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:
Лайкнул за очень важную поднятую тему - Аналитика в дашбордах. Так как в 90% дашбордов аналитики нет, и руководство компании тупо смотрит на эти цифры, и пытается понять - что к чему. Дашборды - это не статистика цифр, это их анализ и прогнозные модели.
Добавлю ещё, что дашборды должны делиться на:
- дашборд собственника;
- дашборд генерального руководства компании
- дашборд операционных руководителей
- дашборд продающего направления.
В каждом - свой набор данных и аналитики, свои прогнозы и свои выводы.
Попытка всё свалить в кучу приводит к информационному хаосу.
Может, соберусь как нибудь, напишу статью со своим опытом дашбординга. Есть интересные наработки.
Кто мог бы объяснить, видит ли автор принципиальные различия между данными, получаемыми из источника(ов), анализом этих данных по каким-то правилам, промежуточные выводы, сделанные на основе каких-либо критериев и сценариев, дальнейшие исследования взаимозависимостей между полученными результатами и т.д. и т.п. - и представлением важной части полученных результатов в форме, согласованной с заказчиком?
Вариантов представления результатов для менеджмента достаточно много, их можно сравнивать с точки зрения удобства. Требований к таким представлениям еще больше. Есть вполне достаточно инструментов для какой угодно обработки и аналитики. Принципиальным является наличие хорошо продуманных и сформулированных требований заказчика к такого рода представлениям и всей цепочке получения и обработки данных - там много шагов.
Нельзя объять необъятное, но было бы полезно увидеть реальные примеры того, кому и как помогли на практике обсуждаемые инструменты.
И еще сколько угодно других. Это просто визуальный формат.
Если дашборд решил проблему бизнеса - значит у бизнеса еще не стояло проблем :)
Евгений, спасибо за Ваш комментарий.
В статье привели примеры наиболее релевантных скриншотов из других проектов. Есть другие кейсы, которые можем отправить в личные сообщения, если Вам это было бы полезно. Дайте знать.
Да это понятно, нет предела дашбординговому совершенству. Но, по моей практике, компании с годовой выручкой до 5 млрд. руб. и численностью до 1000 человек за глаза хватает 4-х мной перечисленных, таких компаний у нас в бизнес-среде большинство. А количество "досок" усложныет восприятие информации и размывает концентрацию на наиболее важных показателях - ведь принцип Парето работает и здесь: 20% показателей дают 80% информации, значимой для управленческих решений. Остальное - лишь дополнение и расшифровка ключевых.
В данном случае, ИМХО, принцип Парето сильно вредит, потому что дьявол обычно в деталях.
Елена, на одной доске умещается достаточное количество деталей для грамотных и своевременных решений, если их четыре - это полных контроль над всеми деталями бизнеса. Главное - правильно спроектировать значимые факторы-показатели, и правильно сделать прогнозную модель (обычно останавливаются на линейной или кусочно-линейной, что даёт точность прогноза чуть выше 50%, по моей практике хорошо прогнозируют полиномы 3-4-й степеней - точность модели выше 93%). Основная ошибка - насыщение дашборда второстепенными показателями "из интернета", "как у всех", без проверки на значимость и влияние для бизнеса. Как проверять - автор статьи показал на рисунке "Что влияет на объём продаж", где мы видим, что из 11-ти показателей ключевое влияние за 3-мя факторами (20/80 работает!), и ещё два показателя дополнительных, остальными мы можем пренебречь, их влияние на продажи незначительное.
Очень уважаю старика Вильвредо - но в данном случае его принцип неприменим. Верных показателей необходимо для верной же оценки ситуации не 80, не 100, а 150%
Кстати, подскажу бесплатное, но эффективное решение для создания дашбордов, альтернативное BI: Google data studio. Программируется проще, чем BI, бесплатно, в отличие от BI, также подтягивает данные для обработки из разных систем хранения и учета данных. Минус - не работает «в лоб» на смартфонах «без гугла» (Huawei, Honor, до недавнего времени Xiaomi - а доля этих смартфонов не маленькая в России). Решается установкой виртуального гугл-кабинета Gspace, позволяющего обходить блокировку Гугла. Работа на смартфонах - одна из ключевых фишек дашбординга: доступ к бизнес-аналитике в любое время из любой точки мира, где есть интернет.