Почему вы не можете внедрить сквозную аналитику: три главные причины

Сегодня сложно найти специалиста рекламного рынка, который бы не знал, что такое сквозная аналитика. Небольшому e-commerce-проекту не представляет большого труда внедрить готовое коробочное решение, однако для крупного реального бизнеса с исторически сложившейся IT-инфраструктурой эти решения не подходят. Попытки самостоятельного внедрения сквозной аналитики в таких компаниях и обслуживающих их рекламных агентствах нередко затягиваются на годы и не приносят вразумительных результатов. По иронии судьбы, именно таким игрокам сквозная аналитика может быть наиболее полезна, ведь путь клиента через заявки и заказы отследить куда сложнее, чем моментальную продажу в интернет-магазине.

Почему же внедрение сквозной аналитики дается так сложно и мало кому удается достичь в этом серьезных результатов? Если разобраться в причинах, шансы на успех будут на порядок выше.

Причина № 1

Во-первых, у крупных компаний зачастую сложная и перегруженная IT-инфраструктура. Она может включать разные базы данных, несколько CRM-систем, самописные модули. Все эти блоки зачастую не связаны между собой, как и потоки данных, которые они генерируют. При этом трудно представить себе крупную компанию, которая решится на полную перестройку IT-инфраструктуры ради внедрения сквозной аналитики.

В результате модель внедрения для каждой компании должна быть индивидуальной и строиться с учетом «исторического наследия» этой компании, иначе эта инициатива обречена на провал. Стоит ли говорить, коробочные решения в таких случаях не работают: компании, которые пытаются их внедрить, впоследствии сталкиваются с тем, что продукт надо непрерывно дорабатывать под себя и с помощью разнообразных «костылей» встраивать в исторически сложившуюся инфраструктуру. Через какое-то время в компании понимают, что такое решение нежизнеспособно.

Причина № 2

Во-вторых, для выстраивания сквозной аналитики нужны разные узкоспециализированные кадры. Многие думают, что обойтись можно несколькими web-аналитиками, закрывая глаза на то, что это должны быть специалисты с высокими компетенциями в управлении рекламными системами и навыками визуализации. К тому же нельзя забывать, что речь идет о компании с тяжелым инфраструктурным наследием. Чтобы наладить потоки данных из разных источников и унифицировать их, необходимы архитекторы баз данных. Чтобы вся информация агрегировалась в одном месте, понадобится функциональный и удобный сервис, но для его разработки не обойтись без разработчиков (Python, R). Нанимать столько людей в штат очень затратно.

Впрочем, доработка готовых коробочных решений может обойтись компании еще дороже. К тому же внедрение стороннего решения чревато тем, что все придется перепроверять. Чтобы избежать ошибок и нестыковок специалисты должны быть погружены в бизнес-процессы компании и понимать, откуда берутся те или иные данные.

Причина № 3

В-третьих, это долго. Компании, которые берутся самостоятельно внедрять сквозную аналитику, действуют методом проб и ошибок, а многократные корректировки и переделки сильно затягивают процесс. Зачастую приходится начинать все с нуля, когда изначально выбранный путь оказывается ложным. И дело здесь не столько о специалистах, сколько в руководителях компании. Это сложный процесс, который нужно умело направлять и координировать, держа в голове желаемую итоговую конфигурацию системы. Без опыта и экспертизы процесс внедрения может растянуться на годы и рискует не закончиться ничем вразумительным кроме набитых шишек.