Менеджеры в Kolesa Group всегда работали с данными. Но три года назад приняли решение вывести эту работу на новый уровень – создать отдельное направление, нанять и вырастить экспертов, структурировать процессы, построить собственную уникальную систему аналитики и развивать ML- и AI-продукты (микросервисы), основанные на данных.
Спойлер: мы растем на 70% уже три года подряд – во многом благодаря правильной работе с данными.
Работу с данными развиваем по трем основным направлениям.
1. Увеличение доходов – ценообразование, конверсии, поиск новых идей для фич и проектов, анализ рынка.
2. Сокращение расходов – автоматизация процессов, оптимизация бюджетов (маркетинг).
3. Сокращение рисков – анализ, прогноз и проверка гипотез по денежным потокам.
Проходя эту трехлетнюю отметку, хотим отметить основные составляющие успеха. В нашем случае они выглядят так.
Data-культура зашита в корпоративный код компании.
Сегодня ни один наш менеджер продукта или топ-менеджер не представляет своей жизни без аналитика — человека, который дает ответ на вопрос: что происходит и что с этим делать дальше?
Прежде чем принять какое-либо решение в компании или в продукте на любом уровне, мы обращаемся к цифрам. Такой подход дает кратный рост и помогает сосредоточиться только на тех вещах, которые дают максимальный результат и приближают нас к цели.
Абсолютно все действия пользователей записываются в хранилище данных.
Совокупная месячная аудитория наших продуктов (Kolesa.kz, Krisha.kz, Market.kz, Avtoelon.uz) – 12,5 миллиона пользователей. И любое их действие – каждый просмотр страницы, каждый клик – записывается в наше хранилище с десятками дополнительных параметров.
Например, когда человек смотрит номер телефона продавца в приложении, мы записываем не только это, но еще:
– что это за пользователь,
– включены ли у него уведомления через пуши,
– в какой категории объявление,
– в каком оно регионе и много чего еще.
Таких событий мы записываем около 230 миллионов каждый день.
Но наша аналитика основывается не только на данных о событиях пользователей. Мы используем внутренние базы данных (поисковый индекс, базы пользователей, жалоб, объявлений), внешние базы данных (например, рекламные сети, CRM, государственные БД). Все эти данные с помощью ETL-процессов обрабатываются и доставляются в наш DWH (что-то вроде склада данных).
Эта постоянная работа позволяет в любой момент отвечать на вопросы бизнеса и решать его задачи.
AI-технологии применяем, исходя из текущих бизнес-задач.
Работая в такой инновационной и научной области, как искусственный интеллект, легко поддаться соблазну потрогать все возможные алгоритмы или сделать что-то невероятно крутое с точки зрения индустрии. Но правда в том, что это может стоить бизнесу очень много денег, ведь работа с big data связана с использованием дорогого оборудования, порой непредсказуемым результатом и редкими специалистами.
И как тогда поступать? Принимая решения, мы отталкиваемся от бизнес-задач. Так, за три года попробовали классическое машинное обучение: регрессии, алгоритмы классификации, кластеризации, а также computer vision и NLP (обработка текстов) для автомодерации объявлений в "Колёсах" и "Маркете", определения объектов на фото, рекомендательных систем и различных задач аналитики.
Такой подход позволяет постепенно расширять область применения ML- и AI-технологий в продуктах, расширять команду и повышать доверие к работе с данными. Благодаря работе с алгоритмами:
– автоматизировали модерацию объявлений. 90% всех объявлений в "Колёсах" и "Маркете" проверяет искусственный интеллект. Это огромная экономия ресурсов;
– на "Маркете" вырастили конверсию блока "похожие объявления" на 200–250% через внедрение рекомендательной системы;
– в несколько раз увеличили долю платящих пользователей в продуктах.
Количественные исследования подкрепляем качественными.
Data-аналитики создают крутые воронки, например, в платном поведении, и до определенного момента это дает кратный рост. Но на одном из этапов произойдет отток пользователей, и никто не будет знать почему.
Аналитика дает понимание, что произошло, где и в каком количестве, но не отвечает на важные вопросы: почему так случилось? чего не хватило пользователям? где они запутались?
Чтобы лучше понимать причины процессов, показанных на данных, мы открыли новое направление по UX-исследованиям. Эта команда проводит глубинные интервью с пользователями, а взаимодействия с интерфейсами сервисов записываются на специальную камеру. Смысл в том, чтобы узнать, как аудитория воспринимает продукты и сервисы. Такие качественные исследования помогают проверять гипотезы data-аналитиков и бустят развитие еще сильнее.
