Когнитивные ловушки маркетолога: почему опыт — не лучший союзник в анализе данных
Маркетинг теряет деньги не потому, что у него мало данных. И даже не потому, что у негопока еще нет Smart Data Hub слабая аналитика. Чаще всего — потому что они системно ошибаются в интерпретации того, что видят. Не из злого умысла, а из-за особенностей человеческого мышления.
Когнитивные искажения — коварная штука! Они не выглядят как ошибки. Обычно они выглядят как «опыт», «интуиция», «логика» и «здравый смысл». И чем больше у человека опыта, тем опаснее ситуация. Потому что опыт — это не истина, а набор паттернов, которые когда-то сработали. Проблема в том, что рынок живет своей жизнью и иногда вежливо игнорирует наши любимые паттерны.
Вот перечень частых, но лишь некоторых искажений в анализе данных (в скобках представлен термин, наиболее часто употребляемый в англоязычной литературе):
1) Подтверждающее искажение (confirmation bias). Один из самых частых сценариев, который я вижу: аналитик или маркетолог с сильным бэкграундом смотрит на данные и думает: «А, я это уже видел». И дальше начинает искать подтверждение этой гипотезе. Неосознанно. Аккуратно. Профессионально. Данные при этом никуда не деваются — просто часть из них внезапно становится «шумом». Это и есть подтверждающее искажение.
2) Ловушка невозвратных затрат (sunk cost fallacy). Когда в канал, гипотезу или инструмент уже вложено много денег, времени и усилий, признать ошибку становится психологически дорого. Аналитика в этот момент начинает работать не на поиск истины, а на защиту прошлого решения. Канал продолжают «оптимизировать», тестировать и «давать ему шанс», потому что остановка воспринимается как поражение, а не как рациональное решение.
3) Подмена причины корреляцией (correlation vs causation fallacy). Еще одна любимая ловушка — видеть причину там, где есть только совпадение. Метрика выросла вместе с каналом, креативом или форматом — значит, «вот он, драйвер». То, что в этот же период мог измениться сезон, спрос, продукт или поведение аудитории, мозг аккуратно отодвигает в сторону. Корреляция выглядит убедительно, потому что она красивая и укладывается в историю. А причинность скучна: ее нужно проверять, сегментировать и иногда признавать, что любимый канал тут вообще ни при чем.
4) Эвристика доступности (availability heuristic / availability bias). Самыми значимыми кажутся те данные и ситуации, которые произошли с нами недавно. Вчера был всплеск — мы бросаем все и идем раскручивать его. Недавно обсуждали канал с руководством — значит фокусируемся на его оптимизации. Мозг переоценивает то, что было «на днях» или «только вот-вот», и недооценивает большие системные компоненты, происходящие в долгосрочных трендах.
5) Смещение к действию (action bias). Давление показать результат толкает к постоянным изменениям: что-то оптимизировать, переключать, резать, масштабировать. Иногда правильное решение — ничего не менять и дать системе стабилизироваться. Но бездействие плохо выглядит в отчетах, и аналитика начинает обслуживать активность, а не эффективность.
Парадокс в том, что новичок в этой ситуации иногда в лучшей позиции. У него нет сильной внутренней модели мира, которую нужно защищать. Он еще не знает, «как правильно», и поэтому чаще задает глупые, но полезные вопросы. Опытный специалист, наоборот, слишком хорошо знает ответы — иногда даже до того, как посмотрел на данные.
Что с этим делать
Если когнитивные ловушки — это не баг конкретного маркетолога или аналитика, а свойство человеческого мышления, значит, решать проблему нужно не через «будь внимательнее», а через систему.
Именно об этом я буду говорить завтра в своем докладе на конференции Data Drive. Подробно расскажу про самые болезненные когнитивные искажения в анализе данных диджитал-маркетинга, о том, как они приводят к консервации неэффективных решений, и как конкретно их избежать.
С вами был Кузин из Smart Data Hub. И да — если вы сейчас подумали: «Ну это не про меня, я-то объективный», то у меня для вас плохие новости. Но вы, скорее всего, найдете им отличное рациональное объяснение! :)
Маркетинг теряет деньги не потому, что у него мало данных. И даже не потому, что у него
Когнитивные искажения — коварная штука! Они не выглядят как ошибки. Обычно они выглядят как «опыт», «интуиция», «логика» и «здравый смысл». И чем больше у человека опыта, тем опаснее ситуация. Потому что опыт — это не истина, а набор паттернов, которые когда-то сработали. Проблема в том, что рынок живет своей жизнью и иногда вежливо игнорирует наши любимые паттерны.
Вот перечень частых, но лишь некоторых искажений в анализе данных (в скобках представлен термин, наиболее часто употребляемый в англоязычной литературе):
1) Подтверждающее искажение (confirmation bias). Один из самых частых сценариев, который я вижу: аналитик или маркетолог с сильным бэкграундом смотрит на данные и думает: «А, я это уже видел». И дальше начинает искать подтверждение этой гипотезе. Неосознанно. Аккуратно. Профессионально. Данные при этом никуда не деваются — просто часть из них внезапно становится «шумом». Это и есть подтверждающее искажение.
2) Ловушка невозвратных затрат (sunk cost fallacy). Когда в канал, гипотезу или инструмент уже вложено много денег, времени и усилий, признать ошибку становится психологически дорого. Аналитика в этот момент начинает работать не на поиск истины, а на защиту прошлого решения. Канал продолжают «оптимизировать», тестировать и «давать ему шанс», потому что остановка воспринимается как поражение, а не как рациональное решение.
3) Подмена причины корреляцией (correlation vs causation fallacy). Еще одна любимая ловушка — видеть причину там, где есть только совпадение. Метрика выросла вместе с каналом, креативом или форматом — значит, «вот он, драйвер». То, что в этот же период мог измениться сезон, спрос, продукт или поведение аудитории, мозг аккуратно отодвигает в сторону. Корреляция выглядит убедительно, потому что она красивая и укладывается в историю. А причинность скучна: ее нужно проверять, сегментировать и иногда признавать, что любимый канал тут вообще ни при чем.
4) Эвристика доступности (availability heuristic / availability bias). Самыми значимыми кажутся те данные и ситуации, которые произошли с нами недавно. Вчера был всплеск — мы бросаем все и идем раскручивать его. Недавно обсуждали канал с руководством — значит фокусируемся на его оптимизации. Мозг переоценивает то, что было «на днях» или «только вот-вот», и недооценивает большие системные компоненты, происходящие в долгосрочных трендах.
5) Смещение к действию (action bias). Давление показать результат толкает к постоянным изменениям: что-то оптимизировать, переключать, резать, масштабировать. Иногда правильное решение — ничего не менять и дать системе стабилизироваться. Но бездействие плохо выглядит в отчетах, и аналитика начинает обслуживать активность, а не эффективность.
Парадокс в том, что новичок в этой ситуации иногда в лучшей позиции. У него нет сильной внутренней модели мира, которую нужно защищать. Он еще не знает, «как правильно», и поэтому чаще задает глупые, но полезные вопросы. Опытный специалист, наоборот, слишком хорошо знает ответы — иногда даже до того, как посмотрел на данные.
Что с этим делать
Если когнитивные ловушки — это не баг конкретного маркетолога или аналитика, а свойство человеческого мышления, значит, решать проблему нужно не через «будь внимательнее», а через систему.
Именно об этом я буду говорить завтра в своем докладе на конференции Data Drive. Подробно расскажу про самые болезненные когнитивные искажения в анализе данных диджитал-маркетинга, о том, как они приводят к консервации неэффективных решений, и как конкретно их избежать.
С вами был Кузин из Smart Data Hub. И да — если вы сейчас подумали: «Ну это не про меня, я-то объективный», то у меня для вас плохие новости. Но вы, скорее всего, найдете им отличное рациональное объяснение! :)
🔥18👏4❤🔥3💯3❤1👍1
Инсайт — это скрытая ценная закономерность в данных?
А вот инет ! В принципе, на этом все. Можно расходиться. Ноооо, если вам все-таки интересно, почему это не так, то давайте разбираться!
По мере того, как я погружался в вопросы извлечения прямой ценности из собираемых компаниями данных, мое понимание сути «инсайта» менялось. В какой-то момент я пришел к логичному выводу, что это скрытая и ценная закономерность в данных. Но со временем пришло осознание: слова «скрытая» и «ценная» в этом определении глубоко субъективны и, следовательно, не отражают объективную суть феномена.
Почему не обязательно «скрытая»?
— Асимметрия информации. Скрытая = неочевидная. Но очевидность — понятие крайне субъективное. Даже в одной и той же команде разные люди видят данные по-разному: то, что для одного сразу бросается в глаза, для другого может быть совершенно новым, а третий и вовсе тыщу лет как об этом знает. Это обычная асимметрия информации, и она существует даже внутри одной комнаты.
— Эффект заднего ума. Есть такая штука как «hindsight bias» — когнитивное искажение, при котором после получения новой информации события или факты начинают казаться логичными и вполне очевидными, хотя раньше воспринимались иначе. Психологи связывают это с работой памяти: мы невольно подгоняем прошлое под текущее понимание. Пока инсайта не было, он мог казаться нетривиальной находкой, а как нашли превращает его в «ну это же и так понятно», хотя еще минуту назад его просто не существовало в картине мира.
— Эффект «замыленности глаза». Если закономерность действительно значима, то возникает логичный вопрос: почему до сих пор с этим ничего не сделано? Почему закономерность, которая здорово драйвит метрику, годами не была реализована? Все дело в том, что сложно посмотреть на себя со стороны, когда ты находишься внутри пузыря. «Ненормальность» становится новой нормой, перестает восприниматься как проблема. Инсайт может лежать буквально под носом, но без свежего взгляда его не видят, не обращают внимания, не берут в работу.
Почему не обязательно «ценная»?
Ценность инсайта почти всегда определяется не им самим, а тем, дойдет ли он до реализации. Если команда не понимает, что с ним делать, — он умрет, не принеся ценности, каким бы сильным ни был. Я сейчас не про организационные барьеры вроде зоны ответственности, ресурсов или приоритетов. Я про более тонкую вещь: команда должна видеть решение, и хотеть его реализовать.
Мы используем специальное басурманское словечко «actionable», что по смыслу примерно означает «управляемый» применительно к инсайту. Но и «экшенабельность» субъективна! Для одной команды инсайт будет экшенабельным: они доведут его до реализации и получат значительный эффект. Другая команда так и не сможет найти решение, пропустит инсайт, какой бы коммерческий потенциал он в себе ни скрывал.
Именно поэтому мы не говорим о «скрытой и ценной» закономерности в данных. Мы говорим о «значимой» в том смысле, что такая закономерность действительно является рычагом воздействия на целевую метрику. А еще мы в автоматическом режиме прогнозируем конкретный, измеримый экономический эффект от внедрения инсайта вместо абстрактного рассуждения о ценности.
Чем больше я думаю об этом, тем яснее становится простая вещь. Инсайт всегда существует в контексте конкретных знаний, ограничений, решений и людей. И, возможно, именно поэтому процесс поиска инсайтов так плохо поддается формализации вручную — но отлично ложится на системный, машинный подход.
С вами был Кузин из Smart Data Hub. Не мучайте данные, мы умучаем их за вас.
А вот и
По мере того, как я погружался в вопросы извлечения прямой ценности из собираемых компаниями данных, мое понимание сути «инсайта» менялось. В какой-то момент я пришел к логичному выводу, что это скрытая и ценная закономерность в данных. Но со временем пришло осознание: слова «скрытая» и «ценная» в этом определении глубоко субъективны и, следовательно, не отражают объективную суть феномена.
Почему не обязательно «скрытая»?
— Асимметрия информации. Скрытая = неочевидная. Но очевидность — понятие крайне субъективное. Даже в одной и той же команде разные люди видят данные по-разному: то, что для одного сразу бросается в глаза, для другого может быть совершенно новым, а третий и вовсе тыщу лет как об этом знает. Это обычная асимметрия информации, и она существует даже внутри одной комнаты.
— Эффект заднего ума. Есть такая штука как «hindsight bias» — когнитивное искажение, при котором после получения новой информации события или факты начинают казаться логичными и вполне очевидными, хотя раньше воспринимались иначе. Психологи связывают это с работой памяти: мы невольно подгоняем прошлое под текущее понимание. Пока инсайта не было, он мог казаться нетривиальной находкой, а как нашли превращает его в «ну это же и так понятно», хотя еще минуту назад его просто не существовало в картине мира.
— Эффект «замыленности глаза». Если закономерность действительно значима, то возникает логичный вопрос: почему до сих пор с этим ничего не сделано? Почему закономерность, которая здорово драйвит метрику, годами не была реализована? Все дело в том, что сложно посмотреть на себя со стороны, когда ты находишься внутри пузыря. «Ненормальность» становится новой нормой, перестает восприниматься как проблема. Инсайт может лежать буквально под носом, но без свежего взгляда его не видят, не обращают внимания, не берут в работу.
Почему не обязательно «ценная»?
Ценность инсайта почти всегда определяется не им самим, а тем, дойдет ли он до реализации. Если команда не понимает, что с ним делать, — он умрет, не принеся ценности, каким бы сильным ни был. Я сейчас не про организационные барьеры вроде зоны ответственности, ресурсов или приоритетов. Я про более тонкую вещь: команда должна видеть решение, и хотеть его реализовать.
Мы используем специальное басурманское словечко «actionable», что по смыслу примерно означает «управляемый» применительно к инсайту. Но и «экшенабельность» субъективна! Для одной команды инсайт будет экшенабельным: они доведут его до реализации и получат значительный эффект. Другая команда так и не сможет найти решение, пропустит инсайт, какой бы коммерческий потенциал он в себе ни скрывал.
Именно поэтому мы не говорим о «скрытой и ценной» закономерности в данных. Мы говорим о «значимой» в том смысле, что такая закономерность действительно является рычагом воздействия на целевую метрику. А еще мы в автоматическом режиме прогнозируем конкретный, измеримый экономический эффект от внедрения инсайта вместо абстрактного рассуждения о ценности.
Чем больше я думаю об этом, тем яснее становится простая вещь. Инсайт всегда существует в контексте конкретных знаний, ограничений, решений и людей. И, возможно, именно поэтому процесс поиска инсайтов так плохо поддается формализации вручную — но отлично ложится на системный, машинный подход.
С вами был Кузин из Smart Data Hub. Не мучайте данные, мы умучаем их за вас.
🔥23💯11❤3👏3🤩2
Эффект Симпсона: когда данные честно говорят противоположные вещи
Есть одно когнитивное искажение в аналитике, про которое я частенько рассказываю на выступлениях. Как правило он вызывает одинаковую реакцию: сначала интерес, потом удивление, а потом легкое недоверие. Вроде бы все логично, формулы простые, расчеты прозрачные — но внутри остается ощущение, что «так не должно работать».
Речь про «эффект (парадокс) Симпсона». Ситуацию, когда в одних и тех же данных можно получить противоположные выводы — и оба при этом будут математически корректными. Не потому что кто-то ошибся в расчетах, а потому что данные устроены чуточку сложнее, чем кажется на первый взгляд.
Чтобы с этим эффектом действительно разобраться, одного объяснения обычно недостаточно. Его нужно увидеть на цифрах. Именно поэтому я собрал файл, в котором можно самому покрутить данные и посмотреть, как это работает на практике. В конце поста я дам ссылку, но сначала — про две формы, в которых эффект Симпсона чаще всего проявляется.
1. Статика. Здесь «Симпсон» основан на эффекте агрегации: итоговая метрика определяется не только значениями в сегментах, но и их весами. Парадокс Симпсона в статике чаще всего возникает именно здесь — когда «среднее» скрывает структуру [см. вкладку «статика» по ссылке ниже].
2. Динамика. Мы смотрим на агрегированную метрику и видим тренд — рост или падение. Начинаем делать выводы, менять бюджеты, оптимизировать стратегию. Но если разложить данные по сегментам, может выясниться, что внутри каждого сегмента ситуация развивается в противоположную сторону. Метрика улучшается везде — но общий результат во времени ухудшается. Или наоборот [см. вкладку «динамика» по ссылке ниже].
Пруфы здесь!👇
Эффект Симпсона не нарушает математику — он нарушает интуицию. Нам хочется верить, что если данные посчитаны правильно, то и вывод из них будет один. Но данные могут быть честными и при этом вводить в заблуждение, если не учитывать их структуру.
Здесь вы можете пощупать этот эффект руками: ссылка на файл с расчетами. В файле по ссылке есть два листа: один про статику, другой про динамику. Их можно спокойно разобрать и посмотреть, как из одних и тех же цифр получаются разные выводы.
Эффект Симпсона — хороший повод в следующий раз не спешить с выводами, а покопать данные поглубже, даже если метрики выглядят очень убедительно.
С вами был Кузин из Smart Data Hub. Эффект Симпсона — это когда ты все посчитал правильно, но отчет все равно вызывает недоверие у руководителя.
Есть одно когнитивное искажение в аналитике, про которое я частенько рассказываю на выступлениях. Как правило он вызывает одинаковую реакцию: сначала интерес, потом удивление, а потом легкое недоверие. Вроде бы все логично, формулы простые, расчеты прозрачные — но внутри остается ощущение, что «так не должно работать».
Речь про «эффект (парадокс) Симпсона». Ситуацию, когда в одних и тех же данных можно получить противоположные выводы — и оба при этом будут математически корректными. Не потому что кто-то ошибся в расчетах, а потому что данные устроены чуточку сложнее, чем кажется на первый взгляд.
Чтобы с этим эффектом действительно разобраться, одного объяснения обычно недостаточно. Его нужно увидеть на цифрах. Именно поэтому я собрал файл, в котором можно самому покрутить данные и посмотреть, как это работает на практике. В конце поста я дам ссылку, но сначала — про две формы, в которых эффект Симпсона чаще всего проявляется.
1. Статика. Здесь «Симпсон» основан на эффекте агрегации: итоговая метрика определяется не только значениями в сегментах, но и их весами. Парадокс Симпсона в статике чаще всего возникает именно здесь — когда «среднее» скрывает структуру [см. вкладку «статика» по ссылке ниже].
2. Динамика. Мы смотрим на агрегированную метрику и видим тренд — рост или падение. Начинаем делать выводы, менять бюджеты, оптимизировать стратегию. Но если разложить данные по сегментам, может выясниться, что внутри каждого сегмента ситуация развивается в противоположную сторону. Метрика улучшается везде — но общий результат во времени ухудшается. Или наоборот [см. вкладку «динамика» по ссылке ниже].
Пруфы здесь!👇
Эффект Симпсона не нарушает математику — он нарушает интуицию. Нам хочется верить, что если данные посчитаны правильно, то и вывод из них будет один. Но данные могут быть честными и при этом вводить в заблуждение, если не учитывать их структуру.
Здесь вы можете пощупать этот эффект руками: ссылка на файл с расчетами. В файле по ссылке есть два листа: один про статику, другой про динамику. Их можно спокойно разобрать и посмотреть, как из одних и тех же цифр получаются разные выводы.
Эффект Симпсона — хороший повод в следующий раз не спешить с выводами, а покопать данные поглубже, даже если метрики выглядят очень убедительно.
С вами был Кузин из Smart Data Hub. Эффект Симпсона — это когда ты все посчитал правильно, но отчет все равно вызывает недоверие у руководителя.
Google Docs
Парадокс Симпсона
🔥33❤🔥14👏8🤩6💯3
Раньше этот канал назывался #прокачайаналитику. Звучало как призыв в фитнес-клуб для маркетологов. Теперь буду просто Кузиным из Smart Data Hub. Давайте знакомиться👇
❤9🔥6🤩4👏1
Кто я и почему меня стоит читать (спойлер: не стоит, но вы все равно читайте)
Привет! Меня зовут Игорь Кузин. На первый взгляд — зануда и интроверт. На второй —ну точно так и есть!
Что там по фактам?
— Привлек 100+ млн рублей инвестиций в Smart Data Hub. Мы пилим AI-движок, который сам анализирует данные. Человеку остается только успевать внедрять найденные инсайты.
— Пять лет преподавал во ВШЭ, где построил курс по сквозной аналитике для профи и написал учебное пособие «Гайд по базовым метрикам маркетинговой аналитики».
— Свободное от спасения маркетинга время уделяю своим четверым детям. Такой вот work-life balance.
О чем я здесь пишу?
Про то, как мы с командой строим пятый аналитический слой. Звучит как какая-то мутная штука для гиков, но на самом деле это просто способ заставить ИИ искать инсайты на потоке, а не вот это вот «давайте выгрузим в Excel». И про то, что инсайты уже не нужно искать вручную, ну пожалуйста, это уже прошлый век. Да и вообще, что такое инсайт и чем он быть не обязан — тоже отдельная история.
Про то, как нас обманывает наш собственный мозг при анализе данных: когнитивные искажения в аналитике диджитал-маркетинга, математика парадокса Симпсона и как работает системный улучшайзинг.
И просто про всякое на стыке маркетинга и цифр:
— Маленькие мумзики мумзили мумзят или ох уж эта отраслевая специфика
— Параметры и показатели. Или как вычислить аналитический бэкграунд собеседника
— Про метрики, KPI и закон Гудхарта
Если вы дочитали до конца — значит ваш потенциал конверсии в подписку уже выше среднего. Осталось лишь нажать «подписаться», чтобы не ломать воронку.
Привет! Меня зовут Игорь Кузин. На первый взгляд — зануда и интроверт. На второй —
Что там по фактам?
— Привлек 100+ млн рублей инвестиций в Smart Data Hub. Мы пилим AI-движок, который сам анализирует данные. Человеку остается только успевать внедрять найденные инсайты.
— Пять лет преподавал во ВШЭ, где построил курс по сквозной аналитике для профи и написал учебное пособие «Гайд по базовым метрикам маркетинговой аналитики».
— Свободное от спасения маркетинга время уделяю своим четверым детям. Такой вот work-life balance.
О чем я здесь пишу?
Про то, как мы с командой строим пятый аналитический слой. Звучит как какая-то мутная штука для гиков, но на самом деле это просто способ заставить ИИ искать инсайты на потоке, а не вот это вот «давайте выгрузим в Excel». И про то, что инсайты уже не нужно искать вручную, ну пожалуйста, это уже прошлый век. Да и вообще, что такое инсайт и чем он быть не обязан — тоже отдельная история.
Про то, как нас обманывает наш собственный мозг при анализе данных: когнитивные искажения в аналитике диджитал-маркетинга, математика парадокса Симпсона и как работает системный улучшайзинг.
И просто про всякое на стыке маркетинга и цифр:
— Маленькие мумзики мумзили мумзят или ох уж эта отраслевая специфика
— Параметры и показатели. Или как вычислить аналитический бэкграунд собеседника
— Про метрики, KPI и закон Гудхарта
Если вы дочитали до конца — значит ваш потенциал конверсии в подписку уже выше среднего. Осталось лишь нажать «подписаться», чтобы не ломать воронку.
❤29🔥12👍7❤🔥4🤩4💯4🤣2👏1
ТОР-10 когнитивных искажений в аналитике диджитал-маркетинга: почему мозг бьет по ROMI молотком
Много лет собирал и систематизировал приемы, с помощью которых нас обманывает наш собственный мозг. И делает он это просто восхитительно! Мы уверены, что твердо видим в данных одно, а там хоп — и совершенно другое.
Собрал все это в один лонгрид — теперь можно изучать, ужасаться и проверять себя. Текст вышел увесистый, но я постарался, чтобы без крови из глаз. Заваривайте чай, там есть на что посмотреть.
Читать, комментить и лайкать (я проверю!) здесь: https://vc.ru/marketing/2700003-top-10-kognitivnykh-iskazheniy-v-didzhital-marketinge
Кузин из Smart Data Hub. На изображении — известная оптическая иллюзия. Говорят, что там книга, но у меня до сих пор не получилось ее разглядеть.
Много лет собирал и систематизировал приемы, с помощью которых нас обманывает наш собственный мозг. И делает он это просто восхитительно! Мы уверены, что твердо видим в данных одно, а там хоп — и совершенно другое.
Собрал все это в один лонгрид — теперь можно изучать, ужасаться и проверять себя. Текст вышел увесистый, но я постарался, чтобы без крови из глаз. Заваривайте чай, там есть на что посмотреть.
Читать, комментить и лайкать (я проверю!) здесь: https://vc.ru/marketing/2700003-top-10-kognitivnykh-iskazheniy-v-didzhital-marketinge
Кузин из Smart Data Hub. На изображении — известная оптическая иллюзия. Говорят, что там книга, но у меня до сих пор не получилось ее разглядеть.
🔥30❤5👏3🤩1
История первой в мире Customer Journey Map и причем здесь автоматическая аналитика
Первая в мире Customer Journey Map родилась не в каком-нибудь душном корпоративном офисе с бесконечными PowerPoint'ами и не для скучного B2B-софта с CRM на миллион полей. Нет, друзья, это случилось в конце 90-х у Eurostar — тех самых ребят, которые решили гонять поезда под Ла-Маншем, где нормальные люди предпочитали самолеты, а не играть в «подводный гроб на колесах».
Проблема вышла эпичная: билеты продаются, люди садятся, а потом начинается массовая клаустрофобия уровня «я сейчас утону в этой трубе, спасите». Тревога накрывала еще до посадки, и пассажиры мысленно уже писали завещание.
Тут на сцену выходит консалтинговая компания Oxford [пруф здесь] и изобретает то, что мы теперь называем Customer Journey Map. Карта была простая: линейный путь от «а не махнуть ли в Париж?» до «ура, я живой на вокзале в Лондоне». Шаги, точки контакта, эмоции — и никаких вам дашбордов, триггеров и метрик.
Ключевой инсайт: пик страха — именно в тоннеле (20 минут под водой). Но они не пошли фиксить только этот узел CJM локально. Не стали раздавать леденцы в момент заныривания под Ла-Манш, включать расслабляющую музыку, пытаться ставить мягкий свет в вагоне или включать табло «дышите глубже».
Нет, они взяли и системно пересобрали всю концепцию поездки:
— начали управлять ожиданиями: объяснять, что именно будет происходить в пути;
— сократили всякое трение до и после: билеты без очередей, удобная посадка, навигация;
— перестроили ключевые маркетинговые посылы, ушли от «поезд под морем» в сторону «комфортный европейский опыт».
Один инсайт → каскад умных изменений по всей цепочке → тревога ушла, люди вернулись за второй поездкой.
Кстати, про «трение» (в оригинале «friction»). Это что-то, от чего у пользователя в голове щелкает: «да ну его нафиг». Лишний клик, форма на 42 поля, текст «укажите девичью фамилию вашей кошки» и загрузка дольше, чем ожидание такси в дождь. Любая мелочь, от которой человек получает легкий прилив ярости и закрывает вкладку навсегда.
Мораль: если автоматическая аналитика приносит вам инсайт, связанный с конкретным шагом CJM, то не спешите искать решения именно на уровне этого шага. Постарайтесь взглянуть шире: не открывает ли инсайт глаза на то, как стоит перестроить УТП вокруг конкретного продукта, креативы, ключевые точки контакта так, чтобы избавить пользователя от трения и сделать его путешествие к конверсии максимально комфортным?
С вами был Кузин из Smart Data Hub. Так выпьем же за то, чтобы пик страха был не в вашей CJM, а в где-то отзывах у ваших конкурентов! :)
Первая в мире Customer Journey Map родилась не в каком-нибудь душном корпоративном офисе с бесконечными PowerPoint'ами и не для скучного B2B-софта с CRM на миллион полей. Нет, друзья, это случилось в конце 90-х у Eurostar — тех самых ребят, которые решили гонять поезда под Ла-Маншем, где нормальные люди предпочитали самолеты, а не играть в «подводный гроб на колесах».
Проблема вышла эпичная: билеты продаются, люди садятся, а потом начинается массовая клаустрофобия уровня «я сейчас утону в этой трубе, спасите». Тревога накрывала еще до посадки, и пассажиры мысленно уже писали завещание.
Тут на сцену выходит консалтинговая компания Oxford [пруф здесь] и изобретает то, что мы теперь называем Customer Journey Map. Карта была простая: линейный путь от «а не махнуть ли в Париж?» до «ура, я живой на вокзале в Лондоне». Шаги, точки контакта, эмоции — и никаких вам дашбордов, триггеров и метрик.
Ключевой инсайт: пик страха — именно в тоннеле (20 минут под водой). Но они не пошли фиксить только этот узел CJM локально. Не стали раздавать леденцы в момент заныривания под Ла-Манш, включать расслабляющую музыку, пытаться ставить мягкий свет в вагоне или включать табло «дышите глубже».
Нет, они взяли и системно пересобрали всю концепцию поездки:
— начали управлять ожиданиями: объяснять, что именно будет происходить в пути;
— сократили всякое трение до и после: билеты без очередей, удобная посадка, навигация;
— перестроили ключевые маркетинговые посылы, ушли от «поезд под морем» в сторону «комфортный европейский опыт».
Один инсайт → каскад умных изменений по всей цепочке → тревога ушла, люди вернулись за второй поездкой.
Кстати, про «трение» (в оригинале «friction»). Это что-то, от чего у пользователя в голове щелкает: «да ну его нафиг». Лишний клик, форма на 42 поля, текст «укажите девичью фамилию вашей кошки» и загрузка дольше, чем ожидание такси в дождь. Любая мелочь, от которой человек получает легкий прилив ярости и закрывает вкладку навсегда.
Мораль: если автоматическая аналитика приносит вам инсайт, связанный с конкретным шагом CJM, то не спешите искать решения именно на уровне этого шага. Постарайтесь взглянуть шире: не открывает ли инсайт глаза на то, как стоит перестроить УТП вокруг конкретного продукта, креативы, ключевые точки контакта так, чтобы избавить пользователя от трения и сделать его путешествие к конверсии максимально комфортным?
С вами был Кузин из Smart Data Hub. Так выпьем же за то, чтобы пик страха был не в вашей CJM, а в где-то отзывах у ваших конкурентов! :)
🔥25❤7👏4💯3👍2
Почему LLM для анализа маркетинговых данных — ни разу не волшебная палочка
Все вокруг: «Кидай данные в Claude/Gemini/ChatGPT — и инсайты посыплются как из рога изобилия!». Я взял реальные объемы, посчитал токены, посмотрел, как агрегация рубит все на корню — и написал статью.
О двух фундаментальных причинах, почему большие языковые модели способны неплохо описывать то, что они видят в таблицах, но абсолютно не подходят для поиска инсайтов, читайте на VC: https://vc.ru/ai/2750764-pochemu-llm-ne-podkhodit-dlya-analiza-dannykh
Кузин из Smart Data Hub. Почему LLM не волшебная палочка? Ну так ведь и данные — не сказка.
Все вокруг: «Кидай данные в Claude/Gemini/ChatGPT — и инсайты посыплются как из рога изобилия!». Я взял реальные объемы, посчитал токены, посмотрел, как агрегация рубит все на корню — и написал статью.
О двух фундаментальных причинах, почему большие языковые модели способны неплохо описывать то, что они видят в таблицах, но абсолютно не подходят для поиска инсайтов, читайте на VC: https://vc.ru/ai/2750764-pochemu-llm-ne-podkhodit-dlya-analiza-dannykh
Кузин из Smart Data Hub. Почему LLM не волшебная палочка? Ну так ведь и данные — не сказка.
🔥30❤🔥6❤3💯2👍1👏1
Инсайты, про которые я все время говорю, но ни разу нормально не показал
Долгое время в канале я рассуждаю про глубокий анализ данных, неожиданные выводы, «вот где на самом деле собака зарыта» и всякое такое.
Но, кажется, я ни разу не выложил сюда конкретных и внятных примеров. Не гипотетических эффектов, кейсов: какая задача стояла перед бизнесом, на какие данные опиралась машина, и какой вывод в итоге стал настоящей точкой роста.
Таких историй у нас накопилось очень и очень много. Некоторые согласованы и можно рассказать без риска получить письмо от юристов, некоторые требуют рандомизации цифр и размытия признаков, но суть сохранится полностью.
Поэтому предлагаю простой договор:
Если этот пост соберет 40 🔥 — я выложу первый подробный разбор: с цифрами, с графиками, с объяснением в чем ценность и с тем, что команда на стороне клиента сделала после.
Голосуем максимально честно:
🔥 — давай уже, показывай эти твои легендарные инсайты
🤔 — хм… да вроде и так все понятно, примеры особо-то и не нужны
Поехали!
Кузин из Smart Data Hub. Тот самый, который постоянно рассуждает об инсайтах, но ни разу не привел внятных примеров.
Долгое время в канале я рассуждаю про глубокий анализ данных, неожиданные выводы, «вот где на самом деле собака зарыта» и всякое такое.
Но, кажется, я ни разу не выложил сюда конкретных и внятных примеров. Не гипотетических эффектов, кейсов: какая задача стояла перед бизнесом, на какие данные опиралась машина, и какой вывод в итоге стал настоящей точкой роста.
Таких историй у нас накопилось очень и очень много. Некоторые согласованы и можно рассказать без риска получить письмо от юристов, некоторые требуют рандомизации цифр и размытия признаков, но суть сохранится полностью.
Поэтому предлагаю простой договор:
Если этот пост соберет 40 🔥 — я выложу первый подробный разбор: с цифрами, с графиками, с объяснением в чем ценность и с тем, что команда на стороне клиента сделала после.
Голосуем максимально честно:
🔥 — давай уже, показывай эти твои легендарные инсайты
🤔 — хм… да вроде и так все понятно, примеры особо-то и не нужны
Поехали!
Кузин из Smart Data Hub. Тот самый, который постоянно рассуждает об инсайтах, но ни разу не привел внятных примеров.
🔥51❤🔥4❤2💯2👍1👏1