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.