Как маркетологу принимать решения по данным, а не по наитию

Принятие решений на основе данных — это выбор действия по измеримым показателям, а не по ощущению «кажется, сработает». Маркетолог смотрит цифры в рекламном кабинете, веб-аналитике и CRM, формулирует гипотезу, проверяет её на данных и только потом меняет ставки, тексты объявлений или бюджет кампании. Противоположность — решение по интуиции, которое нечем перепроверить, если результат не устроит.

Что такое принятие решений на основе данных

Принятие решений на основе данных — подход, при котором любое действие в рекламе — снизить ставку, отключить объявление, перераспределить бюджет — обосновано цифрой из отчёта, а не мнением специалиста. Внутри подхода есть два режима: data-driven, где данные решают сами, без права вето у опыта, и data-informed, где данные учитываются наравне с экспертизой маркетолога, но не диктуют результат единолично. Путать их не стоит — это разные степени доверия к цифрам, а не два названия одного и того же.

Источников данных для маркетингового решения обычно три. Рекламный кабинет — Яндекс Директ или ВК Реклама — показывает, сколько стоил клик и показ, по каким запросам и площадкам. Веб-аналитика — Яндекс Метрика или Google Analytics — фиксирует поведение на сайте после клика: досмотрел ли человек страницу, заполнил ли форму. CRM хранит финал воронки — стал ли лид клиентом и на какую сумму. Решение, построенное только на данных кабинета без CRM, видит расходы, но не видит выручку — а значит, обосновывает не то, что нужно бизнесу.

Data-driven и data-informed — не синонимы: в первом данные решают вопрос сами, во втором — учитываются наравне с опытом специалиста, а не заменяют его.

Процесс принятия решений на основе данных

Помещение для встреч со столом и доской для записей. Фото: Luis Argerich from Buenos Aires, Argentina · CC BY 2.0

Процесс принятия решений на основе данных состоит из пяти шагов: сбор данных, формулировка гипотезы, анализ, решение и проверка результата. Пропуск любого шага — например, анализ без предварительной гипотезы — превращает процесс в подбор объяснения под уже случившийся результат, а не в проверку версии.

Гипотезу нужно сформулировать до того, как вы посмотрели итоговые цифры, а не после. Если сначала увидеть, что кампания просела, а потом придумать объяснение «наверное, дело в сезонности», — это post-hoc-ошибка: объяснение подгоняется под факт, а не проверяется данными. Правильный порядок обратный: сначала гипотеза («снижение ставок в вечерние часы уронит CTR, но не тронет конверсии»), потом сбор данных по CTR, CPA, ROI и числу конверсий именно за этот период, потом сравнение результата с гипотезой.

Проверка результата — отдельный шаг, а не автоматическое следствие решения. Метрику до изменения и после нужно сравнивать за фиксированный, одинаковый по длине период, а не «на глаз» через день после запуска. Иначе колебания трафика в будни и выходные легко принять за эффект от вашего решения, хотя это обычная сезонность недели.

Гипотеза формулируется до анализа данных, а не после: если объяснение придумано под уже случившийся результат, это не проверка, а подгонка.

Модели принятия решений

Модель принятия решений — способ превратить сырые цифры в вывод, на основании которого можно действовать. Для маркетинга подходят несколько моделей: DIKW описывает уровни осмысления данных, A/B-тестирование и бандит-алгоритмы сравнивают варианты между собой, а атрибуция решает, какому каналу приписать заслугу конверсии.

Модель DIKW показывает путь от сырых данных к решению: данные — это цифры без контекста, информация — те же цифры с контекстом, знание — вывод из этой информации, мудрость — решение, что с этим знанием делать. Полезность модели в том, что она показывает, на каком уровне остановилось ваше решение: часто маркетолог видит данные и информацию, но не доходит до знания и мудрости — просто докладывает цифры в отчёте, не делая из них вывод и не меняя ничего в кампании.

A/B-тестирование делит трафик на два равных потока на весь срок теста и сравнивает метрики в конце. Бандит-алгоритм устроен иначе: он перераспределяет трафик в пользу лидирующего варианта по ходу теста, а не ждёт его завершения — это снижает потери на заведомо слабом варианте, но усложняет интерпретацию промежуточных цифр, пока тест не закончен.

Атрибуция решает другую задачу — какому каналу или объявлению приписать конверсию, если человек до покупки касался рекламы несколько раз. От выбранной модели атрибуции зависит вывод о том, какой канал «сработал»: один и тот же набор кликов в разных моделях покажет разные результаты. Смена модели без объяснения команде — источник споров: отдел считает, что канал перестал работать, хотя дело в том, что расчёт теперь ведётся по-другому.

Факт. A/B-тест делит трафик поровну на весь период теста, а бандит-алгоритм перераспределяет его по ходу в пользу лидирующего варианта — это разные механики, а не два названия одного инструмента.

Какие данные нужны для решения

Для решения о судьбе кампании нужны минимум три метрики — CPA, CAC и ROI, — и данные не по всей аудитории целиком, а по сегментам внутри неё.

CPA считается по действию — заявке или клику по кнопке — и показывает, сколько стоит один такой шаг. CAC считается по привлечённому клиенту, то есть по факту оплаты, а не заявки, — это разные знаменатели: заявка ещё не клиент, часть заявок отваливается на этапе обработки. Смешивать эти два показателя и делать вывод «реклама подешевела», глядя только на CPA, — ошибка: клиенты при этом могли не подешеветь вовсе. Для решения важно смотреть на CPA, CAC и ROI кампании вместе, а не на одну метрику вместо другой.

Данные по общей аудитории вводят в заблуждение чаще, чем помогают. Кампания в среднем может показывать приемлемый CPA, а внутри неё один сегмент — например, аудитория с мобильных устройств вечером — тянуть показатель вниз, пока другой его вытягивает. Решение стоит принимать по сегментированным данным, а не по средней температуре по кампании.

Источником данных для решения о корректировке кампании должен быть системный чек-лист поиска ошибок, а не разовый взгляд на дашборд утром понедельника: дашборд показывает состояние на текущий момент, чек-лист — причины, которые к этому состоянию привели.

Решение по средним данным всей кампании маскирует проблему: если внутри неё есть сегмент, который тянет метрику вниз, только разбивка по сегментам покажет, где резать бюджет, а где — наращивать.

Управленческие решения на основе данных

Управленческие решения на основе данных отличаются от решений отдельного специалиста уровнем согласования: маркетолог может сам решить, что сделать с одним объявлением, а решение поменять стратегию кампании или перераспределить бюджет между направлениями обычно проходит через руководителя или планёрку команды — потому что затрагивает бюджет и ответственность не одного человека.

Без единого источника данных управленческое обсуждение превращается в спор о цифрах, а не о решении. Если маркетолог смотрит отчёт из рекламного кабинета, руководитель — выгрузку из CRM, а финансист — свою таблицу, у каждого получается своя версия эффективности кампании, и совещание уходит на выяснение, чьи цифры правильные, вместо обсуждения самого решения. Решение принимается быстрее, когда у всех участников перед глазами один и тот же отчёт с одинаковой методикой расчёта метрик.

Пересмотр управленческого решения тоже стоит привязать к расписанию, а не к моменту, когда кто-то вспомнил о проблеме. Периодичность пересмотра — еженедельно, ежемесячно или по циклу отчётности — устанавливает сама компания исходя из объёма данных и скорости, с которой меняется рынок; единого стандарта здесь нет. Важно не то, какой именно интервал выбран, а то, что он зафиксирован и решения пересматриваются по графику, а не хаотично, когда кампания уже давно работает не так, как задумано изначально.

Мнение. Единый источник данных для всей команды оправдан, если решение затрагивает бюджет нескольких направлений или нескольких людей; для точечной правки одного объявления внутри своей зоны ответственности специалисту достаточно собственного отчёта.

Пример решения на основе данных

Решение на основе данных строится по схеме «метрика → порог → действие»: специалист заранее определяет, какое значение метрики станет сигналом, и заранее решает, что сделает при его достижении, а не изобретает реакцию по ходу дела.

Пример: у одного объявления внутри кампании CPA начинает расти, а ROI — падать несколько отчётных периодов подряд, хотя по кампании в целом показатели остаются в норме. Гипотеза — конкретное объявление исчерпало аудиторию или потеряло релевантность запросам, по которым показывается. Решение — остановить показ именно этого объявления, а не всей кампании: остальные объявления работают штатно, и отключение кампании целиком означало бы потерю рабочего трафика ради проблемы одного элемента.

После остановки объявления решение не считается закрытым. Через тот же по длине период нужно сравнить общий CPA и ROI кампании без этого объявления с показателями до изменения: если метрики выровнялись — гипотеза подтвердилась, если нет — причина была не в объявлении, и стоит смотреть дальше, например на сегменты аудитории или на площадки показа. Решение, принятое один раз и не проверенное повторно, рискует остаться формальностью, а не рабочим инструментом управления кампанией.

Решение на основе данных не заканчивается действием — оно заканчивается повторной проверкой той же метрики через тот же по длине период, иначе неясно, сработало оно или нет.

Частые ошибки при принятии решений на основе данных

Большинство ошибок при принятии решений на основе данных сводится к четырём: смотрят на одну метрику без контекста, делают вывод по маленькой выборке, подгоняют объяснение под уже случившийся результат и забывают вернуться к решению после того, как оно сработало или нет.

Решение по одной метрике без контекста — самая частая ошибка: специалист видит, что CTR объявления вырос, и считает это успехом, не проверив, выросло ли следом число конверсий. Кликабельность растёт, например, из-за агрессивного заголовка, который привлекает нецелевых людей — CPA при этом может ухудшиться, а не улучшиться.

Маленькая выборка данных — вторая ловушка: на небольшом числе кликов случайное отклонение легко принять за закономерность, особенно если оно совпало с ожиданиями. Пока данных не набралось достаточно для устойчивого вывода, любое сравнение вариантов остаётся предварительным, а не итоговым, и действовать на его основе рано.

Третья ошибка — подгонка гипотезы под уже случившийся результат: сначала увидели просадку, потом придумали ей объяснение, которое звучит правдоподобно, но не проверено данными отдельно от этого случая. Гипотеза, рождённая после факта, не защищает от той же ошибки в следующий раз.

Четвёртая — решение приняли и забыли. Кампанию остановили, ставку снизили, бюджет перераспределили — и на этом внимание к результату закончилось, хотя именно повторная проверка показывает, сработало решение или нет.

Источники

• Яндекс Директ — Справка — Яндекс
• Яндекс Метрика — Справка — Яндекс
• Яндекс Реклама — Яндекс