитическая инфраструктура.

Появляется больше:

• целей;

• сегментов;

• источников данных;

• API-запросов;

• выгрузок;

• интеграций;

• аналитических сценариев;

• требований к скорости работы с данными.

Здесь становится интересна Метрика Про.

По официальной документации Яндекса, Метрика Про — это пакет, расширяющий базовые возможности Яндекс Метрики. В него входят Data Streaming с выгрузкой неагрегированных данных в режиме реального времени и архивных данных, а также расширенные квоты.

И здесь важно не превращать Метрику Про в обязательный апгрейд для каждого проекта.

Смысл совсем в другом.

Бизнес-задача: нужно работать с более сложной аналитической инфраструктурой.

Ограничение стандартного подхода: появляются ограничения по объёму данных, числу целей и сегментов, API-запросам и выгрузкам.

Возможность Метрики Про: расширенные квоты позволяют, например, создать до 1000 целей на счётчик вместо 200, работать с объёмом до 100 ГБ на запрос Logs API вместо 10 ГБ и делать до 20 000 запросов к API отчётов в сутки вместо 5000.

Практическая ценность: аналитическая система может поддерживать более сложные сценарии без необходимости искусственно упрощать их из-за технических ограничений.

Но здесь снова возникает связка WA и MA.

Само наличие Data Streaming или больших квот ещё не создаёт ценности.

WA должен понимать, как организовать поток и качество данных.

MA должен понимать, зачем эти данные нужны и какие решения на их основе будут приниматься.

Иначе можно построить очень мощную инфраструктуру, которая практически не влияет на маркетинг.

Data Streaming — хороший пример того, почему инфраструктура не должна существовать отдельно

Представим компанию, где данные Метрики нужно использовать не только в интерфейсе сервиса, но и в собственной аналитической среде.

Метрика Про позволяет выгружать неагрегированные данные в режиме реального времени, в том числе с интеграцией с Yandex Cloud, а также работать с архивными данными.

Для WA это прежде всего техническая задача:

как организовать передачу, хранение и использование данных.

Для MA вопрос другой:

какие данные нужны для анализа маркетинга, какие разрезы должны быть доступны, какие бизнес-вопросы нужно на них отвечать.

Только вместе эти два вопроса превращают поток данных в работающий аналитический инструмент.

А если проблема не в количестве данных, а в качестве решения?

Тогда аналитика должна сделать следующий шаг — от наблюдения к эксперименту.

Допустим, мы предполагаем, что изменение посадочной страницы улучшит конверсию.

MA:

• определяет проблему;

• формулирует гипотезу;

• описывает изменение;

• выбирает аудиторию;

• определяет основную метрику;

• формулирует ожидаемый эффект.

WA:

• проверяет, есть ли необходимые данные;

• контролирует цели и события;

• помогает с технической реализацией;

• проверяет корректность измерения.

А дальше нужен эксперимент.

Вариокуб: когда гипотезу можно проверить, а не просто обсудить

Varioqub позволяет проводить эксперименты на сайтах разной сложности и тестировать несколько вариантов изменений. В документации Яндекса отдельно указана возможность менять не только текст и цвет элементов, но и CSS и произвольную HTML-разметку; для отдельных сценариев используются флаги.

Допустим, MA предполагает:

«Если для сегмента пользователей из рекламного канала изменить первый экран и сократить путь до ключевого действия, конверсия вырастет».

Это ещё только гипотеза.

Чтобы проверить её, WA должен убедиться, что эксперимент и его метрики измеряются корректно.

После запуска специалисты уже вместе смотрят на результат.

В Varioqub можно оценивать статистически значимое изменение приёмочной метрики относительно контрольного варианта. В отчёте используется статистический критерий Mann–Whitney U с бакетизацией; по умолчанию для принятия альтернативной гипотезы используется уровень значимости p-value ≤ 0,05.

При этом важно понимать ограничения статистики. Если эксперимент не обнаружил значимого эффекта, это не означает автоматически, что изменение «точно ничего не изменило»: чувствительность зависит в том числе от MDE, объёма аудитории и длительности эксперимента. В документации Varioqub для этого предусмотрен калькулятор выборки, позволяющий оценить минимальный обнаруживаемый эффект.

И снова получается замкнутый цикл:

маркетинговая проблема → гипотеза → техническая реализация → эксперимент → анализ → решение.

Именно в этом месте особенно хорошо видно, зачем WA и MA должны понимать работу друг друга.

Почему иногда аналитика оказывается распределена между пятью людьми

В компании без специализированной аналитической команды работа обычно не исчезает. Она просто распределяется.

Что-то делает маркетолог.

Что-то — специалист по рекламе.

Что-то — SMM.

Что-то — разработчик.

Что-то — руководитель направления.

На первый взгляд это экономно: отдельный аналитик вроде бы не нужен.

Но появляется другая проблема — никто не обязательно отвечает за всю аналитическую цепочку.

Маркетолог знает, что хочет получить.

Разработчик знает, как реализовать техническую часть.

Рекламный специалист знает особенности рекламной системы.

Руководитель знает, какой показатель важен для бизнеса.

Но между этими точками может не оказаться человека, который постоянно соединяет их в одну систему.

Это не значит, что такую модель нельзя организовать хорошо. Можно.

Но чем сложнее проект, тем выше цена отсутствия владельца аналитического процесса.

Поэтому вопрос не в количестве аналитиков

Мне кажется важным снять ещё одно ложное противопоставление.

Не существует универсального правила:

«Всегда нужны WA и MA».

Как не существует правила:

«Одного универсального аналитика всегда достаточно».

Для простого проекта универсальность может быть преимуществом.

Один человек быстрее принимает решение, меньше коммуникаций, проще контур ответственности.

Но по мере роста проекта возникает другая задача — поддерживать глубину экспертизы.

Если специалист одновременно работает с маркетинговой стратегией, рекламными каналами, юзабилити, техническими настройками, интеграциями, API и аналитической инфраструктурой, он может уметь всё это делать.

Но невозможно одинаково часто и глубоко практиковаться во всех направлениях.

Именно поэтому специализация имеет ценность.

При одном условии: специалисты не должны превращаться в два независимых отдела.

Что получает бизнес от синхронной работы

В идеальной модели клиент получает не «двух аналитиков».

Он получает последовательность:

Бизнес-задача

→ какой результат хотим изменить?

Маркетинговый вопрос

→ где потенциально находится причина?

Гипотеза

→ что именно предполагаем изменить?

Требования к данным

→ что нужно измерить, чтобы проверить предположение?

Техническая реализация

→ как получить корректные данные?

Проверка

→ действительно ли мы измеряем то, что думаем?

Анализ

→ что говорят данные?

Решение

→ что меняем в маркетинге или продукте?

Повторное измерение

→ подтвердилось ли предположение?

В этой модели WA и MA не передают друг другу задачи по принципу «это твоё, а это моё».

Они возвращаются друг к другу на разных этапах одного процесса.

И здесь появляется вопрос: делать всё внутри или подключать внешнюю команду?

Для компании есть как минимум три нормальных варианта.

Первый — универсальный специалист.

Подходит, когда аналитический контур относительно простой и одному человеку хватает времени и компетенций.

Второй — собственная команда специалистов.

Это логичный вариант для бизнеса, где аналитика является постоянной функцией и есть возможность инвестировать в найм, развитие и удержание нескольких компетенций.

Третий — внешняя специализированная команда.

Она может быть рациональной, когда компании нужна не одна конкретная настройка, а постоянная связка технической и маркетинговой экспертизы, но строить и поддерживать такую команду внутри сейчас нецелесообразно.

При этом я бы не говорил, что агентство всегда дешевле собственного отдела. Это не универсально и требует расчёта для конкретной компании.

Ценность здесь в другом: клиент получает доступ к нескольким специализированным компетенциям и уже выстроенному процессу их взаимодействия, не собирая всю эту систему с нуля самостоятельно.

В работе с проектами в Kokoc Performance я именно так смотрю на связку WA и MA: не как на двух исполнителей с разными должностными инструкциями, а как на две части одного аналитического процесса.

В конечном счёте бизнесу нужны не отчёты

Можно идеально настроить цели.

Можно собрать большой массив данных.

Можно построить красивый дашборд.

Можно найти статистически значимое изменение в эксперименте.

Но всё это имеет смысл только тогда, когда помогает принять решение.

Поэтому для меня хорошая аналитика начинается не с вопроса:

«Что мы можем измерить?»

А с вопроса:

«Какое бизнес-решение мы хотим принять и какие данные помогут принять его увереннее?»

После этого уже становится понятно, какие цели нужны, какие события собирать, какие данные выгружать, какие сегменты анализировать и какой эксперимент запускать.

Вместо вывода

Один сильный специалист действительно может совмещать маркетинговую и веб-аналитику. И на простом проекте это может быть лучшей моделью.

Но по мере роста сложности проекта ценность начинает создавать не количество навыков в резюме одного человека, а глубина практики и связь между разными областями экспертизы.

WA нужен не для того, чтобы просто настроить цель. Он должен понимать, что именно бизнес хочет измерить и насколько корректно это измерение устроено.

MA нужен не только для того, чтобы построить отчёт. Он должен понимать, откуда взялись данные, какие у них ограничения и как превратить их в проверяемую маркетинговую гипотезу.

А вместе они должны пройти весь путь:

от бизнес-вопроса — через данные — к решению и обратно к измерению результата.

В этом и заключается настоящая синергия.

Не когда два специалиста делают одну и ту же работу.

А когда каждый глубоко отвечает за свою часть задачи, понимает контекст работы другого и вместе с ним превращает бизнес-вопрос в измеримый результат.