Какие задачи решает Yandex DataLens? С какими трудностями чаще всего сталкиваются специалисты при переходе на этот инструмент? И с чего вообще начинать?
Эти и другие вопросы задали коллеги из Callibri нашему digital-стратегу Жене Кузнецову, когда готовили свою статью о том, как визуализировать данные для маркетинга и аналитики с помощью Yandex DataLens. Часть вошла в материал, но часть осталась за кадром. Поэтому мы решили выпустить их отдельно!
В каких проектах вы используете Yandex DataLens и какие задачи он решает лучше других инструментов?
У меня нет точных цифр по всему агентству, но точно более чем в 50% проектов, связанных с performance или SEO. В крупных проектах с большим объемом трафика без этого инструмента уже не обойтись.
В своей работе я стал использовать DataLens чаще, чем интерфейсы Яндекс.Метрики или Директа. Это экономит много времени и открывает массу возможностей: работа с большими объемами данных, управление визуализацией, гибкая фильтрация и высокий уровень кастомизации отчетов.
Важно отметить, что я сам могу подготовить и обработать данные, наладить их регулярную загрузку в хранилище (мы используем ClickHouse) и собрать нужный дашборд.
Рассмотрим пример с сетью клиник. До внедрения DataLens до 80% времени уходило на подготовку отчета, и лишь минимум — на его изучение. Сейчас, после внедрения, с помощью дашборда мы отслеживаем изменения метрик после обновлений, внедренных на прошлой неделе, сразу оцениваем эффект от гипотез и формируем план тестов на текущую неделю. Все это происходит прямо во время созвона с продактом и двумя командами по рекламе.
Задачи, которые решает DataLens:
- Быстрая фильтрация / кастомные фильтры (в том числе на основе регулярных выражений);
- Расчет кастомных метрик;
- Наглядное представление информации: широкий набор различных визуализаций позволяет подобрать нужные форматы, хотя чаще всего используются таблицы, графики или линейчатые/столбчатые диаграммы.
С какими трудностями сталкиваются маркетологи при переходе с Excel/Google Sheets на DataLens?
Мне сложно сказать наверняка, потому что у меня есть технический бэкграунд. Но предполагаю, что основные трудности могут возникнуть с пониманием модели данных и принципов их сбора и хранения.
Дело в том, что работа в DataLens через коннекторы к CSV, Google Sheets, Excel или API Яндекс.Метрики имеет серьезные ограничения: невозможно в полной мере использовать доступные функции. Поэтому лучше собирать данные в базе (мы используем ClickHouse). Но тут уже нужен либо инженер, который все настроит, либо придется разбираться самостоятельно.
У нас был такой случай. Первую итерацию отчета (его вариант доступен в DataLens Gallery, а в статье наш коммерческий директор делилась опытом внедрения со своей стороны) мы собирали на основе выгрузки из amoCRM в формате CSV. Я написал инструкцию, как скачать выгрузку (процесс там довольно нетривиальный), сложить данные в Google Sheets, дополнительно обработать, выгрузить в CSV и загрузить в DataLens. Примерно на пятой выгрузке что-то пошло не так: вместо замены файла был загружен новый — и все сломалось. Пришлось заново создавать датасет и обновлять графики в дашборде.
А когда данные уже собраны, встает вопрос визуализации. Тут выбор огромный, и сходу сложно понять, какой вариант лучше. Нужно «набивать руку» и развивать насмотренность, изучать принципы визуализации данных. Чтобы глубже разобраться в теме, я бы посоветовал посмотреть материалы Ромы Бунина (https://t.me/revealthedata) и Насти Кузнецовой (https://t.me/nastengraph) — у них много классного контента по визуализации.
Еще одна проблема, с которой точно столкнутся маркетологи, — доступы в Yandex Cloud и DataLens. Сейчас ролевая модель стала чуть проще, но все равно сходу разобраться трудно. Нужно пригласить человека в облако, дождаться, пока он примет приглашение, затем выдать доступ к DataLens как сервису, а потом — к конкретным воркбукам и дашбордам. И только после этого он получит доступ к отчетам.
Как объяснять клиенту или руководству данные из DataLens, чтобы они «зашли» с первого раза и не потерялись в графиках?
Отчет должен отвечать на вопросы, а не просто показывать набор метрик. Сначала мы формулируем вопрос, на который ищем ответ, а потом подбираем график, который этот ответ наглядно демонстрирует.
Важны три вещи:
- Консистентность. Метрики и срезы должны называться одинаково во всех частях отчета. То же касается цветовой кодировки: однотипные вещи подсвечиваем одинаковыми цветами.
- Понятность данных. Чтобы принимать решения, нужно доверять данным — их источник и методика сбора должны быть прозрачны.
- Логика изложения. От общего — к частному, с постепенным раскрытием истории.
Пример 1. В демо SEO-дашборда из DataLens Gallery для изображения поисковых систем я использую цвета, которые интуитивно ассоциируются с ними (по аналогии с палитрой Яндекс.Метрики).
Или другой случай: в отчете по использованию ресурсов цветовая кодировка повторяет исторически сложившиеся цвета отделов компании. Руководителям сразу стало легко «найти себя» на графике.
Пример 2. В дашборде «Чайнакары» (DataLens Gallery, исследование брендов китайских автомобилей) я отдельно описал природу данных и устройство датасета. Это было важно, так как сценарий использования не предполагал личной коммуникации, где можно было бы устно объяснить методику.
Пример 3. В том же дашборде логика построена от общего к частному:
- что происходит со спросом на автомобили в целом в зависимости от страны бренда (подсвечиваем рост популярности китайских марок; обратите внимание, что на левом и правом графиках сохраняется единая цветовая кодировка стран);
- что происходит по отдельным брендам и классам автомобилей;
- что происходит с каждым брендом — от общей картины по марке до конкретных моделей.
Есть ли приемы визуализации (цвет, тип графика, структура дашборда), которые особенно хорошо работают для маркетинга?
Прием, который я использую чаще всего, — это условное форматирование в таблицах. Оно позволяет сразу выделить ключевые значения и привлечь к ним внимание.
- На небольших таблицах с ограниченным количеством строк и колонок (пример можно посмотреть в демо SEO-дашборда) это особенно наглядно.
- В больших и сложных таблицах с множеством строк и колонок условное форматирование тоже отлично работает, помогая не потеряться в массивах данных.
Еще один эффективный прием — сравнение с аналогичным периодом в прошлом. Такой подход сразу показывает динамику и позволяет легко оценить результаты в контексте времени (пример доступен здесь).
Если у бизнеса ограниченные ресурсы: с чего начать в DataLens, чтобы быстро получить пользу, а не утонуть в настройках?
Если очень хочется перейти к визуализации данных и работе с дашбордами, но ресурсы ограничены, я бы посоветовал не бросаться сразу в DataLens. Сначала лучше «покрутить» отчеты в привычных инструментах, поиграться с данными, понять, какие именно показатели и в какой форме вы используете в работе. А уже потом переносить эту логику в DataLens.
Хотите разобраться в работе и применимости Yandex DataLens больше?
Читайте другие наши материалы:
- Сила дашбордов: настраиваем Yandex DataLens и принимаем управленческие решения на основе данных
- ClickHouse как инструмент аналитика: зачем нужен и способы установки
- Как быстро собрать и визуализировать данные о спросе?
Заглядывайте в наш раздел про Аналитику. Или напишите нам на почту или в телеграм – мы с радостью поможем настроить Yandex DataLens под ваши задачи!
