Data driver что это
Привет. На связи «Бета». И сегодня мы рассказываем о дата-ориентированном подходе в промышленности: как его применять, чтобы не было мучительно больно.
С data-driven-подходом всё просто: управленческие решения основываются на объективном анализе данных. То есть история «я вот подумал» от руководителя трансформируется в «цифры не врут» от машинных аналитических систем. Так уже вовсю работают Uber, Walmart, Netflix, eBay и другие передовики непроизводственной сферы.
Но по сравнению с B2C и e-commerce, тяжелые индустрии более инертны.
Сейчас дата-ориентированный подход в промышленности – как стартап на ранней стадии: и хочется, и колется, и CFO не велит.
Чем больше компания, тем больше у неё процессов и данных. Их сложнее собирать, приводить к общему знаменателю, анализировать и делать правильные выводы. В итоге злополучные data-driven эксперименты часто заканчиваются провалом. Так стоит ли игра свеч?
И то, и другое. Рынок Big-data технологий в обрабатывающей промышленности в 2019 оценивался почти в $1 млрд. с ежегодным приростом 30,9% до 2025. В нынешних условиях перепроизводства и борьбе за рынок производители готовы использовать любое конкурентное преимущество. И объективный анализ на основе данных – одно из таких.
Если вы CFO и читаете эту статью, то вот математический разбор разницы подходов к данным. Если коротко, то человек ошибался, ошибается и будет ошибаться. Потому что он субъективен, медлителен и склонен угождать себе и начальству. А те же нейронные сети, ML и машинные алгоритмы вообще, объективны и дают необходимую скорость внутренних изменений в бешеной конкурентной гонке.
Если коротко, то вы получаете только обоснованные прогнозы. Упрощенно схема выглядит так:
А можно сначала собрать, а потом спрашивать. Но это для рисковых пацанов)Если в деталях, то анализ данных на производстве работает на 3 глобальных позитивных сдвига:
- Снижается стоимость производства. Во многих аспектах: от прогнозирования сбоев оборудования до моделирования спроса на будущий продукт.
Например, анализ данных временных рядов от датчиков IoT может использоваться для прогнозирования поломки оборудования и выявления причин. В итоге снижается время простоя, а необходимые корректировки нивелируют проблему в будущем.
- Повышается качество продуктов и процессов. Анализ больших данных позволяет отследить брак, выявить причины несоответствий и устранить их.
Как вариант, PPH (Profit-per-hour) аналитика отслеживает множество факторов, влияющих на конечное состояние продукта. Если что-то идёт не так – сразу можно понять причину.
- Увеличивается скорость производства. Здесь речь о грамотном управлении запасами и цепочками поставок (сырья, оборудования, всего).
Датчики информируют о потребности в компонентах сотрудников разных подразделений. Скорость реакции помогает избежать простоев.
Собственно, реализация data-driven-подхода на производстве требует терпения и некоторых манипуляций.
1. Сбор данных. Речь и машинном сборе доступных данных, и на это нужно время. Ну, и от предварительного анализа инфраструктуры на предмет доступных в конкретном случае данных, конечно, не уйти.
2. Хранение данных. Должна быть единая система, позволяющая хранить большие объёмы информации.
3. Очистка данных – точнее, приведение их к общему формату, устранение лишнего и выбор сопоставимых фрагментов. Для производственных компаний этот момент, наряду с объединением информации в единое целое, является самым проблемным.
4. Сопоставление и анализ данных. Собственно, ради чего все собирались. Это унификация данных и определение зависимостей, закономерностей, выявление потенциальных узких мест.
5. Визуализация данных – упрощает понимание цифр людьми и делает информацию доступной 24/7, например, в чат-боте.
6. Прогнозирование на основе данных. Планирование, в хорошем смысле слова.
Пример реализации дата-ориентированного подхода показала компания Shell, которая внедрила аналитическую платформу для прогнозирования износа некоторых деталей. Инструмент Databricks в облаке Microsoft Azure помогает спланировать, когда приобретать детали, как долго их хранить и где размещать. В итоге инвентаризация вместо 48 часов занимает 45 минут – миллионы долларов экономии за год.
Вот ещё пример, из фарм. производства. Весь растительный материал склонен к естественной изменчивости, а лекарства из растений делаются ещё и в несколько этапов, т.е. сказать, что одна партия не похожа на другую, – ничего не сказать. Это знатно нервирует производителей, которым нужен в общем-то одинаковый продукт. Китайская компания Tasly – один из таких производителей. Несколько лет назад она обеспечила стабильное качество своей продукции после внедрения многомерного анализа данных и мониторинга своего производственного процесса в режиме реального времени.
Такой опыт есть и в России. Компания СИБУР уже апробировала data-driven подход на производстве полипропилена в Тобольске. Теперь, за счёт моделирования режимов работы оборудования, на то же количество продукции тратится меньше ресурсов. Кроме того, анализ данных позволяет прогнозировать поломки оборудования, которое обслуживается превентивно. Компания надеется увеличивать EBITDA за счёт цифровой трансформации на 10% ежегодно.
Есть несколько нюансов при реализации дата-ориентированных проектов, которые кажутся нам важными.
- Анализ данных – важная часть подхода. Но не все данные одинаково полезны. Приоритезируйте их на ранних стадиях, чтобы потом не оказалось, что потратили время на сбор и работу с малозначимыми факторами.
- Бизнес-цели таких проектов должны быть чёткими, и их нужно придерживаться всеми способами.
- На начальных этапах создания промышленных AI-систем важнее сделать такие пилоты успешными, а не самими ценными с точки зрения скорости возврата инвестиций. Результат должен обеспечить понимание методологий работы с данными, а также задать нужный импульс рабочей группе.
- Внутренний лидер, который определяет вектор работы с данными, критичен. Нет кросс-функционального лидера = нет импульса и data-driven чего бы то ни было.
Надеемся, тема работы с промышленными данными стала для вас немного понятнее. Если таки нет, пишите вопросы в комментариях или напрямую в Fb – будем анализировать зависимости и выявлять узкие места :)
Как уважаемый хабрапользователь наверняка знает, «драйвер устройства» — это компьютерная программа управляющая строго определенным типом устройства, подключенным к или входящим в состав любого настольного или переносного компьютера.
Основная задача любого драйвера – это предоставление софтового интерфейса для управления устройством, с помощью которого операционная система и другие компьютерные программы получают доступ к функциям данного устройства, «не зная» как конкретно оно используется и работает.
Обычно драйвер общается с устройством через шину или коммуникационную подсистему, к которой подключено непосредственное устройство. Когда программа вызывает процедуру (очередность операций) драйвера – он направляет команды на само устройство. Как только устройство выполнило процедуру («рутину»), данные посылаются обратно в драйвер и уже оттуда в ОС.
Любой драйвер является зависимым от самого устройства и специфичен для каждой операционной системы. Обычно драйверы предоставляют схему прерывания для обработки асинхронных процедур в интерфейсе, зависимом от времени ее исполнения.
Любая операционная система обладает «картой устройств» (которую мы видим в диспетчере устройств), для каждого из которых необходим специфический драйвер. Исключения составляют лишь центральный процессор и оперативная память, которой управляет непосредственно ОС. Для всего остального нужен драйвер, который переводит команды операционной системы в последовательность прерываний – пресловутый «двоичный код».
Как работает драйвер и для чего он нужен?
Основное назначение драйвера – это упрощение процесса программирования работы с устройством.
Он служит «переводчиком» между хардовым (железным) интерфейсом и приложениями или операционными системами, которые их используют. Разработчики могут писать, с помощью драйверов, высокоуровневые приложения и программы не вдаваясь в подробности низкоуровневого функционала каждого из необходимых устройств в отдельности.
Как уже упоминалось, драйвер специфичен для каждого устройства. Он «понимает» все операции, которые устройство может выполнять, а также протокол, с помощью которого происходит взаимодействие между софтовой и железной частью. И, естественно, управляется операционной системой, в которой выполняет конкретной приложение либо отдельная функция самой ОС («печать с помощью принтера»).
Если вы хотите отформатировать жесткий диск, то, упрощенно, этот процесс выглядит следующим образом и имеет определенную последовательность: (1) сначала ОС отправляет команду в драйвер устройства используя команду, которую понимает и драйвер, и операционная система. (2) После этого драйвер конкретного устройства переводит команду в формат, который понимает уже только устройство. (3) Жесткий диск форматирует себя, возвращает результат драйверу, который уже впоследствии переводит эту команду на «язык» операционной системы и выдает результат её пользователю (4).
Как создается драйвер устройства
Для каждого устройства существует свой строгий порядок выполнения команд, называемой «инструкцией». Не зная инструкцию к устройству, невозможно написать для него драйвер, так как низкоуровневые машинные команды являются двоичным кодом (прерываниями) которые на выходе отправляют в драйвер результат, полученный в ходе выполнения этой самой инструкции.
При создании драйвера для Линукса, вам необходимо знать не только тип шины и ее адрес, но и схематику самого устройства, а также весь набор электрических прерываний, в ходе исполнения которых устройство отдает результат драйверу.
Написание любого драйвера начинается с его «скелета» — то есть самых основных команд вроде «включения/выключения» и заканчивая специфическими для данного устройства параметрами.
И чем драйвер не является
Часто драйвер устройства сравнивается с другими программами, выполняющими роль «посредника» между софтом и/или железом. Для того, чтобы расставить точки над «i», уточняем:
- Драйвер не является интерпретатором, так как не исполняется напрямую в софтовом слое приложения или операционной системы.
- Драйвер не является компилятором, так как не переводит команды из одного софтового слоя в другой, такой же.
Ну и на правах рекламы – вы всегда знаете, где скачать новейшие драйвера для любых устройств под ОС Windows.
Елена Герасимова, руководитель факультета « Аналитика и Data Science » в Нетологии, рассказала, на чём основывается подход data-driven, как он используется в современных компаниях и что нужно делать руководителю, чтобы успешно внедрить культуру принятия решений на основе данных.
Термин data-driven появился на стыке девяностых и двухтысячных. Именно тогда бизнес-среда стала говорить о новом подходе в маркетинге, который позволял принимать решения на основе собранных данных.
Сегодня в дефиците не только технические специалисты, способные организовать работу с данными и устройствами, но и менеджеры, понимающие, как интегрировать Data Science и новейшие технологии в бизнес-процессы, правильно нанимать специалистов, ставить им задачи и организовывать их работу.
Менеджмент data-driven — это культура принятия стратегических решений на основе данных с интеграцией аналитических отчетов в ключевые бизнес-процессы компании.
Учитывая растущее количество кросс-компетентных ролей в компаниях, появляется все больше принципиально новых позиций, которые занимаются работой с аналитикой в разном виде:
- CDO (Chief Data Officer);
- CAO (Chief Analytics Officer);
- CPO (Chief Privacy Officer);
- CAIO (Chief Artificial Intelligence Officer);
- CGO (Chief Growth Officer).
Каждая из этих позиций предполагает выступление ролевой моделью инфраструктурных изменений и трансформацию существующей в компании культуры, стратегии, видения и методики принятия решений.
При этом нередко переход к data-driven подразумевает не столько технологическую трансформацию, сколько изменение бизнес-модели компании. При таком подходе вы отбрасываете все, кроме численных данных, в целостности и актуальности которых уверены.
В каждой из новых перечисленных ролей на первый план выходят:
- понимание множества окружающих функций и процессов;
- «насмотренность», опыт и компетенции в каждой из затронутых в трансформации областей;
- способность связать воедино собственный опыт и видение остальных участников С-уровня;
- желание преодолевать сопротивление «делать, как всегда делали», исследовать и быть готовым принять культуру работы с данными.
Роль данных в принятии решений
С руководителями мы разобрались — от данных им никуда не деться. Какую же роль играет аналитика для принятия решений?
Подход data-driven демонстрирует видение того, как компания, использующая данные для принятия решений, выглядит в реальности (совершенно необязательно иметь для этого цифровой продукт).
Помимо этого, он помогает уточнить формулировку миссии бизнеса и получить выводы, которые делают аналитику и данные ощутимыми (реальными) для людей без опыта анализа. Передовые технологии обработки данных через ИИ и машинное обучение становятся понятными более широкому кругу, когда используются для предиктивного анализа продаж, износа оборудования и риска вложений в активы.
Таким образом культура работы с данными помогает сделать очевидными практические бизнес-результаты от анализа данных и понимание текущего состояния, фокуса и намерений бизнеса.
Как стать data-driven?
Сама культура принятия решений, основанная исключительно на данных, может выглядеть простой с точки зрения внедрения, но руководителю и всей команде необходимо пройти определенные шаги и разобрать важные вопросы.
- Четко опишите свои бизнес-данные и аналитическую стратегию.
- Что собираем? Где храним? Сколько храним? Сколько это стоит? Какой результат нам даст?
- Не страшно, если компания решит начать с небольшого проекта. Только такие гиганты, как Facebook или Amazon, могут себе позволить хранить все подряд постоянно и без потерь.
- Оцените стоимость информационно-технической экосистемы, позволяющей получать доступ к данным, и количество ее пользователей.
- Сейчас всю обработку данных можно доверить облакам, так вам не нужно будет капитально вкладываться в оборудование, которое может устареть быстрее, чем трансформируется культура компании.
- Распишите план действий по переходу от бизнес-отчетности к глобальной аналитике: отчетность — результат, аналитика — процесс, хотя и там, и там заказчик — бизнес.
- Актуализируйте курс и скорость трансформации раз в квартал: нужно, чтобы все сотрудники компании жили ею, а не просто смотрели на цифры в формальных документах.
- CDO берет на себя роль центра всей «аналитики»: создает для каждого из потребителей данных в компании инфраструктуру самостоятельного доступа.
- Объедините всех единой целью изменения культуры работы с данными: необходимо тесно взаимодействовать с ИТ-специалистами и другими участниками С-круга вашей компании.
Учитывая все вышесказанное, можно сделать вывод, что переход к культуре data-driven необходим не всем.
Например, компании, основанные на сильном брендинге в качестве источника основного дохода, могут не видеть особой ценности в том, чтобы стать data-driven, поскольку решения по брендингу не требуют большого количества данных.
Отличным примером применения трансформации data-driven на уровне всей компании является Uber: обширно используются данные, которые компания получает от пассажиров и водителей.
Алгоритмы Uber рассчитывают стоимость поездки, оценивают потоки людей, меняют цены, дают рекомендации водителям, как больше заработать, основываясь на собранных данных.
В компании такого уровня вся работа с данными требовала бы найма огромного штата дата-сайентистов и их погружения в бизнес-контекст. Вместо этого компания пошла по пути построения платформы управления данными, которая позволила использовать продвинутые аналитические инструменты широкому кругу пользователей.
Но стоить помнить, что и к сотрудникам, даже высокоуровневым, в таких условиях предъявляются высокие требования. Как минимум ожидается владение базовым инструментарием аналитика:
- SQL;
- основы Python;
- BI-инструментов.
Подводя итог, можно сказать, что руководителям, «пощупавшим» данные, гораздо проще находить со своими аналитиками общий язык в дальнейшем.
Аналитик данных — это одна из важнейших ролей в компании. Глаза, ум и здравый смысл бизнеса.
Аналитик обязан «видеть цифру за каждым человеком и человека за каждой цифрой», а также уметь продать свое видение коллегам, которые могут иметь очень разный опыт и отношение к аналитике в целом. Эта роль даже в продуктовой компании предполагает максимальное количество общения с неаналитиками.
Елена Герасимова
Руководитель факультета « Аналитика и Data Science » в Нетологии
курс
Аналитика для руководителей
Узнать больше
- Научитесь использовать данные для стратегического планирования
- Сможете правильно формулировать задачи и ожидания и получать максимально полезные отчёты
- Научитесь с троить аналитические метрики, связывать их в систему и проектировать дашборды
Именно культура работы с данными помогает договориться о правилах игры, терминах, визуализации метрик, выводах и дальнейших рекомендациях. Но руководителю нужно учиться пониманию роли аналитики и ее результатов в бизнес-процессах компании.
Это будет происходить небыстро, даже если, на первый взгляд, культура data-driven близка компании. Менеджерам необходимо понимать, как интерпретировать данные в стратегии, строить работающие гипотезы на их основе и при этом контролировать работу специалистов по аналитике.
Изначально материал опубликован на Rusbase.
ЧИТАТЬ ТАКЖЕ
Понятие Data Driven появилось еще в 90-х годах прошлого века и получило широкое распространение в бизнесе. В менеджменте чаще всего всего упоминается термин Data Driven Decision, в переводе — «решения, принятые на основе данных».
Подход подразумевает, что нужно понимать данные и уметь строить прогнозы на их основе. То есть на этапе принятия решения должно быть понимание, на что оно повлияет, что нужно изменить, какого результата можно добиться. Так появился термин Data Driven Decision, который подразумевает использование фактических данных для принятия управленческих решений.
Как подход работает на практике
В первую очередь нужно определить бизнес-цель на текущем этапе, например, это может быть рост прибыли или доли на рынке. Второй шаг — обозначить стадии и промежуточные цели, достижение которых определяется метриками. Достижение метрики говорит о том, что компания движется в правильном направлении.
К примеру, рост прибыли можно оценить по количеству новых клиентов, среднему показателю оттока клиентов, размеру среднего чека, количеству повторных продаж, проценту конверсии и показателю маржинальности.
Важно, чтобы цели были достижимы, а метрики грамотно подобраны:
- Их не должно быть много: по 3−5 на этап.
- Метрика должна быть сравнительной — это значит, что вы должны иметь возможность сравнить показатели с предыдущим периодом.
- Метрика должна выражаться в относительных показателях. Например, измерять скорость удобнее всего в километрах в час, то есть скорость — это пройденное расстояние относительно времени.
Популярные метрики для оценки бизнеса: уровень удовлетворенности клиента, вовлеченности сотрудников, объем прибыли до вычета расходов и т.д.
Еще один важный момент, который необходимо учитывать, — поведенческая психология руководителей, те моменты, когда интерпретация данных подстраивается под личные приоритеты менеджера.
Визуализация Big Data
Если в традиционном «ручном» подсчете используется небольшое количество данных, то может возникнуть дискуссия относительно репрезентативности построенных на основе этих данных графиков и диаграмм. Зато одной из удобных особенностей методики Big Data является возможность построить объективную и наглядную визуализацию. Такая опция обеспечивает понятность полученных данных даже специалистам, которые далеки от понимания технологии.
Сгенерированные на основе Big Data графики и тепловые карты можно использовать в качестве неопровержимого аргумента. Это особенно важно, когда необходимо принять решение о распределении бюджета. Если на длительном временном промежутке влияние определенного явления не очевидно, визуализация поможет увидеть взаимосвязь между явлениями. Аналогично, визуализация данных помогает оценить масштаб эффекта после введения определенных мер.
Американское издание Wall Street Journal продемонстрировало эффект на население после внедрения различных вакцин. Наиболее показательным является тепловая карта по распространению полиомиелита. Данные собраны за 70 лет со всех 50 штатов США. Каждый прямоугольник обозначает количество заболеваний на 100 000 жителей.
Еще один наглядный пример визуализации показывает одновременно бюджет фильма, отношение кассовых сборов к бюджету и среднюю оценку кинокритиков. По шкале X отображена оценка кинокритиков на основании данных Rotten Tomatoes. Чем правее на шкале фильм, тем выше его оценка. Шкале Y показывает процентное соотношение мирового бокс-офиса к затраченным на производство средствам. Величина кругов — размер бюджета. Цвет кругов — жанр. В данном примере отобраны все голливудские фильмы 2016 года.
Из приведенного распределения можно сделать много выводов. Например, что мнение кинокритиков не влияет на коммерческий успех фильма. Или тот факт, что у крупнобюджетных кинокартин выше вероятность собрать кассу, которая вдвое превышает бюджет. Или тот факт, что некоторые малобюджетные хорроры становятся суперхитами.
Издание New York Times в 2014 году подготовило впечатляющую визуализацию из 255 графиков, каждый из которых отображает изменение в количестве рабочей силы в определенной индустрии за период с 2004 по 2013. Данные были подготовлены в связи со знаковым событием: к 2014 году в американской экономике были восстановлены 9 млн рабочих мест, утраченных в ходе экономического кризиса 2008−2009 годов. Интерактивный график показывает, в каких индустриях происходил рост, а в каких — падение числа рабочих мест.
Возможности использования метода
Data Driven в web-разработке
В современном цифровом мире данные генерируются и обновляются регулярно. Разработчики опираются на них при создании практически любого программного обеспечения. Но этим не ограничивается сфера применения Big Data.
Сбор, интерпретация и обработка данных играют все бо́лее важную роль в любой промышленности. Они обеспечивают точную и действенную обратную связь, которая помогает инженерам понять, где и как вносить улучшения в продукт или процесс. С их помощью ИТ-руководители визуализируют, рабочие процессы, анализируют качество и количество результатов и прогнозируют возможные улучшения.
Искусственный интеллект и большие данные позволяют принимать более обоснованные конструктивные решения и быстрее реализовывать оптимальные бизнес-модели. Машинное обучение помогает разрабатывать новые передовые производственные процессы, повышающие комфорт рабочих и производительность компании.
Data Driven в менеджменте
Data Driven Management — управление бизнесом на основе объективных, фактических данных.
Подход открывает перед управленцами широкие возможности:
- Повышение эффективности инвестиций. Данные могут рассказать, как привлечь новую аудиторию, повысить качество пользовательского опыта и пр.
- Сокращение маркетинговых издержек. Анализ рекламных кампаний направлен на то, чтобы они были эффективнее: тратить по минимуму, чтобы зарабатывать по максимуму.
- Рост клиентоориентированности. Детальный анализ данных помогает понять предпочтения целевой аудитории, выстроить персональные коммуникации с клиентом, отслеживать отзывы.
- Оперативное реагирование на изменения рынка. Отслеживание данных в реальном времени позволяет принимать решения практически молниеносно.
Результат — рост прибыли.
Data Driven используют крупнейшие компании мира: Intel, Google, Chevron. В России, например, «Сбербанк». В банке с каждым годом растет количество решений, принятых на основе анализа данных. В качестве ключевого подхода к моделированию «Сбербанк» использует CRISP — Cross Industries Standard Process по Data Mining — межотраслевой стандарт извлечения данных.
Иногда надо убедить себя, что аналитика данных дает более консистентный, более достоверный результат, чем эксперт, который сидит в этом направлении уже 25 лет. Но он может не знать чего-то, что показывают данные. старший управляющий директор и главный исследователь данных «Сбербанка»
Data Driven в дизайне
Data Driven Design — проектирование продуктов на основе данных, полученных с помощью тестов, исследований, проверки гипотез.
Раньше предполагалось, что дизайнер принимает решения на основе собственного вкуса и опыта, однако сейчас этого недостаточно. Работа в digital оценивается по KPI (Key Performance Indicators) и, чтобы их достичь, необходимо уметь прогнозировать, а значит анализировать.
- Для заказчика. Нет действий, сделанных наугад, все решения обоснованы.
- Для дизайнера. Меньше необоснованных правок и споров, исключается элемент вкусовщины.
При таком подходе подрядчик и заказчик концентрируют свои усилия, чтобы сделать сервис удобным пользователям, а не удовлетворять чьи-либо амбиции.
Новый уровень требований привел к тому, что профессия дизайнера распалась на несколько самостоятельных единиц — теперь над проектами работают целые дизайн-команды: UI-дизайнер, UX-проектировщик, дизайнер анимации, аналитики и арт-директор. Также подключаются специалисты по Big Data (data scientist).
Data Driven Design — это постоянные циклы улучшений, но здесь есть риск погрязнуть в данных и уделить излишнее внимание мелочам.
Такое явление получило название датацентризм. Например, в 2009 году из-за подобного подхода из Google уволился ведущий дизайнер.
В маркетинге
Новая концепция Data-driven маркетинга опирается на старую поговорку: «Невозможно управлять тем, что нельзя измерить». В Data driven бизнесе измерить можно и нужно все. В первую очередь это касается маркетинговой аналитики: релевантная информация о клиентах необходима для выстраивания персонализированных и действенных таргет-кампаний.
Еще в 2013 году 74% онлайн-потребителей заявляли, что разочаровываются в сайтах, на которых появляется контент, не соответствующий их интересам. 50% посетителей сайта просто покинут платформу, увидев такой контент. Чтобы оставаться конкурентоспособными при таких условиях рынка, предприятиям необходимо сосредоточиться на анализе и применении данных в своих маркетинговых кампаниях.
Data Driven маркетинг позволяет персонализировать взаимодействие с клиентом, что необходимо в условиях постоянно растущей конкуренции. Сегодня персонализированный маркетинг выходит далеко за рамки именных приветствий по электронной почте. Он определяет что, как и когда видит клиент онлайн. Все всплывающие окна, акции и реклама появляются перед глазами пользователя в наиболее удачный для компании момент.
Успех Data Driven маркетинга зависит от точности данных о клиентах. Даже самые простые алгоритмы сбора информации бесполезны, если, если она не будет правильно отражать интересы клиентов и целевой рынок. Следует обращаться к существующей клиентской базе, чтобы сформировать представление о целевой аудитории.
Маркетинг на основе данных − это итеративный процесс, который постоянно развивается и расширяется. В грамотно выстроенном маркетинге процесс анализа и интерпретации данных ведется постоянно. Нельзя оперировать данными пятилетней давности для работы с современной аудиторией сайта. Поэтому важным фактором успеха является управление данными. Оно помогает выстроить процесс регулярного анализа данных о клиентах, оценивать новые возможности маркетинга, а также экономить время и ресурсы команды.
Читайте также: