За долгие годы дашборды для бизнеса трансформировались от примитивнейших приборных панелей с парой основных показателей до вертикальных сторителлинговых свитков и обратно. Все это время часть дашбордов вызывала у пользователей неоднозначную реакцию. Почему?
Одна из причин – невыполнение тех функций, которые пользователь стремится переложить на аналитическую систему. И речь не только о передаче данных, расчетах и визуализации, это только верхушка айсберга. Важнее то, что следует за этим – объяснение причин отклонений, идеи по улучшению ситуации, принятие решений. Помогают ли вам дашборды с этими задачами? Далеко не все. А могли бы.
Верю, что потенциал дашбордов еще не исчерпан, а только растет. Идеальный дашборд – это когда смотришь в аналитический интерфейс, понимаешь, что произошло, насколько это важно, что можно изменить, каким будет эффект и в каком порядке работать. Не надо вникать в цифры, оценивать ситуацию, проводить дополнительные расчеты, думать, что делать дальше. Надо просто начать действовать. Такие дашборды приносили бы максимальную пользу и экономили бы время, не требуя нескольких специалистов для расшифровки того, что выводится на экране.
Какие задачи должен решать идеальный дашборд?
1. Собирать данные
Как правило, данные хранятся в нескольких источниках и их нужно свести воедино. А показатели должны моментально рассчитываться – корректно и по согласованным формулам.
2. Превращать данные в понятные и удобные визуализации
Именно на этой функции сосредоточен дашбординг: подбор визуализаций, оформление графиков и диаграмм, чтобы все было понятно и удобно в использовании. The end. Вероятнее всего, 99% всех дашбордов решают только эти задачи. В то время как пользователь остается наедине с цифрами и визуализациями, задаваясь вопросом «Что делать дальше?».
Работа аналитика или бизнес-пользователя только начинается после разработки дашборда. Пользователь выполняет ряд задач для превращения цифр в решения и действия. Это ручная работа по интерпретации данных, обсуждение с командой, поиск инсайтов и определение дальнейших действий. Зачастую эта часть процесса сопряжена с человеческим фактором, когнитивными искажениями. Легко что-то упустить или каким-то данным придать слишком большое значение. Однако дашборд может помочь и в выполнении этих этапов.
3. Оценить значимость отклонений
Когда пользователь видит, что одна метрика выросла на 10%, а вторая упала на 5%, он не сразу поймет, что это значит для бизнеса. Как минимум, нужно сравнить показатель с аналогичным периодом прошлого года, чтобы проверить наличие сезонности. Это легко можно вывести в комментарии дашборда, не заставляя пользователя обращаться к другому периоду.
Еще лучше – рассчитать влияние отклонения на другие переменные, как правило, являющиеся мерилом успеха. Так, изменение многих метрик в e-commerce можно перевести в упущенную выручку, посчитав приблизительное влияние на деньги. Например, если снизилась конверсия, значит, недополучили лидов/заказов и, следовательно, продаж = денег. Если вырос CAC, то при прочих равных недополучили клиентов и, следовательно, денег с их первой покупки.
Для реализации этой функции нужно хорошее понимание предметной области и взаимосвязи одних показателей с другими.
4. Выяснить, почему текущая ситуация сложилась
Сложно. Особенно если учесть, что не все факторы можно отслеживать и оцифровать. Например, снизился средний чек первых покупок. На это могли повлиять как содержание рекламных кампаний (активно рекламировались сравнительно недорогие бренды), так и изменившиеся условия оформления заказов (например, сниженный порог для бесплатной доставки первого заказа). Разобраться сможет погруженный человек.
Но в достаточно унифицированных предметных областях, где понятно, что на что влияет, помочь может и сам дашборд. Например, при росте средней стоимости визита выявить, в каком канале произошел скачок, и указать на него пользователю. Это отдельная и непростая тема, над которой аналитикам и BI-разработчикам предстоит работать в дальнейшем.
5. Предложить способы по улучшению ситуации
Мало выявить проблему, нужно найти ее первопричину. Обычно варианты действий при обнаружении проблемы генерируются специалистом и успех зависит от его экспертности. В дашборде же можно начать с общих рекомендаций – пара примеров ниже.
Проблема: просела конверсия из добавления в корзину в оформленный заказ.
Автоматическая подсказка в дашборде: проверьте функционал оформления заказа, обратитесь к отчету о конверсиях между этапами оформления заказа.
Проблема: снизилась конверсия посадочной страницы.
Автоматическая подсказка в дашборде: проверьте лендинг, обратите внимание на корректность работы форм сбора заявок.
Как минимум, такие общие руководства не в самых широких вариациях (что проверить, куда посмотреть и кого спросить) можно и нужно включать прямо в дашборды в виде комментариев. Это сократит время специалистов на поиск ответа на вопрос «Что с этим дальше делать?».
6. Рассчитать эффект от улучшения метрики
Нельзя, видя, что ситуация ухудшилась, просто брать и делать. Чтобы понять, стоит ли предпринимать активные действия, специалист обращается к своему опыту, экспертности и даже интуиции.
Гораздо эффективнее и быстрее было бы обратиться к расчетам: оценить влияние на деньги или на другие целевые переменные. Потому что усилия могут потребовать времени и денег, которые не факт, что сопоставимы с потенциальными результатами. Ну увеличите вы конверсию на 0,01%, вложив 100 тыс. руб., а эффект – 30 тыс. руб. И кому это было нужно? К тому же, планы по улучшению метрик нужно ставить не с потолка и не из головы, а тоже на основе расчетов. Иначе будет непонятно, к чему стремиться, да и достижимо ли это стремление.
В некоторых BI-системах (например, в Power BI) есть замечательный функционал моделирования what-if («что если»), который позволяет оценивать влияние одних показателей на другие. Например, сколько привлечем клиентов, если удастся сократить CAC на 5%.
Так почему бы под самыми важными визуализациями не предлагать оценить, как изменение метрики повлияет на деньги? Тогда и решительности в действиях прибавится. Причем можно зашить в алгоритм и ресурсы, которые потенциально будут затрачены на достижение изменений, чтобы более корректно оценить окупаемость. Но это уже следующий уровень.
7. Расставить приоритеты
Когда варианты действий готовы и эффекты рассчитаны, остается действовать, главное – выбрать, с чего начать. Оптимально – на основе тех самых расчетов. Не зря же мы их готовили?
Сгруппировав в одном месте все результаты влияния what-if, можно увидеть, изменение каких метрик может дать больше результата в деньгах. Понятно, что есть еще вопрос с управляемостью и сложностью воздействия на какие-то показатели, но от этого можно будет оттолкнуться при расстановке приоритетов в работе.
Дальше остается изучить рекомендации, проверить их логичность, достижимость показателей и начать действовать. Вот тогда аналитика принесла пользу, дашборды сработали, работа начала делаться, а решения приниматься.
В конечном счете
Многие дашборды заканчивают свою «работу» после второго пункта. И получаются наборы графиков и таблиц, которые еще нужно разбирать и переводить на язык идей, гипотез и действий.
Но потенциал дашбординга безграничен – есть, что улучшать и к чему стремиться. Если дашборды смогут решать все описанные задачи, тогда они смогут приносить больше пользы, реально экономить время людей и снижать человеческий фактор на интерпретации данных и принятии решений о действиях. Какие-то предположения могут показаться нереалистичными или крайне трудными в реализации. Но с помощью технологий и стандартизации предметных областей мы придем к понимаю, что дашборды – это больше, чем просто интерактивный набор визуализаций.
Также читайте:
Марат, в статье автор, на примере таблицы «Что влияет на объём продаж» наглядно показал, что принцип Парето работает и в аналитике на 100%. Можно закапываться в показателях до бесконечности, распылять силы и бюджеты по всем 11ти факторам эффективности продаж, а можно сосредоточиться на трёх первых и долбить в одну точку, и получить быстрый и значимый результат.
Ну это моя практика, которой я делюсь - однако, с уважением отношусь к любому опыту :)
По поводу автоматических подсказок в дашборде, они должны быть реализованы немножко по другому. Если показатели описываемой модели ушли в красную зону и этому явлению есть описание и алгоритм решения - должен регистрироваться инцидент и определяться исполнители. Этот механизм нужен для делегирования полномочий. Нет нужды сидеть и целыми днями гипнотизировать дашборд. Это нужно только при разработке и калибровке модели. Потом,смотреть аналитику нужно при регистрации инцидента или при его эскалации, я так думаю...
Да, отличное дополнение! Я обычно делаю в дашбордах «циферблаты» и «столбы» с тремя цветовыми зонами: зеленая (всё гут), желтая (требует внимания) и красная (критические значения). Пока линии показателей в зеленой зоне - можно просто просто пробежаться глазами, не тратя время на глубокий анализ. Желтый цвет - посмотреть «внутрь», что явилось причиной падения. Красный цвет... возникает, когда на желтый неделю минимум не обращали внимания )))
Модель реакции по инцидентам - это практически идеал, но не все компании, особенно в сегменте малого бизнеса, могут позволить себе такой уровень автоматизации. В большинстве приходится смотреть глазами, и вполне достаточно «цветовой дифференциации штанов».
Пример ниже (это роеальный кусок дашборда одного из моих клиентов, сделанный в Google data studio):
Полиномы - это все "от луквого"! Полноценное прогнозирование - только на основе цифрового двойника, учитывающего при прогнозе надоев молока и количество телок и нетелей и наличие кормовой базы и т.д. А вот, что дашборт не должен быть перегружен деталями - здесь с Вами полностью соглашусь! Если уж глаз зацепило что-то, то можно и в детали уже провалиться.
У каждого свой опыт, я бы так однозначно не судил. Я использую полиномиальные модели много и успешно. При этом, многофакторные, сложные модели тоже имеют место быть, но в моей практике они нечасты. Видимо, более простые бизнесы, позволяющие использовать более простые модели.
Можно как можно проще и даже без картинок. Возьмем какой-то простой пример.
Я - директор таксопарка, работающий с двумя агрегаторами и по прямым отдельным вызовам. В парке - 50 машин двух моделей на линии, несколько в ремонте, несколько в транзите и за 100 водителей, работющих посменно. Есть свой склад запчастей. Обычная бухгалтерия
Какие у меня требования к дашборду? Кто еще в парке мог бы пользоваться чем-то подобным? Как бы Вы решили эту несложную задачу?
Дело же не в досках. Есть фвкторы важные и все остальные. Есть то, что кому-то нужно каждый день, другая информация нужна реже и по другим поводам и случаям. Сырые данные должны быть правильно обработаны, отфильтрованы, агрегированы и т.д. . Затем использованы для каких-то моделей и построения прогнозов. Это хорошо документированный процесс, который в каждой компании свой.
Если Вы упоминаете принятие управленческих решений и информации, необходимой для поддержки - какими методологиями принятия решений Вы пользуетесь? Как это зависит от отрасли?
Вопрос, который мы обсуждаем, более общий - об источниках данных, правилах их обработки и содержании отчетов для менеджеров на разных уровнях.