Data-driven-подход помогает на основе данных находить и устранять первопричины проблем в маркетинге и продажах, а не бороться с симптомами. В статье разбираем алгоритм работы в data-driven-модели, преимущества и ограничения метода. Показываем, когда можно положиться на профессиональную интуицию, а когда не обойтись без детального анализа.
23 декабря 2025
Data-driven-подход: как принимать решения на данных в маркетинге и продажах
Data-driven-подход: как принимать решения на данных в маркетинге и продажах
Data-driven-подход — это принятие решений на основе статистики, результатов исследований, глубинных интервью. Суть метода — анализировать объективные данные, чтобы найти и устранить причину проблемы. Это помогает формулировать и тестировать гипотезы.
Цель data-driven-подхода — улучшать процессы, чтобы повышать бизнес-результаты. Изменения в процессах оценивают по их целевым метрикам. Бывает, что стратегию на основе данных противопоставляют опыту и интуиции. На самом деле методы не конкурируют, а дополняют друг друга.
Как data-driven-модель помогает бизнесу зарабатывать, какие ограничения у метода и когда можно обойтись без анализа данных — разобрались с владельцем продукта Mindbox Алексеем Осиповым.
Содержание:
Что такое data-driven-подход
Data-driven-подход помогает на основе данных принимать решения в маркетинге, продажах, управлении. На основе данных выявляют проблемы, определяют их причины и предсказывают изменения, например сезонные колебания спроса. Инструменты data driven помогают бизнесу проверять гипотезы и оценивать результаты своих действий.
Анализ данных в динамике помогает предотвратить проблему до того, как она скажется на бизнесе. Например, CRM-маркетолог еженедельно отслеживает ключевые метрики рассылки, чтобы вовремя заметить снижение доставляемости, пока это не отразилось на выручке.
Основа подхода — анализ данных о бизнес-процессах. Для этого используют методы математической статистики.
Данные отражают реальность, но не говорят, почему она такая и что делать, чтобы улучшить ситуацию. Например, маркетолог может зафиксировать снижение open rate рассылки, но по значению метрики не определит, почему это произошло и как его повысить.
Интерпретирует данные и результаты анализа человек: аналитик, маркетолог, управленец. Он изучает бизнес-процессы, чтобы понять, что влияет на ситуацию и как возникла проблема. Так за статистикой и метриками не потеряется суть происходящего в реальности.
Недостатки и ограничения. Data-driven-модель не всегда позволяет сделать достоверные выводы. Точность и надежность расчета зависит от объема статистики для анализа — размера выборки. Чем больше объем выборки, тем точнее результат. Если данных недостаточно, по ним не получится сделать вывод.
Оценка изменений в динамике. Метрика может меняться случайно или закономерно. Чтобы понять характер изменений, рассчитывают погрешность, или доверительный интервал, для сравниваемых значений. Значение метрики — случайная величина, которая находится в пределах доверительного интервала. Если доверительные интервалы двух величин сильно пересекаются, то можно считать эти значения одинаковыми — разница статистически не значима.
Например, маркетолог сравнивает значение open rate с прошлым месяцем или определяет результативность АВ-теста — сравнивает два варианта рассылки. Новый вариант рассылки эффективнее старого, если его метрики статистически значимо лучше. Если нет значимого различия в метриках, то оба варианта рассылки дают одинаковые результаты.
Определить статистическую значимость помогает калькулятор достоверности АB-тестов на сайте Mindbox.
Пример проверки статистической значимости результатов АВ-теста
Если результаты вариантов АВ-теста не отличаются значимо, стоит расширить аудиторию, чтобы собрать больше данных.
Распространенная ошибка — продлить тестирование, хотя необходимое количество участников уже набрано. Так можно набрать больше данных и даже получить формальную разницу, но и возрастает вероятность ложного результата. Например, во время длительного теста могут измениться внешние условия — на результатах сказываются сезонность, действия конкурентов, поведение клиентов. И невозможно однозначно решить, что стало причиной разницы в результатах: более высокая эффективность одного из вариантов или изменившаяся обстановка на рынке.
Как работает data-driven-подход
Цель анализа данных — найти и устранить причину проблемы, чтобы улучшить бизнес-результаты. Для этого выделяют ключевые этапы в бизнес-процессах и рассчитывают для них метрики. Их используют как индикаторы: если значение метрики хуже порогового, нужно изучать, что произошло. Например, в рассылках следят за доставляемостью, процентом открытий и переходов, результатами продаж.
Типовые задачи для data-driven-подхода: анализ эффективности email-рассылок, анализ поведения пользователей в приложении или сервисе, контроль удовлетворенности и оттока клиентов.
Например, компания Jivo проанализировала поведение новых пользователей в сервисе. Анализ показал, что новые клиенты не пользуются всеми возможностями Jivo, так как не знают о них. В результате пользователи не видят в сервисе пользы и уходят. Чтобы решить проблему, Jivo запустила welcome-цепочку писем с онбордингом, которая повысила конверсию в продажу платной версии на 35%.
Схема работы data-driven-модели
Проиллюстрируем, как использовать data-driven-модель на примере email-рассылки.
Регулярно контролировать метрики. Платформа рассылок автоматически собирает статистику и рассчитывает метрики: доставляемость, открываемость, конверсии, результаты продаж. Маркетолог еженедельно отслеживает метрики, чтобы убедиться, что рассылка работает. По отчету обнаружили проблему: продажи за неделю снизились, при этом упала конверсия в переход на сайт.
Поставить цель исследования. Бизнес-цель исследования — повысить продажи. Для этого нужно найти причины, почему снизилась конверсия в переход на сайт, и дать рекомендации, как ее повысить. Фокус на целях бизнеса заставляет смотреть на проблему системно: учитывать не только проблемный этап, а весь процесс целиком. Рост конверсии в этом случае не самоцель, а инструмент для увеличения продаж.
Найти причины проблемы. Маркетолог изучил письмо и пришел к выводу: у многих получателей тема письма формировала завышенные ожидания. Пользователи открывали письмо с темой «Мегаскидки в интернет-магазине», видели промокод на скидку 15% и закрывали, потому что ожидали большего. При этом само предложение раньше работало, покупатели считали его привлекательным.
Найти решение проблемы. Тему письма решили изменить на «Скидка 15% до конца месяца — промокод внутри», чтобы она соответствовала содержанию и не вызывала завышенных ожиданий.
Внедрить решение в тестовом режиме — на неделю запустили АВ-тест рассылки с новой темой, чтобы набрать минимальную статистику.
Оценить результат по метрикам. Через неделю проверили метрики старого и нового вариантов рассылки. У рассылки с новой темой конверсия в переход на сайт и продажи оказалась выше, изменения статистически значимые — решение работает. Старую рассылку отключили, всем получателям отправляют вариант с новой темой. Если решение не сработало, ищут новое или проводят повторный цикл «поиск причин — поиск решения — тестовое внедрение — контроль результатов».
Источники данных для анализа в data-driven-подходе
В бизнесе используют данные о поведении пользователей, эффективности маркетинга и продаж. Источники этой информации для data-driven-модели:
- сервисы веб- и мобильной аналитики, например «Яндекс Метрика», «Яндекс AppMetrica», Google Analytics;
- платформы директ-маркетинга, например Mindbox;
- CRM-системы;
- крупные поставщики данных — банки, соцсети, крупные сайты и сервисы, например «Платформа ОФД».
Информацию из разных каналов объединяют в общий массив данных. Его анализ позволяет посмотреть на процессы с разных сторон: выявить закономерности внутри процессов и связи между ними. Массив данных формируют разными способами, например объединяют информацию в CDP.
Банки объединяют геоданные и статистику по платежам, чтобы помочь бизнесу выбрать перспективное место для ресторана или магазина. Источники: Компас, Геоаналитика
Исследования в data-driven-подходе
Дополнительный data-driven-инструмент — исследования, например маркетинговые. Их проводят регулярно или по запросу, чтобы собрать дополнительную информацию. Например, удовлетворенность клиентов замеряют ежемесячно или раз в квартал, а маркетинговые исследования проводят перед запуском нового продукта.
В data-driven-подходе используют исследования двух видов: качественные и количественные.
Качественные исследования — это, например, глубинные интервью с фокус-группой. Они помогают изучить поведение клиентов, узнать их субъективные оценки и предпочтения, но не дают информацию, как часто они встречаются у целевой аудитории.
Количественные исследования —это, например, опросы клиентов. Они позволяют определить, насколько часто среди целевой аудитории встречаются оценки и предпочтения, которые выявили в ходе качественного исследования. Размер выборки для опроса определяют исходя из точности, достоверности и размера генеральной совокупности — общего числа клиентов.
Качественные исследования позволяют выбрать или валидировать метрики, которые потом будут изучать количественными методами. При этом data driven не означает «только цифры». Чтобы принять обоснованное решение, используют всю доступную информацию: количественные и качественные данные, интуитивные догадки. Информацию структурируют и анализируют в комплексе.
Например, перед выпуском нового смартфона компания провела глубинные интервью фокус-группы из 20 человек. Определили, что клиенты выбирают телефон по весу, времени работы без подзарядки и размеру экрана.
Чтобы определить, какие именно характеристики целевая аудитория считает приемлемыми, организовали опрос. Емкость сегмента, на который ориентируется компания — 20 тысяч устройств в год. Чтобы оценить предпочтения целевой аудитории с точностью 5% и достоверностью 95%, достаточно опросить 378 клиентов.
Методы поиска причин и решений в data-driven-подходе
Решить проблему — значит устранить ее причину. В data-driven-модели поиск причин и решения не всегда поддается автоматизации и требует вдумчивого анализа. Статистический анализ помогает выявить закономерности, например корреляцию двух величин. При этом статистическая связь не означает, что один из процессов — причина другого. На обе величины может влиять одна причина, поэтому они меняются по одинаковому принципу.
Например, продажи кондиционеров и продажи мороженого меняются в течение года одинаково — коррелируют между собой. Но это не значит, что рост продаж кондиционеров повышает продажи мороженого. Дело в общей причине обоих процессов — жаркой погоде: продажи кондиционеров и мороженого растут летом.
Критерий причинности. Событие А может быть причиной события Б, если:
- Событие А произошло раньше события Б.
- Существует механизм воздействия А на Б.
- Механизм воздействия — принудительный: А вынуждает произойти Б.
Например, наступило лето → выросли продажи мороженого. Сначала наступило лето и стало тепло, потом выросли продажи. От высокой температуры людям жарко, они хотят охладиться, поэтому покупают мороженое — это механизм воздействия. Если на улице высокая температура, людям жарко — это принудительность.
Виды причин. К негативным последствиям может вести цепочка причин: корневая причина → отдаленные причины → непосредственная причина → проблема. Непосредственную причину найти проще всего: она напрямую вызывает проблему. Определить промежуточные и корневую причины сложнее.
Построить цепочку причин помогает метод «5 почему», который практиковал основатель компании «Тойота». Суть метода: последовательно задавать вопрос «почему это произошло», чтобы дойти от непосредственной причины к корневой.
Например, CRM-маркетолог исследует, почему упали продажи из рассылки:
- Почему упали продажи? — Снизился CTR рассылки (непосредственная причина).
- Почему снизился CTR? — Упал open rate рассылки (отдаленная причина).
- Почему упал open rate? — Пользователям не интересна тема (отдаленная причина).
- Почему тема не интересна? — Нет новых предложений для сегмента (отдаленная причина).
- Почему нет новых предложений? — Нет плана работы с сегментами (корневая причина).
Решение проблемы — внедрить планирование в работу маркетинга, чтобы вовремя обновлять предложения для разных сегментов.
Методы поиска причинно-следственных связей. В сложных ситуациях причины выстраиваются не в линейные цепочки, а в более сложные структуры — сети. Чтобы найти корневые причины и понять, как они приводят к проблеме, строят причинно-следственные диаграммы. Элементы диаграммы — события или характеристики, которые соединяются связями двух типов:
- Повышающие: чем глубже причина, тем сильнее следствие. Например, чем выше температура на улице, тем лучше продаются кондиционеры.
- Понижающие: чем больше причина, тем меньше следствие. Например, чем выше температура на улице, тем ниже продажи обогревателей.
Связи в диаграмме образуют петли: усиливающие или балансирующие. Объясним на примере закона спроса и предложения:
- Выше спрос → выше цена (повышающая связь).
- Выше цена → больше предложение (повышающая связь).
- Больше предложение → ниже цена (понижающая связь).
- Ниже цена → выше спрос (понижающая связь).
Получаются две самобалансирующие петли, которые приводят спрос и предложение в равновесие через изменение цены. Если стоит задача повысить прибыль, простая наценка может не сработать из-за снижения спроса и падения продаж.
Причинно-следственная петлевая диаграмма для закона спроса и предложения
Чтобы составить причинно-следственную диаграмму, сначала четко описывают проблему и составляют хронологию событий, которые ей предшествовали. Затем выделяют из всех событий корневые, отдаленные и непосредственные причины — это элементы диаграммы. На последнем этапе определяют тип связей между причинами: повышающие или понижающие.
Поиск решений. Когда определили корневые причины и механизм того, как они вызывают проблему, приступают к поиску решений. Для этого сначала генерируют идеи и гипотезы на мозговом штурме, затем отбирают и критически оценивают предложения с помощью метода «6 шляп мышления» и SWOT-анализа.
Метод «6 шляп» позволяет разделить мыслительные процессы: рациональный подход, эмоции, оценку рисков и выгод. Один из участников модерирует встречу и ведет протокол, остальные последовательно используют разные подходы к анализу ситуации — надевают разные шляпы. SWOT-анализ можно использовать в рамках метода «6 шляп мышления» или отдельно.
Роли в методе «6 шляп мышления»
Роль
Что делает
Пример оценки
Аналитик
Анализирует факты без оценки эмоций и предположений
Спрос на кондиционеры вырос на 20% за год, цены на кондиционеры повысились на 10%
Художник
Использует интуицию и дает эмоциональную оценку решениям
Наверное, люди стали больше ценить комфорт дома, надо наладить выпуск кондиционеров
Судья
Оценивает риски и негативные последствия
Может быть, продажи кондиционеров выросли из-за более жаркого лета в этом году
Оптимист
Оценивает выгоды и позитивные последствия
Собственное производство повысит прибыльность
Креативщик
Генерирует дополнительные идеи
Если люди ценят комфорт дома, то можем с кондиционерами продавать товары для дома
Модератор
Следит за регламентом, фиксирует решения
Решения: изучить динамику продаж кондиционеров за 5 лет, корреляцию со спросом на товары для дома; проверить гипотезу, что люди ценят комфорт дома; рассчитать экономику производства кондиционеров
Когда можно обойтись без анализа — модель Клайна
Опытный эксперт может воспользоваться моделью Клайна, чтобы принять решение на основе профессиональной интуиции. Этот метод позволяет быстро принять приемлемое решение, чтобы не тратить время на подробный анализ и поиск идеального варианта действий. Бизнесу выгодно решать проблемы быстро, чтобы раньше начать больше зарабатывать или перестать терять деньги.
Метод Клайна эффективен, если эксперт достаточно опытен:
- обладает практическим опытом от трех лет в своей области;
- сталкивался с разными задачами в изменяющихся условиях;
- сразу видит результат своих действий — не через месяцы и годы.
Модель Клайна для принятия быстрых решений состоит из трех шагов.
1. Распознать ситуацию. Эксперт быстро изучает ситуацию и понимает суть происходящего, потому что сталкивался с похожим в работе.
2. Мысленно смоделировать ситуацию. Специалист мысленно проигрывает знакомые ему из опыта варианты действий и оценивает возможные результаты.
3. Выбрать первое приемлемое решение. Эксперт анализирует результаты мысленного моделирования и выбирает вариант, от которого ожидает наилучшего эффекта.
Опираться на профессиональную интуицию можно, если эксперт распознал ситуацию — понимает причину или знает, как бороться с последствиями проблемы. Например, если обнаружена утечка данных, специалист по информационной безопасности не знает причины, но действует по утвержденному протоколу.
Если эксперт столкнулся с незнакомой ситуацией и не знает, как бороться с последствиями, профессиональная интуиция не поможет. В этом случае подробно анализируют проблему и ее причины, чтобы найти решение.
Чек-лист: как внедрить data-driven-подход
- Составить карту бизнес-процессов. Например, описать воронку продаж или клиентский путь.
- Выделить ключевые этапы пути клиента или рабочих процессов, от которых зависит бизнес-результат, например продажи. Для воронки продаж это может быть переход заявки в продажу.
- Определить метрики для каждого ключевого этапа, например конверсию заявки в продажу.
- Принять критерии оценки метрики: какие значения допустимы, какие нет. Для этого надо использовать собственные данные и средние по рынку.
- Регулярно отслеживать значения метрик, чтобы не упустить негативную тенденцию или проблему. Проверять статистическую значимость изменений метрик.
- Искать и устранять корневые причины проблемы. Для поиска решения использовать детальный анализ или экспертный метод Клайна в зависимости от ситуации.
- Внедрять изменения, если они статистически значимо улучшают метрики по результатам АВ-тестов.
