ארגונים רבים שמעו את ‘הבאז וורד’ דאטה אנליסט ותוהים כיצד תפקיד זה יכול לעזור להם להגדיל את הרווחים שלהם. על מנת לתת טעימה מהתפקידים שהאנליסט מבצע הכנתי מאמר קצר שמסביר את המשימות שעומדות בפניו כשהוא נכנס לארגון.

המאמר מתאים גם לסטאראפים קטנים וגם לחברות גדולות, והוא כתוב בצורה קלה להבנה מבלי להיכנס לנושאים מורכבים.

הכתיבה היא בלשון זכר מטעמי נוחות, אך ישנן אנליסטיות מצוינות שעולות על גברים רבים בתחום!

המדדים העסקיים להצלחה

לפני כל שאלה אחרת, כשהאנליסט מתחיל לעבוד בארגון עליו לשאול את השאלה החשובה – מה היעדים של הארגון ואיך מודדים אותם. או במילים אחרות מקצועיות יותר:

מה ה-Key performance indicators ובקיצור KPI’s

כל ארגון עסקי רוצה להגדיל את הרווחים שלו, אבל עבור כל ארגון המודל העסקי שונה, ולכן גם הגדרת ה-KPI’s תהיה שונה. למשל: עבור ארגון אחד ההצלחה תבחן ע”י הגדלת כמות המשתמשים הפעילים, ואילו לארגון אחר חשוב יותר משך הזמן ממוצע (או החציוני) של הגולשים באתר. ישנו ארגון שחשוב לו שהלקוח יעבור את כל שלבי ההרשמה כדי שלא יטריד אח”כ את השרות לקוחות ולארגון אחר חשוב למדוד את שיעור ההלוואות שניתנו ללקוחות בסיכון נמוך.

הגדרת ה- KPI’s היא המשימה הראשונה שהאנליסט צריך לבצע לפני שהוא מתחיל לגשת לנתונים. אבל זה לא מספיק, כל KPI צריך גם להיות מוגדר אופרטיבית. לדוגמה, מה זה אומר ‘משתמשים פעילים’? האם משתמש שגולש פעם בשבוע במוצר נחשב פעיל או אולי משתמש שרוכש פעם בחודש נחשב פעיל? אין תשובה נכונה לשאלות מהסוג הזה, כל ארגון קובע את שיטת החישוב שמתאימה למודל העסקי שלו.

ניתוחים

לאחר הגדרת ה- KPI’s האנליסט “יסתכל על הדאטה” ויבצע אנליזה כדי לחשב את ה- KPI’s. אנליזה כזאת יכולה גם להשוות ולדרג את תוצאות ה- KPI’s בין סגמנטים ומוצרים שונים. למשל, ניתן להשוות בין אחוז הלקוחות מאנגליה שלקחו הלוואות מסוכנות לעומת ארצות הברית או ישראל.

בדרך כלל, אנליזה ראשונה ובסיסית היא רק תחילת התהליך. לרוב לאחר אנליזות כאלה יצוצו שאלות עסקיות חדשות. להלן מספר דוגמאות לאנליזות נוספות:

ההבנה של המשתמשים הפעילים, אלה שהזכרנו בדוגמה הקודמת, היא עדיין מוגבלת מאד. אנחנו לא יודעים כמה זמן הם נשארים פעילים לאחר הקניה הראשונית או כמה כסף לקוח כזה מכניס לארגון וכמה משאבים כדאי להשקיע כדי לגייס לקוח. על מנת לענות על השאלות האלה, ישנם מספר סוגים של ניתוחים, הפופולארים הם ניתוחי נטישת לקוחות ו LTV. בעזרת אנליזות מסוג זה, ניתן גם להשוות אילו מבין שיתופי הפעולה או קמפיינים של פרסום הביאו לקוחות “טובים” יותר. למשל, האם הלקוחות שהגיעו בעקבות הקמפיין ב- Facebook ממשיכים לקנות גם לאחר הקניה הראשונית, או שמא הלקוחות שהגיעו מהשת”פ עם YNET קונים יותר לאורך זמן.

ניסויי AB Testing

ישנם אנליזות שבודקות את האפקטיביות של המוצר עצמו. לדוגמה: חברת סטאראט-אפ בנתה אפליקציה מושקעת עם הרבה פיצ’רים מגניבים אבל מנהל המוצר שם לב שרוב הלקוחות משתמשים רק בפיצ’ר אחד. כדי לבחון האם הבעיה היא בפיצ’רים האחרים או בעיה בסדר הצגתם באפליקציה בעיה ב-UI מנהל המוצר יכול לבקש מהאנליסט לתכנן ניסוי מבוקר שבו יוצגו לשתי קבוצות שונות של משתמשים פיצ’רים בסדר שונה. בתום הניסוי, האנליסט ינתח את הנתונים ויקבע האם אופן הצגת הפיצ’רים השפיע על השימוש בהם או שהבעיה היא בפיצ’רים עצמם. ניסויים מסוג זה נקראים A/B testing.

לפעמים, כאשר הנתונים מאפשרת זאת, האנליסט יכול למצוא לקוחות עם דפוסי התנהלות במוצר שמנהל המוצר לא ידע על קיומם. למשל, בעזרת ניתוח שנקרא Cluster analysis אפשר לזהות קבוצה של לקוחות אשר מגיעים מהר לעמוד הרכישה אך לעומתם ישנה קבוצה אחרת של לקוחות שגולשים הרבה זמן, לא מגיעים לעמוד הרכישה, מתייאשים ויוצאים מהאתר. זיהוי קבוצה מסוג זה יכול לעזור למנהל המוצר למקד את מאמציו בעזרה ללקוחות “המתייאשים” ולהפוך לקוחות אלו ללקוחות קונים שנהנים לחזור לאתר ולרכוש מוצרים.

יש עוד המון אנליזות ושאלות מחקריות שהאנליסט יכול לענות עליהם באמצעות הנתונים. במאמר הזה לא נכנסתי כלל לתחום של ניבוי ופיתוח מוצרים מבוססי דאטה.