Zadania realizowane przez managera produktu w dużej mierze koncentrują się dziś na analizie danych, bowiem stanowi ona kluczowy element każdej z czterech faz cyklu życia produktu. Czego mogą dotyczą takie analizy? Trendów rynkowych, otoczenia konkurencyjnego, potrzeb grupy docelowej czy też poziomu satysfakcji klientów. Właściwe wykorzystanie danych ułatwia ponadto optymalizowanie sprzedaży, działań marketingowych i promocyjnych. Jak wykorzystać firmowe bazy danych i rozwijać dzięki nim produkt?
Analiza biznesowa i jej wyzwania
Organizacje na całym świecie od lat wykorzystują mniej lub bardziej wyrafinowane metody analityczne, by zwiększać skalę swojej działalności i wypracowywać przewagę konkurencyjną o jak najbardziej trwałym charakterze. Skuteczna analiza danych pozwala im ponadto na znalezienie odpowiedzi na pytania dotyczące zdarzeń, które miały miejsce w przeszłości, ułatwia podejmowanie bieżących decyzji biznesowych, a także daje szansę na trafne identyfikowanie bądź przewidywanie przyszłych trendów i tendencji, co z kolei umożliwia szybsze odpowiadanie na potrzeby zgłaszane przez rynek. Mimo długiej tradycji stosowania metod analitycznych w biznesie, wielu wypracowanych metod, a także szerokiego spektrum narzędzi zaprojektowanych do prowadzenia działań analitycznych, niezwykle dynamiczny rozwój Big Data, sztucznej inteligencji i systemów kognitywnych rodzi szereg nowych wyzwań. Zmienia dotychczasowe podejście do metod analitycznych, stwarza konieczność stosowania zupełnie nowych narzędzi, a co za tym idzie zmusza organizację do przejścia przez proces wielowymiarowej transformacji.
Analiza gromadzonych przez organizację danych niesie za sobą wiele korzyści dla biznesu, stąd też ich ignorowanie stanowi ogromny błąd. To właśnie w oparciu o dane przeprowadza się szereg istotnych dla biznesu analiz, które odpowiadają na różne pytania. Między innymi na tej podstawie klasyfikuje się je do pięciu podstawowych grup:
Analityka deskryptywna
Analityka o charakterze opisowym. Opiera się na danych historycznych i prowadzi do wskazania pewnych prawidłowości i związków ilościowych – odpowiada na pytanie: „co się wydarzyło”. Wynik przeprowadzonej analizy pozostawia dowolność w zakresie interpretacji i wykorzystania pozyskanej wiedzy. Typowym przykład analizy opisowej stanowią firmowe raporty będące historycznym przeglądem jej działalności – wyniki sprzedaży za ostatni kwartał czy poziom realizacji budżetu w ubiegłym roku.
Analityka diagnostyczna
Analiza mająca na celu wyjaśnienie przyczyn wystąpienia konkretnego zjawiska. Podobnie jak analityka deskryptywna bazuje na danych historycznych i szuka pośród nich czynników, które miały wpływ na realizację takiego, a nie innego scenariusza. Odpowiada tym samym na pytanie „dlaczego tak się stało”, dlaczego sprzedaż w ubiegłym kwartale była niższa od oczekiwań bądź też z jakich powodów budżet marketingowy został tak istotnie przekroczony w ubiegłym roku.
Analityka predykcyjna
Analityka predykcyjna, mimo faktu, iż wykorzystuje dane historyczne, z większym bądź mniejszym prawdopodobieństwem próbuje odpowiedzieć na pytanie: „co wydarzy się w przyszłości” i jakie będą tego skutki. Analiza tego typu znajduje szerokie zastosowanie i wykorzystywana jest nie tylko do celów prognozowania, ale również modelowania ryzyka, przewidywania zachowań klientów, weryfikowania hipotez itd.
Analityka preskryptywna
Analiza preskryptywana odpowiada z kolei na pytanie: „co zrobić”. Bierze pod uwagę możliwe scenariusze i ewentualności, które wynikają z analizy predykcyjnej, a następnie wspiera wybór najkorzystniejszego dla organizacji rozwiązania. Jakie zastosowanie znajduje analityka preskryptywna w biznesie? Jest przede wszystkim wykorzystywana w szeroko rozumianych procesach optymalizacyjnych (obejmujących np. portfel inwestycji czy klientów), w procesach zarządzania ryzykiem czy ofertowania. Sprawdzają się tym samym wszędzie tam, gdzie ze względu na operowanie dużą ilością danych konieczna jest automatyzacja złożonych procesów decyzyjnych.
Analityka kognitywna
Rozwój sztucznej inteligencji i systemów kognitywnych zaowocował pojawieniem się zupełnie nowej kategorii analiz – analiz kognitywnych. Czym się charakteryzują? Wykorzystują narzędzia sztucznej inteligencji, uczenie maszynowe czy stale rozwijane algorytmy przetwarzania języka naturalnego (NLP – Natural Language Processing) w celu maksymalnej automatyzacji procesu analitycznego, a w konsekwencji procesu podejmowania decyzji w organizacji. Proces ten może być niemalże w pełni zautomatyzowane bądź zaprogramowany w ten sposób, by część decyzji była podejmowana z udziałem ludzi. Systemy kognitywne wykorzystywane są dziś m. in. w branży medycznej oraz w bankowości, gdzie przyczyniają się chociażby do skutecznej identyfikacji fraudów finansowych.
O ile jeszcze kilka lat temu analityka kognitywna nie stanowiła odrębnej kategorii, o tyle dziś jej obecność nie powinna dziwić nikogo. Związane jest to naturalne z rosnącym znaczeniem danych, dostrzeganiem przez organizacje wartości w nich drzemiących, a także ogromnymi korzyści wynikające z automatyzacji procesów decyzyjnych. Wykorzystanie analityki kognitywnej pozwala bowiem na ogromne oszczędności czasu i szybkie podejmowanie kluczowych decyzji. Co więcej, przekazanie obowiązków analityków ukierunkowanym zadaniowo systemom AI (Artificial Intelligence) pozwala na wyeliminowanie błędów oraz ogromną poprawę wydajności. Nie bez znaczenia jest również fakt, iż rozwój technologii głębokiego uczenia (deep learning) umożliwia takim systemom ciągłe doskonalenie się i dostosowywanie do zmian w istniejących wzorcach.
Czy rozwój sztucznej inteligencji i systemów kognitywnych oznacza kres tradycyjnej analityki? Obawy takie są zupełnie zbędne, gdyż zarówno zdaniem analityków Gartnera, IBM jak i SAS analityka kognitywna stanowi naturalne uzupełnienie tzw. kontinuum analitycznego, a więc procesu analitycznego rozpoczynającego się analizą deskryptywną i kończącego na analizie predykcyjnej. Jest jego zwieńczeniem i sposobem na przeniesienie analiz biznesowych na zupełnie nowy poziom.
Planowanie rozwoju produktu z wykorzystaniem danych
Klasyczny cykl życia produktu zakłada istnienie czterech faz:
a) wprowadzenia na rynek;
b) wzrostu sprzedaży;
c) dojrzałości rynkowej;
d) spadku, a w konsekwencji wycofania produktu z rynku.
Każdy z tych etapów stwarza szereg wyzwań dla zespołów produktowych oraz marketingowych, których ścisła współpraca jest jednym z kluczowych czynników sukcesu. Szczególnie newralgiczny jest pierwszy krok, a więc wprowadzenie nowego produktu na rynek, gdyż generuje ogromne koszty i ryzyko – spore nakłady, związane ze stworzeniem nowego produktu i jego wprowadzeniem do sprzedaży, nie zawsze znajdują pokrycie w generowanych przychodach. Z fazą tą związana jest ponadto konieczność podjęcie wielu istotnych decyzji – w tym decyzji dotyczących promocji, strategii cenowej czy dystrybucji, które w dużej mierze warunkują przejście do drugiej fazy, a więc wzrostu sprzedaży. Mimo ogromnych wyzwań przypisanych do początkowych faz rozwoju produktu, nie można założyć, iż zarządzanie produktem w fazie dojrzałości rynkowej nie stwarza trudności. Ogromna konkurencja, zmieniające się trendy czy rozwój nowych kanałów dystrybucji to prawdopodobnie największe wyzwania z jakimi na co dzień mierzyć się muszą managerowie produktu.
Jednym z najskuteczniejszych sposobów zarządzania i rozwoju produktu, szczególnie dziś, w dobie Big Data, jest wykorzystanie w procesie decyzyjnym wniosków płynących z analizy firmowych baz danych. Traktowanie ich jako istotnego składnika aktywów organizacji to niewątpliwie pierwszy krok w kierunku wdrożenia strategii zarządzania opartej na danych. W jaki sposób wykorzystać dane do rozwoju produktu? Wbrew pozorom możliwości jest naprawdę sporo. Zaawansowane analizy danych, posiadanych przez organizację, a także tych, które obecnie są przez nią ignorowane, pozwalają na wypracowanie szeregu wymiernych korzyści.
Pierwsza i najważniejsza kwestia to analiza danych sprzedażowych i kosztowych, gdyż stanowią one podstawowy wskaźnik oceny produktu. Nieco bardziej wnikliwa analiza podstawowych danych o kosztach i przychodach może ponadto prowadzić do zwiększenia wydajności operacyjnej oraz redukcji poziomu ryzyka. Korzystanie z nowoczesnych technologii i narzędzi klasy Business Intelligence z jednej strony przenosi działania analityczne na zupełnie nowy poziom – pozwala łączyć dane z różnych źródeł i tym samym skuteczniej monetyzować firmowe bazy danych, zaś z drugiej niesie dodatkową wartość w postaci możliwości ich analizowania w czasie rzeczywistym. Możliwość taka dla managerów produktu jest wręcz bezcenna, gdyż pozwala znacznie szybciej podejmować decyzje i reagować na zmieniające się trendy czy oczekiwania klientów. I to właśnie klienci obok wyników stanowić powinni kolejny obszar zainteresowań analityków. Bez względu na rodzaj prowadzonej działalności, a także ich liczbę, analiza informacji na temat klientów pozwala na wskazanie pewnych zależności biznesowych, ocenę skuteczności prowadzonych akcji promocyjnych, wdrożonych strategii cenowych, poziomu lojalności itd. Znajomość nawyków zakupowych klientów, reprezentujących poszczególne segmenty, jak również dokładne poznanie ich potrzeb, pozwala nie tylko na udoskonalenie oferty i samego produktu, ale również na optymalizację poziomu zapasów, reorganizację łańcucha dostaw oraz podjęcie działań marketingowych, które pozwolą na maksymalizację poziomu sprzedaży.
Jak wskazują badania, dla ponad 60% klientów zadowolenie z obsługi jest ważniejsze aniżeli cena produktu bądź usługi, tymczasem zaledwie kilka procent organizacji gromadzi informacje pozwalające na przeprowadzenie kompleksowych analiz w tej dziedzinie. Chcąc zoptymalizować poziom obsługi klienta, konieczne staje się sięgnięcie po nowoczesne narzędzia analityczne, umożliwiające gromadzenie nie tylko danych z systemu transakcyjnego, ale również mediów społecznościowych, firmowej strony internetowej czy nawet telefonicznego biura obsługi klientów.
Podsumowanie
Jednoczesna koncentracja na wzroście sprzedaży oraz zwiększeniu zaangażowania i satysfakcji klienta to najskuteczniejszy sposób budowania długotrwałych relacji. Monitorowanie zachowań klienta oraz jego zadowolenia z oferty jest nieco ułatwione w przypadku e-handlu, gdyż ścieżkę zakupową klienta w Internecie można śledzić niezwykle precyzyjnie – począwszy od wejścia na stronę internetową sklepu i na sfinalizowaniu transakcji skończywszy. Możliwe jest ponadto identyfikowanie obejrzanych produktów oraz momentu ewentualnego porzucenia koszyka z zakupami.
Gromadzenie danych w tym przypadku pozwala nie tylko optymalizować ofertę, ale też personalizować obsługę klienta oraz wykorzystywać systemy rekomendacyjne, dynamicznie dobierające produkty do upodobań klienta i prezentujące je w dowolnym momencie ścieżki zakupowej. Personalizowane rekomendacje to skuteczny sposób na zwiększenie sprzedaży od kilku do nawet kilkudziesięciu procent. Niemniej zadowalające efekty pozwala uzyskać automatyzacja marketingu, czyli kierowanie do użytkowników sklepu internetowego rozmaitych komunikatów marketingowych w czasie rzeczywistym na podstawie analizy ich zachowań. Bez gromadzenia danych realizacja takich korzyści nie byłaby możliwa.