Автор: Йозеф Регинак, руководитель отдела обработки данных @ STRV

Традиционно для предоставления отчетов привлекается группа данных. Растущий бизнес использует электронные таблицы, данных становится слишком много, и для автоматизации процесса нанимается группа данных. Но инженеры-аналитики могут иметь беспрецедентное влияние — например, единолично принимать стратегические решения.

Каждый успешный бизнес накапливает все больше и больше данных, и существует множество решений для удовлетворения потребностей в отчетности. Мы расскажем об этом в нашей статье Об анализе данных. Но ценность Data Team намного выше, особенно благодаря операционной аналитике.

Получение полезных сведений выводит вашу бизнес-стратегию на новый уровень и напрямую влияет на все: от доходов до целей компании и дальнейших шагов. Это не проблема.

«Это вызов, вот и готово гарантированное решение».

Вот как это работает: когда компания использует хранилище данных, существует несколько источников данных из компании и ее общей среды, включая приложения SaaS (Salesforce, HubSpot и т. д.). Таким образом, у склада есть с чем работать, и он может принимать различные решения на основе широкого контекста.

Принимая во внимание этот контекст, инженеры по аналитике подготавливают статистику о корреляции между конкретными событиями в Google Analytics (или аналогичной службе), а затем создают условие, определяющее следующий, наиболее подходящий процесс.

Другими словами: "Ваши плохие результаты в пространстве X связаны с Y, поэтому система автоматически активирует процесс Z, который решит проблему, как показывают фактические данные".

Это операционная аналитика. Чтобы сделать это еще проще:

Представьте стек данных (или группу данных) в виде человеческого тела.

  • Чувства (зрение, слух, обоняние...) – это источники данных, которые предоставляют вам различные данные.
  • Мозг — это хранилище данных, где они собираются. Он способен обрабатывать все эти чувства (данные) и посылать вам сигнал (условие), чтобы вы, например, двигали рукой. Состояние создается на основе «приборной панели», созданной в вашем мозгу.
  • Рефлексы — это операционная аналитика. Вам не нужно принимать сознательное решение для выполнения действия — это происходит автоматически, как вдох и выдох. Это работает.

Аналитик данных превращает ваш бизнес в простое уравнение, которое определяет будущие операции.

Существует один подход, применимый почти во все времена для любого бизнеса: Операционные модели данных. Ни один набор данных или панель мониторинга никогда не были способны обеспечить ценность в таком масштабе.

Придуманные Бенном Стэнсилом, операционные модели данных работают на основе того, что аналитик данных думает о бизнесе как о серии моделей. Используя простое уравнение и основные бизнес-метрики, он создает системы, которые напрямую влияют на доход компании.

Возьмите Фейсбук. Уравнение: (количество активных пользователей в день на платформе) x (минуты на платформе на одного активного пользователя в день) x (доход за минуту) = доход Facebook.

Поскольку аналитик данных понимает перспективу бизнеса и общие шаблоны данных, он/она может создать операционную модель, тем самым объяснив заинтересованным сторонам, в какие именно из этих показателей они должны инвестировать, когда и почему. .

Если у вас туго с кошельком, стоит ли сокращать операционную аналитику?

То, как Операционная аналитика может вам помочь, во многом зависит от того, на каком этапе находится ваш бизнес — подробнее об этом в Руководстве по аналитике для основателей стартапов Тристана Хэнди.(Спойлер: когда в команде 20–50 человек, это уже не имеет смысла делать что-то вручную и использовать внутренние отчеты в Google Analytics и других приложениях — головная боль. Тогда пришло время инвестировать в склад.)

Дело в том, что использование операционной аналитики на 100 % сократит ваши расходы в будущем. Но это может занять год, что для стартапа с очень ограниченными инвестициями может показаться слишком рискованным.

Однако для более авторитетных компаний, которые не просто хотят, но и должны улучшить свою игру, это единственный путь.

Команда данных под одной крышей с другими инженерами = золото.

В STRV наша команда по работе с данными сотрудничает с нашими бэкэнд-инженерами и всеми другими командами, что позволяет нам определять, внедрять, тестировать и развертывать решения без задержек — и без необходимости объяснять определенные процессы кому-то менее опытному. в поле.

Вышеизложенное особенно полезно в случае сбора данных, который представляет собой процесс оцифровки данных из окружающего нас мира, чтобы их можно было отображать, анализировать и хранить в компьютере. Когда все инженеры работают вместе, аналитик данных контролирует сбор данных на каждом этапе, обеспечивая создание/накопление всех данных в правильном формате. Ноль икоты вниз по линии.

Как STRV использует операционную аналитику для наших партнеров?

Один из наших клиентов попросил нас создать приложение для прослушивания талантов с небольшим контентом, напоминающим TikTok. Для нашей команды данных это означало предоставление системы рекомендаций и поисковой системы.

Эти два решения можно было бы решить исключительно с помощью серверного API, но используя Operational Analytics, мы сделали их намного более мощными благодаря обширному контенту.

Поисковая система

Мы берем данные из серверной части, объединяем их с поведенческими данными — также известными как события (как пользователи используют приложение) — и находим соответствующие результаты. Мы объединяем эти данные и загружаем их в OpenSearch (высокоотзывчивая поисковая система с расширенными функциями машинного обучения), предоставляя пользователю доступ к выходным данным Data Team прямо в приложении. Другими словами: часть стека данных используется в операциях.

Система рекомендаций

Пользователь открывает приложение, и OpenSearch решает, какой новый контент рекомендует приложение — это делается путем объединения данных из серверной части и событий. Обычно рекомендация в приложениях начинается с кураторской группы, которая обрабатывает ее вручную. Вместо этого мы решили построить MVP на данных с самого начала, тем самым сведя на нет будущий длительный процесс перехода от ручного управления к AI/ML.

Итак, вы хотите пойти на это. Что можно ожидать от STRV?

У нас большой опыт работы с AWS, которая является облачной платформой для большинства компаний. Наш опыт также охватывает все соответствующие технологии данных, включая dbt, Snowflake, AWS, OpenSearch и другие технологии с открытым исходным кодом (для экономных), а также более нишевые технологии.

В заключение, пожалуйста, имейте в виду, что операционная аналитика — это не прогулка в парке. Чтобы сделать это правильно, нужны не только навыки, но и особый склад ума. Вы всегда должны совершенствоваться, трижды проверять свою работу и документировать каждый шаг.

Но сделайте все правильно, и вы получите конкурентное преимущество, которое очень превзойти.

Первоначально опубликовано на https://www.strv.com.