Методы и алгоритмы анализа данных для веб-разработки и маркетинга

Tags: компьютерные технологии
ISBN: 978-5-9775-1834-5
Similar
Бизнес-аналитика: от данных к знаниям
Продуктовый подход. Как создавать продукты, которые зарабатывают
Архитектура программного обеспечения на практике
DeepSeek на практике
Text
                    Егор Поляков

Санкт-Петербург
«БХВ-Петербург»
2024

УДК 681.3.06
ББК 32.973.26-018.2
П54

Поляков Е. Ю.
П54

Методы и алгоритмы анализа данных для веб-разработки и маркетинга. —
СПб.: БХВ-Петербург, 2024. — 352 с.: ил.
ISBN 978-5-9775-1834-5
Рассмотрены основные методы и алгоритмы анализа данных для веб-разработки и маркетинга, в том числе методы декомпозиции, визуализации, функционально-стоимостного анализа, эконометрический метод и др. Приведены алгоритмы
семантического анализа текстов, ранжирования смысловых приоритетов и отбора
ключевых фраз, алгоритмы оценки потребительской лояльности, в том числе алгоритм оценки тональности текстов, алгоритм анализа качества веб-интерфейсов
Mobile First и др. Рассмотрены задачи прогнозирования коммерческого спроса,
анализа потребительского доверия к бренду, сокращения рекламных расходов, а
также комплексного анализа данных деятельности компании. Описан общедоступный инструментарий, такой как Яндекс.Подбор слов, Яндекс.Метрика, ExportBase,
Яндекс.Поиск, ГлавРед, EditPlus, Антиплагиат, Гугл.Таблицы, MS Excel и Google
Mobile Test.
Электронный архив на сайте издательства содержит цветные рисунки, примеры
HTML-документов, скриптов и дополнительные pdf-файлы.
Для начинающих аналитиков данных

УДК 681.3.06
ББК 32.973.26-018.2

Группа подготовки издания:
Руководитель проекта
Зав. редакцией
Редактор
Компьютерная верстка
Дизайн обложки

Евгений Рыбаков
Людмила Гауль
Григорий Добин
Ольги Сергиенко
Зои Канторович

"БХВ-Петербург", 191036, Санкт-Петербург, Гончарная ул., 20

ISBN 978-5-9775-1834-5

© ООО «БХВ», 2024
© Оформление. ООО "БХВ-Петербург", 2024

Оглавление

Предисловие ................................................................................................................... 11
Глава 1. Введение в анализ данных ........................................................................... 14
Термины и определения ................................................................................................................ 14
Взаимосвязь сущностей исследования ........................................................................................ 17
Постановка и условия задачи ................................................................................................ 19
Сбор данных без потерь ........................................................................................................20
Гипотеза: построение, подтверждение или опровержение ................................................ 20
О выборе методов и алгоритмов для решения задачи ........................................................ 21
Определение алгоритма ........................................................................................................22
Проведение эксперимента ..................................................................................................... 24
Анализ экспериментальных данных..................................................................................... 25
Рекомендации по результатам анализа ................................................................................ 25
Об апробации результатов исследования ............................................................................ 26
О логике продуктового мышления ....................................................................................... 26
Подход к факторному анализу в исследовании .......................................................................... 28
Апробация как часть технологической фазы исследования ...................................................... 29
Сбор, хранение и воспроизведение данных ................................................................................ 29
Рекомендация вести календарь исследования ..................................................................... 30
Транспорт данных экспортом из редактора таблиц в веб-приложение ............................ 31
Таблица статистики из облака с выводом на график .......................................................... 31
Формирование личного профиля из компетенций специалиста................................................ 40
Организация процесса работы аналитика.................................................................................... 42
Сроки и значимость аналитического исследования ................................................................... 45
Комплексный подход к аналитическому исследованию ............................................................ 46

Глава 2. Декомпозиция для исследования сложной системы .............................. 47
Факторинг в программировании ..................................................................................................49
Фильтры поиска недвижимости для упрощения факторного отбора................................ 49
Задача о разборчивой невесте ............................................................................................... 51
Постановка задачи ........................................................................................................ 51
Условия задачи.............................................................................................................. 51
Стратегия «бери или уходи» ................................................................................................. 52
Объектно-ориентированный подход к методу декомпозиции ................................................... 52

4

Оглавление

Стандартизация кода по методологии БЭМ ................................................................................ 54
Философия БЭМ .................................................................................................................... 55
Что в целом улучшает метод декомпозиции и БЭМ в работе веб-разработчиков? ......... 59
Рефакторинг программного кода .................................................................................................61
Чем отличается стандартизация кода от рефакторинга? .................................................... 63
Может ли начинающий веб-разработчик сделать рефакторинг исходного кода
коммерческого продукта? ..................................................................................................... 63
Декомпозиция рефакторинга ................................................................................................ 63
Первичная обработка данных для анализа .................................................................................. 65
Выводы о методе декомпозиции ..................................................................................................67

Глава 3. Визуализация больших данных.................................................................. 69
Зачем нужно изучать визуализацию данных и овладевать навыками работы с ней? .............. 69
Базовые требования к визуализации данных............................................................................... 69
Визуализация эмпирических данных по результатам экспериментов ...................................... 71
Визуализация динамики процессов..............................................................................................76
Ошибки и несоответствия между графиком математического моделирования
и эмпирической моделью на основе эксперимента ............................................................ 77
Задачи аналитика ................................................................................................................... 78
Пример плавного вывода графика на веб-странице с использованием сплайнов
Катмулла–Рома ...................................................................................................................... 78
Постановка задачи ........................................................................................................ 79
Решение ......................................................................................................................... 79
Визуализация по принципу «от простого к сложному» ............................................................. 84
Визуальные акценты на ключевых аспектах защиты исследовательской работы ........... 84
Система знаков для обмена информацией........................................................................... 86
Стандартизация визуальных и текстовых данных ...................................................................... 87
Стандартизация по корпоративным стандартам ................................................................. 88
Дизайн-система Material Design (Google Inc.) ..................................................................... 90
Графический метод визуализации данных .................................................................................. 91
Графический метод — один из наиболее точных для прогнозирования .......................... 93
Переход от плоской визуализации к объемной ................................................................... 93
Принятие обоснованных решений на основе визуализации данных......................................... 95
Логические методы принятия решений ....................................................................................... 97
Выводы о визуализации аналитических данных ......................................................................... 99
Выводы о принятии решений на основе визуализации данных .............................................. 100

Глава 4. Прогнозирование коммерческого спроса на товары и услуги ........... 101
Гипотетическая оценка спроса на основе публичной статистики ........................................... 101
Актуальность коммерческих потребительских запросов ......................................................... 103
Формула актуальности поискового запроса ...................................................................... 104
Как выйти на экспоненту доходности в компании? ................................................................. 107
Эффект сарафанного радио................................................................................................. 110
Характеристика Mobile-Friendly по веб-сайту «HTML Academy» ................................... 110
Конверсия целевой аудитории в покупатели продукции ......................................................... 112
Что такое воронка продаж? ........................................................................................................ 115
Возможно ли автоматизировать воронку продаж? ........................................................... 116
Голосовой помощник .................................................................................................................. 117
Запись, обработка и воспроизведение голосовых команд посетителя ............................ 118
Выводы из примера реализации голосового помощника Voice Assistant ....................... 118

Оглавление

5

Как увеличить конверсию в электронной торговле? ................................................................ 119
A/B-тестирование предложений товаров и услуг.............................................................. 122
Цена или выгода? ................................................................................................................. 124
Как эффективнее сделать представление товаров в витрине целевой страницы
для конверсии во входящие заявки(лиды)? .............................................................. 126
Шаг № 1: определение необходимой выборки целевой аудитории
для A/B-теста ...................................................................................................... 127
Шаг № 2: отправка данных в Яндекс.Метрику ................................................ 128
Шаг № 3: настройка целей и интеграция с кол-трекингом ............................. 129
Результаты: распределение конверсий по визитам с параметрами теста .............. 130
Выводы о прогнозировании спроса ........................................................................................... 131

Глава 5. Семантический метод анализа больших текстов ................................. 133
Графические форматы для семантического анализа текстов .................................................. 133
Алгоритм ранжирования смысловых приоритетов в тексте .................................................... 135
Пример № 1: смысловые приоритеты в тексте ................................................................. 135
Выводы из примера .................................................................................................... 139
Анализ тональности текста ................................................................................................. 139
Пример № 2: эмоциональная тональность текста .................................................... 140
Вывод из примеров .............................................................................................................. 141
Алгоритм анализа семантического ядра для поисковой оптимизации ................................... 142
Организация хранения и заполнения семантического ядра ............................................. 142
Шаг № 1: сбор необходимой технической информации ......................................... 144
Шаг № 2: построение структуры сайта ..................................................................... 144
Шаг № 3: подготовка ключевых фраз для целевых страниц................................... 145
Шаг № 4: заполнение важных тегов всех целевых страниц .................................... 146
Способ 1 .............................................................................................................. 146
Способ 2 .............................................................................................................. 147
Шаг № 5: постановка на переобход обновленных страниц веб-сайта ................... 150
Алгоритм отбора ключевых фраз для эффективной работы веб-ресурса............................... 151
Последовательность исполнения алгоритма отбора ключевых фраз .............................. 152
Базовые требования к подготовке оптимизированных текстов для сайта ...................... 155
Выводы об эффективности алгоритма отбора ключевых фраз по актуальности ........... 159
Эффективность алгоритма для поисковой оптимизации ........................................ 159
Актуальность ключевых фраз для повышения эффективности сайта .................... 159
Рекомендации по подготовке уникального контента перед публикацией веб-ресурса ......... 160
Выводы о семантическом анализе текстов ................................................................................ 161

Глава 6. Анализ потребительского доверия к бренду.......................................... 163
Лояльность потребителей к бренду ............................................................................................ 163
Классификация по характеристикам .......................................................................................... 164
Алгоритмы и метрики потребительской лояльности ............................................................... 165
Алгоритм анализа тональности текстов пользователей ................................................... 165
Потребительские и специализированные отраслевые рейтинги...................................... 166
Метрики повторных продаж и количества возвратов ...................................................... 168
Метрика «индекс потребительской лояльности» (NPS) ................................................... 168
Индекс потребительской лояльности ......................................................................................... 168
Промежуточные выводы ..................................................................................................... 170

6

Оглавление

Об алгоритме опроса для оценки NPS ....................................................................................... 170
Что дает исследуемой компании измерение метрики NPS? ............................................ 171
Опрос клиентов для анализа лояльности к бренду ........................................................... 172
Шаг № 1: составление списка вопросов ................................................................... 173
Удовлетворенность клиентов компании .......................................................... 173
Доверие к бренду производителя продукции................................................... 173
Репутация бренда ............................................................................................... 173
Качество продукции и ее ценность ................................................................... 173
Атрибуты бренда ................................................................................................ 174
Шаг № 2: заполнение веб-формы опроса для публикации...................................... 174
Шаг № 3: выборка целевой аудитории для рассылки опроса ................................. 175
Шаг № 4: выбор канала доставки опроса для рассылки.......................................... 176
Шаг № 5: доставка опроса выборке ЦА по расписанию ......................................... 176
Алгоритм вычисления индекса лояльности NPS .............................................................. 176
Отчет о вычислении индекса NPS ...................................................................................... 177
Выводы: что дает аналитику и компании анализ метрики NPS?............................................. 179

Глава 7. Методика TD ABC. Функционально-стоимостный анализ
себестоимости транзакций в системах массового обслуживания...................... 181
Оценка базовой модели ABC ...................................................................................................... 183
Пример № 1: расчет ставки стоимости мощности по TD ABC ....................................... 183
Пример № 2: оценка затрат за единицу времени .............................................................. 184
Практическая ценность методики учета затрат TD ABC ......................................................... 188
Общее представление о потоковых системах массового обслуживания для обработки
заявок ............................................................................................................................................ 189
Обслуживание потока заявок в СМО ................................................................................. 190
Рекомендуемая литература по системам массового обслуживания ................................ 192
Бизнес-модели СМО для секторов B2C и B2B ................................................................. 192
Социально-экономическое значение СМО ........................................................................ 193
Социально-экономическая характеристика дистанционных услуг ......................................... 196
Количественные характеристики дистанционных услуг .................................................. 197
Эффект масштаба................................................................................................................. 201
Пример № 3: развитие дистанционных каналов обслуживания клиентов
в Альфа-Банке ...................................................................................................................... 202
Тезисные выводы ................................................................................................................. 203
Основания инвестиционной привлекательности внедрения СМО на предприятии ...... 203
Интерпретация благоприятных условий для роста прибыли ДБО .................................. 204
О развитии экономики российских компаний в сфере service on demand .............................. 205
Обзор сферы дистанционных услуг ................................................................................... 205
Управление рисками негативного влияния на сервисы дистанционных услуг в РФ ........ 207
Рекомендации для повышения эффективности СМО ....................................................... 208
Выводы о пользе изучения методик TD ABС и СМО .............................................................. 210

Глава 8. Факторный анализ для оптимального выбора ..................................... 213
Условия применения факторного анализа................................................................................. 213
Применение факторного анализа в исследованиях .................................................................. 214
Решение сложных задач с помощью факторного анализа ....................................................... 215
Объектно-ориентированный подход к многофакторному анализу ......................................... 215
Пример № 1: матрица принятия решения .......................................................................... 216
Задача ........................................................................................................................... 216

Оглавление

7

Требования .................................................................................................................. 216
К рассмотрению .......................................................................................................... 216
Решение .......................................................................................................................216
Вывод о матрице принятия решений ........................................................................ 217
Пример № 2: сравнительный многофакторный анализ .................................................... 218
Задача ........................................................................................................................... 218
Условия ........................................................................................................................ 218
Решение .......................................................................................................................218
Выводы о многофакторном сравнительном анализе ............................................... 220
Рекомендуемая литература по изучению факторного анализа ............................... 220
Статистический анализ рынка промышленных комплектующих в РФ .................................. 221
Каталог комплектующих для производства и сбыта ........................................................ 221
Исходная статистика и эмпирические данные для анализа рынка сбыта ....................... 222
Сбор данных о предприятиях России ................................................................................ 222
Расчет рыночной стоимости выпускаемых комплектующих........................................... 225
Оценка привлекательности комплектующих по регионам РФ ........................................ 227
Муфты соединительные ............................................................................................. 231
Шкивы клиновые ........................................................................................................ 232
Алгоритм развития продаж комплектующих в регионах России .................................... 232
Шаг № 1: обработка исходных данных..................................................................... 233
Шаг № 2: онлайн-заказ с расчетом цены по формуле ............................................. 234
Шаг № 3: аналитика.................................................................................................... 235
Шаг № 4: стратегия «Морской бой» ......................................................................... 236
Оценка точности выводов по факторному анализу рынка сбыта комплектующих в РФ ......... 237
Первое приближение: метод проб и ошибок. Наивные выводы аналитика-новичка ........ 237
Метод мультифакторного анализа для достижения требуемой точности
результатов ..................................................................................................................238
Второе приближение: изменение бизнес-модели для монетизации
доступными средствами ...................................................................................................... 239

Глава 9. Задача сокращения рекламных расходов .............................................. 242
Постановка задачи в общем виде ...............................................................................................242
Рекламные каналы для анализа конверсии и цены ........................................................... 243
Результаты ............................................................................................................................ 244
A/B-тестирование гипотез об эффективности рекламных каналов ......................................... 245
Задача сокращения рекламных расходов в частном виде ................................................ 245
При прочих равных условиях .................................................................................... 246
Визуальный отбор каналов рекламы для таргетинга ........................................................ 250
Предварительные выводы .......................................................................................... 251
Эконометрический отбор по распределению результатов анализа ................................. 251
Рекомендации по внедрению ..................................................................................... 251
Юнит-экономика как необходимый инструментарий веб-аналитика ..................................... 253
Как использовать результаты, полученные по задаче минимизации
рекламных расходов? .................................................................................................................. 254
Выводы о минимизации рекламных расходов .......................................................................... 254

Глава 10. Эконометрический метод оценки эффективности ИТ-проектов ....... 256
О стартапах на начальном этапе развития ................................................................................. 256
Инвестиционная привлекательность дистанционных услуг в РФ ........................................... 257

8

Оглавление

Условия достижения эффективности услуг по запросу ........................................................... 258
Пример применения инструментария юнит-экономики ................................................... 260
Задача ........................................................................................................................... 260
Исходные данные........................................................................................................ 260
Условия задачи............................................................................................................ 260
Решение .......................................................................................................................261
Техническая характеристика ИТ-проекта.......................................................................... 262
Экономическая характеристика ИТ-проекта ..................................................................... 264
Характеристика лояльности посетителей ИТ-проекта ..................................................... 265
Визуально-аналитическая оценка эффективности ИТ-проекта ............................................... 265
Качественная оценка метрик ИТ-проекта.......................................................................... 266
Графики функций................................................................................................................. 268
Выводы об эконометрическом методе оценки эффективности ............................................... 269

Глава 11. Семантический анализ данных пользователей веб-сервиса ............ 271
О точке приложения семантического анализа .......................................................................... 271
Постановка цели и задач семантического анализа ................................................................... 273
Шаг № 1: формирование набора потенциальных микросервисов для внедрения
в качестве гипотез ................................................................................................................ 274
Шаг № 2: внедрение инструментов для анализа ............................................................... 275
Словарь интересов ...................................................................................................... 275
Средний чек каждого пользователя .......................................................................... 279
Пример № 1: вычисление среднего чека .......................................................... 281
Оценка рентабельности услуги .................................................................................. 281
Пример № 2: вычисление рентабельности услуги ........................................... 281
Шаг № 3: отбор и ранжирование потенциальных услуг из гипотез ................................ 283
Использование показателя среднего чека для исследования .................................. 283
Аналитическая функция R' для ранжирования услуг............................................... 284
Пример № 3: вычисление популярности услуги по тексту пользователя...... 285
Логическая схема семантического анализа для монетизации................................. 287
Шаг № 4: формирование результатов исследования ........................................................ 288
Отчет по результатам аналитического исследования ..................................... 288
Визуализация результатов исследования ......................................................... 288
Сегментация данных по группам коммерческих интересов ................................... 290
Раздел «Монетизация сервисов» веб-интерфейса пользователя............................. 291
Раздел «Аналитика продаж» веб-интерфейса ........................................................... 294
Шаг № 5: прогнозирование рентабельности микросервисов........................................... 295
Компетентная оценка рентабельности микросервисов ............................................................ 296
Выводы о семантическом анализе данных ................................................................................ 297

Глава 12. Алгоритм анализа веб-интерфейсов Mobile First ............................... 299
Ключевые факторы алгоритма Mobile First............................................................................... 300
Допустимые размеры шрифтов .......................................................................................... 301
Отзывчивость в миллисекундах.......................................................................................... 302
Анализ целевой страницы алгоритмом Mobile First ......................................................... 303
Рекомендации по оптимизации целевой страницы для повышения позиций
в ранжировании поиска Google ..................................................................................................305
Выводы об алгоритме Mobile First .............................................................................................307

Оглавление

9

Глава 13. Комплексный анализ исходных данных компании ........................... 308
Исходные данные для анализа .................................................................................................... 308
Анализ входящих заявок на услуги агентства недвижимости ................................................. 310
Исключение из правила анализа данных ........................................................................... 312
Промежуточные выводы ..................................................................................................... 313
Сравнение целевой аудитории ............................................................................................ 314
Выводы, сделанные на основе анализа данных компании ............................................... 315
Почему следует исключить контекстную рекламу из состава инструментов
продвижения нового направления услуг? ................................................................. 316
Как этого достичь в сложившихся обстоятельствах? .............................................. 317
Почему шагов именно 4, а не условно 5 или 7? ....................................................... 318
Рекомендации для руководства агентства недвижимости ............................................... 318
Фильтрация исходных данных ...................................................................................................323
Очистка входной статистики путем декомпозиции и фильтрации .................................. 323
Решение по фильтрации данных ........................................................................................ 324
Метрика «Роботность» ........................................................................................................ 325
Метрика «Отказы» ............................................................................................................... 326
Что по существу мы получили? .......................................................................................... 328
Высокая конкуренция требует интересных решений ....................................................... 331
Алгоритм подготовки и публикации уникальных описаний для поисковой оптимизации
контента ........................................................................................................................................ 332
Задача SEO-специалиста ..................................................................................................... 332
Решение .......................................................................................................................332
Соотношение уникальности в карточках объектов........................................................... 335
Как определить будущие хиты продаж по названиям товаров или объектов
недвижимости?..................................................................................................................... 336
Процентное соотношение уникального текста в карточке товара .................................. 337
Проблема контроля и фильтрации входящих заявок из-за множества
точек входа ..................................................................................................................337
Как исправить ситуацию с проблемой минимального коммерческого спроса
на недвижимость и трудностью расчета конверсии?............................................... 338
Результаты анализа данных ........................................................................................................ 339
Аналитические выводы и рекомендации для повышения эффективности компании ....... 340
Вывод № 1: необходима автоматизация воронки продаж ...................................... 340
Рекомендация № 1: внедрить в веб-сайт и в виртуальную АТС компании
голосового помощника для диалога с клиентом ............................................. 341
Вывод № 2: необходимо увеличение адресной базы в каталоге недвижимости ...... 344
Рекомендация № 2: ранжировать карточки объектов в каталоге
недвижимости от максимума к минимуму по эмоциональному критерию
оценок пользователей и по актуальности запросов ......................................... 344
Вывод № 3: необходима интеграция БД объектов с каталогом
в сообществе ВКонтакте ............................................................................................ 344
Рекомендация № 3: настроить выгрузку обновленной БД объектов
в сообществе агентства недвижимости в соцсети ВКонтакте ........................ 345
Выводы о комплексном подходе к анализу данных ................................................................. 346

Заключение ................................................................................................................... 347
Приложение. Описание файлового архива ............................................................ 349
Предметный указатель .............................................................................................. 350

Предисловие
Многие задаются вопросом: как использовать статистику о поведении пользователей для принятия решений при разработке и сопровождении коммерческих продуктов? Не важно, что в рассмотрении — сайт или мобильное приложение, алгоритмы
взаимодействия с пользователем схожи.
Эта книга поможет начинающим аналитикам найти ответы на вопросы и научит
решать задачи, связанные со сбором, хранением, визуализацией и анализом данных
в целях оптимального выбора решений повседневных задач и выработки полезных
конструктивных рекомендаций.
В процессе коммерческих и социально значимых исследований начинающие вебаналитики могут столкнуться с достаточно трудными для них задачами. В книге
показано, как разложить их решение на последовательность несложных задач.
Новичкам в веб-аналитике предлагается простой и понятный путь от теории
к практике для освоения методов и алгоритмов анализа данных, начиная с самых
доступных и заканчивая комплексными научными и маркетинговыми исследованиями.
Книга будет полезна ИТ-специалистам начального уровня в сфере коммерческой
веб-разработки и маркетинга потребительских товаров и услуг.
Автор рекомендует читателям использовать материал книги в процессе изучения
и практического применения в анализе перспективных направлений развития товарной линейки и услуг на основе полученных персональных и общедоступных
данных пользователей.
Открытая читателем книга представляет собой последовательное изложение методов и алгоритмов анализа данных от простого к сложному на доступных для
новичков примерах.
Основы теории базовых методов и алгоритмов описаны в ней с применением основных инструментов веб-разработки и маркетинга, приведены решения актуальных задач с помощью методов и алгоритмов, необходимых каждому начинающему
веб-аналитику, и не только.

12

Предисловие

Представленные в книге знания и навыки аналитики будут полезны в работе и
в повседневной жизни. Аналитические решения рассматриваемых прикладных
задач способны сфокусировать внимание читателя и дать стартовый импульс в развитии аналитического склада рационального мышления.
Материал книги актуален для построения, обработки и подтверждения гипотез
в решениях инженерных, маркетинговых и управленческих задач. В книге также
рассматриваются результаты исследований рынков сбыта промышленных комплектующих, банковских услуг и сферы недвижимости в России, проводимые в исследованиях бизнес-моделей предоставления услуг по запросу (service on demand)
с использованием Интернета.
В книге приводятся практические решения комплексных аналитических задач
с помощью общедоступного инструментария:
 Яндекс.Подбор слов (статистика потребительских поисковых запросов);
 Яндекс.Метрика (статистика и аналитика по сайту компании);
 ExportBase (доступные базы данных о российских компаниях);
 Яндекс.Поиск (результаты ранжирования по тематике сайта);
 EditPlus или аналог (редактор кода для исполнения решений с графиками);
 ГлавРед (исправление текста);
 Антиплагиат (уникальность);
 Гугл.Таблицы или MS Excel (редактор таблиц для обработки данных);
 Google Mobile Test (анализ веб-сайта на мобилопригодность и индекс Mobile-

first);
и другие.
Читатели книги имеют отличную возможность изучить и применить на практике:
 прикладные методы и алгоритмы анализа данных:

• анализ и прогноз спроса на товары и услуги на основе статистики;
• A/B-тестирование гипотез — сравнение и аналитический выбор по заданным
мотивационным факторам покупки: цена и выгода;
• семантический анализ персональных данных пользователей для отбора коммерческих интересов. Алгоритм анализа тональности текстов;
• решение задачи минимизации рекламных расходов с помощью визуального
сопоставления рекламных каналов и аналитического отбора по условиям;
• оценка лояльности потребителей к бренду с применением опросов по метрике NPS.
 методы принятия решения и повышения эффективности компании:

• методика TD ABC для расчета затрат по операциям в условиях ограниченных
ресурсов компании;

Предисловие

13

• имитационное моделирование процессов обработки заявок в расчетно-кассовом и дистанционном банковском обслуживании клиентов для оценки
себестоимости транзакций и влияния риска отказов на прибыль компании;
• качественная оценка состояния компании (стартапа) для принятия решений
по стратегическому управлению и инвестированию;
• факторный анализ для оптимального выбора на основе заданных признаков
сравнения;
• комплексный анализ данных компании методом декомпозиции, фильтрации
и анализа статистики поисковых запросов из Яндекс.Метрики и поведения
пользователей на сайте компании.
Все термины и формулировки подробно объясняются в ходе изложения методов и
сопутствующих алгоритмов.
Читателю было бы весьма полезно вести личные заметки и конспекты, а также пробовать самостоятельно проводить эксперименты с данными на основе полученных
знаний для их закрепления их в памяти.
Желаю вам приятного и полезного изучения материала книги!

ГЛАВА

1

Введение в анализ данных
Веб-аналитику необходимо обладать широким кругозором и набором инструментальных навыков для эффективной работы со статистикой.
Инструментарий сбора статистики с классификацией по признакам включает графические методы анализа, позволяющие найти качественные тренды на потребительском рынке B2C продукции.
Таргетинг целевой аудитории на основании эмпирических зависимостей используется для аргументации в ходе формирования аналитических рекомендаций по стратегии развития компании.
Взаимосвязь статистики и тенденций сезонных потребительских привычек, выявляемая в ходе анализа данных, дает рациональную возможность выстроить новые
бизнес-модели для перспективного развития предприятия, автоматизируя бизнеспроцессы во взаимодействии с клиентами.
Комплекс изложенных в книге методов объединяет основы статистического анализа, инструментальные подходы к работе с потоком данных и базовые аспекты
юнит-экономики для прогноза рентабельности услуг по перспективным бизнесмоделям.

Термины и определения
Изучение книги стоит начать с освоения терминов, сопутствующих методам и алгоритмам анализа данных. Это поможет лучше воспринимать материал книги,
содержащий профессиональный лексикон аналитика данных.
В терминологии есть популярные термины из сопряженных сфер: веб-разработки,
маркетинга, статистики, эконометрики и юнит-экономики.
A/B-тест (в маркетинге) — это логический и эмпирический метод сопоставления
двух и более (A/B/C) предложений товаров и услуг с соразмерной ценой при прочих равных условиях. В заданных условиях эксперимента (теста) задается одинаковый портрет целевой аудитории (пол, возраст, уровень финансового достатка, геоположение, интересы и т. д.) Результат вычисляется сопоставлением количества
заявок о покупке на предложения.

Введение в анализ данных

15

Mobile friendly (в веб-разработке) — термин, описывающий удобство использования страниц веб-ресурса (корпоративного сайта, каталога продукции, веб-сервиса
или интернет-магазина) на мобильных устройствах на базе ОС Android, iOS и др.
Landing page (в веб-разработке) — целевая веб-страница с товарным предложением для A/B-тестирования гипотез о целесообразности внедрения новых товаров и
услуг в широкий оборот для увеличения продаж компании в сегментах B2C и B2B.
Актуальность потребительского спроса (в маркетинге) — относительная величина, характеризующая изменения состояния спроса во времени (в текущий момент
относительно предыдущего периода). Используется для отбора товаров и услуг,
сопутствующих ключевых слов для рекламного блока, страницы, сайта и т. д.
Большие данные (в анализе данных, от англ. big data) — совокупность структурированных и неструктурированных массивов данных большого объема. Для анализа
больших данных используется программный автоматизированный инструментарий
на основе методов и алгоритмов статистического анализа, прогнозирования и принятия решений.
Веб-интерфейс (от англ. web interface) — совокупность средств, при помощи которых пользователь взаимодействует с веб-сайтом или любым другим приложением
через браузер. Веб-интерфейсы получили широкое распространение в связи с ростом популярности Всемирной паутины и соответственно повсеместного распространения веб-браузеров.
Гипотетическая оценка спроса (от греч. hyhothesis — основание, также равнозначно: гипотетический спрос) — условное (предположительное в логике) суждение о спросе является гипотетическим, если действительность второго положения
обусловлена действительностью первого положения: если есть А, т. е. В.
Дизайн-система (в веб-разработке и маркетинге) — набор правил и рекомендаций
оформления элементов интерфейса, сформулированный на основе заданной философии и стилистических особенностей. Используется в качестве нативного языка
взаимодействия между пользователей и интерфейсом для диалога с информационной системой (или, проще, с цифровым продуктом).
Инвестиция (от нем. — investition, от лат. investio — одеваю) — долгосрочное
вложение капитала в промышленность, сельское хозяйство, транспорт и другие отрасли хозяйства как внутри страны, так и за границей с целью получения прибыли.
Интенсивность отказов (в системах массового обслуживания, от англ. failure
rate) — величина, характеризующая риск (вероятность) отказов пользователей от
взаимодействия с системой. Вычисляется в процентах на основе отношения отказов
в текущий период от общего количества пользователей.
Контекстная реклама — тип рекламы в Интернете, при котором рекламное объявление показывается в соответствии с содержанием (контекстом) интернет-страницы (от лат. contextus — соединение, связь).
Комплексный эконометрический анализ данных (в экономике и веб-аналитике) — последовательный анализ статистики и данных экспериментов с помощью

16

Глава 1

доступного набора методов и алгоритмов для детального изучения многомерной
модели, выявления гипотез и их проверки несколькими методами и алгоритмами.
Обычно используется для установления зависимости между факторами влияния на
исследуемую модель — в экономике для решения проблемы, например снижения
инфляции на государственном уровне или повышения эффективности компании
в частном случае.
Поисковая система — программно-аппаратный комплекс с веб-интерфейсом, предоставляющий возможность поиска информации в Интернете. Под поисковой системой обычно подразумевается веб-сайт, на котором размещён интерфейс с формой
глобального поиска и фильтрами для ранжирования его результатов.
Популярность (от лат. populares, от populus — народ) — высокая степень востребованности чего-либо или кого-либо в определенной области. На возникновение
популярности в некоторых случаях влияет мода и наоборот. Так же как и мода,
популярность привязана к определенному и, как правило, небольшому отрезку
времени. Популярность зачастую смешивают с известностью, хотя это не одно и
то же.
Портрет целевой аудитории — совокупная половозрастная и социальная оценка
целевой аудитории для задания таргетинга в рекламе. Чаще всего используется
в интернет-рекламе (контекстная реклама, нативная реклама).
Прецедент (от лат. praesidens — предшествующий) — случай или событие, имевшее место в прошлом и служащее примером или основанием для последующих
действий в настоящем. Судебный прецедент — решение суда или иного правового
органа по конкретному делу, имеющее силу источника права.
Конверсия (в маркетинге и анализе данных, от англ. conversion rate) — величина
эффективности, отражающая количество продаж (или заявок на покупку) товаров и
услуг по отношению к общему количеству просмотров (или другой емкости) целевой аудитории. Используется для оценки эффективности заданной бизнес-модели
или рекламной кампании.
Мобилопригодность (в веб-разработке, от англ. mobile friendly) — количественная
метрика, определяемая по набору признаков удобства чтения, визуализации и интерактивности при использовании веб-сайтов пользователям с помощью мобильных
устройств.
Стагнация (от лат. stagnatio — неподвижность, от stagnum — стоячая вода) — состояние экономики, характеризующееся застоем производства и торговли на протяжении длительного периода. Стагнация сопровождается увеличением численности безработных, снижением заработной платы и уровня жизни населения.
Сбор данных без потерь (в исследовании) — подготовка статистических данных
за прошедшие периоды, по которым есть полные данные без пропусков по каждому
месяцу и т. д. Это условие необходимо соблюдать для проведения исследования
на основании полных исходных данных и достижения статистически значимого
результата.

Введение в анализ данных

17

Семантический (смысловой) анализ текста — алгоритмический метод анализа
взаимосвязи лексических сущностей в контексте темы изучаемого текста.
Семантическое ядро (сокр. СЯ, «семантика» в маркетинге) — осмысленный набор
ключевых запросов, отвечающих теме заданного текста.
Система массового обслуживания (сокр. СМО, в теории очередей, от англ.
queueing system) — система, обслуживающая поступающие в очередь требования.
Обслуживание требований в СМО выполняется соответствующими приборами.
Транзакция (в СМО и финансовой сфере, от лат. — соглашение) — выполнение
типовой операции обращения денежных средств на банковских счетах финансовой
организации. Термин применим к операциям платежей, переводов в качестве оплаты за предоставленные товары и/или услуги.
Экспоненциальный рост (в экономике) — характеристика роста величины (спроса, дохода или прибыли), описываемая функцией y = exp(x), что, в свою очередь,
характеризует высокий уровень роста величины показателя после переломного момента в условиях, влияющих на динамику величины этого показателя во времени.
Таргетинг (в рекламе, от англ. targeting) — настройка рекламного сообщения на
заданную целевую аудиторию (ЦА) по половозрастной и социальной характеристике (иначе, портрету ЦА).
Эмпирическая оценка (в анализе данных, от греч. empeiria — опыт) — вынесение
суждения об исследуемом явлении или событии на основе систематически собранных эмпирических, т. е. экспериментальных, данных.
Целевая аудитория (в рекламе, от англ. target audience) — совокупность групп потребителей определенной продукции, объединенных по полу, возрасту, интересам,
уровню финансового достатка, геоположению и другим признакам.

Взаимосвязь сущностей исследования
Анализ данных представляет собой процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений.
Работа начинающего аналитика в компании требует особого внимания к проведению анализа доступной статистики и коммерческих данных о продажах с целью
выработки качественных рекомендаций. Скорее всего, оценивать результаты его
работы будут опытные специалисты (эксперты), возможно, с иным мнением о развитии компании и директорский состав (один или несколько директоров) на основании собственной интуиции и опыта организации бизнес-процессов путем сопоставления с прецедентами из прошлого.
Именно поэтому критически важно проводить анализ данных в соответствии со
всеми актуальными требованиями и логически обоснованно в последовательности
проведения исследования. Классические и прогрессивные методы, алгоритмы и
сопутствующий инструментарий являются профессиональным оружием аналитика
для решения комплексных задач. Зачастую защита (на общем совещании) собст-

18

Глава 1

венной аналитической работы с выработанной стратегией развития компании сродни защите курсовой или даже диссертационной работы (в зависимости от сложности поставленной задачи и в целом относительно уровня развития компании).
Аналитику важно выстраивать цепочку исследования с базовыми сущностями
НИР, доказательно подтверждая или опровергая выдвинутые гипотезы о возможном пути развития. Это способствует налаживанию конструктивной работы с другими специалистами в компании, дает возможность показать руководству собственную ценность как аналитика и обоснованно отстаивать собственные рекомендации для принятия сбалансированных решений в диалоге с руководством компании.
Стоит начать с описания взаимосвязи базовых сущностей исследования:
 постановка и условия задачи;
 сбор данных без потерь;
 гипотеза: построение, подтверждение или опровержение;
 метод;
 алгоритм;
 проведение эксперимента;
 анализ экспериментальных данных;
 выводы и рекомендации;
 апробация результатов.

Задачи исследования данных, как правило, имеют прикладное значение в контексте
решения насущных проблем и отвечают на вопросы подтверждения или опровержения выстроенных гипотез.
Процесс исследования состоит из следующих этапов:
1. Выявление проблемы.
2. Сбор и структурирование исходных данных.
3. Выдвижение первоначальной гипотезы.
4. Проведение теоретических исследований.
5. Проведение эксперимента для проверки полученных взаимосвязей в ходе теоретических исследований.
6. Формулирование выводов и рекомендаций.
Для наглядности схема исследования показана на рис. 1.1.
П РИМЕЧАНИЕ
Для удобства изучения материала книги все приведенные в ней иллюстрации (в том
числе в цветном исполнении — где требуется) собраны в папку images сопровождающего книгу файлового архива (см. приложение).

Веб-аналитик должен уметь выстроить структуру исследования, показать взаимосвязь сущностей для проведения и защиты наукоемких прикладных исследований.
Именно наукоемких, т. к. любые выводы аналитика должны быть доказательными

Введение в анализ данных

19

с использованием общепринятых методик и алгоритмов, иначе они будут выглядеть несостоятельными для специалистов — коллег и руководства компании.
Сбор исходных данных осуществляется из общедоступных, научных и коммерческих источников с целью получения необходимых метрик. Допустимая погрешность вычислений и другие параметры формируются из условий задачи.
Исследование и анализ проводятся доступными для начинающих методами и алгоритмами. При этом численные и качественные параметры данных должны обеспечить такую возможность Численные показатели по умолчанию задаются в Международной системе СИ.

Рис. 1.1. Схема проведения
исследования по анализу
данных с целью нахождения
решения выявленной проблемы

Постановка и условия задачи
Как правило, постановка задачи формулируется в письменной форме на основе выявленных проблем на совещании руководящего звена. В частных случаях аналитик
в собственных целях формулирует задачи самостоятельно.
Целью является решение выявленных проблем.
Задачи формулируются в соответствии с заданными условиями, комплексно отражающими реальность и правила проведения исследования для достижения статистически значимого результата.

20

Глава 1

Оценка результата также формулируется по заданным шкалам относительно выбранных метрик:
 количество уникальных посетителей сайта в день (месяц, квартал или год);
 время сессии (сколько минут или секунд) посетитель проводит на странице;
 уровень отказов (сколько процентов посетителей уходят с целевого веб-сайта

сразу, не изучая его контент);
 конверсия количества посетителей сайта в реальные заявки.

Статистически по рынку на основе обзора открытых аналитических отчетов компаний за прошедший период (например, год) возможно оценить допустимый уровень
конверсии и выставить шкалу оценивания, например:
 от 0 до 3% — низкая конверсия (имеет пессимистический оттенок в качествен-

ной оценке);
 от 3 до 5% — умеренная конверсия (по умолчанию требует мер к повышению

уровня по заданной шкале);
 от 5 до 10% — оптимистическая конверсия (растущая или попросту хорошая);
 более 10% — отличная конверсия (характеризует высокую эффективность ис-

точника конверсии).
В диалогах специалистов условно хорошими могут характеризоваться результаты
в трактовке «лучше, чем раньше», но для аналитика это «грязная» формулировка,
поскольку следует корректно формулировать оценку относительно заданной шкалы
исследования.

Сбор данных без потерь
Для достижения значимых результатов изначально необходим сбор данных без
потерь, т. е. по всем значимым периодам без пропусков, — чтобы доказательство
было ясным, последовательным и имело особую ценность для защиты.
Удовлетворить требованиям принимающей стороны — важный критерий оценки
результатов исследования. Он характеризует качество и ценность рекомендаций по
результатам НИР. Также полезно унифицировать процесс сбора, хранения и транспортировки данных в ходе длительного исследования, чтобы исключить какие-либо
полные или частичные потери исходных файлов статистики.
Читатели смогут далее ознакомиться с примером организации веб-аналитиком процесса сбора данных без потерь.

Гипотеза: построение, подтверждение или опровержение
В решении исследовательской задачи аналитик выстраивает емкое и четкое предположение об объекте изучения в форме утверждения, требующего доказательства.
В науке таким утверждением является гипотеза.

Введение в анализ данных

21

По сущности и характеру происхождения в исследовательских работах используются следующие гипотезы:
 опирающиеся на реальность (явления и события, подтверждающие актуальность

определенной теоретической модели);
 научно-экспериментальные, устанавливающие детерминацию различных зако-

номерностей;
 эмпирические гипотезы (как правило, формулируются аналитиком для изучае-

мого случая и не могут интерпретироваться для массового объяснения);
 экспериментальные предположения (для проведения научного эксперимента

с целью фактического подтверждения);
 статистические гипотезы (для проверки их достоверности применяют соответст-

вующие статистические методы).
В начале работы веб-аналитик использует собственную интуицию и личный опыт
пользователя для формулировки гипотезы в исследовании.
П РИМЕР ГИПОТЕЗЫ В ИССЛЕДОВАНИИ
Если использовать регистрацию с минимальным набором полей ввода: Фамилия, Имя,
Телефон и email без дополнительных полей Пол, Возраст, Регион, Вид деятельности,
то конверсия пользователей при регистрации повысится на 30%.

Доказательная часть исследовательской работы обязательно должна содержать
подтверждение или опровержение выстроенной гипотезы.
Сбор данных без потерь по всем значимым периодам имеет особое значение, чтобы
доказательство было ясным, последовательным и ценным для защиты.
Логическая последовательность доказательства может, в частности, привести аналитика к опровержению выдвинутой гипотезы. Это реализуется путем опровержения следствий (если многие или все необходимые следствия изучаемой гипотезы по
факту не имеют реального подтверждения в действительности).
В теории также встречается термин фальсификация, соответствующий опровержению гипотезы. Не стоит путать его с другим похожим термином — фальсифицируемость, характеризующим только возможность опровержения гипотезы.

О выборе методов и алгоритмов для решения задачи
На практике выбор метода и алгоритмов для решения поставленной задачи зависит
от исходных данных (с чем придется работать), первичной качественной оценки
и от требований (как следует, в каких условиях выполнить задачу).
Нередко в постановке задачи уже заложен ответ на вопрос (каким методом и алгоритмами решить эту задачу).
В научном исследовании анализ данных является основной частью работы познавательного характера — выбор алгоритмов для проверки (или опровержения) гипотезы выполняется аналитиком самостоятельно или на основании постановки задачи
(рис. 1.2).

22

Глава 1

Рис. 1.2. Базовая схема применения алгоритма для решения задачи

В зависимости от исходных данных в постановке задачи и условий ИТ-специалист
интуитивно на основе знаний может найти аналогичный прецедент из накопленного (изученного) опыта и действовать по аналогии, если условия решения задачи
этого не исключают.
В ином случае стоит начать с декомпозиции задачи на подзадачи и решать их последовательно доступными методами и алгоритмами.
В ЧЕМ ОТЛИЧИЕ МЕТОДА ОТ АЛГОРИТМА ?
По существу, ключевое отличие метода от алгоритма заключено в их упрощенных
определениях.
Метод — это совокупность формальных действий, а алгоритм — строгая последовательность инструкций (команд) к исполнению. Как следствие, в программировании задаются алгоритмы — исходным кодом к исполнению в приложении.
Алгоритм излагается значительно подробнее, четко и конструктивно, чем метод.
Визуализация алгоритма — это логическая блок-схема, а метода — условное устройство, компоненты которого работают одновременно.
Один и тот же метод могут реализовывать несколько алгоритмов.

Чем сложнее метод, тем больше возможных реализаций в виде алгоритмов.

Определение алгоритма
Алгоритм — это способ (или программа) решения вычислительных и других задач,
описывающий последовательность получения результата, однозначно определяемого исходными данными.
На практике алгоритмы реализуют с использованием формального языка интерпретации решения типовой задачи. Алгоритмическим считается язык, формализованный для однозначной записи алгоритмов. По существу алгоритм интерпретируется
в виде набора инструкций к действию аналитика:

Введение в анализ данных

23
До сжатия

• Растровое изображение в формате *.png
• Исходный размер файла: 41 Кбайт
• Качество PNG = 100%
• Размеры изображения = [768 × 448] px
• Палитра RGB.

Оптимизация

• Применение алгоритма оптимизации растровой графики в программе optiPNG
• Выполнение команды в консоли программы:
C:\>optipng -o5 Lig.png
После сжатия

• Изображение с оптимизацией веса файла
• Сжатие на 20% без потерь качества
• Качество PNG = 80%
• Вес файла = 32,8 Кбайт
• Палитра RGB, 24 bit
Сжатие выполнено за счет удаления метаданных
и других неиспользуемых сущностей в коде исходного файла *.png.
Рис. 1.3. Пример применения алгоритма сжатия графического файла в формате *.png
для решения задачи оптимизации растровой графики

24

Глава 1

 в графической форме — в виде логической схемы с пошаговым решением (step

by step) и условиями обработки данных;
 в виде программного кода (программы) для обработки исходных данных.

На рис. 1.3 наглядно показан алгоритм сжатия изображений optiPNG с заданными
инструкциями уровня сжатия, баланса качества и веса графических файлов. После
обработки алгоритм экспортирует оптимизированные файлы *.png в указанный
каталог C:\>opting.

Проведение эксперимента
Для подтверждения или опровержения выстроенной гипотезы аналитику необходимо проводить эксперименты. Их количество определяется условиями задачи
c заданной точностью.
В прикладном случае веб-разработки и маркетинга эксперименты проводятся на
основе частной выборки из целевой аудитории, именуемой фокус-группой. Такая
выборка выполняется по заданным сфокусированным первичным признакам: пол,
возраст, регион проживания, соответствие аудитории целевой группе (например,
студенты), платежеспособности по среднему чеку за покупку и т. д.
Наиболее распространены в маркетинге A/B/C-тесты на фокус-группах по исследованию отношения к новому цифровому продукту (корпоративному веб-сайту, интернет-магазину и т. п.) или обновлению функциональности с получением численных показателей используемых метрик из аналитической системы Яндекс.Метрика
или Google Analytics.
Эти тесты и эксперименты помогают веб-аналитику:
 выбрать лучшее дизайн-решение — чтобы повысить конверсию на всей целевой

аудитории после внедрения корректировок на основе экспериментов;
 заполнить таблицу результатов по метрикам и выгрузить отчет — чтобы в ре-

зультате свести показатели по заданному периоду для исследования, оценить их
по заданным шкалам и проранжировать от худших к лучшим, что поможет
сформировать список проблемных узлов продукта по приоритетам значимости
к исправлению;
 детально изучить каждый шаг в работе посетителя через ВебВизор1 и определить

причинно-следственные связи в потерях конверсии из посетителей в покупатели
и т. д.
Так формируются аналитические рекомендации по улучшению веб-интерфейса
с учетом полученного опыта посетителей из фокус-группы в ходе эксперимента.

1

Функциональность съемки экрана пользователя в рамках интерфейса веб-сайта для изучения его поведения на целевых страницах веб-ресурса.

Введение в анализ данных

25

Анализ экспериментальных данных
Анализ данных, полученных экспериментальным путем, должен проводиться по
заданной методике и алгоритмам с применением допустимого к анализу инструментария.
В веб-аналитике наиболее часто используются следующие веб-сервисы:
 Яндекс.Подбор слов (иначе ВордСтат, https://wordstat.yandex.ru);
 Яндекс.Метрика (или просто Метрика в сообществах аналитиков);
 Яндекс.Вебмастер (или просто Вебмастер);
 Антиплагиат (проверка на уникальность текста);
 ExportBase (сервис предоставления баз данных официальных данных компаний

РФ по регионам, секторам экономики и другим признакам);
 ГлавРед (проверка на чистоту и качество изложения текста на русском языке);
 Google Mobile Test — для оценки мобилопригодности веб-сайта (удобства ис-

пользования веб-интерфейса сайта с мобильных устройств по набору ключевых
признаков адаптивности интерфейса) и т. д.

Рекомендации по результатам анализа
По сути, рекомендации — это интеллектуальный продукт аналитического исследования. Они характеризуют уровень качества проведенной аналитиком наукоемкой
работы.
Практическая значимость рекомендаций — это основной критерий, описывающий
реальную пользу для общества или конкретного заказчика от применения результатов выполненного исследования в практической деятельности, точнее, их прикладную ценность.
Формулировки рекомендаций аналитику следует выверять до кратких и емких фраз
с указанием причинно-следственных связей, чтобы исключить искажение смысла
их значений.
Аналитические исследования с доказанной практической значимостью, как следствие, имеют высокую вероятность для прохождения модерации и публикации в рейтинговых специализированных журналах и цитирования в СМИ.
П РИМЕР РЕКОМЕНДАЦИИ В УПРОЩЕННОМ ВИДЕ
По результатам исследования зависимости конверсии веб-сайта от фактора мобилопригодности рекомендуется выполнить комплекс улучшений веб-интерфейса (см. при2
ложение А) с целью достижения максимальной оценки в 100 баллов по критерию
удобства использования с мобильных устройств (mobile friendly) и выхода на более
высокий уровень конверсии.

2

Приложение А к аналитическому отчету должно содержать Техническое задание для веб-разработчиков на исправление ошибок в веб-интерфейсе продукта по результатам A/B/C-теста.

26

Глава 1

Даже гуманитарий, далекий от анализа данных, должен при прочтении отчета понимать все описанные причинно-следственные связи изучаемых сущностей и рекомендации по результатам исследования. Все формулировки обязательно должны
быть выстроены в логическую цепочку без обрыва звеньев, т. е. без противоречий
и ошибок.

Об апробации результатов исследования
Апробация результатов исследования и выработанных рекомендаций необходима
для закрепления теоретических выводов в действующем применении, т. к. реальная
действительность может содержать значительно более многомерную систему связанных факторов, оказывающих внешнее и внутреннее влияние, приводящее исследуемый объект (или модель) в состояние отклонения от заданной траектории
развития (т. е. моделирования).
П РИМЕР В УПРОЩЕННОМ ВИДЕ
Если изменить расписание проведения ремонтных работ дорожного покрытия на пути
от службы доставки до пункта назначения, то заказанную пиццу курьер доставит клиенту с опозданием.

В этом примере кратко описана гипотеза изучения влияния внешнего фактора на
скорость исполнения заказа в сервисе доставки (delivery service).
В веб-разработке даже незначительное, на первый взгляд, изменение может дать
производный позитивный эффект.
Например, замена отдельных файлов SVG для визуализации веб-интерфейса на
объединенный спрайт в формате SVG дает без потери качества вес на 55% меньше,
что положительно сказывается на оперативности рендеринга интерфейса на мобильном экране. Как следствие, улучшается показатель сайта по критерию Google
Mobile First относительно конкурентов, и алгоритм поиска Google после переиндексации ранжирует такой веб-ресурс выше аналогичных.
В другом примере более 200 целевых статей в блоге несут собой ценный и обширный массив ключевых фраз, соответствующих потребительским поисковым запросам, что обеспечивает привлечение органического трафика из поиска Google. Следовательно, повышение оценки по критерию Google Mobile First позитивно влияет
на экономическую эффективность компании. Таким образом повышаются вероятность выбора этого сайта в поисковой выдаче Google и производная конверсия
сайта.

О логике продуктового мышления
Для проектирования эффективного прибыльного продукта необходимо обладать не
только навыками решения прикладных задач, но и продуктовым мышлением, которое вырабатывается из совокупности знаний, собственного опыта, а также анализа
рынков производства и сбыта подобных продуктов.
«Продуктовое мышление» — образное мышление такими категориями, как проблемы пользователя, подлежащие выполнению работы, цели и доходы компании.

Введение в анализ данных

27

В основе опыта взаимодействия лежит не просто набор функций, а задача, для выполнения которой человек использует продукт.
На рис. 1.4 представлена схема последовательных этапов разработки коммерческого продукта гражданского, инженерного и управленческого назначения.

Рис. 1.4. Логическая схема разработки продукта для решения типовых задач

Интуитивно понятный веб- или мобильный интерфейс взаимодействия посетителя
с функциональностью программы необходим, чтобы любому потребителю на уровне элементов (кнопок, сигналов, звуков) было ясно, как использовать цифровой
продукт в повседневной жизни.
В АЖНО ОТМЕТИТЬ !
Продуктовое мышление не равнозначно продуктивному мышлению. Сбор и анализ потребительских поисковых запросов, а также отзывов посетителей о продуктах формирует оценку аналитика о «боли» клиентов в процессе продуктового мышления: что

28

Глава 1
конкретно волнует, какую потребность клиентов цифровой продукт должен восполнить.
Веб-разработчики по завершении работы получают интеллектуальный цифровой продукт в соответствии с заданными требованиями, будь это исполненная процедура или
завершенный, проверенный алгоритм решения проблемы пользователя.
То есть на основе продуктивного мышления вырабатывается конкретная инструкция
к действию с целью получения конкретного ожидаемого, пригодного к использованию
результата за прошедший рабочий период.
Фраза «это непродуктивно» отражает смысл: не тратьте время на пустое (безрезультатный процесс).

Подход к факторному анализу в исследовании
В ходе изучения новой темы исследования веб-аналитику необходимо и достаточно
определить сначала список внешних и внутренних факторов, определяющих изменение показателей во времени для заданной модели (или объекта) исследования.
Например, в факторном анализе используется группировка факторов по заданным
признакам, сравнение их взаимодействия с моделью для оптимизации работы
объекта (точнее, вывода его на оптимальную траекторию развития). Группировка
факторов по признакам положительного (positive) и негативного (negative) влияния
выполняется после построения первоначальной гипотезы в ходе исследования
и проверяется путем экспериментов.
Моделирование используется для формулировки статистически значимых оценок
влияния позитивных и негативных факторов на функцию заданной величины во
времени.
Так, лояльность потребителей к бренду, включая отзывы о новой выпускаемой
продукции, может серьезно повлиять на желание купить в краткосрочной перспективе (по рейтингу товара) и потребительские предпочтения в будущем, что, в свою
очередь, оказывает непосредственное влияние на уровень продаж в перспективе.
С потребительской точки зрения ключевыми факторами являются функциональность и удобство использования продукта, розничная цена за единицу (продукции),
лояльность к бренду, доступность (наличие для покупки), отказоустойчивость
и т. д.
Приоритеты внимания при выборе товара для покупки каждый потребитель выстраивает либо самостоятельно, либо на основе отзывов и рейтинга продукции,
сформулированного на основе упомянутых факторов в той или иной степени.
Эмпирическая оценка влияния качественных и количественных факторов на коммерческий продукт в качестве исследуемого объекта выполняется как по совокупному рейтингу для сопоставления с аналогами, так и по индексу потребительской
лояльности — NPS (после выпуска на рынок). Это сокращение от Net Promoter
Score в переводе с английского означает индекс определения приверженности
потребителей товару или компании (индекс готовности рекомендовать), который
используется для оценки готовности к повторным покупкам услуг. Более подробно

Введение в анализ данных

29

на индексе потребительской лояльности мы остановимся позже и детально рассмотрим его сущность и формулу потребительской оценки для факторного анализа.

Апробация как часть
технологической фазы исследования
По сути, технологическая фаза аналитического исследования заключается в проверке выстроенной гипотезы в соответствии с разработанным планом экспериментов и технологической подготовки исследования, включая рабочие материалы плюс
инструментарий, техническую документацию и визуализацию данных.
Технологическая фаза состоит из двух стадий: проведения исследования и оформления результатов. Следует также помнить, что апробация относится именно к технологической фазе научного исследования.
Проведение апробации должно выполняться в строгом соответствии с техническими и прочими условиями, соответствующими постановке задачи. Если вводятся
допущения, это должно быть указано в примечаниях с пояснением причинноследственных связей таких допущений.
Проверка полученных результатов в итоге выражается следующими способами:
 доклады на научных конференциях;
 участие в проектах реализации программ развития отрасли (или предприятия);
 устное или письменное рецензирование статей;
 выступление в качестве аналитика в ходе разработки новых продуктов и вне-

дрения обновленной группы товаров и услуг.
Выработка рекомендаций необходима в профессиональном и социальном значении
для описания влияния факторов на результаты проделанной работы.
Результаты исследования, подтвержденные экспертной комиссией, обладают практическим значением, и, как следствие, аналитику предоставляется допуск для апробации в широком практическом применении.
Взаимосвязь сущностей следует понять сначала интуитивно. Тогда на этой основе
будет проще:
 подобрать правильный алгоритм для анализа данных;
 выявить новые зависимости;
 выработать статистически значимые результаты и практические рекомендации.

Сбор, хранение и воспроизведение данных
Обязательным условием унифицированного подхода к эконометрическому исследованию является стандарт хранения данных: в электронном текстовом или табличном виде. Каждый из указанных видов имеет собственные особенности.

30

Глава 1

Оптимальный выбор формата хранения данных обусловлен постановкой задачи по
техническому заданию с целью повышения эффективности труда аналитика (с заданным набором программного инструментария для решения поставленной задачи).
Рассмотрим актуальные форматы хранения данных статистики (табл. 1.1).
Таблица 1.1. Форматы хранения данных
Форматы

Применение

Комментарии

CSV

Универсальный формат хранения
данных

Для импорта в MS Excel, Google Sheets
и другие редакторы данных

TSV

Текстовый формат для таблиц баз
данных

Аналогично CSV — для веб-аналитики,
импорта в MS Excel, Google Sheets и
редакторы-аналоги

XLS (XLSX)

Формат MS Excel для работы
с набором инструментов анализа
данных на PC

Для персональных компьютеров на базе
ОС Windows

SQL

Формат базы данных (БД) со связями между таблицами для работы в MySQL

Для организации БД веб-ресурсов (сайтов
и сервисов) и приложений на их основе

XML

Текстовый формат для хранения
структурированных данных
и обмена между программами.
XML — упрощенный язык SGML

Для работы с полным инструментарием
веб-аналитики

JSON

Формат хранения структурированных данных

Для задач веб-разработки — передачи
данных между сервером и клиентом

В процессе исследования выбирается хранилище данных на основе установленных
требований по техническому заданию (ТЗ) — локально на рабочем компьютере или
в серверном хранилище с ограниченным доступом (в веб-папке с общими правами
доступа для задействованных в исследовании лиц).
Вне зависимости от выбора веб-аналитиком локального или серверного хранилища
изначально следует унифицировать алгоритм наименования файлов в структуре
проекта.
П РИМЕР
Исходные данные:

Результат исследования, подготовленный в Google.Sheets
в табличном виде для выгрузки в формате CSV

Задача:

После экспорта правильно задать наименование результатов
в CSV

Результат:

Наименование: results-conversion-29-07-2022.csv

Рекомендация вести календарь исследования
Также рекомендуется вести календарь выполнения задач исследования, чтобы соотносить проведенные работы и результат конверсии для оценки факторов влияния
на исследуемую систему эмпирических переменных.

Введение в анализ данных

31

Этот календарь событий исследования способствует в ходе длительного исследования выявлению взаимосвязи переменных и позволяет сформулировать в результате
качественные аналитические выводы и рекомендации для повышения эффективности исследуемой модели.
Особо отметим формат CSV как один из наиболее универсальных и простых в использовании.
По определению CSV (от англ. comma-separated value) — формат интерпретации
табличных данных в строчном виде с разделителями «,» или «;». Каждая строка
файла *.csv — это i-я строка таблицы (кроме первой строки, если заданы наименования колонок таблицы).
Технически этот формат удобен транспортным назначением экспорта из практически любого редактора таблиц для следующего подключения импортом к функциональности веб-приложений и их компонентов (JavaScript — AmCharts и др., PHP,
Python и т. д.)

Транспорт данных
экспортом из редактора таблиц в веб-приложение
С целью изучения способа транспорта данных экспортом из табличного редактора
Google.Sheets в веб-приложение рассмотрим в качестве наглядного примера вебстраницу в формате HTML.
Это полезный навык для совместной работы с данными в команде веб-разработчиков и аналитика.
Отметим смысл универсальности формата CSV в том, что он обеспечивает возможность по умолчанию использовать JavaScript и PHP для вывода данных также с заданным инструментарием обработки табличных данных.
Динамические графики из открытой библиотеки AmCharts (https://www.amcharts.com)
активно используются веб-разработчиками всего мира для визуализации показателей в выбранном виде: гистограмме, круговой диаграмме, кривой функции, годовой
шкале и т. д.
Оперативный визуальный вывод показателей метрик (колонок таблицы) в графике
на странице (рис. 1.5) открывает путь к оценке пиков (min и max) функции и позволяет найти зависимости с факторами влияния на ключевой показатель функции f(x).
Возможные ошибки отображения кириллицы в заголовках колонок устраняются
сохранением CSV и документа (вывода таблицы или графика) в кодировке UTF-8.

Таблица статистики из облака с выводом на график
Примерами серверных хранилищ, где хранятся данные в ходе совместной работы
по маркетинговым исследованиям (с ограниченным доступом), могут служить
облачные хранилища (от англ. cloud storage) Яндекс.Диск и Google.Drive.

32

Глава 1

Рис. 1.5. Схема транспортировки данных экспортом из редактора таблиц в веб-приложение
с подключением в исходном коде запускаемого файла

Введение в анализ данных

33

Основные преимущества облачного хранилища (рис. 1.6):
 авторизованный онлайн-доступ к файлам из любой точки мира с ПК или
мобильного устройства (при подключении по заданным логину в виде email и
паролю);
 автоматическое резервное копирование по расписанию дает относительную дополнительную защиту от потери данных в длительном использовании.

Рис. 1.6. Схема облачного хранилища с резервным копированием по расписанию

Веб-аналитик имеет доступную возможность сформировать сводную таблицу статистики в редакторе Google.Sheets в режиме онлайн. Затем скачать ее в формате
CSV на локальный компьютер и далее переместить (drag&drop) в облачное хранилище Google.Drive3 в заданный каталог (папку).
Путь к транспортному файлу достаточно просто скопировать и вставить в качестве
источника в исходном коде HTML-страницы, где подключена JS-библиотека
AmCharts, которая интерпретирует данные из строк CSV в вывод точек на графике
выбранного типа с указанными настройками.
Пример в общем виде
https://docs.google.com/spreadsheets/d/e/<FILE-ID>/pub?gid=<SHEET-ID>&single=
true&output=csv

где :
 <FILE-ID> — идентификатор файла;
 <SHEET-ID> — идентификатор таблицы.
3

Облачное хранилище Google.Drive доступно по зарегистрированному email в почте Gmail (https://
mail.google.com). Источник: https://drive.google.com.

34

Глава 1

Пример экспорта CSV из Google.Docs (в частном виде)
https://docs.google.com/spreadsheets/d/e/2PACX-1vTn9fcQoPIwJkqV7lSxxXwhfvGgCTL2YJna
ZECbeU9_hS1Ao9PrvmxFLrjg01-16Iyql1QgOdFyoALM/pub?gid=977174954&single=true&output=csv

Эмпирические данные из таблицы имеют три вида представления:
 в табличном виде (рис. 1.7, а);
 в виде исходного кода в CSV-формате (рис. 1.7, б);
 в визуализации на графике с динамикой по годам по оси X (рис. 1.7, в).

а

б

б
Рис. 1.7. Состояния отображения данных из таблицы в формате CSV:
а — таблица в Google.Sheets; б — исходный код CSV;
в — визуализация динамики метрик Cars, Motocycles, Bicycles по годам на графике

Введение в анализ данных

35

Рассмотрим исходный код таблицы sample_data_serial из общедоступного примера
в сообществе веб-разработчиков Codepen.io4 с использованием библиотеки AmCharts
(https://www.amcharts.com) для визуализации графика в HTML-документе.
Пример. Выгрузка таблицы из Google.Drive через CSV
<!doctype html>
<html lang="ru">
<head>
<meta charset="UTF-8">
<title>Выгрузка таблицы из Google.Drive через CSV в AmCharts</title>
<script src="https://www.amcharts.com/lib/4/core.js"></script>
<script src="https://www.amcharts.com/lib/4/charts.js"></script>
<style>
div#chartdiv {
width: 100%;
min-height: 300px;
}
</style>
</head>
<body>
<div id="chartdiv"></div>
<script src="script.js"></script>
</body>
</html>

Уточнения:
 подключение библиотеки AmCharts производится в блоке <HEAD>;
 скрипт script.js для вывода графика задается после инфоблока <div id="chartdiv">..
</div>;

 стиль с размерами 100% по ширине и минимальной высотой в 300 px задается до

или после <div> с соответствующим идентификатором #chartdiv для моделирования размеров вывода блока (контейнера) для графика;
 на локальном компьютере запускать этот документ в общем бесполезно — необходимо выгрузить его на сервер для моделирования функций в JavaScript
с удаленного веб-сервера облачного хранилища.
Исходный код script.js
var chart = am4core.create("chartdiv", am4charts.XYChart);
// Set up data source
chart.dataSource.url = "https://docs.google.com/spreadsheets/d/e/2PACX-1vTn9fcQo
PIwJkqV7lSxxXwhfvGgCTL2YJnaZECbeU9_hS1Ao9PrvmxFLrjg01-16Iyql1QgOdFyoALM/
pub?gid=977174954&single=true&output=csv";

4

Источник: https://codepen.io/team/amcharts/pen/bMgEbx.

36

Глава 1

chart.dataSource.parser = new am4core.CSVParser();
chart.dataSource.parser.options.useColumnNames = true;
// Create axes
var categoryAxis = chart.xAxes.push(new am4charts.CategoryAxis());
categoryAxis.dataFields.category = "year";
// Create value axis
var valueAxis = chart.yAxes.push(new am4charts.ValueAxis());
// Create series
var series1 = chart.series.push(new am4charts.LineSeries());
series1.dataFields.valueY = "cars";
series1.dataFields.categoryX = "year";
series1.name = "Cars";
series1.strokeWidth = 3;
series1.tensionX = 0.7;
series1.bullets.push(new am4charts.CircleBullet());
var series2 = chart.series.push(new am4charts.LineSeries());
series2.dataFields.valueY = "motorcycles";
series2.dataFields.categoryX = "year";
series2.name = "Motorcycles";
series2.strokeWidth = 3;
series2.tensionX = 0.7;
series2.bullets.push(new am4charts.CircleBullet());
var series3 = chart.series.push(new am4charts.LineSeries());
series3.dataFields.valueY = "bicycles";
series3.dataFields.categoryX = "year";
series3.name = "Bicycles";
series3.strokeWidth = 3;
series3.tensionX = 0.7;
series3.bullets.push(new am4charts.CircleBullet());
// Add legend
chart.legend = new am4charts.Legend();

Уточнения:
 подключение таблицы CSV из облачного хранилища (рис. 1.8) выполнено через

переменную chart.dataSource.url в script.js;
 изменить наименования колонок и метрик в графике необходимо однозначно —

и в колонках исходной таблицы, и в коде script.js.

Введение в анализ данных

37

Рис. 1.8. Выгрузка таблицы CSV из редактора Google.Sheets для подключения
в файл JavaScript (script.js) настройки графика AmCharts

Для публикации данных в Интернете служит одноименное диалоговое окно
(рис. 1.9):
 в поле Ссылка следует указать таблицу {наименование}5;
 в поле Встроить выберите из выпадающего списка Файл CSV.

Практичный способ использования связки HTML + CSV + JS для вывода графиков
реализуется через функцию Поделиться вкладки Файл (см. рис. 1.8) — выберите
там подпункт выпадающего меню Опубликовать в интернете.
Рассмотрим преимущества и недостатки алгоритма визуализации табличных эмпирических показателей заданных метрик (табл. 1.2).
Таблица 1.2. Характеристика стека HTML+CSV+JS для вывода графиков
Преимущества

Недостатки

Универсальность решения для визуализации
графиков.

Требуется аккуратная работа с кавычками
в табличных данных — желательно формировать построчный вывод данных без кавычек
в ячейках, чтобы не сбить ячейки в колонках.
Кодировка UTF-8 без BOM: при экспорте
CSV → UTF-8 без BOM обязательно для
корректного отображения в моделировании
графика.
Разделитель между строками «точка с запятой»

Работает на всех платформах PC, iOS,
Android
Простота применения.
Не требует знания баз данных MySQL.
Оперативность внедрения.
Возможность быстро интегрировать в проект
веб-разработки

Отмеченные недостатки (см. табл. 1.2) — это базовые уточнения, необходимые для
корректной работы указанной связки форматов. Вот пример файла в формате CSV
(stat.csv) и его интерпретация в табличном виде с разделителями по колонкам и переносам (строкам):
5

Название текущей таблицы в Google.Sheets.

38

Глава 1

В исходном коде

В табличном виде

hostname,vendor,model,location
sw1,Cisco,3750,London
sw2,Cisco,3850,Liverpool
sw3,Cisco,3650,Liverpool
sw4,Cisco,3650,London

Рис. 1.9. Диалоговое окно Публикация в Интернете

В контексте рассмотрения форматов хранения данных следует ввести термин «плоский файл». По определению — это простейшая разновидность структурированных
данных. Файлы называются плоскими потому, что описываются минимальной
структурой.
Таким образом, плоский файл — это собрание записей числовых и текстовых данных, приведенных в определенном формате последовательно одна за другой, —
данные, одни только данные и ничего, кроме данных, т. е. список. В компьютерной

Введение в анализ данных

39

интерпретации плоский файл является простым. В таком файле нет метаданных со
структурной информацией, а есть лишь одни данные. Файлы TXT, CSV и TSV являются плоскими по умолчанию. В таких файлах удобно хранить имена и адреса
клиентов компании.
В формате CSV можно выбрать тип разделителя: «запятая» или «точка с запятой».
Выбор разделителя на практике — в зависимости от типа исходных данных — имеет существенное значение для их хранения и обработки в формате CSV.
Использование разделителя «запятая» в случае ввода данных с запятыми (текста
или чисел) может внести хаос в структуру CSV из-за нарушения сетки колонок и
строк, поэтому в таких случаях меняют разделитель на «точка с запятой» — если не
рекомендуется или нельзя менять исходные данные (что может негативно повлиять
на точность исследования — например, в случае семантического анализа). Также
в случае хранения в ячейках таблицы данных с дополнительными кавычками вида "
можно получить излом структуры строк (смещение ячеек), поскольку сложные
данные (длинные записи) обычно обрамляются кавычками для удобства разделения
ячеек в колонках таблицы (при экспорте в формат CSV).
В стандартной библиотеке языка Python есть специальный модуль csv, который позволяет работать с файлами в CSV-формате и выполнять комплекс функций для
математического и статистического анализа в ходе разложения задачи.
Формат TSV, по существу сходный с CSV, имеет ключевое отличие при использовании на практике (для сбора и хранения данных). Этим отличием по умолчанию
для сопоставимых форматов CSV и TSV является разделитель ячеек данных.
В формате TSV в качестве разделителя ячеек используется табуляция (TAB), тогда
как в CSV — запятая. Оба формата в качестве разделителя записи используют новую строку.
Наличие разных разделителей полей по большей части не имеет особого значения — кроме случаев смещения сетки (колонок) данных из-за идентичности с типом разделителя. Для наглядности сопоставим одинаковые данные в обоих форматах — это поможет понять ключевое отличие CSV и TSV.
Данные в CSV

Данные в TSV

При альтернативном выборе формата хранения данных: TXT (*.txt) — форматирование по умолчанию не задано, значит, разделения колонок и строк нет.
Выбор формата хранения данных обычно оставляется на усмотрение веб-аналитика, кроме случаев, жестко ограниченных по техническому заданию или со-

40

Глава 1

поставимыми ограничениями по соответствию (при подключении) библиотек обработки.

Формирование личного профиля
из компетенций специалиста
Развитие личных компетенций у специалиста — это профессионально значимый
компонент на пути к успешной карьере.
В этой книге рассматриваются аспекты работы веб-аналитика данных с визуализацией больших массивов данных и прикладные методы решения задач различного
уровня сложности.
Зачем начинающему веб-аналитику изучать визуализацию данных в рамках развития своих компетенций?
Если внимательно рассмотреть схему взаимосвязи компетенций и выбор дальнейшей специализации для карьерного роста (рис. 1.10), то частично ответ этот на вопрос станет понятен.

Рис. 1.10. Схема взаимосвязи
компетенций веб-аналитика
данных и выбор специальности
для развития карьеры

Введение в анализ данных

41

а

б
Рис. 1.11. Головоломка «Ханойская башня»:
а — до начала сборки; б — метод решения головоломки

42

Глава 1

Освоение компетенций веб-аналитика данных предоставляет свободный выбор
специализации: от прямой — в анализ данных, так и с программным уклоном —
инженером машинного обучения, с продуктовым уклоном — продакт-менеджером
в стартап, с уклоном в ИТ — системным аналитиком или с уклоном в направлении рекламы — маркетологом бренда в сегментах B2C и B2B.
С точки зрения образования и карьеры формирование личного профиля с набором
компетенций, соответствующих базовым требованиям к соискателям на должность
аналитика данных, занимает несколько лет, т. к. обучение и практическое закрепление навыков требуют циклического наслоения новых знаний, связанных с полученными ранее компетенциями в матанализе, ИТ, статистическом анализе и пр.
Визуально это сопоставимо со сборкой Ханойской башни в упрощенной интерпретации образования, где исключение одного или нескольких компонентов (т. е. компетенций) нарушает завершенный цельный вид личного профиля аналитика данных.
Х АНОЙСКАЯ БАШНЯ
Ханойская башня (рис. 1.11) — популярная головоломка XIX века. По правилам в начале игроку даны три стержня, на один из которых нанизаны восемь колец, причем
кольца отличаются размером и лежат меньшее на большем.
Задача состоит в том, чтобы перенести пирамиду из восьми колец за наименьшее
число ходов на другой стержень. За один раз разрешается переносить только одно
кольцо, причем нельзя класть большее кольцо на меньшее.

Читатели далее смогут последовательно познакомиться с примерами и решениями
инженерных и аналитических задач веб-разработки, статистического анализа данных, логики и юнит-экономики с применением методов анализа и визуализации
данных.
Изучение представленных методов и алгоритмов имеет прикладное и познавательное значение. Их использование на практике помогает аналитику оперативно
решать поставленные комплексные задачи с сопутствующим применением редактора таблиц Google.Sheets (или MS Excel), статистического и матанализа, базовых
знаний HTML-верстки, JavaScript, CSV и др.

Организация процесса работы аналитика
Повседневная работа веб-аналитика со статистикой требует грамотной организации
процесса. Унифицированный подход к базовым процедурам дает практический навык оптимизации рутинных процессов и позволяет сфокусировать внимание на получении качественных результатов анализа и производной выработки логически
обоснованной стратегии развития компании.
Навыки декомпозиции статистики, матанализ, юнит-экономика и самостоятельное
владение набором программных инструментов необходимы в качестве базового
уровня компетенций аналитика.
Последовательное формирование стратегии развития компании требует исследования рынка сбыта, коммерческих периодических интересов целевой аудитории с логическими и эмпирическими связями (корреляциями) ключевых метрик.

Введение в анализ данных

43

Для построения доказательной базы исследования с целью защиты заявленной
стратегии перед руководством компании аналитику необходимо сформулировать
эмпирические взаимосвязи в исследуемых и перспективных бизнес-моделях общедоступным языком.
Начинающему веб-аналитику рекомендуется принять во внимание следующие советы:
 апробация заявленных гипотез о развитии новых товаров и услуг на фокус-

группе(ах) необходима для их подтверждения. Для аналитической работы
с большим объемом данных надо стандартизировать базовые функции сбора,
систематизации хранения и последующего анализа визуально доступных данных в виде таблиц, графиков, функций корреляции эмпирических величин;
 до момента защиты или взаимодействия с коллегами следует хранить коммерче-

ские данные локально на защищенном компьютере и веб-сервере с авторизованным доступом в каталогах, закрытых от индексации поисковыми системами;
В НИМАНИЕ !
Ни в коем случае нельзя ставить флажок включения опции «Общий доступ» с последующей публикацией в социальных сетях. Утечка конфиденциальных данных в отдельных случаях может стать поводом для увольнения виновного сотрудника.

 чтобы исключить осечки, не стоит голословно оглашать предварительные выво-

ды коллегам или руководству без доказательной базы, — ведь любые гипотезы
требуют подтверждения экспериментальным путем;
 наличие схемы (цепочки продаж) необходимо проверять самостоятельно на ли-

нии производства, процесса продажи и логистики. Ведь все, что сказано, не
факт, пока не проверено. Это поможет аналитику детализировать схему (сценарии работы) специалистов в цепочке бизнес-процессов.
Аналогично следует поступать и в коммерческих веб-интерфейсах, где нужно самостоятельно провести пользовательский эксперимент и получить опыт взаимодействия с пользовательским интерфейсом (User Interface, UI) для поиска нужного
товара, его заказа и оплаты, — чтобы подсчитать количество кликов, задержки между шагами и прочие возможные подводные камни на пути к цели.
От ошибок никто не застрахован, но можно ограничить вероятность их возникновения на начальных этапах.
Рекомендуется также использовать общепринятые нотации (если по ТЗ нет жесткой
привязки к определенной нотации):
 нотация «Блок-схемы» — сформирована на элементарном наборе логических

символов и используется для примитивной визуализации операционной деятельности, логики решений и других основных узлов процесса. Практически
применяется в промышленности и логистике. Такие схемы полезны аналитику
в процессах, где нет заявленного требования к детальному документированию и
при полном отсутствии бюджета для приобретения мультифункционального
специализированного софта.

44

Глава 1

Важно знать: блок-схемы не предназначены для функционального описания
сложных бизнес-процессов;
 нотация «IDEF» — проверена многолетней практикой в сообществе аналитиков
и широко применяется при моделировании сложных информационных систем,
в том числе и для программирования систем автоматизированного производства.
С помощью нотации IDFF аналитик сможет точно отразить понимание процесса
и легко отследить логику декомпозиции от уровня к уровню. Нотация сопровождается исчерпывающей документацией. Используя нотацию IDEF, аналитики
постепенно становятся проектировщиками бизнес-процессов;
 нотация «BPMN2.0» (от англ. Business Process Model and Notation) — для представления модели процесса аудитории в ходе имитационного моделирования и
выполнения бизнес-процесса;
 нотация «EPC» (от англ. Event-Driven Process Chain) — это процессная цепочка,
управляемая событиями, которая используется для моделирования сложных наборов процессов с многочисленными интерфейсами и несколькими уровнями
детализации для детальной проработки процессов, идентифицированных на
уровне корпоративного процессного фреймворка. Активно используется в Евросоюзе. Нотация полноценно реализована исключительно в ПО ARIS и требует
командной работы.
В начале работы веб-аналитику следует стандартизировать структуру хранения
данных в проекте веб-разработки с включением массивов данных и компонентов
для обработки и воспроизведения на авторизованном сервере.
Типовая структура проекта показана на рис. 1.12. Для корректного использования
ее в процессе веб-разработки и анализа данных желательно учесть следующие рекомендации:
 соблюдать единые правила наименования файлов и каталогов в структуре:
• все наименования приводить строго на английском языке;
• наименования должны быть краткими (до 100 символов) — чтобы уместить
и слова, и периоды в названиях;
• вместо пробелов обязательно всюду использовать дефисы;
• нумерацию вести с учетом общего количества типовых файлов в подгруппе
по заданному признаку;
 исходную статистику размещать в каталоге data, причем в дочерних каталогах
раздельно хранить: входящие данные статистики (каталог input), исходники и
результаты экспериментов (test), выгрузки данных для моделирования в ходе
анализа (output), финальные результаты строго по логике (по шагам) аналитического исследования (result);
 в каталоге lib должны быть по подгруппам структурированы компоненты библиотек;
 выгрузку страниц веб-проекта производить в каталог html.
В реальном проекте далее его структура — в зависимости от CMS-системы — может отличаться.

Введение в анализ данных

45

Рис. 1.12. Типовая структура проекта веб-разработки с данными аналитики

Сроки и значимость аналитического исследования
Знаковыми для любого начинающего исследователя на пути к профессии аналитика
являются ответы на следующие ключевые вопросы:
 Какие сроки являются минимально допустимыми для исследования?
 Статистика за какой период является значимой для научного аналитического
исследования?
 Какие механизмы (методы) применимы для коротких (бриф) исследований рынка сбыта (спроса на продукцию компании)?
 Какой уровень ошибок допустим в исследовании?
Для ясности в ответах на ключевые вопросы начинающего аналитика введем классификацию исследований по периодам используемой статистики:
 краткосрочные исследования. Длительность — от 1 до 3 месяцев, цель — выявить закономерности сезонного спроса на продукцию для целевой аудитории;
 среднесрочные. Длительность — от 3 месяцев до одного года. В случае одного
года желательно проводить исследование в календарный год — от начала января
до конца декабря — для обеспечения точности аналитического исследования.
Цель — выявить волны роста и спада потребительского спроса по месяцам года;

46

Глава 1

 долгосрочные. Длительность — от 1 года до нескольких лет, цель — оценить на

уровне экономических зависимостей влияние внешних факторов на потребительский спрос по сопоставимым периодам: годам, кварталам и месяцам.
Краткосрочные исследования подходят для оперативного выявления перспективных гипотез в ходе анализа потребительского спроса целевой аудитории в заданном регионе присутствия или для расширения географии компании.
Минимально значимым периодом исследования является один календарный месяц,
но результаты мини-исследования подходят лишь для ежемесячного отчета и хранения выборочного анализа с последующим сравнением с результатами за другой
аналогичный период.
Для бриф-анализа рынка сбыта применимы следующие методы:
 A/B-тестирование предложений товаров и услуг путем размещения и рекламы
сопоставимой продукции (по цене) при прочих равных условиях;
 бриф-тестирование целевой аудитории по выбору продукции и необходимых
преимуществ (качества и цены) для совершения покупки.
Для научного аналитического исследования студентов, аспирантов, кандидатов и
докторов наук минимально статистически значимой величиной для сбора данных
являются три значимых периода — например, 3 месяца, 3 квартала или 3 года.
Это важно учитывать при подготовке данных к этапу аналитики в исследованиях
волнового спроса в годовых циклах.

Комплексный подход к аналитическому исследованию
В целом комплексный подход к исследуемой проблеме — это наукоемкое направление, воспринимающее объект исследования как совокупность измеряемых компонентов, которые, в свою очередь, изучаются научными исследователями с помощью соответствующего набора методов и алгоритмов.
Компонентами могут служить как однородные (по происхождению) части целого,
так и его разнородные стороны, характеризующие изучаемый объект в различных
аспектах.
Зачастую комплексный подход по умолчанию основан на изучении сложного объекта методами комплекса наук в междисциплинарном исследовании. Такой подход
предполагает практическое применение в той или иной степени всех доступных
методов для решения проблемы.
Комплексный подход к исследованию и интерпретации результатов аналитика
должен иметь согласованный унифицированный вид, включая область исследования, терминологию, принятые к рассмотрению объекты или явления, а также систему знаков для визуализации данных и аналитического изложения результатов
исследования.
Это необходимо для придания исследованию должного вида и теоретического
и практического значения, принимаемого к рассмотрению в вузах и колледжах, на
предприятии к вводу в эксплуатацию и в частном применении.

ГЛАВА

2

Декомпозиция
для исследования сложной системы
Начнем с определения. Декомпозиция — это метод разложения сложного на простые части для последующего анализа.
По сути, декомпозиция — это не только метод решения задачи и достижения цели,
но и способ мышления.
Начинающему аналитику этот метод пригодится для разбора сложного объекта
изучения, характеризуемого набором формальных признаков, которые можно описать качественными и количественными характеристиками (метриками).
Рассмотрим элементарный пример использования метода декомпозиции в исследовании. В качестве объекта — мяч. Охарактеризуем его по признакам.
Формальная характеристика мяча:
 по форме: круглый или вытянутый эллипсоид;
 по размеру: маленький, средний или большой;
 по назначению: для детских игр (малого диаметра), средний для футбола, боль-

шой для баскетбола;
 по составу: кожаный, резиновый или полимерный и т. д.

Далее классифицируем признаки на качественные и количественные, чтобы наша
характеристика приняла системообразующий вид:
 качественные признаки: форма, назначение, состав;
 количественные признаки: размер, состав.

Обратите внимание: формальный признак «состав» имеет как качественную характеристику — по слоям и материалам, так и количественную — по процентному соотношению материалов на общую площадь мяча.
Таким образом, по формальным признакам мы можем сравнить два неодинаковых
мяча и дать удовлетворительную характеристику каждому без особого труда.
Это легко, т. к. объект исследования знаком с детства, а если взять за объект для
изучения сложное явление? В таком случае для формального описания объекта
исследования уже потребуется сбор данных из доступных источников.

48

Глава 2

Тем не менее вам далее следует действовать аналогично примеру с мячом и согласно заданным требованиям к точности исследования.
Декомпозиция относится к структурному анализу данных и позволяет заменить
путь решения одной значительной задачи решением серии меньших по сложности
(под-)задач, взаимосвязанных между собой в едином целом. Формально это показано на схеме декомпозиции цели и задач (рис. 2.1) — чтобы начинающим аналитикам было проще выполнить разложение сложной цели на последовательность
взаимосвязанных задач на пути к исполнению глобальной цели.

Рис. 2.1. Схема декомпозиции целей и задач

В исследовании декомпозиция помогает ученому рассматривать сколь угодно
сложную систему (в качестве объекта) как состоящую из отдельных взаимосвязанных подсистем, которые, в свою очередь, можно для исследования расчленить (декомпозировать) на элементарные части.
Декомпозиция сложных систем помогает аналитику:
1. Сформулировать закономерности функционирования систем.
2. Определить общие и специальные взаимосвязи в управлении подсистемами.
3. Сформировать классификацию подсистем в управлении каждой из подсистем.
4. Координировать общую систему управления сложной системой в целом более
эффективно.
Так ученые проводят исследования ранее неизученных объектов и явлений — на
основе декомпозиции путем разложения на простые и ранее исследованные части.
Метод декомпозиции поможет начинающему аналитику начать изучение новой
темы и сложной, на первый взгляд, системы как объекта исследования.
Для разрядки атмосферы вспомним фразу: «Ешь слона по частям» (метафора из
книги Глеба Архангельского1). Смысл ее в том, что большого слона перед съедени1

Основатель российской школы тайм-менеджмента, автор книг-бестселлеров по управлению временем.
Глеб Алексеевич Архангельский родился 2 февраля 1979 года в Санкт-Петербурге.

Декомпозиция для исследования сложной системы

49

ем надо разделить на небольшие удобные для поедания куски. То есть к глобальной
цели ведет путь решения из серии шагов. Это показано на примере декомпозиции
слона для последовательной трапезы (рис. 2.2). В общем-то эта мысль не оригинальна — она присутствует во многих литературных источниках по управлению
временем — однако сама идея остается правильной.

Рис. 2.2. Условная декомпозиция сложной задачи на примере слона

Факторинг в программировании
В прикладном назначении в программировании задача поиска объекта, схожего
с эталонной моделью, решается с помощью декомпозиции (иначе, факторинга)
путем последовательного разложения объекта-эталона на набор измеряемых факторов, после чего следует сравнение по циклам проверок с объектами из общего
массива для сопоставления.
Применительно к сфере недвижимости так выполняется структуризация каталога
объектов (комнат, квартир, студий, коттеджей) в базе данных (БД) и последующий
потребительский поиск формально подходящего объекта среди множества N.
В реальной жизни это может быть задача поиска подходящего жилья по набору
факторов (цене, площади, району местоположения, сопутствующей инфраструктуре и т. д.)

Фильтры поиска недвижимости
для упрощения факторного отбора
Чем больше и точнее заданы факторы отбора, тем меньше вариантов в результатах
поиска (рис. 2.3).
В этом примере стоит задать количество комнат (например, 1), минимальную
и максимальную площадь квартиры, максимальную ее стоимость, и в результате
мы получим единственный вариант по заданным факторам.
C помощью декомпозиции и факторинга потребителю становится проще найти
подходящий вариант (или варианты) из множества N, удовлетворяющий его запросу.

50

Глава 2

Рис. 2.3. Каталог с поиском недвижимости по заданным факторам: району города и области,
ближайшему метро, количеству комнат, типу объекта, площади и стоимости объект(ов) недвижимости

Искомый объект недвижимости для покупки характеризуется набором формальных
признаков, доступных для отбора из множества предложений на рынке недвижимости:
 город, район и ближайшее метро;
 тип объекта недвижимости;
 количество комнат;
 площадь объекта;
 этажность;
 стоимость;
 прочие сопутствующие опции комфорта (паркинг, парк, торговые комплексы и

прочие удобства поблизости).
Логично понять, что чем лучше структурирована база данных объектов недвижимости, тем лучше функционирует поиск по заданному множеству из N предложений.
Математически соотношение для успешной покупки формулируется следующим
образом:
Σ (factors) → max, N → min, m → max,
P ( A) =

m
.
N

(1)

Декомпозиция для исследования сложной системы

51

где:
 N — общее количество объектов недвижимости в базе данных;
 m — количество выбранных объектов для просмотра из списка отфильтрован-

ных результатов поиска.
С каждым добавленным фильтром (фактором отбора) выбор сужается (точнее,
уменьшается количество результатов поиска для отбора). Чем больше уточняющих
факторов задано, тем выше точность выбора (вероятность успеха).
Классическое определение вероятности (из теории вероятности) представлено
в формуле (1). По существу, оно отражает вероятность наступления события A
в серии из N испытаний. Так интерпретируется вероятность достичь успеха среди
множества вариантов выбора.
В контексте поиска недвижимости для покупки событием A является выбор объекта, наиболее соответствующего заданным признакам отбора.

Задача о разборчивой невесте
В качестве частного случая использования метода декомпозиции (факторинга)
и факторного анализа можно рассмотреть задачу о разборчивой невесте.
Из истории известно: задача о разборчивой невесте — это классическая алгоритмическая задача оптимизации выбора, сформулированная математиком Мартином
Гарднером (США, 1960 г.).

Постановка задачи
 Невестой в поиске мужа, естественно, может быть выбран лишь один кандидат

из множества N претендентов.

 Общение между невестой и претендентами происходит в случайном порядке, но

не более одного раза с каждым из них.
 Все претенденты формируют конечный набор, при этом любые два из них срав-

нимы и известны лучше или хуже любого из предыдущих.
Невеста сравнивает претендентов последовательно при каждом свидании: либо отказывает, либо принимает его предложение.

Условия задачи
 Если предложение принято — назначается свадьба, и процесс поиска завершен.
 Если невеста отказывает жениху, то вернуться к нему позже она не сможет.

Цель разборчивой невесты — выбрать лучшего и единственного мужа из всех
претендентов. Ключевой вопрос: согласиться или отказать?
Оптимальная стратегия отбора имеет интересную особенность: если число кандидатов достаточно велико, оптимальная стратегия будет заключаться в том, чтобы
отклонить всех первых N/e (где e — основание натурального логарифма) претендентов и затем выбрать первого, кто будет лучше всех предыдущих. При увеличе-

52

Глава 2

нии N вероятность выбора наилучшего претендента стремится к N/e, т. е. примерно
к 37 процентам.

Стратегия «бери или уходи»
При рассмотрении вариантов решения задачи о разборчивой невесте можно
выбрать лучший из N вариантов по принципу «бери или уходи». Алгоритм такого
решения заключается в следующем:
N
 отклоните первые приблизительно
вариантов.
2,71
 выберите вариант лучше тех, что вы увидели и изучили ранее.
Таков математический подход к выбору лучшего жениха. Идиома «take it or leave
it» получила широкое распространение в XX веке, в том числе среди американских
профсоюзов для предотвращения переговоров в случаях, когда необходима жесткая
логика для принятия решения: либо оппонент принимает представленное предложение, хотя и не совсем подходящее для него, либо уходит ни с чем.
В романе Чака Паланика «Уцелевший», изданном в 1999 г., приводится такой вариант этой идиомы: «Вот он я. Лучше не будет. Бери или уходи».

Объектно-ориентированный подход
к методу декомпозиции
Логическое мышление веб-разработчика во многом включает механизмы декомпозиции. Для лучшего их понимания рассмотрим процесс верстки макетов вебдизайна интерфейса информационной системы (ИС) на стеке HTML + CSS + JS.
Исходные макеты формируются в следующую файловую структуру в разработке
корпоративного сайта или клиентского веб-сервиса (рис. 2.4).
Работа с шаблонами страниц имеет под собой композиционную основу, причем
каждая целевая веб-страница в разработке структурно делится на конечный набор
блоков:
 шапка страницы (header) — обычно единообразна для всех страниц веб-сайта;
 меню навигации (navigation, сокращенно nav);
 меню каталога (submenu или catalog_menu на усмотрение разработчика);
 контент внутренней страницы (inner_page);
 подвал (footer);
 счетчики статистики (counters).

Формат файлов хранения шаблонов зависит от выбранного фреймворка и/или CMS
системы (Content Management System) — например, активно применяются форматы
PHP (*.php) или TPL (*.tpl). Кодировка по умолчанию — UTF-8, если на сервере
не задана иная. Внутри каждого шаблона все элементы дизайна структурно делятся

Декомпозиция для исследования сложной системы

53

Рис. 2.4. Структура корпоративного сайта и интернет-магазина в параллельном сравнении

на сущности по их наименованию (в HTML-верстке) и их оформлению (в классах
CSS).
При этом следует усвоить, что метод декомпозиции активно применяется в решении задачи наиболее подходящего варианта (согласно заданным критериямфакторам анализа), как, например, в задаче о разборчивой невесте.
Далее введем определения необходимой терминологии для ясности восприятия изложенного материала о программировании веб-приложений.
 Фронтенд (frontend) — это клиентская часть продукта (интерфейс, с которым
взаимодействует пользователь). В случае с сайтом ее формирует и выводит на
экран браузер, который работает с HTML, CSS и JavaScript;
 Бэкенд (backend) — это внутренняя часть продукта, размещенная на сервере и
скрытая от пользователей. Для ее разработки могут использоваться самые разные языки — например, Python, PHP, Go, JavaScript, Java, С#.
В программировании веб-приложений и корпоративных сайтов (точнее бэкендразработке2) декомпозиция обобщается термином факторинг, позволяет создать
детальные каталоги комплектующих, объектов недвижимости и т. п. с гибким поиском в веб-интерфейсе и применяется при факторном анализе, который мы рассмотрим более подробно в одной из следующих глав книги.
На рис. 2.5 приведена схема шаблона типовой внутренней страницы (от англ.
inner_page) корпоративного сайта, где обозначены типовые функциональные эле2

Разделение на фронтенд и бэкенд необходимо для декомпозиции задач по функциональному назначению.

54

Глава 2

менты, пригодные для декомпозиции веб-интерфейса страницы веб-сайта. Как
можно видеть, основные части страницы, из которых собирается веб-интерфейс,
разбиты на отдельные шаблоны (в формате PHP), при этом композиционно эти отдельные части применимы для сборки и других типовых страниц в структуре вебсайта в зависимости от их функционального назначения.

Рис. 2.5. Схема шаблона типовой внутренней страницы корпоративного сайта

Во фронтенде (точнее, в верстке HTML+CSS) в разработке веб-интерфейса применяется декомпозиция элементов объектной структуры веб-дизайна с наименованием взаимосвязанных сущностей пользовательского интерфейса (user interface, UI)
на основе объектно-ориентированного подхода и связующих классов оформления
в каскадных таблицах стилей CSS.

Стандартизация кода по методологии БЭМ
О ПРЕДЕЛЕНИЕ БЭМ
БЭМ (Блок, Элемент, Модификатор) — это общепринятая методология веб-разработки,
а также набор интерфейсных библиотек, фреймворков и других сопутствующих инструментов, на основе которой производится декомпозиции интерфейса на независимые блоки: блок, элемент, модификатор. Концепция методологии БЭМ появилась
в сообществе разработчиков компании Яндекс в 2005 году и постепенно развивалась

Декомпозиция для исследования сложной системы

55

в строгую классифицированную систему блоков с функциональным описанием компонентного подхода к композиции веб-интерфейсов. Среди прочих корпорация Google
использовала БЭМ при разработке фреймворка Material Design Lite в развитие философии Material Design для строгой компонентной системы наименований классов
3
функциональных элементов проектируемых веб-интерфейсов .

Философия БЭМ
Философия объектно-ориентированного подхода с декомпозицией структуры интересно изложена в методологии БЭМ. Рассмотрим ее детально.
Нотация структуры исходного кода согласно методологии БЭМ базируется на
архитектуре Блок-Элемент-Модификатор. Эта методология, как уже упоминалось,
создана в компании Яндекс для разработки сайтов, которые надо делать быстро, а
затем поддерживать долгие годы циклов разработки. Она также позволяет создавать расширяемые и повторно используемые компоненты интерфейса.
Сказанное поясняют следующие две схемы:
 на рис. 2.6 приведена схема взаимодействия HTML-страниц и каскадных таблиц

стилей CSS3, демонстрирующая связи между элементами интерфейса в HTML
и классами оформления в CSS;
 на рис. 2.7 на примере размещения логотипа в шаблоне шапки веб-сайта

(header.php) показана схема иерархического размещения и взаимодействия БлокЭлемент-Модификатор в структуре HTML-кода.

Рис. 2.6. Схема взаимодействия HTML-страниц и каскадных таблиц стилей CSS3

Рис. 2.7. Схема иерархического размещения
и взаимодействия Блок-Элемент-Модификатор в структуре HTML-кода

3

Источник: https://ru.bem.info/methodology/.

56

Глава 2

Термин БЭМ в сообществе веб-разработчиков кратко характеризует компонентный
подход к веб-разработке. В его основе лежит принцип разделения интерфейса на
независимые блоки, что позволяет легко и быстро разрабатывать интерфейсы
любой сложности и повторно использовать существующий код.
Блок не должен влиять на свое окружение — т. е. блоку не следует задавать внешнюю геометрию (в виде отступов или границ, влияющих на размеры) и позиционирование. В CSS по БЭМ также не рекомендуется использовать селекторы по тегам
или id.
Правила организации наименования сущности по методологии БЭМ:
 каждая БЭМ-сущность должна иметь свой класс;
 CSS-свойства для блоков, элементов и модификаторов описываются только
через классы;
 для разделения слов в именах используется дефис: «-»;
 элемент отделяется от блока двумя подчеркиваниями: «__»;
 модификатор — одним «_»;
 имена БЭМ-сущностей записываются с помощью цифр и латинских букв в ниж-

нем регистре.
Примеры применения методологии БЭМ:
HTML
<div class="header header_theme_green-forest">...</div>
CSS
.header {color: green;}

Здесь (частично):
 имя блока: header;
 имя элемента блока: header__search-form — элемент search-form блока header;
 имя модификатора блока: header_theme_green-forest — модификатор theme в зна-

чении green-forest блока header;
 имя модификатора элемента: header__search-form_disabled — булев модификатор
disabled элемента search-form блока header.

По замыслу разработчиков, целью создания методологии БЭМ было формирование
общей семантической модели исходного кода для всех технологий, использующихся во фронтенд-разработке (HTML, CSS, JavaScript, шаблонная структура и т. д.)
Эксплуатация сущностей «блок», «элемент» и «модификатор» позволяет сформировать древовидную структуру HTML-документа. Это описание именуется BEM
tree и является семантическим представлением интерфейса, абстракцией над DOM
tree.

Декомпозиция для исследования сложной системы

57

Следующий пример иллюстрирует применение правил именования (naming convention) в исходном коде HTML и сопутствующем коде каскадных таблиц стилей
CSS3.
Исходный код HTML-документа
<header>
<a href="#home" title=""class="header_logo"></a>
...
</header>
Исходный код CSS3
header {
position:relative;
top:0;
left:0;
width:calc(100% - 40px);
height:60px;
margin:0;
padding:20px;
background:#000;
color:#fff;
}
a.header_logo {
position:relative;
top:20px;
left:20px;
width:200px;
height:40px;
margin:0;
padding:0;
background-image:url('../img/header/logo.svg');
background-size:200px 40px;
background-repeat:no-repeat;
background-position:center center;
border:0;
}

Таким образом, жесткая нотация, заданная согласно БЭМ, обеспечивает полный
контроль над версткой шаблонов продукта.
Унифицированная нотация Блок-Элемент-Модификатор используется фронтенд- и
бэкенд-разработчиками и помогает им легко и единообразно ориентироваться в коде, совместно создаваемом в командной разработке ИТ-проектов (веб-приложений,
корпоративных сайтов, интернет-магазинов и т. п.), сразу идентифицировать при-

58

Глава 2

надлежность элементов определенному родительскому блоку, а в классах CSS выявлять модификаторы соответствия заданным элементам веб-интерфейса.
Это значительно упрощает взаимодействие между ИТ-специалистами — посмотрев
исходный код, они могут оценить уровень и качество его исполнения.
Далее оценим последовательно оформление класса a.header_logo:
1. Сначала позиционирование элемента логотипа при выводе в веб-странице:
position:relative;
top:20px;
left:20px;

2. Затем физические размеры (ширина и высота) логотипа:
width:200px;
height:40px;

3. Внешние и внутренние отступы относительно заданного элемента:
margin:0;
padding:0;

4. Оформление блока фоном для вывода изображения логотипа:
background-image:url('../img/header/logo.svg');
background-size:200px 40px;
background-repeat:no-repeat;
background-position:center center;

5. Обрамление (точнее, задание нулевой рамки) для логотипа:
border:0;

Единообразный подход к заданию атрибутов в классах каскадных таблиц стилей
дает фронтенд-разработчикам возможность упростить восприятие оформления
каждого элемента путем декомпозиции на иерархическую последовательность
моделирования объектов (рендеринга) в ходе вывода HTML-страницы.
Стандартизация числовых, графических и текстовых данных для анализа — это
основная задача при сборе исходных данных исследования.
Рассмотрим примеры стандартизации данных по методологии БЭМ (рис. 2.8 и 2.9):
 стандартизация исходного программного кода по методологии БЭМ активно

применяется в веб-разработке в ходе сборки масштабируемого цифрового
продукта в случаях, когда подразумеваются многолетние циклы усовершенствования продукта и сопутствующего обновления штата фронтент- и бэкендразработчиков, с целью обеспечения унифицированного подхода к наименованию и хранению сущностей (блоков, элементов, модификаторов) исходного
кода продукта;
 стандартизация элементов веб-интерфейса по БЭМ актуальна для программных

веб-продуктов и легко модифицируется в заданной объектно-ориентированной
нотации.

Декомпозиция для исследования сложной системы

59

Рис. 2.8. Сборка функциональных элементов в наборы (bundles):
стили — в project.css, скрипты — в project.js

Рис. 2.9. Фрагмент исходного кода описания стандартизации элементов веб-интерфейса по БЭМ

Что в целом улучшает метод декомпозиции и БЭМ
в работе веб-разработчиков?
На пути от теории к практике возникает вопрос: что ценного дают в совместном
использовании метод декомпозиции и БЭМ веб-разработчикам?
Рассмотрим поучительный пример, говорящий о необходимости стандартизации
исходного кода.
 Веб-разработчики собирают цифровой продукт (конкретно: веб-сервис) в ускоренном режиме — им необходимо уложиться в жесткие сроки и реализовать
заданную функциональность по техническому заданию.
 В процессе работы из команды уходит фронтенд-специалист — соответственно,
происходит его оперативная замена.

60

Глава 2

 Веб-разработка продукта продолжается в заданной последовательности, но ко-

манда не успевает провести тестирование должным образом.
 Работа сдается заказчику в состоянии «как есть» — для проверки заказчиком
и возможного релиза.
Важно отметить: изначально в команде разработчиков не договорились о жесткой нотации кода и не уложились в заданный срок по договору.
 При тестовом запуске и проверке продукта исполнителем и заказчиком выявле-

ны очевидные ошибки исполнения логики и принято решение отложить официальный релиз до момента полной и качественной готовности.
Привлеченный опытный фронтенд-специалист (№ 2, уровень: profi) настаивает
на стандартизации кода по методологии БЭМ, чтобы отделить качественный код
от «говна и веток», полученных на старте.
 С трудом получив согласие заказчика, к работе подключили одну из лучших

команд в столице по верстке, взяв ее на субподряд, поскольку за пробный месяц
опытный фронтендер-профи с поставленной задачей стандартизации в одиночку
не справился, несмотря на моральную поддержку бэкенд-специалиста.
В итоге за 3,5 месяца получили качественную верстку продукта по методологии
БЭМ (без ошибок), внедрение и отладку на тестовом продукте.
При этом переход на методологию БЭМ обеспечил быстродействие продукта —
рендеринг стандартизированных веб-страниц и работа заданной функциональности
выполнялись на порядок быстрее, чем до стандартизации.
Из чужих ошибок рекомендуется сделать следующий вывод: оперативность запуска без жесткой стандартизации в нотации исходного кода цифрового продукта
может привести к серьезным проблемам в будущем, а менеджеры, которые хотят
показать быстрые результаты коллегам, не всегда правы, поскольку при таком подходе ошибки в коде нарастают как снежный ком, а на простые задачи по фронтенду
уходит значительно больше времени, чем следует тратить оптимально.
В итоге стандартизация исходного кода продукта (веб-сервиса и т. п.) по методологии БЭМ дает следующие результаты:
 экономию времени и бюджета компании-разработчика (для развития продукта

в будущих релизах);
 достижение оптимального быстродействия продукта к моменту релиза.

Как сказала директор по дизайну компании «Thoughtbot Inc.» Конни Чан, цитата
(в переводе с англ.): «В сочетании с препроцессором БЭМ упрощает поддержание
модульности и объектно-ориентированности вашего CSS».
По словам фронтенд-разработчиков, освоивших БЭМ, верстка получается структурированной, гибкой и понятной, в нее легко вносить изменения, проще делать
адаптивность, проще давать названия классам, — в общем, «чувствуешь, что получаешь больше контроля над версткой».
Лучше в начале потратить на несколько месяцев больше времени на стандартизацию, чем испытывать сложности в исправлении множества ошибок после релиза

Декомпозиция для исследования сложной системы

61

продукта, когда к бюджету разработки прибавятся рекламный бюджет и активная
маркетинг-стратегия в действии, требующие от продукта низкого уровня отказов
информационной системы при взаимодействии с пользователями.
Для изучения БЭМ рекомендуется ознакомиться со следующими источниками:
 статья о БЭМ в Википедии4;
 документация по методологии БЭМ от компании-разработчика Яндекс5;
 статья «БЭМ — полный контроль над версткой»6.

Рефакторинг программного кода
Подчас одной стандартизацией не лучшего исходного кода дело не обходится,
и приходится выполнять сопутствующий рефакторинг проблемного кода.
В программировании рефакторинг — это крайне важная часть процесса разработки. Практическая задача: написать исходный код веб-приложения, «который просто
работает», — не всегда является залогом производительности его исполнения
в продукте.
В веб-разработке рефакторинг помогает привести исходный код в оптимальный вид
для всех заинтересованных лиц. Это дает возможность и в дальнейшем эксплуатировать этот код без особых проблем:
 быстро читать код;
 репродуцировать по необходимости;
 поддерживать, обновлять и расширять функционал ИС к новым релизам.
Известный американский программист Мартин Фаулер в своей книге «Рефакторинг: улучшение проекта существующего кода» сделал следующее заключение по
существу: «Рефакторинг — это контролируемая техника совершенствования структуры существующего кода. Суть рефакторинга заключается во внесении серии
мелких изменений (с сохранением функциональности приложения), каждое из
которых “слишком мелкое, чтобы тратить на него время”. Тем не менее эффект от
внесения всех этих изменений достаточно ощутимый».
Книгу М. Фаулера можно охарактеризовать как руководство к действию по быстрому и безопасному преобразованию кода, необходимому для того, чтобы сделать
«исходник» дешевым и легко модифицировать его для будущих нужд.
Что характерно, рефакторинг кода в сообществе веб-программистов часто сопровождается юмором:
 зволюция уровня работы веб-разработчиков применительно к улучшению программного кода показана на рис. 2.10, как эволюция от примата до современного
человека;
4
5
6

См. https://ru.wikipedia.org/wiki/%D0%91%D0%AD%D0%9C.
См. https://ru.bem.info/methodology/.
См. https://frontips.ru/bem-polnyj-kontrol-nad-verstkoj/.

62

Глава 2

 ставшее уже классическим сравнение рефакторинга кода с распутыванием спа-

гетти до удобоваримого вида и полезного использования по назначению показано на рис. 2.11.

Рис. 2.10. Эволюция человека применительно
к улучшению программного кода

Рис. 2.11. Рефакторинг сравним
с распутыванием спагетти

Основным ожидаемым преимуществом рефакторинга является улучшение объективной читаемости кода путем его сокращения или качественной реструктуризации. Логическая схема рефакторинга представлена в упрощенном виде на рис. 2.12
и характеризует процесс веб-разработки с улучшением исходного кода по модулям
функциональности.
Алгоритм рефакторинга по сути заключается в применении серии небольших сохраняющих поведение преобразований. Совокупный эффект каждого из этих пре-

Рис. 2.12. Рефакторинг структуры кода в изолированной среде для внесения изменений
в рамках более крупной сущности

Декомпозиция для исследования сложной системы

63

образований весьма значителен. Выполнение их небольшими шагами, снижает
риск внесения ошибок.
Также следует избегать поломки системы во время реструктуризации, для чего надо работать исключительно на тестовой версии продукта. Это поможет проводить
рефакторинг системы в течение длительного периода времени без ошибок в основной рабочей версии продукта и сопоставлять метрики производительности до
и после.
Выводы о рефакторинге:
 внедрение необходимой модификации исходного кода сопровождается повыше-

нием производительности;
 в результате рефакторинга достигается оптимальная эффективность продукта.

Чем отличается стандартизация кода от рефакторинга?
К примеру, запланированная стандартизация кода по методологии БЭМ в результате должна дать исходный код в соответствии с архитектурой Блок-ЭлементМодификатор, а рефакторинг в результате — сократить часть кода бэкенда, чтобы
ускорить не только рендеринг веб-страниц, но и скорость исполнения функций вебсервиса (в реакции на пользовательские действия в работе с ИС).

Может ли начинающий веб-разработчик сделать рефакторинг
исходного кода коммерческого продукта?
Полностью без помощи коллег — вряд ли. Суть рефакторинга сводится к качественной минимизации кода: меньше строк и переменных для решения поставленных
задач и дочерних процедур в исполнении кода.
Для выполнения рефакторинга обязателен продвинутый уровень бэкенд-разработчика — чтобы исключить потери времени и дать оптимальные решения в рефакторинге кода (из опыта и продвинутых компетенций разработчика-профи).

Декомпозиция рефакторинга
Разбиение сценария работы пользователя в программном исполнении на подзадачи
весьма важно для рефакторинга. Это помогает поддерживать непрерывность процесса разработки продукта.
Рассмотрим применение методов декомпозиции задач по рефакторингу на примере
рефакторинга кода CSS.
До изменений:
body section.content h1.news {
font-size: 36px;
line-height: 54px;
}

После рефакторинга:
.news {
font-size: 36px;
}

64
body section.content p.text1 {
font-size: 20px;
line-height: 30px;
}
body section.content p.text2 {
font-size: 20px;
}

Глава 2
.text {
font-size: 20px;
}
.news,
.text {
line-height: 1.5em;
}

В результате произведено:
 исключение необязательных цепочки и сущностей к объекту для класса назначения стилей;
 устранение дублирующего частично стиля для параграфа p.text2;
 наследование стандартного интерлиньяжа для заголовка h1 и параграфов.

Из примера рефакторинга кода CSS сделаем общий вывод о его пользе:
 снижение количества сущностей для моделирования веб-документа;
 ускорение загрузки страницы (измеряется в миллисекундах, сокращенно ms);
 наследование стилей согласно нотации CSS повышает эффективность кода;
 единообразие исключает потери времени на поиск и устранение типовых оши-

бок.
В ходе освоения практики рефакторинга вы сможете последовательно применить
методы декомпозиции задач по рефакторингу в зависимости от расставленных
приоритетов в постановке задания.
Формальный отчет по результатам рефакторинга должен содержать следующие
смысловые части:
 постановка целей и задачи;
 выбранный метод (методы) декомпозиции задач;
 время, затраченное на выполнение задания;
 результаты до и после, включая параллельное сравнение по метрикам: количество ошибок в консоли браузера по целевым страницам интерфейса, быстродействие, рендеринг страниц (мс, ms), вес страниц;
 исполнение базовых рекомендаций к оптимизации интерфейсов по принципу
mobile-friendly и т. д.
В результате важно показать галочками, сколько всего целей закрыто (status:
complete) из постановки задачи. Графики не всегда понятны принимающей стороне,
а процентное соотношение до/после по ключевым метрикам весьма наглядно
характеризует эффективность выполненного рефакторинга кода.
Подводя черту в ознакомлении с рефакторингом, отметим, что этот метод больше
подходит для профи, — в отличие начинающего программиста, стремления которого скорее заключаются в поиске способов доказать, что он умеет писать рабочий
код под требования к задаче. А вот веб-разработчик профи (уровня middle или

Декомпозиция для исследования сложной системы

65

senior) подсознательно ищет способ сделать решение изящнее, оптимальнее и эффективнее.

Первичная обработка данных для анализа
В каждом исследовании работа веб-аналитика с данными начинается с первичной
обработки статистики.
Классифицируем базовые источники данных по признаку доступности:
 общедоступные источники (например, РосСтат, Яндекс.Подбор слов7, Google
Trends8 и т. д.).
По умолчанию общедоступными считаются источники, к которым открыт доступ всем (студентам, специалистам, экспертам) без специального допуска;
 коммерческие источники.
Коммерческими источниками считаются данные статистики, полученные экспериментальным путем в процессе работы компании, в том числе в ходе рекламных экспериментов, на территории компании (предприятия) или с помощью ее
оборудования. Они представляют собой предмет коммерческой тайны с ограниченным допуском сотрудников, и обработка статистики из них несет коммерческое значение: с целью повышения эффективности работы компании.
Все эти источники используются для получения данных из внешней среды путем
сегментации заданной группы потребительских запросов целевой аудитории.
Для лучшего понимания рассмотрим реальный пример. Допустим, необходимо
сравнить две перспективные услуги для промышленного предприятия: теплоизоляцию теплосетей и теплоизоляцию загородных домов с точки зрения количества
общего и покупательского спроса для выбора более перспективного направления
(по количественному признаку спроса).
Введем условие: целевая аудитория — это российские потребители основных региональных центров, обращающиеся к Яндекс.Поиску при выборе товаров и услуг
для ознакомления и возможной покупки.
Используем статистику из общедоступного источника Яндекс.Подбор слов с фильтром по региону: Санкт-Петербург (для начала). Характерный скриншот с выбором
региона отбора статистики в сервисе «Подбор слов» показан на рис. 2.13.
 Статистика поисковых ключевых запросов в Яндекс.Подбор слов фиксируется
по их количеству в месяц.
 По количественному признаку потребительские запросы сегментируются на:
• низкочастотные (от 1 до 1000 запросов в месяц);
• среднечастотные (от 1000 до 3000 запросов в месяц);
• высокочастотные (от 3000 и более запросов в месяц).
7
8

Яндекс.Подбор слов доступен по ссылке https://wordstat.yandex.ru.
Google Trends доступен по ссылке https://trends.google.com/trends/?geo=RU.

66

Глава 2

Рис. 2.13. Скриншот из Яндекс.Подбор слов: выбор региона для сегментации спроса
(потребительских запросов)

Подробнее мы рассмотрим сервис «Подбор слов» в главе 13 при комплексном анализе деятельности компании на примере агентства недвижимости.
Частичная выборка из вывода данных по потребительскому запросу «Теплоизоляция теплосети» (в заданном регионе: Санкт-Петербург) в Яндекс.Подбор слов показана на рис. 2.14 и может быть использована для оперативной оценки аналитиком
статистических данных в ранжировании по частоте запросов пользователей в поиске Яндекс.

Рис. 2.14. Скриншот из Яндекс.Подбор слов: вывод данных по потребительскому запросу
теплоизоляция теплосети (в заданном регионе: Санкт-Петербург)

Декомпозиция для исследования сложной системы

67

Для получения статистики экспериментальным путем необходимо задать стандартные условия и провести опыты (эксперименты: A/B-тесты) с целью извлечения
точных данных.
По определению: A/B-тестирование гипотез — это классический пример сопоставления и бриф-анализа спроса при сравнительно равных предложениях по цене. Например, маркетологи для A/B-тестирования гипотез о целесообразности внедрения
новых товаров и услуг в широкий оборот для увеличения продаж компании в сегментах B2B и B2C часто используют лендинг-пейдж (от англ. landing page) — целевую веб-страницу с товарным предложением.
Характерная схематичная иллюстрация A/B-тестирования заявленных гипотез
о дизайне целевой страницы путем параллельного сравнения поведения пользователей при посещении различных версий целевых страниц представлена на
рис. 2.15.

Рис. 2.15. A/B-тестирование гипотез путем параллельного сравнения поведения пользователей
при посещении различных версий целевых страниц

Выводы о методе декомпозиции
В заключение отметим универсальность применения метода декомпозиции при
разложении сложных композиционных объектов (моделей) для изучения и работы.
Декомпозиция применима и в классических наукоемких исследованиях сложных
задач экономического, социального и коммерческого значения.

68

Глава 2

Именно поэтому указанный метод, как правило, является базисным для исследований и анализа данных при решении задач веб-разработки и маркетинга. Главное —
научиться правильно выполнять разложение по заданной нотации согласно заданной предметной области, как показано в примерах частного объектно-ориентированного метода БЭМ для веб-разработки.
Умение классифицировать данные по их сущности просто необходимо для начинающих аналитиков, чтобы правильно выполнять исследовательские задачи прикладного характера.
Рефакторинг и стандартизация кода по методологии БЭМ имеют прикладное значение в освоении декомпозиции и при этом будут весьма полезны веб-разработчикам начального (junior) уровня.
К применению декомпозиции мы еще не раз обратимся в ходе решения аналитических задач в следующих главах, особенно при комплексном анализе в главе 13.
Рекомендуется к самостоятельной работе отнестись со всей серьезностью и пробовать декомпозировать сложные объекты по заданным характеристикам в поиске
ответов на сложные вопросы, начиная от простых к сложным. Например, при сравнении ТОП-моделей электроники разных брендов оценивать их по заданным
критериям путем декомпозиции по выбранным характеристикам в поиске оптимального баланса цены и качества товаров. Это лишь частный случай применения
декомпозиции, но и эта задача уже поможет начать развивать самостоятельно компетенции аналитического мышления в заданном полезном прикладном направлении.

ГЛАВА

3

Визуализация больших данных
Зачем нужно изучать визуализацию данных
и овладевать навыками работы с ней?
Ответ на этот вопрос по существу комплексный и требует пояснений:
 график динамической величины, изменяемой во времени, помогает аналитику
визуально оценить функцию: найти экстремумы (минимумы и максимумы),
определить отрезки, на которых заданы пики, — чтобы выявить внешние и
внутренние условия, влияющие на отклонения от заданной функции;
 качественная визуализация данных позволяет сократить время на обсуждение

в команде аналитиков, упростить защиту в представлении результатов;
 в исследовании масштабирование и систематизация данных по заданным при-

знакам применяются для выявления закономерностей — например, в потребительском спросе в сезонности при сопоставлении сравнимых периодов i и (i – 1).

Базовые требования к визуализации данных
Для проведения аналитического исследования с визуализацией данных необходимо
изначально сформулировать требования к ее воспроизведению. Как правило, в научно-исследовательских работах (НИР) придерживаются следующих требований
(краткая характеристика базовых требований к визуализации эмпирических данных
представлена в табл.3.1 в расширенном варианте):
1. Достоверность.
2.
3.
4.
5.
6.

Доступность.
Однородность.
Однозначность.
Масштабируемость.
Мультиязычность.

7. Простота интеграции.

70

Глава 3

Таблица. 3.1. Характеристика требований визуализации данных в научном исследовании
Наименования
требований

Характеристика визуализации данных

Достоверность

Все данные должны быть сформированы на основе доступной статистики, эмпирические данные получены из достоверного источника, а данные
математического моделирования рассчитаны по представленным формулам

Доступность

Все наименования должны быть доступны читателю, и их величины
должны быть корректно оформлены по методическим указаниям к научно-исследовательским работам

Однородность

Все значения по осям X и Y должны быть в одном измерении (например,
в системе СИ: кг, мин, тыс. ед. и т. д.)

Однозначность

Графики должны отражать четкую характеристику динамики измеряемой
системы или ее величины без двоякого восприятия

Масштабируемость

Необходимо выполнять только при работе с большим объемом данных,
где масштабирование позволяет уточнить объем выборки, соответствующей рассматриваемой подгруппе/столбцу гистограммы

Мультиязычность

Графики необходимо оформлять унифицированно, чтобы их восприятие
не требовало дополнительных затруднений для специалистов — носителей языка, отличного от первоисточника, за исключением перевода базовых единиц измерения и соответствия величин и их значений

Простота
интеграции

Графики необходимо хранить с наименованиями вида (normal-dist01.01.2021-01.01.2022) в стандартных форматах SVG, PNG, PDF, WebP,
JPG для простоты интеграции с веб-приложениями и другими программными инструментами

Теоретическая подготовка перед практической работой просто необходима — чтобы ни у кого не возникало вопросов о понятии качества визуального представления
данных к анализу. Подсознательно самостоятельная проверка подготовленных графиков и схем по указанным требованиям дает веб-аналитику возможность быть
уверенным в точности воспроизведения результатов экспериментов и аналитической сводки доказательной части.
Для научно-исследовательских работ приводятся и другие требования прикладного
характера: по размерности шрифтов, форматам представления текстовых, табличных и графических данных и т. п.
В принципе, не сложно воспроизвести графики функций, обладая навыками работы
со статической векторной (SVG) и динамической визуализацией (библиотеки вывода графиков AmCharts и другие аналоги).
Практическая работа с большими объемами данных1 требует сбалансированной
подачи визуального материала. Важно удостовериться, что визуальный контент
нормально поместился без дополнительной прокрутки (скроллинга) в стандартные
форматы слайда или экрана (формата 4:3 или 16:9).
1

Далее по тексту для обозначения больших объемов статистики также используются термины «большие
данные» и big data.

Визуализация больших данных

71

Качественная визуализация больших объемов статистики является значимой компетенцией для аналитика при подготовке результатов исследования. Для защиты
НИР важно презентабельно представить выводы и рекомендации, полученные
в ходе проведенной исследовательской работы.
Группировка данных по тематическим сегментам применяется при уменьшении
масштаба графика — помогает представить общий вид соотношения частей общего
целого «пирога» круговой диаграммы с цветовым делениям согласно заданной спецификации его составных частей.
Как графическим способом возможно визуализировать сотни или тысячи строк
таблицы?
Существует ряд комбинаторных методов решения поставленной задачи для качественной визуализации данных:
 сегментирование результатов по заданным признакам с целью уменьшения ко-

личества строк в таблицах результатов исследования;
 удаление из графика при масштабировании мелких элементов детализации с со-

хранением значимого уровня шкал заданного масштаба;
 ввод коэффициентов для сравнения сегментов результирующей таблицы;
 вывод круговой и столбчатой диаграмм с 3–10 сегментами (с уровнями по за-

данному эмпирически обоснованному признаку в виде коэффициента);
 для временной шкалы выводить только значения заданного уровня масштаба

с визуально четким отображением шкалы («черным по белому»).

Визуализация эмпирических данных
по результатам экспериментов
Визуализация служит в качестве универсального языка передачи данных в наукоемких источниках с целью упрощения восприятия статистики и результатов анализа.
Для удобного восприятия результатов сбора и анализа данных необходимо формировать полученные сводки в виде узнаваемых графических объектов. Так, на практике — с целью стандартизации процесса взаимодействия между участниками
команды аналитиков — рекомендуется использовать общепринятые формы графиков визуализации (рис. 3.1):
 круговые диаграммы;
 диаграммы вида пирамида (например, возрастной пирамиды или пирамиды

Маслоу);
 столбчатые графики (гистограммы);
 линейные графики;
 воронки конверсии;

72

Глава 3

 графики точечной дисперсии спроса;
 круговые X, Y, Z графики сложных функций корреляции.

Общепринятые формы визуального представления результатов аналитической
работы непосредственно способствуют налаживанию контакта между аналитиком и
принимающей стороной в лице единого заказчика или принимающей комиссии при
защите научно-исследовательской работы.

Круговая диаграмма

Столбчатая гистограмма

Гистограмма «пирамида»

Воронка конверсии

Круговые графики
сложных функций

Линейная корреляция

Точечная дисперсия спроса

Рис. 3.1. Примеры визуализации данных в графиках

Рассмотрим отдельно частные случаи реализации столбчатых диаграмм — горизонтальные и вертикальные графики (рис. 3.2).
Как показывает практика, горизонтальное представление графика (см. рис. 3.2, a)
полезно использовать при горизонтальной развертке экрана (слайда или страницы)
в пропорции 4:3 или 16:9. Вертикальное исполнение (см. рис. 3.2, б) актуально
в случае веб-страницы со скроллингом или масштабированием (увеличением графика до нужного столбца гистограммы).

Визуализация больших данных

73

а

б
Рис. 3.2. Варианты исполнения столбчатой гистограммы:
а — горизонтальная столбчатая гистограмма; б — вертикальная столбчатая гистограмма

74

Глава 3

Если в отчетной презентации исследователь имеет возможность использовать вертикальный формат А3 или А2, то вертикальная гистограмма подойдет для качественного представления результатов с цветовой сегментацией ключевых показателей (для комфортного восприятия при беглом просмотре фрагмента презентации).
С точки зрения читаемости вариант вертикального размещения гистограммы, где
ось с текстовыми метриками длинная (по вертикали), воспринимается, естественно,
проще, чем в случае горизонтального размещения, где текст расположен перпендикулярно привычной оси (горизонтали чтения).
Рассмотрим также еще один частный случай визуализации данных в круговых диаграммах: в стиле flat design (плоская круговая диаграмма) и 3D (рис. 3.3).

Плоская круговая диаграмма

Круговая диаграмма в 3D-исполнении

Рис. 3.3. Варианты исполнения круговой диаграммы

Желание исполнителя удивить принимающую комиссию визуально красивыми
графиками в 3D-исполнении может иметь противоположный эффект, поскольку
результаты аналитической работы должны быть максимально ясными, эмпирически доказанными и логически обоснованными без лишних украшательств, которые
лишь отвлекают экспертов принимающей стороны.
Поэтому рекомендуется использовать исключительно плоские графики для серьезных (социально значимых или научных) исследований — это визуально проще,
доступнее и четко соответствует требованиям к научно-исследовательской работе.
Формирование графиков выполняется в редакторах MS Excel, Google Sheets, специальных библиотеках языков РHP, JavaScript (AmCharts и др.), Python NumPy
и других на основе загруженного массива данных в текстовом или табличном виде
(в зависимости от специфики заданного редактора данных).
На рис. 3.4 приведены типичные примеры графиков, полученных с помощью этих
инструментов:
 пример, показанный на рис. 3.4, а, описывает распределение количества аудитории различных социальных сетей;
 пример, показанный на рис. 3.4, б, описывает нормальное распределение случайной величины на заданном интервале времени;
 пример, показанный на рис. 3.4, в, описывает потребительский спрос на оргтехнику по сезонам.

Визуализация больших данных

75

а

б

в
Рис. 3.4. Примеры графиков, полученных с помощью специализированного программного обеспечения:
а — вертикальная гистограмма: ось X — число зарегистрированных пользователей наиболее
популярных социальных сетей в мире, ось Y — наименования популярных социальных сетей
(в ранжировании от максимума к минимуму); б — нормальное распределение:
ось X — временны́е интервалы (мин), ось Y — изменение случайной величины во времени;
в — гистограммы спроса: ось X — сравнимые группы товаров в распределении по сезонам года,
ось Y — количество покупателей оргтехники по сезонам

76

Глава 3

Очевидная наглядность представления данных графическим способом в виде графиков, диаграмм и схем дает возможность аналитику оперативно сопоставить
реальные эмпирические данные изучаемой модели (или объекта) с желаемым
результатом в сравнении с другими аналогами или эталоном распределения функции.
В веб-ресурсах и мобильных приложениях качественное графическое воспроизведение исходной статистики и результатов анализа достигается путем представления
фигур, линий и кривых Безье в формате SVG (сокр. от Scalable Vector Graphics).
Применение этого графического формата обеспечивает гладкость воспроизведения
сложных фигур (особенно на диагоналях, где сопоставимая пиксельная/растровая
графика дает эффект лестницы из пикселов вместо гладкой диагональной линии).
Хранение графиков в формате SVG дает возможность оперативно переформатировать и редактировать графику под другой масштаб, толщину линий и цветопередачу с учетом необходимости соблюдения технических требований. Кроме того,
формат SVG, по сравнению с другими растровыми (PNG, JPG, WebP) и векторными (PDF, EPS) форматами, имеет существенное преимущество — для оперативного
редактирования цвета линий, фигур, полигонов, толщины линий и т. п. предусмотрена возможность обращения к исходному коду. При этом формат SVG структурно
аналогичен формату HTML, что минимизирует сложность отрисовки графики для
специалистов, владеющих компетенциями веб-разработки (верстки веб-страниц).

Визуализация динамики процессов
Графики наглядно показывают динамику изменения величины во времени: спад,
стагнацию или рост показателей в заданные периоды времени. Экстремумы функций характерно описывают процессы развития (роста) и кризиса (спада до минимума, иначе, «достижения дна»).
Визуализация этих процессов предоставляет аналитику оперативную возможность
оценить эмпирические и качественные условия, способствующие росту, стагнации
или спаду заданной динамической величины во времени.
На рис. 3.5 приведен пример фиксации на заданном участке измерений по оси X
экстремумов (минимума и максимума) волновой функции спроса. Точки E1max
и E3max задают максимумы изменения величины по оси Y, точка E2max аналогично
задает минимум.
В ходе формирования стратегии развития компании графики являются наглядным
обоснованием существующих условий и возможности достижения целей на примере ранее описанных прецедентов (успеха и/или убытков аналогичных компаний
при выводе новой продукции на рынок сбыта).
Для любого исследования рынка сбыта товаров и услуг статически значимыми считаются периоды, за которые есть полные данные без пропусков (по месяцам
и т. д.), — это характеризуется термином «сбор данных без потерь».

Визуализация больших данных

77

Рис. 3.5. Пример экстремумов (минимума и максимума) волновой функции спроса

Визуальное моделирование и анализ данных рекомендуется выполнять относительно полных периодов статистики. Сбор данных без потерь и точность вычислений имеют важное значение в исследовании при высоком уровне заявленных по
заданию требований.

Ошибки и несоответствия
между графиком математического моделирования
и эмпирической моделью на основе эксперимента
Допустимый уровень ошибок в исследовательских работах начинающих специалистов не должен превышать пяти процентов (±5%) от точного результата. Лучшей
признается исследовательская работа с доказанным эмпирическим результатом,
минимальным уровнем допущенных ошибок и практической ценностью результатов.
Количество знаков после запятой в числовых метриках — оставляется на усмотрение аналитика или принимается согласно заданию.
Для примера на рис. 3.6 выведены две функции: нормального распределения случайной величины (гладкая кривая) и распределения динамического показателя
эмпирической модели на основе эксперимента (гистограмма) — с целью показать,
что в реальности прогнозное моделирование функции может не соответствовать
прогнозу из-за влияния внешних или внутренних факторов на ее изменение во времени. Характерные случаи несоответствия экспериментальных данных модели выделены на рисунке кружочками.
Визуальное несоответствие между графиками функции математического моделирования (на основе статистики прошлых периодов) и функции эмпирической модели на основе проведенного эксперимента (в текущий период) объяснимо логически:
метод математического моделирования описывает поведение функции (в заданных
условиях в прошедшие периоды), а текущая рыночная ситуация может значительно
отличаться, например из-за влияния внешних факторов: политики (санкций), со-

78

Глава 3

Рис. 3.6. Визуальное несоответствие графиков функций математического моделирования
и эмпирической модели на основе эксперимента

циально-экономических явлений (COVID-19), изменения структуры спроса ввиду
тех или иных ограничений и т. п.
При необходимости вывода на графике более двух функций — к примеру:
 на основе статистики;
 на основе эмпирического эксперимента;
 на основе математического моделирования прогноза на следующий(е) период(ы),

важно разделить их цветом — чтобы эксперту принимающей стороны было легче
разобраться в них и исключить недочеты в доказательстве.

Задачи аналитика
 Выявить изменения структуры спроса и показать их на графике (графиках).
 Указать вероятные внешние факторы негативного/позитивного влияния на струк-

туру и уровни спроса.
 Выработать аналитические рекомендации для корректировки ситуации с целью

улучшения экономических показателей в соотношении спроса и предложения
и повышения продаж рассматриваемой группы товаров и услуг.

Пример плавного вывода графика на веб-странице
с использованием сплайнов Катмулла–Рома
Перед веб-аналитиком часто стоит задача не просто вывести на экран ключевые
точки функции спроса, а провести через них плавную кривую. Как правило, для
этой задачи удобно использовать графический формат SVG и кривые Безье, а преобразование точек в кривые Безье реализовать с помощью сплайна Катмулла–Рома.
 Кривая Безье — математически описанная кривая, используемая в компьютер-

ной графике и анимации для создания плавных линий. Кривая описывается массивом контрольных точек, которых должно быть как минимум две. В веб-гра-

Визуализация больших данных

79

фике и анимации, в частности, используются кривые Безье с четырьмя контрольными точками: P0, P1, P2 и P3.
 Сплайн — функция в математике, область определения которой разбита на ко-

нечное число отрезков, на каждом из которых она совпадает с некоторым алгебраическим многочленом.
Максимальная из степеней использованных полиномов называется степенью
сплайна. Преобразование сплайна Катмулла–Рома в кривую Безье подходит для
вывода гладкой кривой, проходящей через заданные ключевые точки на графике.
Сплайны применяются в 2D- и 3D-графике для моделирования плавного движения через заданные ключевые точки или статического отображения векторной
волновой функции.
 Сплайн Катмулла–Рома — тип интерполирующего сплайна (кривая, проходя-

щая через свои контрольные точки), определяемый четырьмя контрольными
точками: P0, P1, P2, P4, для моделирования кривой графика от начальной P0 до
конечной точки P4.

Постановка задачи
Задан массив ключевых точек функции спроса. В нем — для примера — всего
8 абстрактных значений:
[2, 2, 5, 8, 5, 4, 3, 9]

По заданию требуется:
 провести через них плавную кривую, используя сплайны Катмулла–Рома и фор-

мат SVG-графики2;

 дорисовать оси X и Y;
 вывести результирующий график в веб-странице для визуального анализа.

Решение
1. Создадим HTML-документ chart.html. Его исходный код содержится в листинге 3.1. Вы также можете найти готовый файл chart.html в папке listings_example\
chapter-1 сопровождающего книгу файлового архива (см. приложение).
Листинг 3.1. Исходный код HTML (chart.html)
<html>
<head>
<meta charset="UTF-8">
<title>Chart of working plan</title>

2

Формат SVG (сокр. от Scalable Vector Graphics) используется в графике для воспроизведения векторных
изображений высокой четкости при любом масштабе без визуальных потерь.

80

Глава 3
<script src="catmull-rom.js"></script>
</head>
<body>
<svg height="400" width="400" id="svg" xmlns="http://www.w3.org/2000/svg"
viewBox="0 0 400 400">
<defs>
<style type="text/css">
<![CDATA[
.fil0 {
fill: black;
fill-rule: nonzero
}
]]>
</style>
<marker id="arrowhead" markerWidth="10" markerHeight="7" refX="0" refY="3.5"
orient="auto">
<polygon points="0 0, 10 3.5, 0 7" />
</marker>
</defs>
<g>
<path fill="none" stroke="black" />
<line x1="10" y1="380" x2="380" y2="380" stroke="#000" stroke-width="2"
marker-end="url(#arrowhead)" />
<line x1="10" y1="380" x2="10" y2="20" stroke="#000" stroke-width="2"
marker-end="url(#arrowhead)" />
</g>
</svg>
</body>
</html>

Для создания файла удобно использовать редактор типа EditPlus3. Семантическая подсветка валидного кода в этом редакторе помогает начинающему вебразработчику в создании веб-страницы в соответствии с действующей нотацией
HTML, CSS, JavaScript и пр.
Если открыть файл chart.html в веб-браузере, вы увидите заготовку для графика — оси координат со стрелочками. Если же посмотреть его исходный код
в браузере или в редакторе — вы увидите нумерованные строки.
За вывод осей на веб-страницу отвечают строки 24 и 25:
<line x1="10" y1="380" x2="380" y2="380" stroke="#000" stroke-width="2"
marker-end="url(#arrowhead)" />
<line x1="10" y1="380" x2="10" y2="20" stroke="#000" stroke-width="2"
marker-end="url(#arrowhead)" />

3

Редактор EditPlus доступен для свободного скачивания и практического использования на официальном
сайте: https://editplus.com.

Визуализация больших данных

81

За вывод графика на веб-страницу отвечает скрипт catmull-rom.js.
Этот скрипт подсоединяется к подготовленной странице вывода chart.html с помощью строчки кода в блоке <head>...</head>:
<script src="catmull-rom.js"></script>

2. Создадим файл catmull-rom.js и напишем исходный код для исполнения JavaScript
(листинг 3.2). Вы также можете найти готовый файл catmull-rom.js в папке
listings_script\chapter-3 сопровождающего книгу файлового архива (см. приложение).
Листинг 3.2. Исходный код JavaScript (catmull-rom.js)
function catmullRom2bezier(points) {
var result = [];
for (var i = 0; i < points.length - 1; i++) {
var p = [];
p.push({
x: points[Math.max(i - 1, 0)].x,
y: points[Math.max(i - 1, 0)].y
});
p.push({
x: points[i].x,
y: points[i].y
});
p.push({
x: points[i + 1].x,
y: points[i + 1].y
});
p.push({
x: points[Math.min(i + 2, points.length - 1)].x,
y: points[Math.min(i + 2, points.length - 1)].y
});
// Catmull-Rom to Cubic Bezier conversion matrix
//
0
1
0
0
// -1/6
1
1/6
0
//
0
1/6
1
-1/6
//
0
0
1
0
var bp = [];
bp.push({
x: ((-p[0].x + 6 * p[1].x + p[2].x) / 6),
y: ((-p[0].y + 6 * p[1].y + p[2].y) / 6)
});
bp.push({
x: ((p[1].x + 6 * p[2].x - p[3].x) / 6),
y: ((p[1].y + 6 * p[2].y - p[3].y) / 6)
});

82

Глава 3
bp.push({
x: p[2].x,
y: p[2].y
});
result.push(bp);
}
return result;
}
function makePath(points) {
var result = "M" + points[0].x + "," + points[0].y + " ";
var catmull = catmullRom2bezier(points);
for (var i = 0; i < catmull.length; i++) {
result += "C" + catmull[i][0].x + "," + catmull[i][0].y + " " + catmull[i][1].x
+ "," + catmull[i][1].y + " " + catmull[i][2].x + "," + catmull[i][2].y + " ";
}
return result;
}
window.onload = function () {
var graph = [2, 2, 5, 8, 5, 4, 3, 9]; // Строка №53
var points = [];
for (var i = 0; i < graph.length; i++) {
points.push({x: i * 50 + 20, y: graph[i] * 40 * -1 + 400});
}
document.querySelector('#svg path').setAttribute('d', makePath(points));
for (var i = 0; i < points.length; i++) {
var circle = points[i];
var c = document.createElementNS("http://www.w3.org/2000/svg", "circle");
c.setAttribute("cx", circle.x);
c.setAttribute("cy", circle.y);
c.setAttribute("r", "3"); // Волновая кривая "r"
document.querySelector('#svg').appendChild(c);
}
};

В скрипте всего три функции. Рассмотрим их последовательно.
• Метод конвертера.
В основе этого метода лежит преобразователь сплайна Катмулла–Рома.
Функция function catmullRom2bezier(points) получает пару точек и возвращает
необходимые контрольные точки для кривой Безье. Формируется массив,
в котором каждый элемент представляет собой массив из трех точек. В свою
очередь, полученные контрольные точки далее используются для построения
пути кривой и воспроизведения поведения волновой функции на заданном
отрезке пути.
• Построение пути.
Функция function makePath(points) выполняет построение пути, используя
контрольные точки, которые были получены от функции конвертера для

Визуализация больших данных

83

плавной отрисовки волновой функции в виде кривых Безье из результата
преобразования Катмулла–Рома.
Сначала нужно перейти к начальной точке, затем идет моделирования дуг
кривой. Эта функция возвращает строку пути, готовую к использованию
в графике.
• Отрисовка кривой поведения волновой функции.
Функция window.onload = function () задает выполнение функции после загрузки, где window — это объект, а onload — это событие (event). Таким образом, мы получаем обработку события после загрузки окна браузера. Функция
моделирует из заданного массива точек (путем преобразования cплайна Катмулла–Рома) гладкую волновую кривую r для визуализации функции, используя заданные контрольные точки и атрибуты (см. setAttribute в коде JS)
векторного формата SVG для вывода объекта в веб-странице.
При этом исходные значения задаются в строке № 53:
var graph = [2, 2, 5, 8, 5, 4, 3, 9];

3. Сохраним скрипт catmull-rom.js в том же каталоге, что и chart.html.
4. Запустим результирующую веб-страницу chart.html для проверки в браузере —
и получим векторное изображение (рис. 3.7).

Рис. 3.7. Плавный вывод графика волновой функции
с помощью преобразования сплайна Катмулла–Рома

Интерпретация результата выполнения задачи — плавный вывод графика помогает
наглядно оценить экстремумы функции:
var graph = [2, 2, 5, 8, 5, 4, 3, 9];

84

Глава 3

В нашем случае экстремум (max) отмечен 4-й координатой со значением 8 в заданном массиве graph.
Рассмотренный порядок решения задачи помогает аналитику:
 соблюсти заданное требование к плавности вывода графика волновой функции
и достичь высокой четкости отображения графика на всех экранах благодаря
векторной основе формата SVG;
 получить визуализацию для оценки экстремумов из большого массива эмпирических входных данных функции спроса и др.

Визуализация по принципу «от простого к сложному»
Использование графических примитивов (круговых диаграмм, воронки конверсии,
пирамиды вида Маслоу и пр.) уместно в случаях, когда нет прямой и обоснованной
необходимости экспертного уровня доказательной базы при защите представленного исследования. Это упрощает восприятие и помогает наладить диалог с принимающей стороной, не усложняя его детализированными графиками (дисперсии
спроса и сложных корреляций).
Рекомендуется построить план презентации по принципу «от простого к сложному». Это помогает в ходе доказательства представленного решения вовремя зафиксировать момент, когда принимающая сторона (комиссия) потребует дополнительных комментариев по ходу защиты исследовательской работы.
Количество графических слайдов должно быть сбалансировано со сводкой результатов анализа, чтобы восприятие было равномерным и осмысленным. Визуализацию данных желательно формировать в привычном формате (стилистике) для комиссии, чтобы не усложнять восприятие визуального материала.
Цветовая индикация в таблицах и графиках визуально должна соответствовать заданной дизайн-системе (фирменному стилю или другим требованиям). Визуальные
акценты допустимо использовать в качестве символических якорей (иначе, «сигналов») для привлечения внимания принимающей стороны (или рецензента).
Технически масштабирование для детализации графика и внимательного изучения
показателей выбранного сегмента упрощает взаимодействие между аналитиком и
рецензентом-экспертом, если динамика функции будет сразу очевидна. В этом заключается преимущество предоставления электронного отчета с динамическим
выводом графиков на основе библиотеки AmCharts или ее аналогов (рис. 3.8).

Визуальные акценты на ключевых аспектах защиты
исследовательской работы
Задача исследователя-аналитика в ходе визуализации — сделать на фрагментах
графика (экстремумах или иных ключевых точках в представлении условий изменения поведения заданной функции от времени) видимый акцент доступными
средствами: размерами графических объектов, цветом инверсии, толщиной линий
и т. п.

Визуализация больших данных

85

а

б
Рис. 3.8. Динамический вывод графика с возможностью укрупнения:
а — уменьшенный масштаб; б — увеличенный детальный масштаб

Это несложное визуальное решение помогает грамотно расставить логические
приоритеты внимания в цепочке умозаключений на пути к выводам проведенного
анализа.
Баланс численных показателей и полученных зависимостей между социально значимыми и эконометрическими показателями вместе с четкими графиками, акцентированными на ключевых закономерностях функций от времени, совокупно формирует эффективную в защите композицию результата аналитической работы
научного значения.
По существу, визуализация больших массивов данных — это базовая компетенция
для прогрессирующего в развитии веб-аналитика, необходимая для убедительной
защиты аналитическо-исследовательской работы перед научной комиссией. Освоить эту компетенцию можно в ходе итераций собственного опыта работы с программными редакторами MS Excel, Google Sheets, AmCharts, языком Python и библиотекой NumPy и прочими на основе примеров, приведенных в этой книге.
Допустимо ли использовать для визуализации данных какие-либо визуальные
нестандартные решения?

86

Глава 3

Визуально-технические хитрости (трюки) допустимо применять в работах не научного, а презентационного характера, где плюсом считается умение компактно и поновому представить статистический и аналитический материал с доступной точки
зрения для читателя.
На рис. 3.9, справа приведен пример неформального подхода к визуализации круговой диаграммы, представляющей соотношение долей целевой аудитории, с целью привлечения к ней внимания в презентации. Однако это требует дополнения
с указанием в выноске к графику числовых показателей соотношения долей в процентном соотношении. Использование такого символического объекта-синонима
заданной темы графика привлекает внимание сильнее, чем классический «пирог»
круговой диаграммы с долями процентного соотношения в цветовой градации
(рис. 3.9, слева).
В целом такой трюк допустим для нестрогого формата оформления отчета с визуализацией круговых диаграмм.

Рис. 3.9. Пример визуально-технического воспроизведения графиков для корпоративных отчетов

В представлении научного отчета о сборе, анализе и результатах исследования
рекомендуется формировать изложение по амплитуде — от элементарных формулировок к сложным и обратно по амплитуде к выводам. Это способствует привлечению внимания аудитории к исследуемой теме.
Далее — в кульминации — следует показать экспертную оценку на основе заданных исходных плюс эмпирических данных и заданной терминологии, затем
вернуться к условно простой интерпретации результатов и рекомендациям на их
основе.
Такой способ управления вниманием допустим, чтобы представить коммерческий
аналитический отчет для аудитории, изучающей:
 профессиональное (в частности, экспертное) значение;
 социальное практическое значение результатов и рекомендаций в заключении
исследования.

Система знаков для обмена информацией
Замена числовых метрик символами в графиках и строчных записях допустима
в презентациях и коммерческих ненаучных отчетах. Подобная замена активно при-

Визуализация больших данных

87

меняется в адаптивных веб-интерфейсах, мобильных приложениях и дашбордах
ради экономии места в ограниченной области рабочего экрана.
Символьная интерпретация метрик и уровня их состояний дает, по сути, краткую и
без лишних слов информацию, учитывающую динамику метрик от предыдущего
к текущему периоду, технически измеряемую условиями относительно заданных
уровней величин.
Поясним сказанное на примере воронки продаж и уровня метрики NPS:
 на рис. 3.10, а представлена цветовая индикация динамики состояния в сценарии
взаимодействия посетителя с интерфейсом для конверсии;
 на рис. 3.10, б) приведена горизонтальная шкала индекса потребительской лояльности (NPS): от минимума (негатива) до максимума (позитива) в отношении
покупателей к бренду и его продукции.

а

б
Рис. 3.10. Примеры визуализации данных для маркетинга: а — конверсионная воронка продаж
в маркетинге интернет-магазина (описывает сценарий работы посетителя при заказе товаров
из каталога); б — шкала уровня метрики NPS (сокр. от Net Promoter Score) с цветовой индикацией

Стандартизация визуальных и текстовых данных
Для соблюдения правил оформления исследовательской работы требуется выполнение стандартизации визуальных и текстовых данных согласно заданной нотации.
Классифицируем актуальные требования по нотации и характеристике исследования:

88

Глава 3

 государственного значения (для аттестации в вузе, защиты проектов инженерно-

го и социально-экономического значения);
 коммерческого значения (наукоемкие исследования, бриф-исследования ЦА,

презентационного вида);
 образовательного значения (для изучения социальных, экономических и других

явлений в учебном процессе).
Соответственно, заданные стандарты отличаются от предназначения и характеристики исследования:
 требования ГОСТ 7.32-2017 должны соблюдаться при оформлении научно-

исследовательской работы (НИР) студента или научного сотрудника аспирантуры;
 корпоративные исследования презентационного значения (для совещания рабо-

чих групп и совета директоров) следует оформлять согласно фирменному стилю
предприятия, зафиксированному в гайдлайнах (от англ. guidelines)4, где строго
прописаны правила корпоративной культуры по оформлению визуальных и текстовых данных для презентации отчета об исследовании рынка и т. п.;
 общедоступные специальные аналитические отчеты для широкой аудитории

(публикации в открытом доступе в Интернете) рекомендуется оформлять по
дизайн-системе Material Design, если это не противоречит ТЗ или иным требованиям электронной площадки, где производится публикация отчета.
Рассмотрим далее последовательно стандартизацию по корпоративным стандартам
(фирменный стиль и гайдлайны) и оформление согласно дизайн-системе Material
Design (Google Inc.)
 Эти знания помогут начинающим аналитикам в выборе правильного формата

оформления графиков и схем согласно заданной нотации исследования по назначению и требованиям.

Стандартизация по корпоративным стандартам
В случае контрактной работы аналитика на компанию с заданными корпоративными (фирменными) стандартами для презентации проектов, включая научные и маркетинговые изыскания, необходимо учитывать требования их фирменного стиля.
Корпоративные стандарты описывают цветопередачу графиков, шаблоны и форматирование текста в инфоблоках презентации, использование общепринятых моделей визуализации (пирамида Маслоу, воронка продаж, гистограмма и т. п.).
Доступ к подобным требованиям по умолчанию открыт в брендбуке (на официальном сайте компании), отражающем правила фирменного стиля применительно ко
всем значимым элементам корпоративной идентификации (от англ. corporate
identity) — от логотипа до фирменных бланков, отчетов и т. п.
4

Гайдлайн — это специальный документ в формате PDF, объединяющий в кратком виде свод корпоративных правил и рекомендаций для формирования внешнего вида цифрового продукта.

Визуализация больших данных

89

Автоматизированный сбор данных через инструментарий API от первоисточников:
веб-сайта, сообщества в соцсетях (ВКонтакте и др.) — помогает унифицировать
процесс подготовки отчета по заданным технико-экономическим метрикам:
 уникальные пользователи (unique users);
 визиты (visits);
 доля мобильной аудитории в ЦА (mobile auditory);
 сеанс посещения сайта (session);
 просмотр страницы (pageview);
 отказы (failure rate);
 цена за клик (сокр. CPC, от англ. Cost Per Click) и др.
На рис. 3.11 представлен классический пример дашборда с группированными метриками по трафику и уровням конверсии в заявки (лиды), посещаемости и т. д.
Кстати функциональность ПО Power BI5 помогает серьезно улучшить взаимодействие аналитиков с коллегами в работе по развитию веб-сервисов с учетом представленных в дашборде метрик и их показателей с цветовой индикацией по заданным
уровням.
Охарактеризуем технико-экономические метрики pageview и failure rate:
 метрика pageview (просмотр страницы) отражает количество страниц веб-сайта,
которые посетили пользователи за сеансы просмотра веб-ресурса в среднем за
выбранный период;

Рис. 3.11. Пример дашборда по трафику и конверсиям на платформе Power BI

5

Комплексное программное обеспечение бизнес-анализа корпорации Microsoft. Power BI относится к классу
self-service и является частью единой цифровой платформы для управления большими данными.

90

Глава 3

 метрика failure rate (интенсивность отказов) отражает процентное соотношение

отказов от общего количества посетителей сайта (unique users), когда они зашли
на сайт и сразу вышли (в течение считанных секунд) по технической или иной
причине.
В свою очередь, дашборды представляют собой веб-панели динамических отчетов,
отображающие сводки по ключевым метрикам аналитического маркетингового исследования. Это прогрессивный способ взаимодействия разработчиков цифрового
продукта, отдела маркетинга и руководства компании при анализе целевой аудитории и конверсий по сценариям работы посетителей, решении задачи минимизации
рекламных расходов и других сплит-тестов (A/B/C) для проверки гипотез на действующем проекте (в режиме онлайн).
Дашборд используется веб-аналитиком для визуализации данных в виде диаграмм,
таблиц и графиков, отражающих все бизнес-метрики в режиме реального времени.

Дизайн-система Material Design (Google Inc.)
Рассмотрим частный случай стандартизации графических элементов веб-интерфейса по дизайн-системе Material Design, активно используемой в веб-разработке
для унифицированного подхода (в качестве нативного языка обмена информацией
между интерфейсом цифрового продукта и пользователем), где эта система определяет функциональные, технические и другие визуальные правила формирования
элементов пользовательского интерфейса6.
Дизайн-система разработана в корпорации Google и широко применяется в вебсервисах и мобильных смартфонах на базе Android, веб-браузере Chrome и т. д.
Профессиональные рекомендации разработчиков Material Design, касающиеся
представления двумерных графиков, можно свести к тезисам философии user
friendly + mobile friendly, где удобство, простота восприятия и точность детализации являются ключевыми принципами оформления визуальных блоков веб-интерфейса7.
В доказательство этого утверждения представим перевод цитаты из гайдлайнов:
«Роль стиля позволяет вам управлять несколькими аспектами внешнего вида панели с помощью объявлений, подобных CSS:
 цвет;
 непрозрачность;
 цвет заливки;
 непрозрачность заливки;
 цвет обводки;
 штрих-непрозрачность;
 ширина хода.
6

Раздел дизайн-системы Material Design, касающийся визуализации больших данных, вы сможете найти по
адресу: https://m2.material.io/design/communication/data-visualization.html.
7
См. https://developers.google.com/chart/interactive/docs/gallery/barchart.

Визуализация больших данных

91

Не рекомендуется свободно смешивать стили внутри диаграммы — выберите стиль
и придерживайтесь его, но так, чтобы продемонстрировать все атрибуты стиля, вот
образец».
Показанная на рис. 3.12 вертикальная гистограмма характерна для длинного списка
ранжирующих ключевых слов (с заданным семантическим значением) по оси Y.
В таком представлении будет изменяться лишь масштаб графика по оси Y в рамках
фиксированного блока или с вертикальным скроллингом.

Рис. 3.12. График динамики демографии крупных американских мегаполисов,
оформленный по правилам дизайн-системы Material Design

Отметим, что вертикальная гистограмма обладает скрытым преимуществом — может включать более 100 сравнимых наименований с удобным ранжированием от
максимума к минимуму по заданному показателю, при этом читать наименования
сравнимых величин удобно как в списке (горизонтально).
Надо также учесть, что библиотека динамических графиков AmCharts доступна для
общего использования и пригодна для визуализации в соответствии с нотацией
Material Design.

Графический метод визуализации данных
Прикладной способ моделирования графиков на основе динамических данных (по
масштабу шкал при выводе на экран) реализуется в визуализации с учетом заданных признаков (масштабных ориентиров) и используется для акцентирования внимания аудитории на сопоставимых уровнях измеряемой величины (например, ее
количества) с учетом заданного масштаба.
Аналитику необходимо обратить внимание на то, что графический метод в анализе
данных является способом наглядной визуализации результатов статистической
сводки и обработки больших данных.
Графики функций эмпирических величин характеризуются выразительностью и
доступностью для заинтересованного зрителя. Такие графики в исследовании помогают анализировать события и явления, обобщать выводы и способствовать их

92

Глава 3

дальнейшему изучению. Это также визуально доступный метод для оперативной
обработки данных с целью наилучшего представления в отчете или презентации,
показывающей результаты работы аналитика.
На практике графики, как инструментарий для исследования: анализа и выявления
закономерностей в статистике — практически незаменимы. При этом масштабирование графика решает сопутствующую проблему детализации (рис. 3.13).

Рис. 3.13. Схема масштабирования по размерной шкале

Визуализация эмпирических данных графическим методом в исследовании помогает, например, анализировать влияние каналов рекламной кампании на продажи
продукции с растущим или затухающим потребительским спросом. Это дает возможность оценить такой спрос путем сопоставления количества просмотров рекламы и переходов к покупке через клики на баннере, содержащем активную ссылку
с UTM-меткой.
UTM-метки — это прикладной инструмент (индикатор), представляющий собой
маркерные метки для счетчиков метрик в аналитических системах Яндекс.Метрика
и Google.Analytics при проведении A/B-тестов сравнения рекламных целевых страниц с отличающимися признаками. Пример конструкции UTM-метки показан на
рис. 3.14.
Используя графический метод, маркетолог в ходе исследования имеет наглядную
возможность определить ключевой канал рекламной кампании, оказывающий
максимум влияния на потребительский спрос при покупке продукции (товаров и
услуг).

Рис. 3.14. Схема реализации UTM-метки yandex в cсылке с URL-адресом домена

Визуализация больших данных

93

Графический метод — один из наиболее точных
для прогнозирования
В научном сообществе считается, что графический метод анализа является наиболее точным из существующих методов исследования и прогнозирования событий
и явлений.
Для начинающих аналитиков необходимо и достаточно знать, что графический
метод полезен для формирования аналитического прогноза, т. е. суждений о возможном состоянии объекта и его среды в будущий период времени.
Словесные экспликации (формулировки) геометрических образов на исследуемом
графике характеризуют поведение смоделированной функции по конфигурации,
стилистическому выделению или цвету и способствуют переводу внимания аналитика от геометрических примитивов на поведение изображенных на графике явлений, событий и процессов.
Вспомогательные элементы помогают в изучении графика функции для истолкования ее динамики (во времени).
Важно отметить, что наименование графика в исследовании необходимо четко и
кратко сформулировать, его цель — раскрыть графическое содержание. Пояснительные фразы допустимо располагать в пределах графического образа, рядом
с ним или выносить за его пределы.
В главе 4 при описании решения задачи минимизации рекламных расходов мы воспользуемся графическим методом для выявления зависимостей в поведении целевой аудитории веб-сервиса в процессе таргетирования рекламной кампании.
Эта тема там представлена читателям для внимательного изучения на основе исследовательской задачи «Цена или выгода?» — A/B-тестирования посадочной
страницы с помощью Яндекс.Метрики.

Переход от плоской визуализации к объемной
Переход от стандартной плоской визуализации к объемной интерпретации изменения состояния исследуемой модели должен быть обоснован логически и эмпирически. Например, когда исходная плоская визуализация графиков вида y = f(x) не дает
качественной характеристики влияния внешних факторов на ее изменения при определении ключевого фактора, реакция от влияния которого вносит существенные
колебания в стандартное распределение исходной модели.
Эмпирически в объемной визуализации возможно представить графики функций
вида y = f(x,z) и т. п.
Визуальное сравнение графиков функции с изменяемой дополнительной внутренней или внешней величиной (по оси Z) помогает аналитику оценить факторы, оказывающие существенное влияние на исследуемую функцию динамической модели.
Объемная визуализация также используется для решения комплексных инженерно-технических задач. Например, при исследовании нагрузок зданий на грунт и

94

Глава 3

а

б
Рис. 3.15. Исследование нагрузок на грунт здания при его проектировании в ПО MIDAS IT:
а — изображение фрагмента структуры грунта по слоям; б — многофакторный анализ влияния
физических объектов инфраструктуры и слоев грунта на фундамент и конструкцию высотного знания
и постобработка результатов исследования нагрузки проектируемого высотного здания на грунт

Визуализация больших данных

95

фундамент она принимает вид сложного имитационного моделирования. Так,
трехмерная съемка поверхности и анализ состава грунта на перспективных участках строительства помогают инженерам на основе изучения 3D-карты местности
оценить плотность слоев грунта, разработать модель организации дренажной системы и осушения грунта, рассчитать размер максимальной площади под застройку
и т. д.
Технически трехмерное моделирование требует специального софта. На рис. 3.15
показано, как выглядит работа по проектированию здания в программном обеспечении MIDAS IT, которое применяется в архитектуре и строительстве для исследования и прогнозирования поведения грунта при динамических нагрузках.

Принятие обоснованных решений
на основе визуализации данных
Американские ученые Лейс М. Падилья, Сара Х. Крим-Регер, Мэри Хегарти, Джанин К. Стефануччи в июле 2018 г. представили модель восприятия и принятия
решения на основе визуализации. Она описана в опубликованной ими научной
статье «Принятие решений с помощью визуализации: когнитивная основа для разных дисциплин»8.
В модели принятия решений на основе визуализации данных подчеркивается влияние рабочей памяти. Долговременная память может влиять на все компоненты и
процессы в модели либо посредством предварительного сосредоточения внимания,
либо путем сознательного применения знаний.
Особенно авторы статьи выделили в ходе экспериментов когнитивную структуру,
ведущую к ключевому сообщению для восприятия (зрителем), определяющую принятие решения (рис. 3.16).
Хотя термин «решение» имеет целый ряд значений в русском языке, в этом контексте принятие решений определяется как выбор между двумя или более конкурирующими вариантами действий из ряда представленных в заданном наборе.
Любое стратегически значимое решение, выдвинутое аналитиком в качестве рекомендации для внедрения в коммерческое использование, должно иметь четкую и
обоснованную доказательную базу целесообразности его принятия, сформированную на основе факторного анализа по социально-экономическим критериям отбора
решения из N возможных вариантов.
Общая логика в последовательности от формулировки проблемы до выработки
решения задачи и анализа результатов представлена на рис. 3.17. Отметим, что
логическая схема циклична, пока переоценка результатов не будет удовлетворять
как исполнителя, так и принимающую сторону.
В случаях, когда доказательство основано на графическом методе анализа смоделированных графиков функций, принятие решений после визуализации данных
8

См. https://cognitiveresearchjournal.springeropen.com/articles/10.1186/s41235-018-0126-3.

96

Глава 3

Рис. 3.16. Схема принятия решения на основе визуализации данных

Рис. 3.17. Логика принятия решения для сформулированной проблемы

в ходе исследования должно быть логически и эмпирически согласовано с базовыми условиями триггера выбора.
Т РИГГЕР ВЫБОРА
Триггер принятия решения (выбора) характеризуется условным выражением, которое
запускает действие. Выходные данные триггера принятия решения могут управлять
исполнительными механизмами и транзакциями. Триггеры принятия решения абстрактно определяют конечную цель исследования.
Справедливо рассматривать триггер принятия решения как правило «если-то», хотя
при решении сложных проблем возможны и исключения.

При сравнении идеальной модели в графике визуализации и реального графика
расхождения с идеалом (при наложении кривых графиков) участки расхождений

Визуализация больших данных

97

должны быть обоснованы влиянием внешних или внутренних факторов, вносящих
изменения в состояние рассматриваемого объекта исследования.
К внешним факторам влияния следует отнести:
 инфляцию;
 эпидемию или пандемию;
 внешнеэкономические санкции;
 реструктуризацию экономики.

Внешними факторами влияния (риска) характеризуются все значимые факторы,
действующие вне структуры изучаемого объекта. Если для снижения негативного
влияния их изменений на исследуемый объект нельзя изменить их самостоятельно,
рекомендуется ограничить их влияние, руководствуясь доступными инструментами
управления.
К внутренним факторам влияния относятся:
 риск отказа системы (failure rate), снижающий уровень конверсии;
 слишком низкая (задержки) или высокая скорость исполнения процедур при

взаимодействии с посетителем;
 недоступный по цене средний чек для групп целевой аудитории;

и т. п.

Логические методы принятия решений
Представления об общей схеме принятия решения недостаточно для аналитика начального уровня знаний. Поэтому введем классификацию управленческих методов
принятия решений:
 спонтанный метод;
 интуитивный метод;
 метод суждений;
 бинарный метод;
 метод многовариантности;
 поисковый метод.

Исключим спонтанный метод как эмоционально выраженный — он лишь характеризует непродуманность решений аналитика.
Интуитивный метод принятия решений основан на личных умозаключениях лица,
принимающего решения (ЛПР), и отличается высокой специфичностью. Эффективные решения на основе этого метода достигаются исключительно у людей
с врожденной интуицией. Их суждения в процессе реализации интуитивного метода принятия решений представляют собой выбор на основе накопленных знаний и
прецедентов из личного опыта или доступной общественности истории событий,

98

Глава 3

которая характеризуется стереотипами и подобными решениями в отношении
сходных проблем и ситуаций.
П РЕЦЕДЕНТ
Прецедент (от лат. praecedens, предшествующий) — случай, событие или явление,
имевшее место в прошлом, служащее основанием для принятия решения о действий
в настоящем. В судебной системе США применяется прецедентная судебная практика: решение суда или иного правового органа по конкретному делу принимается на
основе прецедента, имеющего силу источника права.

Бинарный метод (в теории принятия решений) — действие на основе анализа двух
альтернатив. Оно характеризуется высокой степенью неопределенности и риска
при логическом выборе в пользу одной из имеющихся альтернатив.
Метод многовариантности (сценариев исхода в задаче) применяется финансовыми аналитиками в разработке N вариантов финансовых планов (к примеру: оптимистического, пессимистического и наиболее вероятного).
Каждому варианту из набора N задают вероятностную оценку в виде коэффициента
успеха. Для каждого варианта рассчитывают вероятное значение критерия выбора,
а также оценки его отклонений от среднего значения. Критерии выбора здесь —
суммы прибыли, дохода и другие эконометрические показатели. Далее анализируются вероятности распределения результатов.
Какие риски следует принимать в анализ, а какие не стоит?
Для решения этой задачи финансовые аналитики используют анализ «что будет,
если» («what if» analysis). В анализе рисков этим методом не требуется детализация
схемы бизнес-процесса.
Участники исследования должны быть аналитиками с подтвержденной высокой
квалификацией и с инженерным мышлением, способные моделировать и четко
оценивать исследуемые сценарии событий и явлений. Эта методика по ее представлению свободная (неформальная), и, как следствие, адекватность результатов и рекомендаций на их основании напрямую определяется опытом и профессионализмом экспертов.
Как только готов список вопросов «what if?», специалисты комплексно рассматривают каждый из них на предмет соответствия действительности. Затем рабочая
группа переходит к обсуждению первого вопроса. При этом очередность обсуждения вопросов «what if?» можно не соблюдать, а начинать с любого из них.
В ходе «мозгового штурма» прогнозируются последствия и планируется защита от
факторов риска и в результате составляются рекомендации для устранения влияния
внешних и внутренних угроз для развития компании.
Поисковый метод принятия решения обобщенно характеризуется не рациональным, а творческим мышлением. К нему прибегают в случае отсутствия приемлемых альтернатив, служащих базисом для выбора при рациональных методах принятия решений.
Применяется он в ситуациях, когда просто необходимо формулировать (моделировать) инновационные и весьма эффективные способы решения выявленной проблемы для достижения результата в работе.

Визуализация больших данных

99

Какое решение проблемы считается рациональным?
По существу, рациональным решением определяется однозначный выбор лучшей
альтернативы из ряда возможных на момент принятия решения. То есть извлечение
максимальной выгоды при минимальных затратах.
Принимаемые аналитиком решения должны основываться на достоверной статистике прошедших периодов, текущей и прогнозируемой информации, анализе всех
доступных и значимых факторов, оказывающих влияние на объект исследования
с учетом прогнозирования возможных последствий.
Рациональное решение проблемы должно быть основано исключительно на научном подходе, без опоры на спонтанный метод, в основе которого лежит ненадежный человеческий (эмоциональный) фактор.

Выводы о визуализации аналитических данных
Сформулируем последовательно выводы как о методе визуализации данных для
анализа, так и о принятии решений на ее основе.
Система знаков, цветовая схема и текстовые выноски должны четко соответствовать заданному государственному или корпоративному стандарту в зависимости от
ТЗ и предназначения исследования.
При защите аналитику следует опираться в доказательстве на стандартные общепринятые визуальные модели результатов (пирамида Маслоу, воронка продаж, гистограммы от min к max или наоборот и т. п.).
Визуальные решения, нестандартные для аудитории, обычно вызывают недоумение, поэтому следует их исключить из НИР и корпоративных отчетов, — кроме
случая необходимости в WOW-эффекте.
Американские исследователи когнитивной основы при восприятии визуализации
данных предлагают целый ряд практических рекомендаций для дизайнеров визуализации, основанных на эмпирических результатах:
 определите критическую информацию, необходимую для выполнения задачи,
и используйте метод визуального кодирования, который направляет внимание
участников на эту информацию;
 чтобы определить, какие элементы в визуализации, скорее всего, привлекут
внимание зрителей снизу вверх, попробуйте использовать алгоритм значимости9;
 стремитесь создавать визуализации, которые наиболее точно соответствуют
ментальной схеме зрителя и требованиям задачи;
 работайте над сокращением количества преобразований, необходимых в про-

цессе принятия решений;
9

Алгоритм значимости представлен научному сообществу на основе модели Itti1998, которая описывает
визуальное внимание зрителя на основе значимости для воспроизведения алгоритма быстрого анализа сцены в области видимости.

100

Глава 3

 рассмотрите возможность оценки влияния индивидуальных различий — таких

как графическая грамотность, на принятие решений в области визуализации.

Выводы о принятии решений
на основе визуализации данных
Большинство людей ежедневно используют визуальную информацию для принятия
важных решений. Для аналитика важно знать и понимать базовые выводы
и рекомендации о самом механизме принятия научно значимых решений.
 Исключение эмоционального подтекста в принятии решении необходимо, чтобы

принимать исключительно рациональные решения на основе визуализации
эмпирических данных, т. к. эмоции привносят в принятие решений ненаучный
характер обоснования.
 Переход от плоской к объемной визуализации изменения состояния исследуе-

мой модели требует научного обоснования, поэтому доказательство о влиянии
внешнего фактора по оси Z должно быть построено на имитационном моделировании (в специальном софте) с приведением визуальных и эмпирических доказательств, а также, возможно, и прецедентов как части защиты (для убедительности).
 Метод суждений при оценке визуализации данных помогает извлечь из визуаль-

ного массива на изображении (см. рис. 3.16) ключевое сообщение, сопоставляя
этот визуальный образ с каким-либо из ранее известных (для использования
правила прецедента).

 Недостаток опыта работы у начинающего аналитика может быть частично ком-

пенсирован визуальным опытом изучения исследований и выводов для оперативной оценки (сравнением аналогичных визуальных событий из собственной
долговременной памяти).
 Вывод исследователя на основе визуального анализа данных должен содержать

рациональное решение, базирующееся на научном методе и характеризуемое извлечением максимума выгоды при минимальных затратах в результате разрешения проблемы.
 Стратегическое решение аналитика, предлагаемое им в качестве рекомендации

для внедрения, должно иметь доказательную базу для защиты его целесообразности, сформированную на основе факторного анализа по социально-экономическим критериям отбора решения из всех возможных.

ГЛАВА

4

Прогнозирование коммерческого спроса
на товары и услуги
Гипотетическая оценка спроса
на основе публичной статистики
На практике маркетологам ежегодно приходится решать задачу выбора товаров для
рекламы на основе оценки спроса, используя общедоступные и коммерческие источники статистики, в том числе потребительских поисковых запросов повседневного и сезонного интереса аудитории.
Рассмотрим типовую задачу маркетинга. Для оценки состояния спроса на рынке
товаров и услуг в заданном регионе маркетологу необходимо провести статистический анализ общедоступных и коммерческих данных, после чего выполнить математическое моделирование для прогноза потребительского спроса (по конкретной
изучаемой группе товаров и услуг).
Решение задачи начнем от общего к частному, от теории к практике.
По определению суждение является гипотетическим (от греч. hyhothesis — основание), если действительность второго положения обусловлена действительностью
первого положения: если есть А, то есть В. Или, упрощенно: если действительно A,
то действительно и B.
Интерпретируем эту логическую связь в соотношение общего и коммерческого
спроса.
Формулируем общую гипотезу: если совокупный спрос A на заданную тему (товаров или услуг) растет в периоде двух лет, то, значит, и ценовой спрос B, и покупательский спрос C в рассматриваемом сегменте будут расти.
Например, если в заданном регионе есть высокочастотный спрос1 на теплоизоляцию, значит (гипотетически), есть и заинтересованные (узнать цену на услугу и
сопутствующие материалы), и производный покупательский спрос на материалы
и услуги по теплоизоляции.
1

Высокочастотный спрос характеризует популярность поискового коммерческого запроса в отношении
того или иного товара или услуги.

102

Глава 4

Гипотетическая оценка коммерческого спроса на определенные товары и услуги
в заданной (в исследовании) тематической группе определяется по следующим
соотношениям.
 Потребительский спрос по цене2 на перспективную продукцию выражается от-

ношением ценового спроса к совокупному спросу и вычисляется в процентах по
формуле
B
Спросцен = .
(1)
A
 Потребительский спрос на покупку3 перспективной продукции выражается отношением покупательского спроса к совокупному спросу и вычисляется в процентах по формуле
C
.
(2)
A
Классическая круговая диаграмма (рис. 4.1) отражает доли соотношения совокупного, ценового и покупательского спроса в заданной группе товаров и сопутствующих услуг.
Спроспокупки =

Рис. 4.1. Круговая диаграмма соотношения совокупного, ценового и покупательского спроса
в заданной группе товаров и сопутствующих услуг

Рассмотрим пример с заданными числовыми показателями статистики по теме
«Теплоизоляция» (табл. 4.1).
Из данных табл. 4.1 следует, что совокупный спрос по теплоизоляции составляет
10 824 запроса/месяц — это высокочастотный спрос.
Таблица 4.1. Характеристика спроса по заданной тематике
Характеристика спроса

Условные величины

Всего запросов в месяц

Совокупный спрос

A

10 824

Ценовой спрос

B

1024

Покупательский спрос

C

236

2

Потребительский спрос по цене на продукцию назвается ценовым спросом.

3

Потребительский спрос на покупку продукции аналогично называется покупательским спросом.

Прогнозирование коммерческого спроса на товары и услуги

103

Интерпретируем: гипотетически эта тематика востребована аудиторией в рассматриваемом регионе.
Далее оценим ценовой и покупательский спрос:
 ценовой спрос составляет 1024 запроса/мес. (это 9,5% относительно совокупно-

го спроса);
 покупательский спрос составляет 236 запросов/мес. (это 2,2% относительно со-

вокупного спроса).
Для анализа дополним табл. 4.1 величинами спроса в процентах (табл. 4.2).
Таблица 4.2. Характеристика спроса по заданной тематике и его величины
Условные
величины

Всего запросов
в месяц

Величины спроса,
%

Совокупный спрос

A

10 824

100

Ценовой спрос

B

1024

9,5

Покупательский спрос

C

236

2,2

Характеристика спроса

Результаты анализа данных табл. 4.2 показывают, что;
 ценовой спрос выше покупательского, т. е. интерес аудитории выражен, но

покупательский спрос, характеризующий желание аудитории купить товар или
услугу, значительно ниже;
 покупательский спрос очень мал относительно совокупного спроса, следова-

тельно, вероятная конверсия в продажи прогнозируется низкой.

Актуальность коммерческих потребительских запросов
Для представления условий развития коммерческого направления товаров и услуг
необходимо уточнить устойчивость спроса в годовых периодах. Введем в рассмотрение количественную метрику «актуальность поискового запроса» (в годовом
измерении).
Для оценки гипотетического потребительского спроса на товары и услуги примем
важное уточнение: понятия «актуальность» и «релевантность» — неравнозначные.
Р ЕЛЕВАНТНОСТЬ
Релевантность (англ. relevance — актуальность, уместность) в информационном поиске — соответствие интента (поискового намерения), заложенного в запросе, выдаче
в поисковой системе, полученной в результате этого запроса. Пользователь, который
вводит запрос в поисковую систему, ожидает, что результаты будут соответствовать
намерению, которое он заложил в запросе, иными словами, он получит релевантную
выдачу.

Метрика «актуальность» применительно к поисковым запросам помогает аналитику сравнить сходные ключевые фразы пользователей по динамике частоты запросов в месяц от начальной точки в прошлом (условно, 2 года назад) к текущей точке

104

Глава 4

в настоящем. Это дает возможность спрогнозировать рост, стагнацию и спад коммерческого интереса целевой аудитории к покупке товаров и услуг в ближайшем
будущем (без учета внешних форс-мажорных обстоятельств).
C помощью сравнения актуальности по ценовому и покупательскому спросу возможно проанализировать соотношение количества приценивающихся потенциальных клиентов и желающих купить товар или услугу в перспективе для прогнозирования покупательского спроса и рекомендаций для компании-производителя (или
поставщика этих товаров/услуг).

Формула актуальности поискового запроса
Актуальность поискового запроса — это отношение количества запросов за текущий период к количеству запросов за прошлый период. Она вычисляется по формуле (3) в процентном выражении.
А КТУАЛЬНОСТЬ В ПРОЦЕНТНОМ ВЫРАЖЕНИИ
Актуальность в процентном выражении способствует сравнению динамики того или
иного показателя на сопоставимых отрезках времени (например, в кварталах) по
годам в прошлом и настоящем и спрогнозировать показатели в перспективе следующего года.

Actuality =

Qi
,
Q( i − n )

(3)

где:
 Actuality — величина актуальности;
 Q — количество поисковых запросов в месяц;
 i — текущий период (например, год);
 n — количество лет для рассмотрения актуальности;
 (i – n) — прошлый период (начало отсчета для расчета актуальности).

Базовые оценки величины актуальности (X) характеризуются следующими процентными соотношениями:
 если X < 100%, то актуальность запроса снижается;
 если X на уровне 100±5%, то актуальность стагнирует (относительно уровня

прошлого периода),
 если X > 100%, то актуальность запроса возрастает.
С ТАГНАЦИЯ
Стагнация — состояние неизменности заданной величины или системы величин в течение определенного периода времени.

Применительно к величине актуальности стагнация выражается изменением актуальности темы в пределах не более и не менее 5% от начального к текущему
периоду рассмотрения.

Прогнозирование коммерческого спроса на товары и услуги

105

Оценим визуально графики роста, стагнации или спада потребительского спроса
(рис. 4.2). Здесь:
 ось X (T) — периоды времени (T — сокр. от time), в рассматриваемом случае
месяцы (уточнение: контрольная точка A — два года назад, аналогичная точка
B — в текущем году);

а

б

в

Рис. 4.2. Визуальная интерпретация роста, стагнации или спада потребительского спроса:
а — график роста актуальности (характеризуется значительным ростом показателя количественной
метрики спроса в точке B относительно исходной A); б — график спада актуальности (характеризуется
значительным снижением показателя метрики спроса в точке B относительно исходной A);
в — график стагнации актуальности (практически отсутствует рост или спад от начальной точки A
до конечной B. Допустимо незначительное изменение в пределах ±5%)

106

Глава 4

 ось Y (Q) — количество поисковых коммерческих запросов (Q — сокр. от

quantity) в месяц (в поисковой системе Яндекс или другой).
Рост актуальности может быть выражен визуально линейным или экспоненциальным графиком роста числа запросов по месяцам (в годовом измерении):
 уравнение линейной функции: y = kx + b;
 уравнение экспоненциальной функции: y = exp (t).
Линейная и экспоненциальная функции спроса с характеристиками их изменения
во времени представлены на рис. 4.3.

а

б

Рис. 4.3. Графики роста актуальности потребительского спроса: а — линейная функция (описывает
линейный рост, стагнацию или спад функции динамической величины от времени);
б — экспоненциальная функция (описывает экспоненциальный рост функции динамической величины
от времени, вызванный также изменениями условий и внешней среды,
влияющими позитивно на актуальность)

Частота ключевых фраз, отражающих поисковые запросы в Яндекс.Поиск, используется для вычисления трендов потребительского спроса: спада, стагнации или роста заданного запроса (за период: 2 года от текущей даты).
П ОЯСНЕНИЕ
Сервис Яндекс.Подбор слов по умолчанию хранит статистику за последние два года
от текущей даты, поэтому оценку актуальности спроса по Яндекс.Поиск мы и выполняем за указанный период.

Для коммерческой презентации возможно декларировать характеристику спроса
эмпирически следующими обоснованными формулировками:
 в заданном регионе совокупный спрос по теме «Теплоизоляция» составляет
10 824 запроса/месяц — это означает высокую частоту спроса в месяц, в среднем 361 запрос/день;
 из вычисленного показателя ценового спроса следует, что всего 9,5% аудитории
заинтересованы в уточнении цен на товары и услуги по теплоизоляции;
 покупательский спрос в этом регионе на указанный период слабо выражен — на

уровне 2,2% от совокупного спроса по Яндекс.Поиск;

Прогнозирование коммерческого спроса на товары и услуги

107

 актуальность товаров и услуг по данным Яндекса стагнирует в выражении сово-

купного, ценового и покупательского спроса (в периоде двух лет). Это означает,
что присутствует устойчивость интереса целевой аудитории к товарам и услугам
по теплоизоляции.
Резюмируем ситуацию по спросу: это устойчивые, приемлемые условия для развития указанного направления.

Как выйти на экспоненту доходности в компании?
Логично возникает разумный вопрос: с чем связан экспоненциальный рост спроса
на товар или услугу? Интерпретируем его на языке аналитиков: каким фактором
(или совокупностью факторов) обусловлен выход на экспоненту?
Рассмотрим для ответа на него следующий пример. В период с начала 2012 до конца 2022 года существенно вырос спрос на дистанционные курсы по быстрому освоению профессий ИТ-направления.
Оценим рост доходности российской компании «HTML Academy» (Санкт-Петербург) в сфере дистанционных курсов обучения верстке и программированию.
По графику, показанному на рис. 4.4, а, очевидно: начиная с 2012 г. темп прироста
доходности компании по годам «вышел на экспоненту». С чем это связано?
Взглянем на доступную статистику по этой компании, приведенную на рис. 4.4, б–д.

а
Рис. 4.4. (Часть 1 из 3) Графики технико-экономических характеристик компании «HTML Academy»:
а — доходы компании HTML Academy за период с 2012 по 2021 г.;

108

Глава 4

б

в

г
Рис. 4.4. (Часть 2 из 3) Графики технико-экономических характеристик компании «HTML Academy»:
б — прирост аудитории онлайн-покупателей среди жителей России в возрасте 16–55 лет в период
4
с 01.04.2014 до 01.09.2022 ; в — график посещаемости по источникам для доступа к веб-ресурсу
https://htmlacademy.ru; г — круговая диаграмма соотношения долей источников посещаемости
на основе входящего трафика к веб-ресурсу компании
4

Источник: исследования немецкой компании GfK.

Прогнозирование коммерческого спроса на товары и услуги

109

д
Рис. 4.4. (Часть 3 из 3) Графики технико-экономических характеристик компании «HTML Academy»:
д — частоты запросов для анализа актуальности запросов
по теме «HTML Academy» и спросу на дистанционные курсы

Из графиков, приведенных на рис. 4.4, и отчетов об исследованиях Яндекс5 за период с 2014 по 2022 г. складывается обоснованное мнение, что на уровень роста
доходности компании повлияла следующая совокупность факторов:
 общий рост аудитории Интернета в России (см. рис. 4.4, б), включая мобильную
аудиторию;
 рост мобильной аудитории в целом повлиял на введение требований к разработке сайтов6 по части мобильной адаптивности интерфейса (mobile friendly);
 рост зарплат в ИТ-сегменте7 в целом и по профессиям «HTML-верстальщик»
и «PHP-программист» в частности;
 рост актуальности компании, ценового и покупательского спроса на ее продукты
(см. рис. 4.4, д).
При этом покупать курсы (см. рис. 4.4, д, нижний график) желают примерно
13,84% от общего количества запросов аудитории в поиске курсов «HTML
Academy». То есть сравнение графиков роста запросов цены и запросов «купить»
характеризует курсы этой компании относительно дорогими, поскольку далеко не
все представители потенциальной аудитории способны их себе позволить.
5

Компания Яндекс проводила исследования о развитии сетей и аудитории российского сегмента Интернета
на основе данных исследовательской группы TNS.

6

См. исследование Яндекс по теме «Развитие использования мобильных платформ в РФ»,
https://yandex.ru/company/researches/2016/ya_internet_regions_2016.

7

Источник статистики по зарплатам в ИТ-сегменте по профессиям в России: https://gorodrabot.ru/
salary?p=верстальщик+html&y=2017 (периоды в сравнении зарплат ИТ-специалистов).

110

Глава 4

Эффект сарафанного радио
В контексте рассмотрения роста спроса на дистанционные курсы компании «HTML
Academy» следует упомянуть эффект сарафанного радио. Это примечательный
социально-экономический эффект взаимодействия представителей компании с клиентами, в результате которого создается положительная оценка клиентоориентированного сервиса и качества сопутствующих товаров для первой волны клиентов.
Как производная от него следуют рекомендации друзьям, коллегам и знакомым
воспользоваться услугами этой компании как поставщика качественного сервиса и
товаров.
От одного клиента первой волны рекомендации и отзывы могут быть даны знакомым людям несколько раз. Это значит, что один довольный клиент впоследствии
мотивирует положительными эмоциями для обращения в эту компанию еще несколько заинтересованных лиц.
Так и получается эффект сарафанного радио — при положительных отзывах в итоге фиксируется рост доходности продаж типовых услуг и товаров.
В целом отметим, что «сарафанное радио», или, по-научному, индекс потребительской лояльности (индекс NPS, от англ. Net Promoter Score)8 к рассмотренной
нами компании «HTML Academy» в период с 2013 по 2023 г. значительно вырос.
В качестве наглядного доказательства приведем оценки по отзывам обучавшихся
на курсах HTML-верстке и программированию:
 в сервисе «Отзовик.ру» в среднем 88% респондентов рекомендуют интенсивные

курсы этой компании (всего 336 респондентов с 2017 г. по настоящее время);
 в сервисе «I Recommend.ru» средняя оценка 4,4 из максимально возможной

величины 5 баллов (всего 80 респондентов с 2014 г.);
 в справочнике «Яндекс.Бизнес» средняя оценка 4.9 из максимально возможной

величины 5 баллов (всего 105 респондентов с 2018 г. по настоящее время).

Характеристика Mobile-Friendly по веб-сайту «HTML Academy»
Показатели метрик из отчета аналитического веб-сервиса Google Mobile Test (табл. 4.3)
демонстрируют высокий уровень исполнения веб-сайта компании «HTML Academy», предоставляющего дистанционный доступ к курсам, по части удобства
использования мобильной аудиторией.
Как можно видеть, веб-сайт компании имеет высокий совокупный балл по метрике
Google Page Speed — всего 96% из возможных 100%. Эта отличная оценка качественно характеризует веб-сайт компании как адаптивную под мобильную аудиторию точку доступа к дистанционным курсам как с ПК, так и с мобильных гаджетов.
Алгоритмы Яндекс и Google, анализирующие веб-сайты на соответствие базовым
запросам мобильной аудитории (Mobile-Friendly), серьезно влияют на доходность
8

Детально использование индекса NPS рассматривается в главе 6.

Прогнозирование коммерческого спроса на товары и услуги

111

компаний, предоставляющих доступ к цифровому контенту через адаптивные вебсайты. Это отражается и на зарплатах ИТ-специалистов, и на спросе на дистанционные курсы по специальностям «HTML-верстальщик» и «PHP-программист».
Таблица 4.3. Характеристика Mobile-Friendly
9
по веб-сайту компании «HTML Academy»
Ключевые метрики мобильной адаптивности веб-сайта

Показатели метрик

Балл Google Page Speed

96/100

Первая отрисовка контента

1,3 сек

Первая задержка ввода

11 мс

Отрисовка крупного контента

1,4 сек

Совокупное смещение макета

9

Время загрузки первого контента

0,8 сек

Индекс скорости загрузки

0,8 сек

Время загрузки для взаимодействия

2,5 сек

Время загрузки достаточной части контента

0,8 сек

Время окончания работы ЦП

2,4 сек

Приблизительное время задержки при вводе

20 мс

Динамика зарплат по специальности «HTML-верстальщик» (на ИТ-рынке по статистике агентства «HeadHunter») на 2023 г. весьма интересна для новичков. Диапазон
зарплат — от 25 тыс. до 130 тыс. рублей в зависимости от знаний, опыта и квалификации. Важно также понимать, что интенсивные дистанционные курсы являются
ключом ко входу в ИТ-сферу, где уровень зарплат в среднем выше, чем в других
сферах занятости. В доказательство приведем характерный отзыв о ситуации на
рынке труда и о мотивации пройти платные курсы для перехода в ИТ-сферу, размещенный одной из обучающихся на курсах «HTML Academy» в веб-ресурсе Отзовик.ру (05.07.2019):
«Жизнь и копеечная зарплата заставили задуматься о необходимости поиска иных
вариантов заработка или даже смены профессии. В настоящее время зарплата человека со средним медицинским образованием и высшей категорией в два раза меньше,
чем оплата труда джуниора-верстальщика, — такова реальная жизнь в Беларуси. Находясь в декрете, с ужасом ожидаешь выхода на прежнее место работы. Когда всетаки я решилась себя попробовать в HTML-верстке, то оказалось, что стоимость курсов в Беларуси нереальная: 500 и выше у. е. Знакомые рассказали о курсах «HTML
Academy». Решила посмотреть. Начала проходить бесплатные задания, быстро увлеклась и вошла в раж. Записалась на интенсив по HTML и CSS. Стоимость в эквива10
ленте 260 у. е.»

9

Источник: https://htmlacademy.ru.

10

Источник: https://otzovik.com/review_8426480.html.

112

Глава 4

Приведенный пример про «HTML Academy» и ее дистанционные курсы со всей
очевидностью показывает, что успех, выраженный в доходности компании, связан
с активной динамикой роста покупательской мобильной аудитории, уровнем зарплат в целом в ИТ-сегменте экономики и, в частности, для HTML-верстальщиков и,
как следствие, с положительными отзывами о качестве интенсивных курсов этой
компании.
Важно знать и уметь рассчитывать метрику актуальности ценового и покупательского спроса, а также уровень конверсии. Это тема следующего раздела, в маркетинге занимающей особое значение для развития продаж.

Конверсия целевой аудитории в покупатели продукции
Известное мнемоническое правило: «Каждый охотник желает знать, где сидит фазан» вполне соотносится и с классической задачей маркетологов, желающих знать,
какие веб-ресурсы посещает платежеспособная целевая аудитория, заинтересованная в рекламируемой продукции.
Анализ гипотетического спроса по актуальности впоследствии должен сопровождаться сплит-тестом (A/B) для проверки гипотез в различных рекламных каналах,
сравнением результатов и отбором по заданным признакам: конверсии, цене за
клик (CPC) в контекстной рекламе, количеству продаж и т. д.
К ОНВЕРСИЯ
Конверсия (от англ. conversion rate) — это величина эффективности, отражающая количество продаж (или заявок на покупку) товаров и услуг по отношению к общему
количеству просмотров (или другой емкости) целевой аудитории. Применяется в маркетинге для анализа эффективности исследуемой бизнес-модели или рекламной кампании.

Конверсия в интернет-маркетинге определяется по следующим формуле отношением и вычисляется в процентах:
Q( buyers )
Conversion =
,
Q( общее )
где:
 Q( buyers ) — количество пользователей, выполнивших целевое действие, направ-

ленное к совершению покупки (цели) в типовом сценарии пользователя;
 Q( общее ) — общее количество пользователей, посетивших целевую страницу для

выбора и покупки товара, включая лиц, совершивших целевое действие.
П ОЯСНЕНИЕ
Конверсия преимущественно вычисляется в процентах для иссследования соотношения прошлого, текущего и прогнозируемого периодов при оценке развития каналов
продаж.

Характеристика конверсии по целевому действию классифицируется в соответствии со сценарием работы посетителя от точки входа, например из Яндекс.Поиск,

Прогнозирование коммерческого спроса на товары и услуги

113

и далее по ссылке в результатах поиска по заданной ключевой фразе в поисковом
коммерческом запросе, до совершения целевого действия на пути к цели (скачиванию файла, заказу товаров, отправке запроса на консультацию и т. п.).
Классификация конверсии по прикладному назначению:
 конверсия в рекламе характеризует количество пользователей, заинтересованных в покупке или оценке стоимости рекламируемых товаров и услуг. Коррелирует с метрикой Cost Per Click (стоимость клика на ключевой фразе);
 конверсия на сайте характеризует количество пользователей, совершивших
целевое действие;
 конверсия продаж характеризует количество пользователей, совершивших покупку от общего количества пользователей, сгруппированных в условную целевую аудиторию бренда, представляющего группу товаров и услуг в интересах ЦА.
В зависимости от сложности сценария работы посетителя, включая количество шагов от точки входа до заказа или совершения покупки, величина конверсии может
значительно варьироваться от минимума (0%) до максимума.
Что характерно, в идеале конверсия продаж составляет несколько процентов от
аудитории веб-сайта и обычно снижается на каждом шаге посетителя. То есть максимальный уровень конверсии сильно зависит от комплекса факторов:
 от внутренних факторов целевой площадки (точнее, корпоративного веб-сайта,
онлайн-каталога или интернет-магазина):
• того, как исполнен сайт технически;
• того, как он адаптирован под мобильные смартфоны;
• того, как оптимизированы тексты под поисковые коммерческие запросы ЦА
и т. д.;
 от внешних факторов влияния на целевую аудиторию:
• периода и времени суток, активных для совершения той или иной покупки;
• адекватности цены за товар или услугу в соотношении с бюджетом клиента
на эту затрату;
• качества товара (услуги) с оценкой по рейтингу в сервисах отзывов;
• позиции сайта компании-продавца в ранжировании (в результатах интернетпоиска) по ключевым коммерческим запросам и т. д.
В общем, внутренние факторы влияния на конверсию являются сигналами для технического представления как в целом веб-сайта, так и целевой страницы в частности.
Внешние факторы, в свою очередь, определяют поведение посетителя на основании
сложившегося визуального образа и концептуального сообщения (условно: «то, что
надо, — беру», «это дорого», «почему так дешево», «интересно — надо подумать»
и т. п.).
В системах аналитики Яндекс.Метрика и Google Analytics представлен весь необходимый базовый инструментарий для детального анализа поведения посетителей

114

Глава 4

с целью выявления причин отказов в цепочке действий (сценарии работы клиента)
на пути к целевому действию:
 Яндекс.Метрика доступна для зарегистрированных пользователей по ссылке:

https://metrika.yandex.ru и содержит функциональные возможности для вебаналитики (Сводка, Отчеты, Вебвизор, Посетители, Карты кликов, Цели, Конверсии, Эксперименты и т. д.) в формате личного кабинета маркетолога для
работы с численными и качественными показателями веб-сайтов;
 Google Analytics точно так же доступна только зарегистрированным пользовате-

лям по ссылке: https://analytics.google.com/analytics/web/ и содержит в личном
кабинете структурированный набор функциональных инструментов для работы
веб-аналитика: Специальные отчеты, Аудитория, Источник трафика, Поведение,
Конверсии и т. д.
В обоих случаях аналитику предоставлена возможность работы с данными о поисковых запросах и поведении пользователей на исследуемом сайте от начала (момента подключения счетчика) до текущего момента сегодня.
Счетчики Яндекс.Метрики и/или Google Analytics используются в коде сайта с целью накопления и передачи в аналитическую систему данных о поведении посетителей для формирования отчетов и выявления портретов групп целевой аудитории
по сходным признакам (пол, возраст, география, интересы, типы используемых
устройств и т. д.)
Привязка счетчика выбранной аналитической системы выполняется веб-мастером
или аналитиком с помощью исходного кода счетчика с заданным уникальным
идентификатором ID (в исходном коде шаблона исследуемого сайта). По этому
уникальному идентификатору подлежащий изучению веб-сайт связывается с системой аналитики. Такая привязка необходима для сбора и анализа показателей
ключевых метрик, в том числе и конверсии, для выявления причин ее роста, спада
или стагнации. После добавления сайта к Яндекс.Метрике данные о посетителях
для анализа начинают поступать моментально — как только значения метрик начнут отличаться от нулевого состояния.
По умолчанию размещение исходного кода счетчика для аналитики выполняется
после открывающего тега <body> в структуре шаблона HTML- или PHP-страницы
целевого сайта. Пример счетчика представлен в листинге 4.1.
Листинг 4.1. Пример исходного кода счетчика Яндекс.Метрики
<!-- Yandex.Metrika counter -->
<script type="text/javascript" >
(function(m,e,t,r,i,k,a){m[i]=m[i]||function(){(m[i].a=m[i].a||[]).push(arguments)};
m[i].l=1*new Date();k=e.createElement(t),a=e.getElementsByTagName(t)[0],k.async=1,k.src=r,
a.parentNode.insertBefore(k,a)})
(window, document, "script", "https://mc.yandex.ru/metrika/tag.js", "ym");
ym(57662956, "init", {
clickmap:true,
trackLinks:true,

Прогнозирование коммерческого спроса на товары и услуги

115

accurateTrackBounce:true,
webvisor:true
});
</script>
<noscript><div><img src="https://mc.yandex.ru/watch/57662956" style="position:absolute;
left:-9999px;" alt="" /></div></noscript>
<!-- /Yandex.Metrika counter -->

Уточнения к примеру счетчика Яндекс.Метрики:
 в блоке счетчика, выделенном полужирным шрифтом, указан ID счетчика кон-

кретного исследуемого сайта для выдачи данных поведения посетителей зарегистрованному веб-мастеру в его личном кабинете Яндекс.Метрики для анализа;
 логические параметры отвечают за набор подключенных инструментов веб-

аналитики:
• clickmap задает подключение Карты кликов (тепловизионной карты областей
веб-страницы, куда чаще кликают посетители);
• trackLinks задает отслеживание путей переходов посетителей по внешним
ссылкам на целевом сайте;
• accurateTrackBounce выявляет отказы пользователей от сайта через заданное
количество секунд (по умолчанию до 15 сек);
П ОЯСНЕНИЕ
Значение 15 секунд для метрики «Отказы» задано по умолчанию разработчиками Яндекс.Метрики. Его можно сменить в счетчике, заменив в строке accurateTrackBounce:true
логическое значение true, например, на 10 сек так: accurateTrackBounce:10000.

• вебвизор (webvisor) дает возможность видеопросмотра поведения посетителя
во время сессии работы с сайтом на эмулируемом экране заданного размера — такого же, как и у изучаемого посетителя (в личном кабинете
Яндекс.Метрики).

Что такое воронка продаж?
По существу, термин «воронка продаж» описывает сценарий работы посетителя
в корпоративном сайте (или приложении) по выполнению целевого действия.
Модель воронки продаж в маркетинге (рис. 4.5) базируется на концепции потребительского поведения AIDA (сокр. от англ. Attention, Interest, Desire, Action). Она
характеризует логическую связь между интересным контентом веб-ресурса, привлекающим внимание целевой аудитории, и желанием выбрать и купить товары
(услуги) для удовлетворения личных желаний и потребностей на основе эмоциональной или функциональной мотивации.
По мнению американского маркетолога Э. Левиса, предложившего общественности
модель AIDA в 1986 г., реклама должна быть такой, чтобы не только выделиться,
но и удержать внимание клиента.

116

Глава 4

Рис. 4.5. Условная модель воронки продаж AIDA

Концепция модели AIDA основана на базовых принципах человеческого поведения. Простым языком эта модель рекламы мотивирует на целевое действие клиента
через положительные эмоции.
Подтверждение представленной концепции можно найти в рекламным кампаниях
Nike (слоган «Just do it» — мотивирует к действию на пути к успеху в спорте),
McDonalds (слоган «I'm lovin' it» — призывает вспомнить впечатление от вкусной
еды в ресторане) и т. д.
Для рекламы веб-сервисов в интерактивных форматах эта модель также используется в кампаниях Adidas, Nike, Columbia и других мировых брендов.

Возможно ли автоматизировать воронку продаж?
Принципиально да, но это требует исследования интересов ЦА и комплексной работы: проектирования логики и программирования скрипта воронки продаж с максимальной конверсией и обработкой возражений с учетом лексики русского языка.
Примерами тому служат текстовые и голосовые чат-боты, обрабатывающие клиентские запросы в службу поддержки (крупных компаний), и голосовые помощники типа Алиса (Яндекс) и Siri (Apple).
Для обработки голосовых запросов используются:
 подключенные базы знаний, содержащие фразы соответствия с поисковыми за-

просами клиента (с доступом к переменным данным по API — например, от
сервиса прогноза погоды, или в виде JSON-файлов словарей знаний).
 подключения к мировым веб-источникам (Wikipedia, Google, YouTube и т. д.) по

формату запрошенных данных (терминология, общеупотребимый запрос или
какое-либо видео соответственно).
 Настройки голоса воспроизведения синтезированной речи зависят от установ-

ленной на ПК операционной системы:
 Windows 7 и старшие версии;
 iOS6 и старшие версии;
 Android 5.0 и выше.

Прогнозирование коммерческого спроса на товары и услуги

117

Голосовой помощник
Характерный пример создания голосового помощника с распознаванием речи посетителя для обработки входящих запросов на Python версии 3 представлен по ссылке: https://github.com/EnjiRouz/Voice-Assistant-App. Автор приложения — Senior
Software Developer Татьяна Бабичева, Екатеринбург.
Характерно, что всего 540 строк исходного кода потребовалось автору-разработчику для реализации мультиязычного приложения Voice Assistant (голосовой помощник)11 с поддержкой русского языка (в терминологии приложения: native
language) и изучаемого английского языка (target language) для обработки комбинированной речи пользователей на двух языках.
Для реализации Voice Assistant потребуются:
 среда программирования Python IDE;
 библиотеки PyAudio и SpeechRecognition;
 метод recognize_google().

Исходный код Voice Assistant распространяется с открытой лицензией MIT для
свободного коммерческого использования. Поэтому те, кто знает Python, могут доработать код и сделать приложение для себя или даже для продажи. К примеру,
реализовать решение задачи формирования автоворонки продаж на сайте или в мобильном приложении. Для этого удобно использовать речевую технологию Google
по распознаванию голосовых команд в диалоге с пользователем. Голосовой
помощник будет отвечать заданными фразами, исходя из логики предоставления
услуг клиенту и организации продаж, что сравнимо с реальной беседой между клиентом и менеджером по продажам.
Веб-проект голосового помощника Voice Assistant в реализации на Python 3 имеет
следующие функциональные возможности:
 распознавать и синтезировать речь без доступа к Интернету (offline);
 сообщать о прогнозе погоды12 в любой точке мира;
 производить поисковый запрос в Google.Search, а также открывать список ре-

зультатов и сами результаты этого запроса;
 производить поисковый запрос видео в системе YouTube и открывать список

результатов такого запроса;
 выполнять поиск определения в Википедии c дальнейшим прочтением первых

двух предложений;
 искать человека по имени и фамилии в соцсетях ВКонтакте и др;
11

Голосовые помощники (Voice Assistant) в других источниках также называются «голосовой ассистент»
или «чат-бот».

12

Используется метеорологический веб-сервис Weather Forecast для информирования о погоде по всему
миру, доступный по адресу: https://weather-forecast.com.

118

Глава 4

 переводить с изучаемого языка на родной язык пользователя (с учетом особен-

ностей воспроизведения речи);
 воспроизводить случайное приветствие;
 воспроизводить случайное прощание с последующим завершением работы про-

граммы;
 менять настройки языка распознавания и синтеза речи.

Как следует из списка функциональных возможностей, приложение как минимум
полезно для повседневных задач пользователя, а как максимум его можно довести
до уровня коммерчески ценного голосового помощника для информирования по
услугам компании на сайте, в мобильном приложении или в виртуальной АТС —
вместо автоответчика по корпоративному телефону и для записи на консультацию
(чтобы исключить лишние действия клиента, управляя записью для встречи с автозаполнением полей голосовыми командами и детализацией запроса к специалистам
компании).

Запись, обработка и воспроизведение
голосовых команд посетителя
Речевое взаимодействие голосового помощника с посетителем заменяет привычный экранный веб-интерфейс — диалог между приложением и посетителем сводится к обмену голосовыми командами и ответами на них в случае их соответствия
функциональности приложения Voice Assistant.
Запись голосовых команд и воспроизведение ответов в диалоге между посетителем
и приложением требуют от человека непосредственного взаимодействия с микрофоном используемого устройства (смартфона, ноутбука и т. п.). При этом голосовой помощник способен отделять шумы от речевых команд и структурировать запрос на адресацию к одной из его функций и сопутствующие атрибуты для детализации запроса.

Выводы из примера реализации
голосового помощника Voice Assistant
Представленный здесь пример голосового помощника весьма интересен в коммерческой перспективе его использования. Желающим предоставляется открытая возможность самостоятельно воспроизвести скрипт приложения в среде IDE для вебразработки на языке Python 3 с подключением микрофона (на ноутбуке) для ввода
голосовых команд.
Обозначим выводы из этого примера:
 функциональность голосового помощника реализуется практически с помощью

стека языка Python, библиотек PyAudio и SpeechRecognition и метода распознавания речи recognize_google();

Прогнозирование коммерческого спроса на товары и услуги

119

 приложение способно обрабатывать различные повседневные бытовые и ком-

мерческие запросы клиентов, заданные с помощью голоса в интерфейсе цифрового продукта (веб-сайта или мобильного приложения);
 подключение класса Translation в скрипте приложения дает возможность пере-

ступить языковой барьер между родной целевой аудиторией (например, носителей русского языка) и расширить охват приложения на англоязычную аудиторию и т. д.;
 если добавить к функциональности этого помощника алгоритм обработки

запросов клиента по услугам компании с базой знаний по ставкам и условиям
обслуживания в файле JSON, вы получите черновой рабочий инструментарий
для взаимодействия с клиентами.
Рассмотренный пример голосового помощника, по сути, является учебным черновиком (иначе, «драфт») и требует доработки команд с последующим A/B-тестом на
целевой аудитории, чтобы отладить ошибки и упущения, связанные с нечеткой
речью и другими аспектами речевого диалога с клиентами для снижения уровня
показателя «отказы».
В целом этот пример направлен на то, чтобы сфокусировать внимание начинающих
аналитиков на практической возможности автоматизировать воронку продаж
с учетом эмоциональной рекламы (по модели AIDA), организующей входящий
трафик заинтересованных потенциальных клиентов на голосовой помощник,
выполняющий диалоговую функцию по заданному скрипту взаимодействия с пользователями.
Даже у корпораций бывают ошибки в использовании голосового помощника. Например Яндекс.Бизнес использует чат-бот для проверки актуальности данных клиентов, но делает это с раннего утра путем звонков абонентам по телефонам компаний (из справочника):
— Робот Снежана приветствует Вас! (детализация: Вторник. Время: 9:00).

Естественно показатель «отказы» в утренние часы будет высоким из-за некомфортного времени для сервисного диалога. Поэтому необходимо регламентировать по
анализу активности точный интервал времени для подобных звонков. Тогда эффективность чат-бота станет относительно выше и полезнее для работы компании.
О ТКАЗЫ
Метрика «отказы» характеризует процентное соотношение количества отказавшихся
от использования веб-сайта в первые секунды после обращения к ресурсу. Вычисляется в процентах и доступна для анализа в системах Яндекс.Метрика, Google Analytics
и других аналогах.

Как увеличить конверсию в электронной торговле?
Этот вопрос является знаковым в маркетинге. В целом достаточно провести расширенный факторный анализ по группам факторов, представленных в табл. 4.4,
и получить оценки по каждому из конкурентов.

120

Глава 4
Таблица 4.4. Факторный анализ конкурентов

Факторы

ГидроАктив

Master Builders

БалМонолитСтрой

KalmaTron

+

–

–

–

+

–

–

–

+

Бренд
История

–
Опубликовать

Качество

–
Выделить показатели

Преимущества

–
• Визуализировать
• Опубликовать

Лицензия

–

–

–

–

Федеральный номер
8 (800) XXX-XX-XX

–

–

–

+

Подключить телефон

Видео

Сделать
видеопрезентацию

–

–

–

Объекты

Добавить географию:

+

–

+

+

+

+

• на карте и в фильтры
• по типам объектов
Дилеры в регионах
РФ

Добавить дилеров

Продукция
Удобство каталога

+

+

+

+

Улучшить UI

2/5

3/5

4/5

–

–

–

Расчет стоимости
материалов

Добавить калькулятор

Типовые решения

±

–

–

Подготовить в лучшем
качестве
Отзывы

+

+
Форма заявки
+
3/5

–

–

+

Устаревший сайт

Отлично

И так далее по аналогии по блокам...
Выводы

• Необходимо ТЗ.

Устаревший сайт

• Улучшать по задачам
(по приоритетам)

Сравнение по ключевым факторам визуализирует текущую рыночную ситуацию.
Это помогает маркетологу составить рейтинг конкурентов в исследовании и решении задачи повышения конверсии по формальным оценкам сравнения в ранжировании от максимума к минимуму суммарных оценок: по колонкам (компании
заказчика и конкурентов) и по строкам сравнимых признаков в факторном анализе.

Прогнозирование коммерческого спроса на товары и услуги

121

Обычно после таблицы факторного анализа в отчете для клиента следуют пояснения по каждому фактору сравнения с выставленными оценками. В завершение приводится формальный список рекомендаций по улучшению состояния со ссылкой на
приложение к отчету, составленное в виде более детального технического задания
с формализацией целей и задач представленных рекомендаций.
 Рекомендации (типа «История. Опубликовать» в третьей строке табл. 4.4) возможно указывать в соответствующих ячейках по заданному критерию для
выбранного столбца компании. Сводка результатов сравнения («Выводы») приводится в последней строке таблицы факторного анализа.
 Условные плюсы (+) в таблице означают наличие или выполнение заданного
фактора сравнения для столбца этого конкурента или самой компании заказчика.
 Аналогично минусы (–) в таблице означают отсутствие или невыполнение сравниваемого фактора для этого конкурента или компании заказчика.
 Условное плюс/минус (±) означает слабо выраженную оценку качества исполнения заданного признака (фактора). Например «Типовые решения» на сайте
представлены не полностью — нужно их улучшить, и далее к таблице следуют
рекомендации по соответствующему разделу сайта.
 Дробные оценки (например 2/5) возможны в случае градации качества исполнения конкретного фактора — например, удобства использования интерфейса
сайта (для конкретного представленного в табл. 4.4 конкурента). В числителе
приводится оценка уровня исполнения фактора, а знаменатель 5 означает, из
скольких конкурентов эта оценка делается
В результате анализа данных, собранных в табл. 4.4, появляется возможность составить список задач для улучшения состояния дел и проранжировать их по степени важности аналитически — по весу (значению) с точки зрения достижения целей
компании, например максимальной клиентоориентированности (в ответах все
их потребительские запросы до оформления заявки) и возможности быстрого решения.
Что характерно, при проседании позиций компании в ранжировании поиска периодически (раз в месяц или квартал), необходимо повторно выполнять анализ, обновлять невыполненные позиции и дополнять конструктивно рекомендации по задачам для циклической процедуры улучшений корпоративного веб-сайта.
Впоследствии, при выполнении рекомендаций со стороны компании-заказчика, это
создаст фактический социально-экономический эффект и будет отражено в готовом
отчете для руководства компании.
С ОВЕТ
Оптимально проводить факторный анализ конкурентов в табличном редакторе, т. к.
количество конкурентов может быть более четырех плюс критерии в левой колонке.
Пять и более колонок уже не комфортно обрабатывать в MS Word или Google Doc.
Для этого удобнее использовать табличный редактор MS Excel или Google Sheets (на
выбор).

Иллюстрация, представленная на рис. 4.6, характерно иллюстрирует типовую работу аналитика по изучению конверсии относительно предыдущих периодов в сис-

122

Глава 4

Рис. 4.6. Изучение гистограммы динамики конверсии
в личном кабинете аналитической системы

теме аналитики — обычно конверсия представляется в виде гистограммы в динамике по дням, месяцам и кварталам изучаемого года.

A/B-тестирование предложений товаров и услуг
Начинающему маркетологу в начале его работы в крупной компании может быть
тяжело проводить свои решения в жизнь из-за внутривидовой конкуренции специалистов в коллективе. У одних — больше опыта, у других — собственный эксклюзивный канал продаж (на основании долгосрочного договора) и т. д.
Основная рекомендация маркетологу-новичку: подходить к обсуждению предлагаемого решения на совещании с выверенной формулировкой («без воды»):
«На основании проведенного исследования сделаны выводы и рекомендации. В моем
предложении всего три последовательные задачи, направленные на повышение конверсии».

Вступительная речь нового специалиста обязательно должна быть подкреплена
аналитикой и результатами, иначе можно получить в ответ критику и отказ. Много
времени уделить нововведениям, вероятно, не даст руководство отдела маркетинга,
но зарекомендовать себя надо последовательной работой, поэтому ни две, ни пять
задач лучше не указывать (просто сгруппируйте их).
Для внедрения обоснованных решений, направленных на увеличение конверсии,
необходима проверка гипотез на фокус-группе — то есть репрезентативной выборке из целевой аудитории.
Рассмотрим на практике метод A/B-тестирования предложений товаров и услуг путем размещения и рекламы продукции (сопоставимой по цене) при прочих равных
условиях.

Прогнозирование коммерческого спроса на товары и услуги

123

A/B- ТЕСТИРОВАНИЕ
Метод «A/B-тестирование» (от англ. A/B testing или split testing) — базовый метод маркетингового исследования, применяемый для сопоставления предложений товаров и
услуг по выбору фокус-группой (из целевой аудитории).

Суть метода заключается в том, что контрольная группа элементов сравнивается
с набором тестовых групп, в которых один или несколько показателей были изменены с тем, чтобы выяснить, какие из изменений улучшают целевой показатель.
Таким образом, в ходе проведения эксперимента (теста) все сводится к условному
сравнению варианта A и варианта B, целью которого является определение лучшего из двух представленных вариантов (рис. 4.7).

Рис. 4.7. Схема вариантов A и B для сплит-тестирования цветовой схемы
веб-дизайна корпоративного сайта

Одним из дочерних видов A/B-тестирования является многовариантное тестирование. В этом случае тестируются не два целостных варианта, а сразу несколько элементов продукта или составных частей исследуемого объекта в различных сочетаниях, при которых каждый тестируемый элемент может быть двух видов (A или B).
Этот метод популярен в веб-дизайне, где есть его типичное применение — исследование влияния цветовой схемы, расположения и размера элементов интерфейса
на конверсию сайта. При этом часто тестируются две очень похожие веб-страницы
(условные страницы А и В), которые различаются лишь одним элементом или
несколькими (тогда метод называют A/B/n-тестированием). Страницы А и В показываются различным посетителям в равных пропорциях, при этом посетители, как
правило, не знают об этом.
По прошествии определенного времени или достижении достаточно большого числа показов сравниваются числовые показатели цели и определяется наиболее подходящий вариант страницы.
Преимуществом метода является оперативное использование при проектировании
полученных в ходе испытаний продукта на фокус-группе объективных данных.
Для A/B-тестирования веб-дизайна часто используются инструменты сервисов вебстатистики. При этом также важно применение механизма разбиения посетителей,

124

Глава 4

которым будет показан тот или иной вид дизайна (одному и тому же посетителю
нужно показывать тот же самый вариант дизайна).
Выполнять отслеживание сценариев работы посетителей (для анализа их поведения) возможно, например, на основе IP-адреса посетителя и установки HTTP cookie
в браузере.

Цена или выгода?
Рассмотрим опубликованное аналитическое исследование группы разработчиков
компании Яндекс: «Цена или выгода? A/B-тестирование посадочной страницы
с помощью Метрики»13.
В этом примере рассматривается триггер выбора — что важнее для потребителей
(покупателей новых легковых машин в автосалоне): «цена» или «выгода». Это интересное и актуальное исследование локального рынка. Вывод имеет ценность для
накопления знаний об интересах целевой аудитории.
Цель исследования: выявить фактор, определяющий решение потребителя о покупке автомобиля.
В общем, эта задача сводится к просеиванию (фильтрации) входящего целевого
трафика аудитории для выявления приоритетного фактора, формирующего решение клиента о дорогостоящей покупке автомобиля. Соответственно условная воронка конверсии посадочной страницы представлена на рис. 4.8.

Рис. 4.8. Воронка конверсии посадочной страницы

Ключевой сложный вопрос: как получить лид, если посетитель чувствителен
к цене и при этом не до конца определился, какой автомобиль ему нужен? Решающий фактор при покупке автомобиля — цена. Но в зависимости от комплектации
она варьируется, и клиент часто покупает авто дороже, чем рассчитывал, — в процессе выбора предпочел более богатую комплектацию или выявил для себя новые
требования к автомобилю, о которых раньше не задумывался.
13

Источник: https://yandex.ru/adv/solutions/cases/toyota-avtomir-ab-test.

Прогнозирование коммерческого спроса на товары и услуги

125

Л ИД
В сообществе маркетологов и веб-разработчиков устойчивым выражением, описывающим входящие заявки, является термин «лид» (от англ. lead) — заявка (заявки)
потенциального клиента в маркетинговой коммуникации через рекламный канал.

Официальный дилер Toyota «Тойота Центр Челябинск Север» провел A/B-тестирование посадочной страницы с помощью Яндекс.Метрики. Оказалось, что если указывать на сайте выгоду при покупке автомобиля, а не его цену, можно получить
+40% к конверсии.
В ходе исследования был использован следующий набор инструментов:
 Яндекс.Метрика/Отчеты/Параметры визитов (для сбора и анализа данных о поведении пользователей на сайте);
 CallKeeper (конструктор веб-форм технологии обратного звонка);
 кастомный JavaScript-скрипт для оценки результатов по заданным условиям.
Период проведения A/B-теста: 2 рабочие недели.
Решалась задача: как получить лид, если посетитель:
 чувствителен к цене;
 не до конца определился, какой автомобиль ему нужен.
Описать все факторы ценообразования на посадочной целевой странице нельзя изза ограниченной области видимости экрана до прокрутки — если под каждой миникарточкой представления модели автомобиля в такой условной витрине, как показана на рис. 4.9, добавить много мелких описаний, это вызовет перегрузку внима-

Рис. 4.9. Посадочная страница для A/B-тестирования

126

Глава 4

ния. Тем более что каждый покупатель при общении с менеджером отдела продаж
получает при консультации индивидуальное коммерческое предложение.
Ключевая цель рекламы посадочной страницы (в исследовании маркетолога):
получить контакт с потенциальным клиентом.

Как эффективнее сделать представление товаров в витрине целевой страницы
для конверсии во входящие заявки (лиды)?
Гипотеза: в случае если не показывать цену, а подсчитать точную выгоду при покупке автомобиля — увеличится ли конверсия в звонки и заявки?
Условие: цены на автомобили на протяжении всего теста не изменялись.
Рассмотрим два альтернативных варианта посадочной страницы (рис. 4.10):
 вариант A — предложение с выгодой;
 вариант B — предложение с ценами.

а

б
Рис. 4.10. Варианты предложений автомобилей с выгодой и ценами:
а — предложение A (с акцентом на финансовую выгоду при покупке автомобиля);
б — предложение B (с ценами на новые модели для покупки автомобиля)

Прогнозирование коммерческого спроса на товары и услуги

127

Для поставленной в A/B-тесте задачи по выявлению приоритетного фактора при
принятии клиентом решения о покупке (из двух альтернатив: цена или выгода)
потребуется выполнить следующую последовательность шагов на пути к аналитическому заключению о результате теста.
Шаг № 1: определение необходимой выборки целевой аудитории для A/B-теста
Рассчитаем, сколько входящего трафика должно пройти через A/B-тест, чтобы
результаты были статистически значимыми?
В ХОДЯЩИЙ ТРАФИК
Входящий трафик в рассматриваемом контексте (для сопоставления в A/B-тесте) характеризует входящий поток обращений посетителей к целевой рекламируемой вебстранице, содержащей предложение цены или выгоды, относительно представленной
товарной линейки.

Для определения размера выборки можно воспользоваться сервисом калькулятора
для A/B-теста (рис. 4.12): в поле Базовая конверсия сайта укажите процент конверсии до теста, а в поле Минимальный видимый эффект — процент, на который
нужно увеличить конверсию.
Если исходную конверсию принять на уровне 2%, а минимальный видимый эффект
мы ожидаем на уровне 50%, т. е. хотим увеличить его до 3% (2 + 2 ✕0,5), калькулятор покажет, что для проведения A/B-теста понадобится направить на каждую из
тестируемых страниц минимум по 3292 посетителя (см. рис. 4.11)14.

Рис. 4.11. Калькулятор базовой конверсии сайта
для расчета размера выборки целевой аудитории

14

Источник: https://computy.ru/projects/abcalculator.php.

128

Глава 4

Шаг № 2: отправка данных в Яндекс.Метрику
По умолчанию в нашем исследовании все посетители имеют равный шанс увидеть
любой из двух вариантов — он назначается случайным образом. Для этого в код
сайта добавлен кастомный скрипт (листинг 4.2). Шанс нового посетителя увидеть
один из вариантов равен 50%. При этом, как только посетителю будет показан один
из вариантов, — до конца эксперимента только его он и будет видеть при повторных заходах.
Варианты закрепляются в cookies браузера, посетитель станет считаться новым
в случае, если очистит кеш.
Фактическое количество посетителей, которые увидели вариант, скорее всего, не
будет точно соответствовать 50%, но постепенно с течением времени количество
посетителей в каждом варианте будет к этой величине приближаться. Для чистоты
эксперимента от его начала и до конца изменений в распределении трафика не производилось.
Листинг 4.2. Кастомный скрипт JavaScript для A/B-теста
<script>
$(document).ready(function(){
function ab_test(){
if($('.bg-acc3.font-f').text().indexOf("Выгода") != -1){
console.log("AB Text Benefit");
var myParams = {ABTest: {form_text: "выгода"}};
}else{
console.log("AB Test Price");
var myParams = {ABTest: {form_text: "цены"}};
}
yaCounterXXXXXXXX.params(myParams);
};
setTimeout(ab_test, 5000);
});
</script>

Этот короткий javascript-код для настройки параметров счетчика Яндекс.Метрики
необходим в решении задачи для накопления результатов (кликов) по альтернативным вариантам (выгода или цена). Он способствует эмпирической оценке выбора альтернативы среди респондентов (по той или иной рекламной странице в A/Bтесте).
Обратите внимание, что в листинге 4.2 переменная var myParams может принимать
разные значения
 код задает текст с выгодой (определен параметр):
var myParams = {ABTest: {form_text: "выгода"}};

 код задает текст с ценой (определен параметр):
var myParams = {ABTest: {form_text: "цены"}};

Прогнозирование коммерческого спроса на товары и услуги

129

Шаг № 3: настройка целей и интеграция с кол-трекингом
Входящие заявки на звонки считываются через события в JavaScript, полученные
звонки — через передачу офлайн-данных.
Цель Звонок (рис. 4.12) учитывается в отчетах, как и другие цели, — помогает вебаналитику в работе и позволяет предметно изучить поведение посетителей, которые позвонили в офис.

Рис. 4.12. Передача данных кол-трекинга в Метрику

На практике передавать данные кол-трекинга в Яндекс.Метрику достаточно просто — следует сообщить об этом в службу поддержки собственного сервиса колтрекинга. При передаче звонков в Метрику от системы кол-трекинга увеличенный
период учета конверсии в Метрике в процессе включается автоматически.
Для A/B-теста важно использовать динамический кол-трекинг — тогда входящие
звонки будут привязаны к конкретным визитам. Вероятно, на время тестирования
понадобится увеличить пул динамических номеров.
Впрочем, если посетитель позвонил спустя 21 день после посещения рекламируемого сайта, такой звонок уже не получится привязать к визиту.

130

Глава 4

Результаты: распределение конверсий по визитам с параметрами теста
Подведем результаты A/B-теста. Отчет Параметры визитов (рис. 4.14) отображает
дополнительную информацию о визитах посетителей, которая с помощью JavaScript
была передана в процессе на шаге № 2.
Важно уточнить: учитывались не достижения целей, а конкретно целевые посетители — те, кто совершил целевой визит.
Ц ЕЛЕВОЙ ВИЗИТ
Целевой визит — это визит, в ходе которого достигнута одна или несколько целей
(один или более раз). Каждый посетитель в каждом из своих визитов видел один и тот
же вариант целевой страницы и во время проведения теста не мог видеть другой
вариант. Всех целевых посетителей по каждой цели суммировали — это значение далее было передано в калькулятор.

Как следует из рис. 4.13, фактор выгода (в столбце гистограммы) чуть больше
по сравнению с правым столбцом фактора цена, что подтверждают эмпирические
результаты теста, приведенные в табличном виде под гистограммой в интерфейсе
выгрузки отчета об A/B-тесте (в Яндекс.Метрике).
Таким образом, указание выгоды на посадочной странице повышает конверсию. То
есть именно выгода является знаковым рычагом для привлечения внимания целе-

Рис. 4.13. Результаты анализа A/B-тестирования

Прогнозирование коммерческого спроса на товары и услуги

131

вой аудитории к покупке интересующей ее продукции и сопутствующего клиентского сервиса.
Когда через A/B-тест пройдет необходимое количество посетителей, нужно проверить статистическую значимость результатов.
Из отчета о проведенном A/B-тесте, показанном на рис. 4.14, следует выделить
следующие результаты показателей конверсии по заданным факторам:
 конверсия варианта A (с выгодой) — 2,57%;
 конверсия варианта B (с ценами) — 1,81%.

В результате: A > B, что и требовалось доказать в этом тесте. То есть выгода (при
покупке автомобиля) имеет преимущественное значение, чем цена. Формальные
эмпирические результаты сплит-теста приведены на рис. 4.14.

Рис. 4.14. Результаты сплит-теста

По мнению эксперта, опытного веб-аналитика медиаагентства Registratura.ru Станислава Сергеевича Кирова:
«A/B-тест помогает понять, как именно повысить конверсию посадочной страницы. Не
останавливайтесь на достигнутом — для оптимизации всегда есть место. Закончился
один A/B-тест — планируйте новый! Регулярное тестирование гипотез помогает не
только улучшить коэффициент конверсии, но и даст вам более полное представление
о ваших клиентах».

Выводы о прогнозировании спроса
В этой главе были рассмотрены алгоритмы и методы прогнозирования спроса товаров и услуг на основе общедоступной и коммерческой статистики:
 по актуальности в совокупном, ценовом и потребительском спросе,
 по конверсии целевой аудитории в покупатели продукции.

132

Глава 4

Анализ гипотетического спроса по актуальности позволяет выбрать коммерчески
значимые поисковые запросы на товары и услуги для использования в семантическом ядре веб-сайта с целью привлечения платежеспособной аудитории.
Использование формул актуальности и выгрузки данных из Яндекс.Подбор слов
в табличном редакторе MS Excel (или в Google Sheets) поможет исследователюаналитику изучить спрос и сопоставить значимость запросов, а также отфильтровать их по уровню значимости в ранжировании от максимума к минимуму для
дальнейшего анализа.
Естественно, любую гипотезу о конверсии спроса на товары и услуги необходимо
доказать или опровергнуть. Выявление коммерчески значимых факторов критически важно для маркетинга, поскольку позволяет найти рычаги для повышения
эффективности продаж товаров и услуг розничного сегмента рынка. В этом вебаналитику помогает инструментарий A/B-тестирования, показанный на рис. 4.15.

Рис. 4.15. Иллюстрация анализа данных в ходе экспериментов

В целом A/B-тест — это научно-творческий процесс анализа интересов аудитории,
конвертируемых по заданным признакам, т. е. требующий исследования для выявления дополнительных факторов по модели AIDA, где в основе интересы ЦА —
т. е. эмоции человека, желающего совершить покупку. Эксперименты (такие как
A/B-тесты) помогают аналитикам в работе постоянно.

ГЛАВА

5

Семантический метод анализа
больших текстов
В исследованиях семантический анализ текстов посетителей сайтов выполняется на
основе доступных массивов данных, полученных из опубликованных комментариев, личных чатов в мессенджерах. Изучение выполняется с учетом положений публичной оферты о коммерческом использовании данных посетителей для улучшения
качества сервиса. Как правило, оно направлено на анализ актуальности контента и
лояльности целевой аудитории к товарам и услугам компании с точки зрения поведенческих потребительских привычек посетителей.
Маркетологов интересуют суждения и отзывы с эмоциональной окраской, готовность посетителей к совершению покупки и потреблению определенных товаров и
услуг для следующей выработки аналитических рекомендаций по развитию бренда,
технологии производства и доставки и расширения линейки товаров и услуг.
А также для принятия сбалансированных решений в менеджменте компаний и
государственного управления с учетом мнений целевой аудитории.

Графические форматы
для семантического анализа текстов
Визуализация всегда проще для восприятия, чем структурированные текстовые
данные, т. к. формирует понятные с первых секунд восприятия сравнимые образы
(какие объекты больше или меньше по сравнению с аналогичными).
В ходе визуализации результатов семантического анализа (рис. 5.1) применяются
специальные форматы графического воспроизведения данных, показанные на следующих примерах:
 облако тегов, или ключевых слов (от англ. tag cloud, word cloud) — упро-

щенная модель восприятия группы тематических ключевых фраз по частоте
употребления запросов (в поиске Яндекс, Google и пр., в мессенджерах или контенте целевой страницы).
Такое облако используется для визуализации смысловых приоритетов в тексте
и получения экспресс-среза, чтобы оценить оперативно фразы семантического

134

Глава 5

ядра, проранжированные по частоте употребления: о чем представленный длинный текст.
В примере (рис. 5.1, а) визуализирован срез по анализу текста в виде облака тегов по теме «бизнес-модель на различных платформах» (business + model +
customer и т. д.);
 градиент и паттерн эмоций и частоты запросов в виде панели (дашборда, от
англ. dashboard). В примере (рис. 5.1, б) показан дашборд китайской аналитической системы мессенджера WeChat.

а

б
Рис. 5.1. Способы визуализации текстовых данных (по частоте, темам и тональности):
а — облако тегов по уровню частоты потребительских запросов (ключевых слов);
б — градиент и паттерн эмоций и частоты запросов в китайской аналитической системе
мессенджера WeChat

Семантический метод анализа больших текстов

135

Алгоритм ранжирования
смысловых приоритетов в тексте
Любая теория требует наглядного представления на практике. Поэтому рассмотрим
следующий пример, который поможет сформировать базовый навык работы с текстом. Для этого разберемся, как применять облако ключевых слов к выбранному
тексту для анализа его темы (по частоте упоминаний слов в содержимом).
Визуальное представление смысловых приоритетов помогает в быстром режиме
выделить тезисы текста, не обращаясь к его чтению. Это бывает полезно в аналитике при работе с большими объемами текстов, когда нет времени на вычитку каждого из них.

Пример № 1: смысловые приоритеты в тексте
Используем в этом примере официальную речь президента США Джо Байдена от
22 февраля 2022 года из его обращения к нации, опубликованного на английском
языке в газете «New York Times»1, для ранжирования смысловых тезисов в официальном контексте.
Подключим к HTML-документу (с исходным кодом для визуального анализа смысла исходного текста) общедоступную функциональность библиотеки AmCharts для
визуализации облака ключевых слов в стеке HTML+CSS+JavaScript2 (листинг 5.1).
Листинг 5.1. Исходный код HTML с подключенной библиотекой AmCharts
<!doctype html>
<html lang="ru">
<head>
<meta charset="UTF-8">
<title>Word Cloud</title>
<style>
body {
font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto,
Helvetica, Arial, sans-serif, "Apple Color Emoji", "Segoe UI Emoji",
"Segoe UI Symbol";
}
#chartdiv {
width:100%;
height: 500px;
}
</style>
</head>
<body>
<script src="https://www.amcharts.com/lib/4/core.js"></script>
<script src="https://www.amcharts.com/lib/4/charts.js"></script>

1
2

Источник: https://www.nytimes.com/2022/02/22/world/europe/biden-ukraine-speech-transcript.html.
Источник: https://www.amcharts.com/docs/v4/tutorials/exporting-data-from-a-word-cloud/.

136

Глава 5

<script src="https://www.amcharts.com/lib/4/plugins/wordCloud.js"></script>
<script src="https://www.amcharts.com/lib/4/themes/animated.js"></script>
<div id="chartdiv"></div>
</body>
</html>

Напишем JavaScript-код, реализующий алгоритм хранения, обработки и визуализации облака ключевых слов, способный визуализировать смысловые тезисы содержания текста (листинг 5.2).
Листинг 5.2. Исходный код JavaScript
<script>
am4core.useTheme(am4themes_animated);
// Themes end
var chart = am4core.create("chartdiv", am4plugins_wordCloud.WordCloud);
var series = chart.series.push(new am4plugins_wordCloud.WordCloudSeries());
series.accuracy = 4;
series.step = 15;
series.rotationThreshold = 0.7;
series.maxCount = 200;
series.minWordLength = 2;
series.labels.template.tooltipText = "{word}: {value}";
series.fontFamily = "Courier New";
series.maxFontSize = am4core.percent(30);
series.text = "Well, good afternoon. Yesterday Vladimir Putin recognized two regions of Ukraine
as independent states. And he bizarrely asserted that these regions are longer part of Ukraine
and they’re sovereign territory. To put it simply: Russia just announced that it is carving out
a big chunk of Ukraine. Last night, Putin authorized Russian forces to deploy into these
regions. Today he asserted that these regions actually extend deeper than the two areas he
recognized, claiming large areas currently under the jurisdiction of the Ukraine government.
He’s setting up a rationale to take more territory by force in my view. And if we listen to his
speech last night, and many of you did, I know, he’s setting up a rationale to go much further.
This is the beginning of a Russian invasion of Ukraine, as he indicated and asked permission
to be able to do from his Duma. So, let’s begin to — so, I’m going to begin to impose sanctions
in response far beyond the steps we and our allies and partners implemented in 2014. [Сократили
текст для примера*.] He explicitly threatened war unless his extreme demands were met. And
there’s no question that Russia is the aggressor. So we’re clear eyed about the challenges we’re
facing. Nonetheless, there is still time to avert the worse-case scenario that will bring untold
suffering to millions of people if they move as suggested. The United States and our allies and
partners remain open to diplomacy, if it is serious. When all is said and done, we’re going
to judge Russia by its actions, not its words. And whatever Russia does next, we’re ready
to respond with unity, clarity, and conviction. I’ll probably have more to say about this as it
moves on. I’m hoping diplomacy is still available. Thank you all very much.";
chart.exporting.menu = new am4core.ExportMenu();
chart.exporting.adapter.add("data", function(data, target) {
data.data = series.data
return data;
});
</script>

В приведенной реализации учтены следующие моменты:
 в рамках объема книги публиковать очень длинный текст речи президента США

надобности нет, и для использования в примере он сокращен;

Семантический метод анализа больших текстов

137

С ОВЕТ
Вам же, уважаемые читатели, для развития навыков работы с алгоритмом желательно
обратиться к полному тексту речи из указанного ранее источника.

 из исходного текста исключены пропуски строк — текст загружается в перемен-

ную series.text без табуляции и пустых строк;
Далее следует перенести созданный JavaScript-код в тело исходного файла HTML
и вывести его, начиная со строки после тега <div id="chartdiv"></div> (листинг 5.3).
Листинг 5.3. Модифицированный код HTML
<!doctype html>
<html lang="ru">
<head>
<meta charset="UTF-8">
<title>Облако ключевых слов</title>
<style>
body {
font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto,
Helvetica, Arial, sans-serif, "Apple Color Emoji", "Segoe UI Emoji",
"Segoe UI Symbol";
}
#chartdiv {
width:100%;
height: 500px;
}
</style>
</head>
<body>
<script src="https://www.amcharts.com/lib/4/core.js"></script>
<script src="https://www.amcharts.com/lib/4/charts.js"></script>
<script src="https://www.amcharts.com/lib/4/plugins/wordCloud.js"></script>
<script src="https://www.amcharts.com/lib/4/themes/animated.js"></script>
<div id="chartdiv"></div>
<script>
<!-- выгрузить исходный код JavaScript (листинг 5.2) с учетом табуляции вложенности тегов.
</script>
</body>
</html>

Визуализация облака ключевых слов из приведенной речи президента США после
первого запуска HTML+JavaScript дает следующий результат в виде облака тегов
(рис. 5.2).
Не будем углубляться в смысловую оценку политической речи, но здесь уже видно,
как из визуальных приоритетов ключевых слов моделируется экспресс-срез ее контекста.
В примере на английском языке очень часто встречаются служебные слова и
артикли. Для чистоты анализа рекомендуется их удалить и снова перезагрузить

138

Глава 5

текст в переменную series.text. Модифицированное облако ключевых слов на
рис. 5.3 наглядно помогает исследователю понять тему речи:
"Russia" + "we" + "and" + "Ukraine" + "russian" + "territory"

Рис. 5.2. Результат визуализации облака ключевых слов из официальной речи президента США
Джо Байдена от 22.02.2022

Рис. 5.3. Модифицированный результат визуализации облака ключевых слов
после удаления служебных слов и артиклей английского языка

Семантический метод анализа больших текстов

139

Выводы из примера
Облако ключевых слов (Word Cloud) является экспресс-алгоритмом, помогающим
раскрыть смысл представленного текста, оценить связку ключевых слов и выявить
эмоциональную тональность в исследуемом контексте массива больших текстов
без редакторской вычитки.
Такой экспресс-срез по текстам значительно ускоряет процесс анализа и дает аналитику максимально ранжируемые по частоте упоминания ключевые слова в исследуемом тексте.

Анализ тональности текста
Исследование больших текстовых данных пользователей на эмоциональную окраску является важной частью аналитики для маркетинга, менеджмента и социальнокультурных целей.
А НАЛИЗ ТОНАЛЬНОСТИ ТЕКСТА

Анализ тональности изложения текста (иначе, сентимент-анализ, в англ. opinion
mining, или emotion AI) — это класс методов контент-анализа в компьютерной лингвистике для автоматизированного поиска и отображения в текстах эмоционально окрашенной лексики, а также эмоциональной оценки мнений авторов по отношению к объектам описания в контексте содержания.

Анализ тональности больших текстов реализуется в визуальной интерпретации
градиента частоты запросов и ее эмоциональном восприятии по заданной цветовой
шкале и признакам.
На практике такой анализ применяется в обработке естественного языка пользователей Интернета и мобильных приложений, анализе текстовых данных (big data),
компьютерной лингвистике и биометрии для систематической идентификации и
количественного анализа субъективной информации. Иллюстрация тонального
анализа текстов, приведенная на рис. 5.4, условно визуализирует процесс алгорит-

Рис. 5.4. Иллюстрация тонального анализа текстов

140

Глава 5

мического изучения эмоциональной окраски текста и выявления фраз с негативным
(красным), нейтральным (желтым) и позитивным (зеленым выделением) значениями для их количественной оценки.

Пример № 2: эмоциональная тональность текста
Возьмем для примера пользовательский текст — эмоциональный отзыв об использовании смартфона в свободной форме изложения и пунктуации.
Алгоритм анализа тональности Brand Analytics в примере дает точность определения тональности до 90%. Математическая погрешность в ±10% допустима для широкого использования, но для стратегически важных задач погрешность должна
быть минимальной. Это задача взаимодействия аналитика в области сентиментанализа и программиста для обучения алгоритма определению сложных лексических связок и определения их тональности.
Пример изучения эмоциональной характеристики текста, приведенный на рис. 5.5,
наглядно иллюстрирует практический результат анализа текста отзыва о смартфоне:
 это характерный пример гибридной тональности: отзывы о товарах с упомина-

нием характеристик в свободной лексике;
 некоторые характеристики вызывают у автора отзыва позитивные эмоции,

часть — отрицательные;
 объект — наименование продукта в заголовке — нейтрален.

Рис. 5.5. Результат анализа эмоциональной тональности текста отзыва о смартфоне
(для удобства читателей черно-белого издания книги цвета выделений показаны на выносках)

Семантический метод анализа больших текстов

141

Вывод из примеров
Анализ эмоционального паттерна восприятия исследуемого объекта применяется
маркетологами на практике для оценки уровня лояльности аудитории (позитив/негатив) к новым товарам и услугам, их качеству и сопутствующему сервису
с целью управления бизнес-процессами в режиме реального времени.
Есть ли наглядные примеры пригодности семантического анализа текстовых данных в коммерческом применении?
Исследования на основе семантического анализа эффективно применяются в социальных сетях и тематических чатах. Например, в Китае деловые диалоги контрагентов преимущественно проводятся в мобильном месседжере WeChat, что позволяет легко выполнять их семантический анализ и извлекать из него пользу в конкурентной борьбе.
Анализ данных на основе живой статистики приложения предоставляет эффективную конверсию в коммерческой производной — из посетителей в клиентов сопутствующих услуг и сервисов. Использование чат-ботов в бизнес-аккаунтах помогает
путем семантического анализа диалогов и A/B-тестирования гипотез на фокусгруппах потребителей выяснять и доказывать эмпирическую мотивацию к покупке,
допустимый уровень среднего чека для исследуемой группы товаров и услуг, портрет целевой аудитории, периоды волнового потребительского спроса и пр. Все это
достигается унифицированным подходом к анализу big data, где процесс исследования тем в прикладном виде выполняется в том числе с помощью инструментария
обработки естественного языка NLP (Natural language processing). Этим обеспечивается эффективная эволюция цифровых сервисов доставки товаров и услуг (по
моделям service on demand и subscribe) на основе семантического анализа потребительских запросов пользователей.
Таким образом, семантический анализ — это полезный инструментарий для глубокого изучения аудитории и проведения самостоятельного исследования в коммерческом применении.
Сентимент-анализ предлагает ряд решений, играющих значительную роль в изучении сложных задач отбора товаров и услуг и формировании общего языка с клиентами (для улучшения понимания рекламного предложения), на основе глубокого
анализа пользовательских текстов (чатов, блогов и т. п.), поскольку семантика текста неотрывно лексически связана со структурированием его смысловых частей,
выраженных как эксплицитно3, так и имплицитно4.

3

«Эксплицитно» — здесь в значении: явно, открыто выражено в манере, свойственной представителям
целевой аудитории.

4

«Имплицитно» — здесь в значении: скрытно, неявно, в символической или метафорической форме.

142

Глава 5

Алгоритм анализа семантического ядра
для поисковой оптимизации
В контексте изучения семантического анализа и далее в анализе предметных областей (в маркетинге для монетизации веб-сервисов) часто используется термин «семантическое ядро».
По существу, семантическое ядро (СЯ, «семантика») — это осмысленный набор
ключевых запросов, отвечающих теме заданного текста. Семантическое ядро есть
у каждой страницы на сайте. Из всех СЯ страниц формируется большое общее СЯ
веб-ресурса.
Ключевой запрос («ключ», от англ. keyword) — это запросы, которые пользователи
вводят в поисковую строку, когда ищут что-то в Интернете. Термин «ключ» —
одно из словосочетаний в семантическом ядре. Он используется в поисковой выдаче Яндекса, Google и т. п. «Ключи» способствуют продвижению веб-сайтов на первые места ранжирования в поисковых системах (ПС).
Термин «SEO» (Search Engine Optimization) описывает комплекс решений технических задач по внутренней и внешней оптимизации целевого веб-сайта для повышения его позиций в результатах ранжирования по продвигаемым коммерческим запросам пользователей с целью увеличения потока входящего трафика и, как следствие, роста количества потенциальных клиентов и производной его монетизации.
Формирование семантического ядра выполняется по соответствию лексического
значения заголовка и основной ключевой фразы в заголовке путем добавления
в словарь семантического ядра дочерних ключевых слов по частоте их употребления (дубли и синонимы в тексте), отсекая общеупотребимые фразы («воду», или
«словесный мусор»).
С ЛОВЕСНЫЙ МУСОР
Словесный мусор — слова-паразиты, в том числе нецензурная и ненормативная лексика. К такому мусору относятся слова, которые не содержат ценной информации. Его
также называют водой. Словесным мусором маркируются все слова и словосочетания, засоряющие устную речь и письменный текст и неинформативные в контексте
сообщения.

Работа аналитика и веб-разработчика по улучшению поисковой оптимизации (SEO)
в продвигаемом коммерческом веб-ресурсе сводится к составлению семантического ядра и совершенствованию структуры сайта для грамотного распределения ключевых фраз по целевым страницам веб-ресурса в соответствии с их содержанием
с целью улучшения позиций этих страниц в результатах вывода поисковых систем
(Яндекс.Поиск, Google и др.).

Организация хранения и заполнения семантического ядра
Подготовка семантического ядра выполняется в строгом соответствии с заданным
алгоритмом. Логическая схема организации, хранения и заполнения семантического ядра представлена на рис. 5.6.

Семантический метод анализа больших текстов

Рис. 5.6. Схема алгоритма организации, хранения и заполнения семантического ядра

143

144

Глава 5

Домен, название сайта и его общее описание совместно с техническим заданием
помогают аналитику составить для семантического ядра первоначальный набор
ключевых слов и фраз, которые должны быть соотнесены по весу и значению
с определенными разделами изучаемого сайта. Основная ключевая фраза, задающая тему сайта, оформляется в заголовок <H1> и <TITLE> главной страницы вебресурса, чтобы указать поисковой системе Яндекс и ее модераторам на принадлежность страницы к определенным категориям каталога Яндекс.Бизнес по видам деятельности и региону РФ.

Шаг № 1: сбор необходимой технической информации
 Техническое задание (ТЗ).

Требуется для уточнения структуры сайта и вложенности страниц в каталоге
продукции.
 Домен.
Необходимо зарегистрировать и знать доменное имя для уточнения нахождения
бренда и его региона принадлежности.
 Название сайта.
Надо уточнить корректное позиционирование компании с учетом ключевой фразы и бренда.
 Общее описание сайта.
Следует знать допустимые формулировки и синонимы к ключевым словам,
регионы покрытия бренда и т. д.

Шаг № 2: построение структуры сайта
Оформление структуры веб-ресурса в виде вложенного структурированного плана
(см. рис. 5.6) в простой текстовой форме (plain text):
1. Главная страница.
/index.html

2. О компании.
/about/

2.1. Наша команда.
/about/our-command

2.2. История.
/about/history

3. Каталог продукции.
/catalog/

3.1. Категория каталога продукции
/catalog/category/

3.1.1. Карточка товара
/catalog/category/item-card

Семантический метод анализа больших текстов

145

4. Выполненные проекты
/projects/

4.1. Карточка выполненного проекта
/projects/project-card

5. Рекомендации
/recommendations/

5.1. Страница рекомендации
/recommendations/text-page

6. Контакты компании
/contacts/

6.1. Обратная связь
/contacts/feedback

6.2. Реквизиты
/contacts/account

Шаг № 3: подготовка ключевых фраз для целевых страниц
Выполняется с учетом правил оформления HTML-документа. Рекомендуется использовать для этого редактор MS Excel или Google.Sheets (на выбор исполнителя).
В примере, приведенном на рис. 5.7, показан скриншот заполнения семантического ядра ключевыми словами по разделам веб-ресурса в интерфейсе редактора
Google.Sheets.
Поле Meta Keywords заполняется на основе анализа статистики из Яндекс.Подбор5
по региону и тематике сайта. По ходу изложения рассмотрен алгоритм отбора ключевых слов для него.

Рис. 5.7. Заполнение семантического ядра в редакторе Google.Sheets
5

Общедоступный источник статистики поисковых запросов в Яндекс.Поиск. Доступен в Интернете по адресу: https://wordstat.yandex.ru.

146

Глава 5

Приоритеты (поле Приоритет) задают уровень значимости страницы для поисковой оптимизации (SEO). Высокий приоритет означает, что страница содержит максимальное значение для вывода в топ ранжирования Яндекса по заданным в поле
TITLE поисковым запросам с учетом входящих ключевых слов.
Приоритет определяется с учетом коммерческого значения страницы для продаж — входит ли она в сценарий работы пользователя с интерфейсом веб-ресурса
для заявки или покупки онлайн. Например, карточка товара с его описанием имеет
более высокий приоритет, чем условная статья о технологии производства товаров,
т. к. смысловая нагрузка описания в обзоре технологических преимуществ только
добавляет посетителю информации в случае его неуверенности для совершения
покупки, а карточка товара имеет прямое коммерческое значение — содержит товарное предложение с ценой и кнопкой Заказать или Купить (call to action) для
конверсии в покупку.
Разумно добавить колонку Синонимы и хранить в ней синонимы ключевых слов
для контента целевых страниц. Выявить синонимы можно, используя Яндекс.Подбор слов по рассматриваемому региону при запросе ключевого слова (в списке выдачи частот по запросам). Там встречаются устойчивые выражения для замены
ключевой фразы. Например, рекламную насадку на топливо-раздаточный пистолет
для АЗС можно также назвать филбордом6.
Табличный вид хранения семантического ядра помогает аналитику делать сводные
отчеты, включая выгрузки отчетов из Яндекс.Метрики по целевым страницам, дополняя семантическое ядро метриками: конверсия, отказы, длительность просмотра
и т. д. Это дает аналитику возможность выявлять слабые места в дизайне и контенте веб-ресурса и исправлять их для повышения конверсии.

Шаг № 4: заполнение важных тегов всех целевых страниц
Способ 1
При помощи Content Management System (CMS) в личном кабинете администратора
веб-ресурса. Фрагмент веб-интерфейса CMS корпоративного сайта представлен на
рис. 5.8.

Рис. 5.8. Фрагмент веб-интерфейса CMS корпоративного сайта

6
Филборд (от англ. fillboard) — рекламная насадка на топливораздаточные краны стандарта ZVA для комплектации АЗС по европейским стандартам.

Семантический метод анализа больших текстов

147

Способ 2
Если веб-проект не подразумевает подключение CMS, то добавление SEO-данных
выполняется в исходный код страниц вручную в соответствии с семантикой целевых страниц и их тегов: <TITLE>, <Meta Description>, <H1> (табл. 5.1). При этом важно
соблюдать требования HTML-верстки и не забывать про закрывающие теги </h1>.
Таблица для удобства чтения сокращена — для остальных страниц теги <TITLE>,
<Meta Description> и <H1> заполняются аналогично в соответствии с темой страницы
и поисковыми запросами посетителей применительно к ее содержанию.
Проверять после сохранения и загрузки на сервер измененные страницы необходимо с помощью официального валидатора W3C.org. Это поможет исключить человеческий фактор, с которым обычно связано появление разного рода ошибок.
Таблица 5.1. Заполнение семантически значимых тегов для целевых страниц веб-ресурса
Целевые страницы

Заполнение тегов <TITLE>, <Meta Description>, <H1>

Главная страница

<title>Сухие смеси «ГидроАктив» для гидроизоляции зданий</title>
<meta name="Description" content="Российская компания «ГидроАктив»
представляет каталог сухих смесей для надежной гидроизоляции стен, пола
и потолка.">
<meta name="Keywords" content="гидроактив,сухие смеси,гидроизоляция">
<h1>Сухие смеси «ГидроАктив»<br>гидроизоляция для ремонта зданий</h1>

О компании

<title>О компании «ГидроАктив» и производстве сухих смесей для гидроизоляции
зданий</title>
<meta name="Description" content="Российский производитель сухих смесей
«ГидроАктив» для гидроизоляции и защиты зданий от разрушений.">
<meta name="Keywords" content="компания,ооо,гидроактив,сухие
смеси,гидроизоляция">
<h1>Компания «ГидроАктив»<br>производство сухих смесей для
гидроизоляции</h1>

Каталог продукции

<title>Каталог сухих смесей «ГидроАктив» для гидроизоляции стен, пола
и потолка</title>
<meta name="Description" content="Российский производитель сухих смесей
«ГидроАктив» представляет каталог продукции для гидроизоляции стен, пола
и потолка.">
<meta name="Keywords" content="каталог,гидроактив,сухие
смеси,гидроизоляция">
<h1>Каталог сухих смесей для гидроизоляции</h1>

Категория
каталога продукции

<title>Сухие смеси «ГидроАктив» для гидроизоляции стен</title>
<meta name="Description" content="Российский производитель сухих смесей
«ГидроАктив» представляет каталог продукции для гидроизоляции стен.">
<meta name="Keywords" content="ремонт стен,гидроизоляция, сухие смеси,
гидроактив">
<h1>Сухие смеси для гидроизоляции стен</h1>

Карточка товара

<title>Купить быстротвердеющий ремонтный состав для ремонта и
гидроизоляции</title>
<meta name="Description" content="Российский производитель сухих смесей
«ГидроАктив» представляет быстротвердеющий ремонтный состав для ремонта
и гидроизоляции.">
<meta name="Keywords" content="ремонтный состав, компания,гидроактив,сухие
смеси,гидроизоляция">
<h1>Быстротвердеющий ремонтный состав «ГидроАктив»</h1>

Далее заполнение по остальным страницам структуры веб-ресурса выполняется аналогично

148

Глава 5

Практическое представление семантического эталона HTML-документа с проверенной на валидаторе W3C.org структурой отображено в листинге 5.4.
Листинг 5.4. Семантический эталон HTML-документа
<!doctype html>
<html lang="ru">
<head>
<meta charset="UTF-8">
<title>Семантический эталон HTML-документа</title>
<meta name="Description" content="Brief text description of page.">
<meta name="Keywords" content="keyword1, keyword2, keyword3">
</head>
<body>
<h1>Header of first level</h1>
<p>Some text for description of page consist of Lorem Ipsum.</p>
<p>It is a long established fact that a reader will be distracted by
the readable content of a page when looking at its layout.</p>
<h2>Header of second level</h2>
<p>The point of using Lorem Ipsum is that it has a more-or-less
normal distribution of letters, as opposed to using 'Content here,
content here', making it look like readable English. Many desktop
publishing packages and web page editors now use Lorem Ipsum as
their default model text, and a search for 'lorem ipsum' will
uncover many web sites still in their infancy.</p>
<h3>Header of third level</h3>
<p>Various versions have evolved over the years, sometimes by
accident, sometimes on purpose (injected humour and the like).</p>
</body>
</html>

Характеристика «эталон» в представленном HTML-документе вполне приемлема,
поскольку его проверка на валидаторе консорциума W3C.org подтвердила полное
отсутствие в нем ошибок и вызываемых ими предупреждений.
Семантическая структура HTML-документа по умолчанию задает наличие тегов
<TITLE>, <META ..>, <H1>, <H2>, <H3>, <P> и т. д. Иерархия заголовков H1 и далее по нумерации определяет уровни вложенности темы, заданной в заголовке первого уровня
и в <TITLE>. То есть семантическое содержание тегов H1 и <TITLE> на главной странице (main page) задает тематику веб-сайта, а далее она уже транслируется по смыслу
в дочерние заголовки и тексты. Аналогично это делается и на других страницах
сайта в соответствии с их смысловой нагрузкой и семантическими правилами
оформления.
Характеристика семантических правил оформления тегов HTML-документа и общепринятые требования по их заполнению представлены в табл. 5.2. Это важная
с точки зрения семантического значения сводка требований к поисковой оптимизации кода HTML-страницы, которая потребуется при подготовке шаблонов и контента корпоративного веб-сайта с учетом SEO.

Семантический метод анализа больших текстов

149

Таблица 5.2. Семантические правила оформления HTML-документа
Сущности и семантические теги

Требования

Заголовок страницы TITLE

• Должен отражать тему страницы.

<title>...</title>

• Лимит: не более 80 символов.
• Видимая длина в результатах выдачи Яндекса
(в сниппетах) — около 50 символов с учетом
пробелов.
• Сначала приоритетные ключевые слова.
• Не использовать специальные символы.
• Условная конструкция словосочетания зависит
от назначения страницы.
Пример:
<title>Сухие смеси «ГидроАктив» для гидроизоляции
зданий</title>

META-описание
<meta name="description" content="...">

• Должно отражать краткое содержание страницы
одним предложением.
• Лимит: от 50 до 160 символов.
• Используется для сниппета в результатах поиска.
• Не использовать специальные символы.
• Не дублировать значение <TITLE>.
Пример:
<meta name="description" content="Российская компания
«ГидроАктив» представляет каталог сухих смесей
для надежной гидроизоляции стен, пола и потолка.">

META ключевые слова
<meta name="keywords" content="...">

• Должно содержать основные ключевые слова
и синонимы.
• Оформление через запятую.
• Не использовать специальные символы.
Пример:
<meta name="keywords" content="купить, сухие
смеси,гидроактив">

Заголовок H1
<h1>...</h1>

• Должен кратко отражать тему страницы.
• Вхождение ключевых слов (Что, Где, Кому и т. п.)
• Лимит: не более 60 символов. Используется
для сопоставления со значениями дочерних тегов.
• Не использовать специальные символы.
Пример:
<h1>Сухие смеси «ГидроАктив» для гидроизоляции</h1>

Заголовок H2
<h2>...</h2>

• Должен отражать тему следующего уровня после
инфоблока.
• Вхождение ключевых слов (Что, Где, Кому и т. п.)
• Лимит: от 30 до 100 символов.
• Используется для сопоставления со значениями
дочерних тегов.
• Не использовать специальные символы.
Пример:
<h2>Каталог сухих смесей «ГидроАктив»</h2>

150

Глава 5
Таблица 5.2 (окончание)

Сущности и семантические теги

Требования

Заголовок H3

Аналогично H2

<h3>...</h3>

Заголовок H4

Аналогично H2

<h4>...</h4>

Параграф
<p>...</p>

• Должен содержать текст по теме вышестоящего
заголовка.
• Допустимо использование специальных символов.
• Лимит: от 30 до 1500 символов.
• Желательно дробить на смысловые абзацы.
Пример:
<p>В каталоге представлены все виды и наименования
сухих смесей для гидроизоляции стен, пола
и потолка.</p>

Выделение полужирным текстом
<strong>...</strong>

• Должен выделять жирным шрифтом семантически
значимую часть фразы в параграфе.
• Соотносится с поисковым запросом пользователей
веб-ресурса.
• Лимит: от 10 до 100 символов.
• Не рекомендуется использовать специальные
символы.
Пример:
<p>В каталоге представлены все виды и
<strong>наименования сухих смесей для гидроизоляции
стен, пола и потолка</strong>.</p>

Выделение курсивом
<em>...</em>

Не рекомендуется использовать:
<i>...</i>

• Должен содержать выделение курсивом основной
мысли параграфа или заголовка.
• Лимит: от 10 до 100 символов.
• Не рекомендуется использовать спец. символы.
• Соотносится с поисковым запросом пользователей
веб-ресурса.
Пример:
<p>Эффективная гидроизоляция <em>для всех
поверхностей</em>.</p>

Шаг № 5: постановка на переобход обновленных страниц веб-сайта
Обновленные страницы веб-ресурса необходимо поставить в очередь на индексацию поисковыми роботами Яндекс и Google. Для этого следует вручную или массово из семантического ядра выполнить выгрузки колонки URL с учетом домена
в значениях ячеек. В Яндексе это выполняется с помощью инструмента Вебмастер | Переобход страниц7.
7

Источник: https://webmaster.yandex.ru/site/indexing/reindex/.

Семантический метод анализа больших текстов

151

Загрузка в очередь на индексацию списка URL-адресов обновленных страниц вебресурса помогает маркетологу в оперативном режиме получить переиндексацию
страниц в Яндекс.Поиске. И, как следствие, дополнить колонку Позиции таблицы
семантического ядра веб-сайта в Яндексе. Аналогично выполняется заявка на переобход для поиска и в Google: Google Search Console | Проверка URL | Запросить
индексирование и далее следовать инструкциям в интерфейсе Google Search
Console.
В среднем на переобход уходит от считанных часов до нескольких дней — в зависимости от загруженности серверов поисковых систем. Проверить результаты переобхода возможно также в соответствующих разделах Яндекс.Вебмастер и Google
Search Console.

Алгоритм отбора ключевых фраз
для эффективной работы веб-ресурса
В качестве доступного и эффективного способа отбора ключевых слов по их семантическому значению и актуальности для подготовки текстов в ходе поисковой
оптимизации (SEO) коммерческого веб-сайта используется следующий прикладной
алгоритм, состоящий из семи последовательных шагов, направленных на решение
сопутствующих задач:
 отбора ключевых фраз для семантического ядра сайта;
 добавления семантически правильных синонимов к ключевым фразам;
 формирования семантического ядра сайта;
 подготовки оптимизированных текстов путем отбора ключевых фраз и семантического ядра.
Прикладной алгоритм сформирован на основе практических кейсов при подготовке
контента и SEO коммерческих веб-ресурсов российских компаний (корпоративных
каталогов товаров и услуг по модели service on demand).
Для исполнения алгоритма метрика актуальности является оперативно вычисляемым показателем сравнения трендов растущего, стагнирующего и падающего
спроса. Это базовый инструмент прогнозирования спроса, действующий в нормальных условиях. При этом важно отметить, что серьезные мировые и локальные
кризисы (санкции, пандемии, военные конфликты) вносят значительные форс-мажорные коррективы в потребительскую способность и приоритеты спроса целевой
аудитории.
Многие задачи потребителей откладываются до лучших времен — когда наступит
стабильность. В сложные времена внешних ограничений нарушаются потребительские привычки, т. е. логически обоснованное использование трендов актуальности,
присущее условиям стабильности:
 когда идет дождь, люди бегут за зонтами и т. п.;
 когда возникает пандемия — за масками и перчатками, но не за гидроизоляцией
и т. п.

152

Глава 5

Последовательность исполнения
алгоритма отбора ключевых фраз
Для ознакомления с алгоритмом рассмотрим последовательность шагов в процессе
реализации отбора ключевых слов в семантическое ядро веб-сайта и оптимизации
текстового контента целевых страниц. Схематично эта последовательность отражена на рис. 5.9.
Далее мы по шагам воспроизведем его реализацию на примере подготовки эффективного оптимизированного текстового контента по гидроизоляции.
П ОЯСНЕНИЕ
Основные шаги воспроизведения алгоритма по отбору ключевых слов в соответствии
с тематикой веб-ресурса для его эффективной работы во взаимодействии с поисковыми системами Яндекса и другими в тексте главы представлены тезисно. Полная
версия описания алгоритма включает пошаговые инструкции к исполнению алгоритма
и представлена в расширенном виде в папке pdf\chapter-5\algorithm-for-selecting-keyphrases-for-effective-work сопровождающего книгу файлового архива (см. приложение).

 Шаг № 1: мозговой штурм для формирования первичного набора ключе-

вых фраз характеристики компании-заказчика.
• Выполняется в ходе креативного диалога (brain storming) между исполнителем в лице веб-аналитика и заказчиком в лице владельца веб-ресурса и бизнеса.
• Направлен на формирование первичного словаря допустимых поисковых
фраз, отражающих прямой коммерческий, ценовой и косвенный спрос клиентов при поиске в ПС Яндекс, синонимов и недопустимых фраз для семантического ядра веб-ресурса.
 Шаг № 2: парсинг ключевых слов по тематическому и региональному соответствию.
• Выполняется на основе доступной статистики поисковых запросов пользователей по заданному региону в Яндекс.Поиске через общедоступный инструментарий — Яндекс.Подбор слов8.
• К рассмотрению принимается выборка из истории поисковых запросов за
2 года от текущего месяца из архива Яндекс.Подбор слов.
• Выбор региона локального соответствия применительно к компании владельца бизнеса необходимо использовать при отборе статистики поисковых
запросов по частоте употребления в поиске. Тогда выборка статистики будет
полезной для фильтрации на следующем шаге.
 Шаг № 3: сравнение и отбор ключевых фраз по семантическому соответствию и актуальности.
• Аналитический отбор ключевых фраз выполняется путем сравнения семантического соответствия первичному словарю из шага № 1 и эмпирическим
8

См. https://wordstat.yandex.ru.

Семантический метод анализа больших текстов

Рис. 5.9. Схема алгоритма отбора ключевых слов для эффективной работы веб-ресурса

153

154

Глава 5

условиям актуальности спроса (с тенденцией к стагнации или росту количества запросов в двухлетней динамике) на основе представленной статистики
по месяцам за 2 года.
• Фразы, не соответствующие исходным из первичного словаря, не принимаются к сравнению, т. к. не отражают коммерческий смысл деятельности компании.
 Шаг № 4: группировка ключевых фраз по характеристике спроса.

• Качественная сегментация отобранных на шаге № 3 ключевых фраз по следующим группам и признакам:
 прямой коммерческий спрос (признак: «купить» + товар / услуга);
 ценовой спрос (признак: «цена» или «стоимость» + товар / услуга);
 косвенный спрос (признак: вопросительная форма запроса для уточнения
характеристики товара или услуги).
 Шаг № 5: описание структуры сайта и характеристика разделов по спросу.

• Табличный формат описания структуры веб-ресурса по признакам спроса
в соответствии с поисковыми запросами для контента целевых страниц.
• Назначение соответствий по колонкам таблицы, где в первой колонке по
строкам разложены ключевые страницы структуры веб-ресурса, а во второй — соответственно характеристика спроса. Например, «Карточка товара»
отражает прямой потребительский (коммерческий) + ценовой спрос, а «Ответы на вопросы» (FAQ) — косвенный спрос.
 Шаг № 6: тематическая группировка ключевых фраз и синонимов по соот-

ветствию целевым разделам веб-сайта.
• Добавление третьей колонки (ключевых фраз из шага № 4) в табличную
характеристику спроса (шаг № 5) в соответствии с целевыми страницами
структуры веб-ресурса.
 Шаг № 7: подготовка контента для целевых страниц в соответствии с вы-

бранными ключевыми фразами.
• Написание текстов в соответствии с заданной характеристикой спроса и базовыми требованиями к поисковой оптимизации (SEO) выполняется по примеру листинга 5.4. Семантический эталон HTML-документа с соблюдением
правил оформления HTML-документа (см. табл. 5.2).
• Проверка текстов на уникальность и стоп-слова обязательно выполняется
до передачи на утверждение заказчику, т. к. необходимо соблюсти высокие
качественные показатели при подготовке текстового контента.

Семантический метод анализа больших текстов

155

Базовые требования к подготовке оптимизированных текстов
для сайта
Алгоритм включает следующие требования к текстам:
 актуальность ключевых слов;
 использование синонимов;
 использование производных ключевых фраз;
 частоту включения ключевого слова (фразы) на объем текста (1:20, т. е. 5% от

общего 100% объема текста);
 снижение количества стоп-слов;
 включение в текст одного-двух прямых покупательских запросов;
 необходимый и достаточный объем текста для ранжирования в топ-5 по ключе-

вому запросу;
 уникальность текста.

Последовательно рассмотрим представленные требования к коммерческим текстам.
Для актуальности можно выбрать общеупотребимые фразы, которые используют
потенциальные клиенты при поиске интересующих их товаров и услуг с целью
заказа и покупки. Выбирая ключевые фразы с растущим спросом, вы получаете
возможность спрогнозировать рост спроса среди клиентов на покупки (через продвигаемый сайт).
Использование синонимов полезно в оптимизированных текстах, публикуемых на
сайте, особенно для услуг — ведь не всегда клиенты могут точно сформулировать
наименование сложных услуг. Например, вместо «монтаж гидроизоляции» можно
написать сопоставимую поисковую фразу «ремонтные работы по гидроизоляции».
Это означает, что надо изначально работать с обширным словарем ключевых сопоставимых фраз для поиска, ставя в соответствие названиям услуг их синонимы и
фильтруя их по актуальности (по спросу), чтобы не потерять клиентов с отличными
от базовых ключевыми запросами.
В свою очередь, использование производных ключевых фраз также важно. Например, вместо того же «монтажа гидроизоляции» допустимо применить производную
формулировку: «монтажно-строительные работы по гидроизоляции». Так, обогащая семантическое ядро синонимами и производными ключевыми фразами, можно
расширить охват целевой аудитории через поиск Яндекса на пути к конверсии
в заявки и продажи тематических товаров и услуг.
В некоторых источниках по поисковой оптимизации текстов соотношение частоты
включения ключевой фразы (1:20) упоминается в связи с термином «плотность
ключевых слов на объем текста» — в отношении не более 5% от его объема, что
равнозначно указанному соотношению: одна ключевая фраза в среднем на 20 слов,
включая подзаголовки, и т. д.
Снижать количество стоп-слов (предлогов и других сопутствующих слов, обычно
в обилии встречающихся в текстах) необходимо, чтобы исключить сложность чте-

156

Глава 5

ния и создать в тексте органически чистую письменную конструкцию. Это способствует и поисковой оптимизации, и коммуникации с клиентом через восприятие им
коммерческих текстов, определяя уровень диалога между клиентом и компаниейпоставщиком товаров и услуг.
Включение в контекст предложений одного-двух осмысленных прямых потребительских запросов не воспрещено, а, наоборот, полезно для соответствия пользовательским ожиданиям, например:
<p>В компании ГидроАктив вы можете не только получить ценную консультацию
инженера-технолога, но и <strong>заказать сухие смеси для гидроизоляции стен,
пола и потолка</strong> с доставкой в регионы РФ и СНГ.</p>

где семантически следует выделить ключевую фразу тегом <strong>..</strong>.
При рассмотрении описаний представленных требований вполне естественно, что
может возникнуть ряд дополнительных вопросов.
 Что такое уникальность текста и какой ее уровень необходим при оптими-

зации?
По существу, уникальность текста — это эмпирическая метрика, характеризующая уровень прямых или косвенных заимствований как отдельных общеупотребимых выражений, так и целых смысловых конструкций, и определяющая уровень авторского содержания и каких-либо фразеологических заимствований (плагиата). Вычисляется она в процентной оценке (максимум: 100%).
Рекомендуется стремиться к достижению оценки на уникальность 100%, но никак не менее 80%.
Максимальной оценки проще добиться при свободном объеме текста: чем длиннее текст, тем проще формулировать фразы, меняя семантические конструкции
без оглядки на соблюдение рамок, присущих фиксированному объему текста.
 Какой объем текста необходимо и достаточно задать в статье на целевой

странице сайта для поисковой оптимизации по ключевому запросу для
вхождения в топ-5 результатов Яндекс.Поиск?
Эмпирически необходимо и достаточно (при соблюдении прочих базовых условий) задать объем текста, сравнительно равный или несколько превышающий по
количеству знаков аналогичные в топ-5 первые результаты (по этому ключевому
поисковому запросу). Условно: если максимальный объем статьи среди первых
пяти сайтов выдачи составляет 4800 знаков, значит, рекомендуется задать минимум на 10–15% больший объем текста статьи при подготовке (примерно от
5280 до 5520 знаков). Причем написать ее следует так, чтобы уникальность
содержания была около 95–100%. Это сложная задача, но выполнимая, если не
копировать общеупотребимые фразы целиком или частично из других источников. В этом смысле срабатывает правило Яндекс.Поиска: в топ выдачи результатов поиска попадают веб-ресурсы, максимально полно, ясно, точно и уникально
соответствующие поисковому запросу пользователя (при соблюдении прочих
условий).

Семантический метод анализа больших текстов

157

Рассматриваемый алгоритм подходит для лидогенерации заявок (заказов) и наращивания клиентской базы — как базис для конверсии из органического трафика
посещаемости веб-ресурса в лиды, необходимые для продаж.
Обязательное правило подготовки контента: в тексте должно быть минимум
«воды».
Уточним это правило и ответим на логично возникающие вопросы, требующие
детализации.
 Не мешает ли HTML-разметка проверке текста на уникальность?

Принципиально нет. Продвинутые алгоритмы проверки на плагиат способны
отделить текст от HTML-разметки по формальным признакам: тегам заголовков,
параграфов и т. д. Это, скорее, мешает самому специалисту вычислить точный
объем результирующего текста.
 Что делать если проверка текста на уникальность показала уровень ниже

80%?
Это не фатально — есть над чем поработать. Если нет жесткой рамки, т. е.
лимита по объему текста, то получить желаемую высокую оценку ближе к 100%
несложно. Из базовых требований алгоритма мы знаем, что текст надо делать на
10–15% больше, чем у конкурентов. Фактически можно добавить один или
несколько абзацев собственного авторского содержания, тем самым увеличив
объем текста и снизив процентное соотношение вынужденных заимствований
(общепринятых фраз). Вставка в текст цитат экспертов, как правило, снижает
уникальность, если представляет собой дублирование ранее опубликованной
в открытых источниках информации. Но если они размещаются в качестве первоисточника, то это будет полезным.
 Как использовать синонимы ключевых фраз для повышения уникаль-

ности?
Когда в результатах проверки содержания статьи выявляется переизбыток дублирования ключевой фразы, с целью повышения уникальности текста вполне
допустима замена общеупотребимых фраз сходными по семантическому значению без искажения смысла. Соответственно, в этот момент и следует разбавлять
текст синонимами с частотой по соотношению 1:20.
 Как избавиться от большого количества стоп-слов и «воды» в тексте?

Для этого стоит обратиться к полезному российскому веб-сервису «ГлавРед»9 —
он поможет веб-аналитику сократить в оптимизируемом тексте количество стопслов и «воды». Сервис отлично работает с семантическими значениями русскоязычных фраз, выделяя их в представленном к проверке тексте, и дает подсказки
по редактированию некорректных орфографически и семантически неграмотных
выражений, фактически выполняя редакторскую роль «второй пары глаз» — со
знанием русского языка и основ редакторской правки текстов.

9

См. https://glvrd.ru.

158

Глава 5

Рекомендуется действовать так:
1. Сформировать текст статьи в MS Word или Google Document (с учетом описанных ранее в алгоритме базовых требований к оптимизации текста).
2. Проверить текст сначала в сервисе «ГлавРед» и снизить количество стоп-слов и
«воды».
3. Затем проверить его на уникальность в сервисе Антиплагиат.ру10 (так удастся
очистить текст от мусора и плагиата).
4. Вычислить объем текста через инструмент верхней панели текстового редактора: Рецензирование | Статистика | Количество знаков (с пробелами).
5. После этого перенести текст копированием в редактор исходного кода, добавить
HTML-разметку (как в листинге 5.4), не забыв убрать комментарии, предназначенные для внутреннего пользования.
6. Сохранить файл текста в папку проекта в кодировке UTF-8 с транслитерацией
(как в URL) — например, так: vnutrennyaya-gidroizolyaciya-fundamentov.txt.
7. Для согласования текста или серии статей с заказчиком рекомендуется отправлять их ему либо файлом (файлами) с названием на русском языке вида Внутренняя гидроизоляция фундаментов.doc (MS Word), либо ссылкой на доступ к документу Google Document (для общего использования).
Публикация текстов без ведома заказчика в коммерческом веб-ресурсе крайне
не рекомендуется во избежание конфликта интересов (смысловых ошибок
в официальном источнике компании). Другими словами, премодерация текстов
к публикации со стороны заказчика, как правило, необходима.

Рис. 5.10. Схематическое изображение выдачи сайта на первой позиции
в ранжировании результатов Google.Search

10

В российском Интернете достаточно много сервисов проверки на уникальность — например, Антиплагиат.ру доступный по веб-адресу: https://antiplagiat.ru. Для проверки на плагиат важно использовать все доступные базы знаний.

Семантический метод анализа больших текстов

159

Схематически результат работы по поисковой оптимизации целевого сайта показан
на рис. 5.10 — визуально выделен анонс оптимизированного веб-ресурса, занявшего первую позицию в ранжировании результатов Google.Search.

Выводы об эффективности алгоритма отбора ключевых фраз
по актуальности
Эффективность алгоритма для поисковой оптимизации
Рассмотренный алгоритм пригоден для SEO при пакетном обновлении каталога
товаров и услуг корпоративного сайта, когда возможно задать типовые семантические конструкции для введения к описанию услуг, детализации их реализации по
технологии компании и т. п.
Это задает текстовый формат взаимодействия с клиентом при изучении им товарных и сервисных предложений компании заказчика в уважительном, профессиональном и общедоступном виде, исключает из текста слишком сложные обороты и
включает в него необходимый и достаточный объем ключевых фраз и синонимов.

Актуальность ключевых фраз для повышения эффективности сайта
В целом метрика «актуальность» показательна для вычисления и прогнозирования
трендов спроса по потребительским запросам аудитории (в условиях стабильности,
когда пользователи циклично воспроизводят потребительские привычки). Проведем наглядное эмпирическое сравнение двух взаимосвязанных функций: актуальности и конверсии (в процентах).
Метрика «актуальность» характеризует соотношение количества запросов в начальной и конечной точках периода:
 если актуальность превышает единицу, допустим, на 0,34 (+34%), значит, прирост количества запросов аудитории в месяц составил 34% (характеристика роста актуальности). Это положительно характеризует спрос по рассматриваемому
потребительскому запросу;
 если актуальность примерно равна 1,05 (+5%) — это стагнация и т. д.
Метрика «конверсия» применяется для оценки эффективности сайта. Уточним:
 Конверсия — количество покупателей относительно общего числа представителей целевой аудитории. Для оценки зададим условно 1% от количества запросов пользователей (перейдут на сайт и совершат покупку/заказ).
 Прогноз конверсии — ожидаемое соотношение числа покупателей от общего
числа запросов целевой аудитории по прямому коммерческому и ценовому
спросу. Косвенный спрос имеет опосредованное дополнительное значение в характеристике спроса частично заинтересованных лиц, не выразивших прямого
интереса к покупке или заказу товаров, услуг.
Что дает прогноз конверсии заказчику (владельцу сайта) для бизнеса?
 Приоритеты по ключевым словам и позиционированию товаров и услуг.
 Выбор приоритета для размещения качественных текстов.

160

Глава 5

Пример отбора актуальных ключевых фраз с заданным приоритетом по прогнозируемой конверсии по теме «Гидроизоляция» приведен в табл. 5.3 (для удобства
рассмотрения таблица сокращена). Поясним представленные в ней показатели отбора поисковых ключевых фраз:
 поисковые ключевые запросы представлены в ранжировании от максимума до

минимума по уровню вероятной конверсии;
 характерно, что покупательский спрос выражен максимально — актуальность по

запросу «купить гидроизоляцию» выросла на 36% за 2 года;
 при этом ценовой спрос выражен слабее относительно покупательского.
Таблица 5.3. Отбор ключевых слов по актуальности и конверсии
Запросы

Актуальность, %

Конверсия, %

купить гидроизоляцию

+36

18,97

гидроизоляция пола

+9

18,19

обмазочная гидроизоляция

+36

14,03

цена гидроизоляции

+12

11,71

гидроизоляция стен

+34

7,66

гидроизоляция по бетону

+44

7,53

Рекомендации по подготовке уникального контента
перед публикацией веб-ресурса
Общие рекомендации по составлению текстов для веб-сайтов способствуют в достижении положительного результата индексации в поисковых системах Яндекса и
Google.
При подготовке текстового контента необходимо ориентироваться на следующие
основные рекомендации, позволяющие добиться успешной индексации сайта в поисковой системе Яндекса.
 Тексты нельзя копировать из других источников.

Если основой для новой статьи служит заимствованный текст, ранее опубликованный в Интернете или в СМИ, следует заранее — до публикации — позаботиться о его уникальности и при необходимости переписать его (rewrite) своими
словами.
 При подготовке текста необходимо учесть ключевые слова и фразы.

Следует учесть ключевые слова и словесные обороты, которые являются поисковыми (слова и обороты, используемые целевой аудиторией для поиска информации по тематике целевого веб-сайта).

Семантический метод анализа больших текстов

161

 Тексты должны быть написаны без орфографических ошибок.

Статьи должны содержать профессиональный качественный текст «без воды»
и без ошибок по логике и орфографии — это основа для достижения высокой
лояльности целевой аудитории.
 Смысловое дробление необходимо, если текст длинный.

Объемный текст лучше разбить на абзацы с подзаголовками по смысловым инфоблокам. Это упрощает восприятие для читателя в поиске необходимого блока
содержания статьи. Ключевые фразы — для ясности и быстроты восприятия
читателем основных мыслей — следует выделять средствами форматирования.
 Желательно излагать решение проблемы с разных точек зрения.

На стадии подготовки следует четко определить проблематику статьи как с точки зрения читателя, так и с позиции компании (для решения коммерческих
задач) — предоставить в тексте квалифицированное руководство по заданной
теме (для конверсии читателя на целевое действие).
Выполнение этих рекомендаций способствует снижению временны́х потерь от низкокачественной индексации целевых страниц и помогает впоследствии улучшить
эффективность веб-ресурса.

Выводы о семантическом анализе текстов
В научном и практическом аспектах семантический анализ текстов актуален и полезен для исследований и развития как собственных компетенций специалиста, так
и научно-технического потенциала в коммерческих целях при разработке и выводе
на рынок перспективных товаров и услуг с учетом потребительских предпочтений.
Как уже было отмечено в примере с голосовым помощником (см. главу 4), решения
автоматизации воронки продаж доступны ИТ-специалистам в открытом доступе
с лицензией MIT (о свободном коммерческом использовании) и достижимы для
освоения как комплексная задача повышения эффективности продаж.
Актуальность спроса на семантический анализ, по данным Яндекс.Поиск, выросла
за два года (к 1 января 2023 г.) на 23% и составила 5950 запросов в месяц. Пример
анализа эмоциональной тональности пользовательских текстов дает аналитику срез
отношения клиентов к определенным группам и моделям товаров. Если связать результаты анализа актуальности по спросу названий товаров и провести тональный
анализ, то удастся отфильтровать товарную группу с наибольшим потребительским
спросом в заданном регионе и с позитивными отзывами клиентов, чтобы получить
и использовать эти результаты для коммерческого назначения — точнее, для продаж через каналы онлайн-ритейла.
В качестве аргументации полезности семантического анализа для решения задач
социально-экономического характера приведем в пример деятельность Сергея Николаевича Кольцова, доцента НИУ ВШЭ в Санкт-Петербурге, с 2012 года ведущего
специалиста в Лаборатории социальной и когнитивной информатики исследования
в сфере сентимент-анализа. Разработанное с его участием программное обеспече-

162

Глава 5

ние Koltran BlogMiner выявляет эмоции и отзывы пользователей «Живого журнала»
(на основе их публикаций в блогах) путем анализа списка пользователей, выбранных для изучения. Это решение на базе НИУ ВШЭ используется для выявления
общественных настроений по проблематике государственных задач с целью исключения решений, негативно критикуемых при обсуждении в социальных сетях и
тематических ресурсах.

* * *
В завершение главы следует отметить эффект применения изложенных в ней рекомендаций по части использования метрики уникальности контента для повышения
конверсии веб-ресурса. Подготовка текстового контента для коммерческого вебсайта по представленным в ней инструкциям и рекомендациям помогает на практике получить индексацию в поисковых системах Яндекса и Google с высокими
позициями ранжирования веб-страниц по сравнению с конкурентами. Это способствует приросту конверсии из посетителей в покупателей товаров и услуг, представленных в веб-сайте компании, пока после переиндексации не изменится ранжирование.
Изучайте сентимент-анализ и сопутствующие факторы влияния на доходность
компании и автоматизируйте воронки продаж — это, пожалуй, лучшее из общедоступных и возможных решений.

ГЛАВА

6

Анализ потребительского доверия
к бренду
Лояльность потребителей к бренду
Маркетинг является одной из ключевых прикладных наук, включающих исследования поведения потребителей, их привычек и отношения к брендам товаров и
услуг.
Доверие потребителей дорого стоит компаниям-производителям товаров народного
потребления. Если уровень доверия на высокой планке, то и продажи покажут
высокую прибыль по результатам текущего квартала. Если, наоборот, доверие на
минимуме, то и прибыль окажется на низкой планке.
Исследование уровня потребительского доверия к бренду, выпускаемой им продукции и сопутствующему клиентоориентированному сервису следует начать
с изучения лояльности и ее характеристики. Это сложное понятие, но попробуем
в нем разобраться последовательно.
По определению потребительская лояльность — это одобрительное отношение
клиентов к продукции и услугам, сопутствующему им фирменному стилю, качеству обслуживания и другим объективным атрибутам бренда.
В целом термин «лояльность» применительно к продукции исследуемого бренда
характеризует аналитику ситуации в условном A/B-тесте — что потребитель из
группы целевой аудитории выберет продукты именно этого бренда (A или B) на
потребительской полке в магазине при прочих равных условиях.
Как не трудно догадаться, потребительская лояльность не только имеет значение
для корпоративного сектора, но и влияет на потребительские ожидания и предпочтения на основании полученного опыта в будущем. Каждый из нас хотя бы раз
сталкивался с ситуацией выбора разрекламированного бренда товаров, и если покупка реально порадовала качеством товара (в соответствии с потребительскими
ожиданиями), то и предпочтения у нас формировались позитивные по отношению
к продукции выбранного бренда. То есть условно моделируется отношение клиента
к бренду: «При прочих равных я скорее выберу продукцию бренда A, чем остальные B и C, т. к. первая покупка была удачная, поэтому я предпочту его продукцию
вновь».

164

Глава 6

Логическая цепочка в реакции потребителя строится от выбора по качественным
признакам товара, затем в его сознании закрепляется условный знак качества этой
продукции в виде определенного бренда, после чего формируется привязанность
к подобной продукции, определяющая стиль жизни потребителя.

Классификация по характеристикам
Чтобы лучше понять, что означает термин «лояльность», рассмотрим классификацию лояльности к бренду по качественным признакам. В маркетинге представлены
следующие виды потребительской лояльности:
 Поведенческая транзакционная лояльность (от англ. transactional loyalty)

характеризует поведение потребителя. Для примера: «Я планирую и дальше покупать марку A, даже в случае, если будет возможность покупки продуктааналога от марки B по сравнительно низкой цене».
Такая характеристика лояльности к бренду является популярной в среде вебаналитиков в сфере маркетинга и помогает выявить, измерить и оценить взаимосвязь с эконометрическими показателями бизнес-модели продаж.
Использование в исследовании транзакционной лояльности способствует оценке
повторных покупок товаров бренда и среднего чека на эти покупки.
Она представляет собой эконометрическую оценку поведения потребителя без
выяснения точной причины (или нескольких причин) покупки товаров той или
иной марки. То есть поведенческая лояльность не включает в рассмотрение
самую суть — какую боль потребителя снимает совершенная покупка.
 Воспринимаемая перцепционная лояльность (от англ. perceptual loyalty) ха-

рактеризует уровень эмоциональной оценки (симпатии) покупателя к продукции
бренда. Для примера: «Когда я покупаю продукты бренда A, это приносит мне
радость и удовлетворение от совершенной покупки. Мне нравится использовать
продукт бренда A в повседневности».
Эта характеристика лояльности к бренду выявляется на основе эмоциональной
оценки покупателя после совершения покупки продукта той или иной марки.
Следовательно, выводы на основе эмоций и отзывов потребителей трудно назвать полностью конкретными.
По сравнению с транзакционным видом лояльности, перцепционный более надежный, т. к. зависит от ситуации, в которой покупатель принимает решение
в пользу одной определенной компании. Причины эмоциональной лояльности
несут прогнозируемый характер.
Это поможет аналитику найти ответы на важные вопросы:
• какие факторы мотивируют клиента к возникновению и формированию такой
устойчивой лояльности;
• какие изменения в плане лояльности могут ждать нашу компанию или продукцию в дальнейшем?

Анализ потребительского доверия к бренду

165

 Комплексная лояльность (от англ. complex loyalty) объединяет основные свой-

ства транзакционной и перцепционной характеристик и формулирует элементы
поведенческого и эмоционального вида лояльности.

Алгоритмы и метрики потребительской лояльности
Практически в маркетинге используется целый ряд специальных метрик и алгоритмов вычисления уровня потребительской лояльности (доверия) к продукции определенного бренда:
 алгоритм анализа тональности текстов посетителей;
 различные потребительские и специализированные отраслевые рейтинги;
 метрики повторных продаж и количества возвратов;
 метрика «индекс потребительской лояльности» (NPS).

Рассмотрим указанные алгоритмы и метрики последовательно.

Алгоритм анализа тональности текстов пользователей
Программный алгоритм для анализа тональности опубликованных пользовательских текстов имеет ряд модификаций в практическом исполнении. Вот, например,
характерные его реализации.
 Программная линейка продуктов российской ИТ-компании «Brand Analytics»1

обеспечивает сбор данных с наилучшей полнотой со всех доступных источников: социальных сетей, блогов, форумов, публичных каналов и чатов Telegram
и т. п. с целью контроля репутационных рисков и повышения эффективности
PR-служб крупных брендов. Фактически она предоставляет возможность постоянного мониторинга и фильтрации позитивных и негативных упоминаний бренда заказчика для устранения проблем репутационного характера. Функциональность «Brand Analytics» доступна зарегистированным пользователям-маркетологам по выбранному тарифному плану в режиме онлайн в личном кабинете.
Эта аналитическая система включена в Единый реестр российского программного обеспечения — такой статус позволяет использовать ее официально для
репутационных задач государственных органов (министерств и т. д.)
 Программа «BlogMiner» российских разработчиков из Лаборатории интернет-

исследований на базе Высшей школы экономики в Санкт-Петербурге выполнена
на Delphi 7 c оболочкой SQL Server (это позволяет обрабатывать огромные массивы данных). Работает программа под ОС Windows 7 и старше. Функционально
она обеспечивает автоматическое получение и хранение данных, формирование
выборок по заданным признакам (темам и периодам) от пользователей «Живого
журнала» (https://livejournal.com). BlogMiner в результате обработки данных
пользователей дает возможность выгрузки XML-файла со всей структурой тек1

Источник: https://br-analytics.ru.

166

Глава 6

стовых данных, включая комментарии пользователей для дальнейшего алгоритмического сентимент-анализа (от англ. sentiment analysis).
 Из публикации описания основного разработчика BlogMiner С. Н. Кольцова

(СПб ВШЭ) следует, что ключевым назначением программы является картирование комментовых сообществ в «Живом журнале». Общая цель проекта
(2012 г.) сформулирована так: выявление закономерностей образования дискуссионных сообществ в социальных сетях, для того чтобы иметь возможность обнаружить «точки» возникновения социального напряжения. Фактически проект
был направлен на выявление «горячих тем» и дискуссионных сообществ для
аналитического исследования настроений в обществе2.
Ключевые отличия представленных продуктов налицо:
 «Brand Analytics» предназначен для решения репутационных задач мониторинга

и контроля публикаций с упоминанием брендов публичных компаний, включая
государственные органы РФ. Работает со всеми доступными интернет-каналами
через веб-интерфейс с платным тарифом по уровню доступа;
 «BlogMiner» предназначен для наукоемких исследований дискутируемых тем

общественного значения на основе данных пользователей исключительно «Живого журнала». Работает стационарно. Результаты предоставляются исключительно научным сотрудникам ВШЭ в рамках проектов Лаборатории интернетисследований. Возможна кастомизация продукта под другие социальные сети.

Потребительские и специализированные отраслевые рейтинги
В свою очередь, специализированные потребительские и отраслевые рейтинги отражают общедоступные срезы лояльности аудитории к брендам (в ранжировании
от максимума к минимуму индекса лояльности) по направлениям деятельности
публичных кампаний.
Рейтинги потребительского отношения к брендам классифицируются по назначению:
 потребительские рейтинги качества продукции (в России на основе экспертизы

Росконтроля). Проверенные и одобренные этим государственным органом товары народного потребления маркируются на упаковке официальной эмблемой
«Знак качества»3.
 отраслевые рейтинги составляются специализированными рейтинговыми агент-

ствами «Brand Keys»4, «S&P Global Inc.»5 и др. Каждое из них имеет собственную специфику относительно алгоритма анализа данных, результатов и
периодичности обновления рейтингов. Возможности этих рейтингов нельзя не-

2

Источник: https://ojs.itmo.ru/index.php/IMS/article/view/112.

3

Источник: https://roscontrol.com.

4

См. https://brandkeys.com.

5

См. https://spglobal.com/spdji/en/indices/equity/sp-500-top-50/#overview.

Анализ потребительского доверия к бренду

167

дооценивать — они представляют собой индикаторы доверия клиентов и производного интереса для инвесторов (куда вложить деньги).
Сопоставляя результаты оценок рейтинговых агентств по исследуемому бренду,
аналитик может оценить не только спрос на продукцию бренда, но и ее качество, а также индикатор доверия к нему.
Таким образом, отраслевые рейтинги представляют собой ценный источник
полезных выводов для инвестирования в популярные компании с высокими
результатами лояльности.
Нельзя оставить без ответа некоторые логично возникающие вопросы по отраслевым рейтингам лояльности аудитории к брендам. Рассмотрим их последовательно.
 Откуда возможно получить статистику для отраслевых исследований с при-

менением индекса NPS?
Оценка реальных значений и динамика индекса NPS для топ-500 компаний из
числа мировых лидеров по отраслям доступна аналитику на сайте агентства
«S&P Global Inc.». Такого рода оценка показана в гистограмме, приведенной на
рис. 6.1, на примере динамики NPS компании «Apple» в сравнении с другими
мировыми брендами (по категориям экономической деятельности)6.
Статистика получена из открытой базы данных «S&P Global Inc.» и доступна
маркетологам бесплатно. Ее начинающим аналитикам весьма полезно знать и
использовать для проведения собственных научных исследований с целью выявления взаимосвязей эконометрических показателей с индексом NPS.

Рис. 6.1. Пример динамики индекса потребительской лояльности NPS компании «Apple»,
по данным «S&P Global Inc.»

 Как узнать средний отраслевой индекс NPS для топ-500 компаний?

Средняя величина индекса отражена в блоке его описания в карточке компании
(источник информации указан в ссылке, относящейся к рис. 6.1) — для сопоставления с текущим показателем NPS выбранной компании из рейтинга
топ-500 по версии «S&P Global Inc.». Данные приведены в строке «В среднем по
отрасли» (от англ. The industry average).

6

Источник: https://customer.guru/net-promoter-score/apple.

168

Глава 6

Метрики повторных продаж и количества возвратов
Выделим также и другие метрики, характеризующие лояльность клиентов к бренду
и его продукции. Узкоспециальные метрики повторных продаж и количества возвратов имеют непосредственное отношение к понятиям «когорта» и «когортный
анализ»:
 когорта — группа людей, которые объединены по какому-либо признаку, на-

пример в одну когорту могут быть сгруппированы клиенты, которые совершали
повторные покупки товара или, наоборот, осуществляли возвраты покупок.
Естественно, повторные продажи несут положительное значение для исследуемой компании, возвраты — отрицательное;
 когортный анализ — это анализ поведения выбранной когорты на протяжении

заданного интервала времени. Инструментарий Roistat7 открывает аналитику
возможность выполнить когортный анализ как для повторных продаж, так и для
возвратов. Это, как правило, интересует сетевые компании ритейла, где идет
огромный поток товарооборота ежемесячно.

С помощью когортного анализа можно выявлять позитивные и негативные
тренды в поведении клиентов для эффективного влияния на прибыльность
предприятия.

Метрика «индекс потребительской лояльности» (NPS)
В свою очередь, популярная среди маркетологов метрика «индекс потребительской
лояльности» (Net Promoter Score, NPS) актуальна из-за простоты оценки и общепринятого значения в отраслях экономики во всем мире. Вычисляется она на основе соотношения метрик промоутеров и критиков бренда и его продукции.
Выбор этой метрики для изучения обоснован тем фактом, что большинство мировых брендов, выпускающих потребительские продукты, индексируются и сопоставляются в отраслевых рейтингах именно по индексу NPS.
Поэтому мы далее подробно изучим индекс NPS и способ его оценки путем опроса
по алгоритму.

Индекс потребительской лояльности
Рассмотрим последовательно индекс потребительской лояльности с теоретической
и практической точек зрения.
Начнем с теории.
Индекс потребительской лояльности (от англ. Net Promoter Score, NPS) — метрика, определяющая индекс доверия потребителей к бренду (торговой марке) той
или иной продукции. В маркетинге это эффективный индикатор отношения потре-

7

Источник: https://roistat.com.

Анализ потребительского доверия к бренду

169

бителей к бренду. При правильном использовании в веб-аналитике индекс NPS
способствует значительному увеличению дохода компании.
Приведем в подтверждение этому два знаковых вывода специалистов международного аналитического агентства «Gartner»8:
 80% будущего дохода компании происходит от 20% существующих клиентов.

Поэтому увеличение продаж существующим клиентам критично;
 к 2025 году 80% транзакций в процессе B2B-продаж будет происходить по циф-

ровым каналам.
Поэтому так важно научиться измерять потребительскую лояльность.
Охарактеризуем основные преимущества внедрения метрики NPS для исследования:
 тесная взаимосвязь с ростом дохода и прибыли компании;
 простота сбора показателей, интерпретации и передачи данных.

Аналитики рекомендуют вычислять индекс NPS каждый месяц, квартал или раз
в полгода для оценки влияния действующей стратегии развития компании на
лояльность потребителей к бренду и выпускаемым продуктам.
Формула вычисления метрики NPS:
NPS = Promoters – Destructors
или так
NPS = Промоутеры – Критики
Вычисляется NPS в процентах9 на основе эмпирических показателей метрик в ходе
исследования. Значения метрики NPS варьируются в диапазоне от –100 до 100%.
В теоретическом смысле значение «–100» описывает полное отсутствие промоутеров, а значение «100» означает, что исследуемый бренд привлекает только промоутеров.
На специализированных веб-ресурсах общедоступно публикуются усредненные
показатели метрики для отраслевых групп экономики.
Чтобы все сказанное стало более понятно, рассмотрим следующие примеры вычисления индекса NPS.
 Пример 1

Исходные данные:
• Promoters = 30%;
• Destructors = 15%.
Результат: NPS = 15%.
8

Исследование агентства «Gartner» 2020 г под названием «Future of Sales» общедоступно для изучения по
адресу: https://www.gartner.com/en/sales/trends/future-of-sales.

9

Индикатор NPS вычисляется в процентном выражении для относительного сравнения результатов замеров
по периодам в прошлом и текущем и прогнозирования на следующий сопоставимый период.

170

Глава 6

 Пример 2

Условная компания A из отрасли B получила индекс NPS на уровне 25%.
Если сравнить показатели NPS компании A и ее конкурентов, то мы получим,
что их показатели ниже: 15–20%.
Результат компании A — уже положительный!

Промежуточные выводы
Обобщим полученные знания в нескольких ключевых тезисах для запоминания:
 метрика NPS отражает в численном показателе отношение потребителей про-

дукции к ее бренду, производимым продуктам и другим атрибутам;
 индекс потребительской лояльности на практике помогает веб-аналитику оце-

нить следующие зависимости:
• способность потребителей рекомендовать продукт того или иного бренда;
• относительную вероятность повторной покупки товаров этого бренда.

Об алгоритме опроса для оценки NPS
Системный подход к анализу потребительской лояльности формулируется в виде
алгоритма опроса целевой аудитории. Этот инструмент помогает автоматизировать
процесс сбора оценок от клиентов компании, их расчет по индексу NPS и формировать отчет с результатами анализа и рекомендациями к управленческому звену
исследуемой компании.
Алгоритм вычисления индекса NPS в общем виде выполняется согласно следующей последовательности:
1. Опрос частной выборки клиентов.
2. Вычисление индекса NPS.
3. Отчет о результатах вычислений.
Алгоритм взаимодействия аналитика с метрикой NPS в прикладном применении
несложен:
1. Маркетолог в исследовании компании в онлайн-режиме запускает опрос клиентов, совершивших покупку понравившегося продукта или услуги, — так оценивается, всем ли доволен покупатель.
2. На следующем шаге анализируются результаты (по показателю NPS), делаются
выводы и приводятся рекомендации для структурных улучшений работы компании.
Качественные уровни значимости ответов клиентов на вопросы в процессе проведения опроса распределяются по эмпирической шкале измерения метрики потребительской лояльности (NPS) в диапазоне от 0 до 10 баллов (рис. 6.2):

Анализ потребительского доверия к бренду

171

 уровень NPS < 6 баллов характеризует группу ЦА как детракторов (это крити-

ки — те, кто не рекомендуют бренд и его выпускаемую продукцию);
 уровень 6 < NPS < 8 баллов характеризует группу ЦА как нейтралов — тех, кто

не имеет особого желания рекомендовать купленную продукцию знакомым и
повторно ее покупать;
 уровень NPS > 8 баллов характеризует группу ЦА как промоутеров — тех, кто

готов активно рекомендовать продукцию бренда друзьям и повторно ее покупать.

Рис. 6.2. Метрика NPS и шкала ее оценки потребительской лояльности к бренду и его продукции

Изначально в опросе NPS значился один вопрос: «Насколько вы готовы рекомендовать наш продукт/услугу коллегам и друзьям?» Эту метрику ввел в широкое использование создатель концепции NPS, консультант по маркетингу компаний
«Satmetrix» и «Bain & Company» Фред Райхельд в 2003 году.
Сейчас список вопросов расширился, но в целом идея создателя NPS сохранилась
первоначальной — пользователь, по сути, участвует в экспресс-опросе. Для аналитики индекс NPS — это ключевой критерий роста или спада компании, продвигающей бренд и его продукцию.

Что дает исследуемой компании измерение метрики NPS?
Эмпирическая оценка индекса потребительской лояльности в анализе данных помогает оценить следующие характеристики:
 Уровень ожиданий клиентов.

Это дает возможность планировать следующие поставки и объем продаж.
 Решение проблемных узлов в клиентском сервисе и в продукте.

В онлайн-опросы для расчета NPS добавлено поле «Комментарий» — о качестве
продукта, где покупатели пишут о недостатках и преимуществах приобретенных

172

Глава 6

товаров или услуг бренда. При этом также может быть задействован механизм
анализа эмоциональной тональности текстов покупателей.
 Прогноз оттока клиентов и планирование уровня прибыли.

На основе индекса потребительской лояльности прогнозируется, сколько клиентов с высокой вероятностью «откажутся» от продукции бренда, сколько «останутся» с ним и с большей вероятностью совершат покупку повторно в ближайшем будущем.
 Медиапланирование рекламы.

На основе индекса потребительской лояльности прогнозируется вероятность
привлечения в текущий период новых покупателей.
То есть если клиенты выражают недовольство продукцией бренда, то аналитику
необходимо исследовать причины проблемы и рекомендовать пути их решения.
В ином случае привлечение новых клиентов из-за негативного опыта предыдущих завершится отказами, вследствие чего компания их потеряет.
 Реферальный маркетинг «на волне сарафанного радио».

Чем выше уровень показателя NPS, тем выше вероятность успеха — позитивные
клиенты порекомендуют бренд своим друзьям и знакомым. То есть отзыв или
рекомендация довольного клиента — это путь к сарафанному радио.
 Удержание аудитории.

На основе индекса потребительской лояльности необходимо измерять соотношение довольных и недовольных покупателей. Причем с позитивными и негативными покупателями следует взаимодействовать по отдельности. Например,
следующим образом:
• предоставить баллы к дисконтной программе лояльным покупателям;
• найти решения проблем для недовольных.

Опрос клиентов для анализа лояльности к бренду
Создание опроса для проверки индекса лояльности к бренду следует вести по заданному алгоритму. Сопоставимый инструментарий конструктора веб-форм и анализа метрик в режиме онлайн доступен на выбор исполнителя:
 https://surveys.yandex.ru/ (сервер в России)10;
 https://testograf.ru (Россия);
 https://survio.com (Чехия);
 https://durveymonkey.com (США).

10

Размещение серверов в России соответствует требованиям Роскомнадзора о правилах хранения и обработки персональных данных российских граждан согласно Федеральному закону № 152-ФЗ от 27 июля 2006 г.

Анализ потребительского доверия к бренду

173

Шаг № 1: составление списка вопросов
Для опроса необходимо в простой письменной форме (в MS Word или Google.Doc)
составить список вопросов в количестве не более пяти. Важно не перегружать
лишней информацией внимание клиента.
Темы и примеры вопросов представлены далее для ознакомления и формулировки
собственных вопросов по аналогии с приведенными здесь.
Удовлетворенность клиентов компании
Это «лакмусова бумага» для оценки уровня негатива или позитива покупателей. Вы
можете задать следующие вопросы подобного вида (в формате комфортного диалога с клиентами):
 Насколько Вам удобно работать с {Компанией}?
 По сравнению с конкурентами качество нашей продукции лучше, хуже или такое же?
 Насколько хорошо представители службы поддержки {Компании} отвечают на
Ваши вопросы?
 Вы готовы порекомендовать продукцию {Бренда} друзьям и коллегам?
Серия таких наводящих вопросов направлена на выяснение мотивации клиента, а
также факторов позитива или негатива для их последующей обработки.
Доверие к бренду производителя продукции
Необходимо сформулировать для клиентов «комфортные» вопросы подобной смысловой нагрузки:
 Какой товар вы предпочтете купить: бренда А или бренда B, при сравнительно
равной стоимости?
 Вы покупаете товар нашего бренда из-за качества продукции или доступной
цены?
 Вам нравится новая линейка товаров нашего бренда?
 Вы бы купили себе наш товар (товары) в следующем сезоне?
Репутация бренда
Выявить уровень узнаваемости бренда можно с помощью следующих вопросов:
 Слышали ли Вы раньше о нашем бренде?
 Насколько хорошо Вы знаете наш бренд?
 Какой бренд Вы предпочитаете {здесь можно привести список для выбора,
включая наш бренд среди прочих}?
Качество продукции и ее ценность
 На выбор предлагается вариация вопросов о качестве продвигаемых продуктов:
• Насколько надежным Вы оцениваете {Бренд}?
• Как бы Вы оценили качество нашего товара?

174

Глава 6

 На выбор предлагается вариация вопросов о ценности бренда и производимой

продукции:
• Насколько ценен {бренд или товар} для Вашей семьи?
• Если в более удобном месте продается товар другого бренда, насколько вероятно, что Вы перейдете на него?
• Если товар другого бренда дешевле, насколько вероятно, что Вы перейдете
на него?
Атрибуты бренда
Каждый бренд имеет собственную особенность, выражающую его индивидуальность: технология, дизайн, usability или что-то другое. Важно понять, что волнует
покупателей, и задать вопрос об этом. Например:
 Вам нравится наш обновленный дизайн {здесь можно указать бренд или какую-

либо его модель}?
 В каком цвете Вы бы хотели получить продукт {здесь можно указать бренд или

какую-либо его модель}?

Шаг № 2: заполнение веб-формы опроса для публикации
Вне зависимости от выбора инструментария веб-аналитику далее необходимо
заполнить веб-форму опроса для работы с целевой аудиторией. Как уже ясно из
позиций шага № 1, в опросе могут найти место максимум пять тематических
вопросов:
1. Удовлетворенность клиентов компании.
2. Доверие к бренду производителя продукции.
3. Репутация бренда.
4. Качество продукции и ее ценность.
5. Атрибуты бренда.
Подготовленный опрос из пяти вопросов должен быть сформулирован последовательно согласно приоритетам заданных тем. При этом необходимо назначить шкалу оценки для каждого вопроса с выбором от 1 до 10 баллов (условных единиц
в виде «звездочек»).
В частных случаях можно поступать иначе — например, национальный оператор
сотовой связи «Мегафон» опрашивает клиентов следующим образом (через СМСсообщения с короткого номера 5500):
Здравствуйте, это Мегафон.
Хотели бы узнать Ваше мнение о нас.
Ответьте, пожалуйста, на 2 вопроса и помогите улучшить наши тарифы. Это бесплатно.
Вопрос 1: исходя из опыта использования своего тарифа, насколько вероятно,
что Вы порекомендуете нас знакомым?

Анализ потребительского доверия к бренду

175

Отправьте в ответ число 0 до 10, где:
10 — Обязательно порекомендую
0 — Точно не порекомендую

В зависимости от выставленной оценки далее предлагается второй вопрос:
Вопрос 2: пожалуйста, расскажите подробнее, почему Вы поставили такую оценку.

Важно отметить, что маркетологи рекомендуют избегать прямых текстовых оценочных суждений в опросе NPS, а также использования оценочных характеристик
в дополнительных вопросах, — например, таких: «Вы поставили нам низкую оценку, поясните, пожалуйста, с чем это связано».
Словесные оценки клиентов могут быть весьма эмоциональными и в формулировках не всегда конструктивными, поэтому обсуждать их точечно веб-аналитику (при
массовом опросе), кроме редких исключений, нецелесообразно — лучше работать
с числовым индикатором количественной оценки NPS. Это даст возможность получить срез лояльности по целевой аудитории.

Шаг № 3: выборка целевой аудитории для рассылки опроса
Частная выборка группы из ЦА формируется по признаку даты и времени взаимодействия с сервисом компании. Согласно аналитике медиаагентства CustomerGauge,
ответная реакция компании на совершенную покупку в течение 48 часов повышает
количество повторных обращений клиента на 2,2%. То есть обратную связь от покупателя необходимо получить путем опроса в течение двух суток после покупки.
Оперативный анализ результатов опроса по индикации метрики NPS помогает без
промедления выявить проблемы компании и перейти к их устранению — как
минимум (поскольку не все в компании зависит от веб-аналитика) предложить рекомендации для их решения.
Репрезентативная выборка должна быть сформирована по одному или нескольким
ключевым признакам описания покупателей:
 недавно — точнее, не менее одного часа назад или не более двух суток с момента завершения транзакции, — совершали покупку товара (этого бренда) или
пользовались сервисом компании;
 совершили покупку определенного товара или услуги. Тем самым мы таргетируем выборку покупателей по конкретному направлению для оценок ЦА качества
этого продукта бренда;
 соответствуют заданному географическому региону анализа. Тем самым мы
уточняем, что выборка покупателей соответствует признаку заданного геотаргетинга ЦА;
 соответствует полу и возрасту ЦА, на которую ориентирован новый продукт.
Тем самым мы уточняем, что выборка покупателей соответствует заданному половозрастному таргетингу ЦА;
Это основные признаки фильтрации ЦА для репрезентативной выборки. Возможно
также в случае необходимости сегментировать выборку ЦА для опроса по среднему чеку покупки:

176

Глава 6

 потратили не менее XXX рублей (или не более YYY рублей) на покупку. Тем са-

мым мы получаем возможность ограничить выборку покупателей по уровню
единоразового платежа (и выяснить, почему они платят именно такую сумму —
за качество или удовлетворение какой-то потребности).

Шаг № 4: выбор канала доставки опроса для рассылки
Важно предусмотреть, чтобы канал доставки опроса был регулярным, а не новым
для клиентов, — иначе это может вызвать отказ клиента от его заполнения:
 если обычно клиентам приходила СМС-рассылка об обновлениях товарной ли-

нейки (как правило, используется в офлайн-продажах), то для доставки опроса
следует использовать именно этот канал;
 если веб-аналитик проводит опрос для оценки метрики NPS в отношении веб-

сервиса дистанционных услуг или интернет-магазина, то вполне вероятно, что
клиентам обычно приходит электронная рассылка обновлений на электронную
почту. Тогда предпочтительнее задействовать для доставки опроса именно этот
канал.
Впрочем, возможно использование и альтернативного канала доставки — если
маркетолог представляет бренд и выполняет опрос в обход партнерских магазинов
и веб-сервисов, чтобы выяснить качество предоставляемых товаров и услуг напрямую у потребителей, — например, через YouTube-опрос выборки ЦА или его аналоги.

Шаг № 5: доставка опроса выборке ЦА по расписанию
До отправки опроса клиентам в любом случае необходимо проверить на тестовом
прогоне настройки даты и времени отправки, а также и другие настройки, чтобы не
вызвать негатива (в случае ранней отправки — например, в 9:00, когда вряд ли
кто-то отреагирует на пришедшее сообщение положительно).
Кроме того, важно проверить безошибочность формирования отчета по оценкам и
его выгрузку для анализа. Рекомендуется также предусмотреть благоприятные для
клиентов факторы:
 время доставки опроса должно быть в привычном для клиента рабочем диапазо-

не (когда он обычно открывал ранее письма от этого бренда без отказов);
 материальное мотивирование прохождения опроса (например, за бонусные

баллы).
Когда все маркетологом проверено и отлажено, можно запускать рабочий опрос по
заданному расписанию и ожидать реакцию от выборки ЦА.

Алгоритм вычисления индекса лояльности NPS
Формально выяснить индекс потребительской лояльности достаточно просто —
логическая схема, приведенная на рис. 6.3, отражает это наглядно:

Анализ потребительского доверия к бренду

177

1. По рассмотренному в начале разд. 6.2 алгоритму, начиная с формулировки вопросов и установки шкалы оценок, маркетолог последовательно собирает
опросный лист для анализа лояльности ЦА в конструкторе веб-форм.
2. Затем добавляет его на целевой сайт для опроса на заданный период (до необходимого уровня охвата респондентов — не менее 100);
3. По результатам опроса производится вычисление метрики NPS (автоматически
или вручную — в зависимости от функциональности выбранной веб-формы).
В целом алгоритм вычисления индекса потребительской лояльности (NPS) помогает специалисту осуществить заданную последовательность шагов и в результате
сформировать сводный отчет для последующего анализа по сопоставимым периодам с целью отыскать ключевые события в развитии компании для отбора факторов
роста лояльности аудитории.

Рис. 6.3. Схема работы алгоритма вычисления индекса потребительской лояльности (NPS)

Отчет о вычислении индекса NPS
Сводный отчет по результатам проведенного опроса для оценки индекса потребительской лояльности (NPS) необходимо и достаточно сформировать с указанием
следующих показателей:
 текущий период проведения опроса;
 количество опрошенных респондентов (опционально можно приложить их список с сегментацией по целевым группам по признакам пола, возраста, уровня
дохода, местоположения или региона проживания, интересов и т. д.);

178

Глава 6

 сводка оценок в круговой диаграмме с детализацией по количеству промоуте-

ров, нейтралов и детракторов в процентах и условных единицах;
 качественная сводка отзывов в комментариях к оценкам в опросе — для харак-

теристики лояльности по заданным критериям опроса;
 эмпирическое сравнение полученных результатов с показателем метрики NPS за

прошлый период (больше или меньше и на сколько процентов) с указанием возможных причин роста, спада или стагнации индекса потребительской лояльности (NPS).
В зависимости от требований к результату отчета он может быть представлен
в следующих форматах:
 в электронном виде — отчет по индексу NPS формируется в системе аналитики

в виде дашборда с набором исходных данных и результатом вычислений
(условно на одном экране);
 в печатном виде на листах формата A4 — в форме шаблонного отчета с колон-

ками исходных и результирующих данных (аналогично электронному представлению тоже в рамках одной печатной страницы).
Аналитическая оценка маркетологом содержащихся в отчете результатов проведенного опроса и вычисленного индекса NPS может натолкнуть его на вопрос: как
увеличить показатель индекса потребительской лояльности NPS?
Аналитик может ответить на него на практике, предложив руководству компании
комплекс следующих мероприятий:
 циклически улучшать уровень качества сервисного обслуживания — устра-

нять недостатки, о которых пишут в комментариях недовольные клиенты, совершившие неудачную покупку;
 усовершенствовать клиентскую службу (Client Service) — если будет выяв-

лено, что сотрудники компании «бросают» клиента с нерешенной проблемой,
допускают невежливость в общении с ним и проявляют невежество в ответах на
задаваемые вопросы. Вполне ожидаемо, что это приведет к снижению уровня
лояльности покупателей и будет нести только лишь негатив в обратной связи;
 сделать «диалог» клиента и компании на сайте интуитивно простым и дос-

тупным — улучшать интерфейс сайта, развивать мобильное приложение и другие точки доступа и коммуникации;
 создавать рекламу по модели AIDA — реклама должна заинтересовать клиен-

та и вызвать у него позитивные эмоции, ведущие к следующей покупке в режиме онлайн.
В заключение отметим следующее:
 если критика, поступающая от недовольных клиентов, справедлива, необходимо

фиксировать проблемные узлы и улучшать сервис обслуживания;
 важно показать, что вы (компания) обратили внимание на частное мнение поку-

пателя, а не проигнорировали его. Часто явное недовольство клиентов появляет-

Анализ потребительского доверия к бренду

179

ся из-за недоразумения, вызванного чем-либо: качеством упаковки, медлительностью доставки или чем-то иным. Значит, следует выпустить пресс-релиз или
видеорассказ о том, как работает сервис компании, — чтобы продемонстрировать покупателям заботу о качественном клиентском сервисе.
 На практике возможно достичь снижения уровня раздражения с помощью ски-

док (по программе лояльности) и приоритетного обслуживания.
Так что при корректном подходе к обработке негативного клиентского обращения
возможно из потребителя-детрактора в итоге получить промоутера.
Следует также изучать исследования компаний Яндекс, Gartner и других медиаагентств, направленные на улучшение показателей метрик NPS и конверсии для
повышения доходности и прибыли онлайн-сервисов.

Выводы: что дает аналитику и компании
анализ метрики NPS?
Изучение теории и собственные исследования индекса потребительской лояльности для локальных рынков сбыта продукции известных брендов помогут начинающему маркетологу в работе по созданию портфолио аналитических отчетов для
взаимодействия с новыми клиентами.
Индекс NPS — это эффективный и общепризнанный индикатор доверия к бренду и
выпускаемой продукции. Иллюстрация, приведенная на рис. 6.4, наглядно характеризует сущность индекса NPS по условным сравнимым размерам детракторовкритиков (в виде красного комментария — слева) и промоутеров (в виде зеленого
комментария — справа). Это и образует совокупность мнений в метрике NPS.

Рис. 6.4. Иллюстрация к сущности индекса потребительской лояльности NPS

Мировые лидеры производства и продаж продукции массового потребления включены в индексные таблицы расчета динамических оценок NPS (в качестве примера
можно привести веб-сервис «Customer.guru»11). Эти и собственные опросы в совокупности могут помочь маркетологам в решении частных проблем лояльности клиентуры к новым продуктам и торговой марке. Поэтому маркетологу важно уметь
работать с индексом NPS как в теоретическом, так и в практическом плане.
Величина индикатора лояльности исследуемого бренда сильно зависит от контекста, в котором измеряется удовлетворенность покупателя продукции.
11

См. https://customer.guru/net-promoter-score/top-brands.

180

Глава 6

Если специалисты исследуемого бренда рассылают клиентам опросы NPS сразу
после совершения теми покупки, они получают первоначальное эмоциональное
состояние (воодушевление) своих клиентов, на фоне которого клиенты могут подробно описать процесс оформления заказа и получения товара.
С другой стороны, если опрашивать клиентов через несколько недель после покупки, можно зафиксировать иной уровень удовлетворенности приобретенными продуктами и услугами (сформировавшийся у клиентов с течением времени).
Поэтому оценивать показатель NPS исследуемого бренда без какого-либо дополнительного контекста представляется аналитически бесперспективным мероприятием.
В целом собственные аналитические изыскания в области потребительской лояльности и факторов влияния на клиентские ожидания могут привлечь к вам внимание
крупных компаний, что может повлечь за собой приглашение в исследовательскую
рабочую группу, занимающуюся формированием стратегии выпуска инновационной продукции бренда.

ГЛАВА

7

Методика TD ABC.
Функционально-стоимостный анализ
себестоимости транзакций
в системах массового обслуживания
Научный подход к анализу экономической деятельности компании требует общепринятого и рационального способа расчета показателей и интерпретации результатов.
В этой главе мы рассмотрим методику функционально-стоимостного анализа себестоимости транзакций TD ABC (Time-Driven Activity-Based Costing), начиная
с теории и заканчивая практическими примерами.
Методика TD ABC описывает процессы калькуляции затрат по операциям1 в экономически сложных условиях ограниченных ресурсов компании. Структурно TD
ABC включает идентификацию процессов внутри компании и распределение финансовых и временны́х затрат пропорционально их использованию в различных
процессах. Калькуляция затрат на основе функционального анализа деятельности
была введена в использование в середине 1980-х годов несколькими гарвардскими
бизнес-школами.
Авторы методики калькуляции затрат на основе деятельности (ABC) — эксперты
функционального анализа:
 Роберт С. Каплан — профессор Фонда Бейкера в Гарвардской школе бизнеса;
 Стивен Р. Андерсон — основатель и председатель правления компании «Acorn

Systems» (Великобритания), специализирующейся на разработке программного
обеспечения и консалтинге со штаб-квартирой в Хьюстоне, Техас.
По мнению создателей методики TD ABC, многим организациям было трудно внедрить на практике традиционную модель ABC из-за высоких затрат, связанных
с использованием субъективных и дорогостоящих материально-технических
средств для проверки распределения времени (от англ. time management), а также со
сложностью поддержания и обновления модели по мере изменения процессов и
1

В других источниках также используется термин «пооперационный учет затрат».

182

Глава 7

расходования ресурсов, когда добавляются новые виды деятельности и увеличивается разнообразие и сложность отдельных заказов, каналов и клиентов.
Ориентированный на время пооперационный учет затрат требует эмпирической
оценки только двух параметров:
 удельной стоимости выполнения транзакции2 в потоковой обработке;
 времени, необходимого для выполнения транзакции или действия.

Функциональная модель ABC, ориентированная на время:
 может быть быстро оценена и установлена;
 оперативно обновляется с учетом изменений в процессах, разнообразия заказов

и затрат на ресурс;
 данные могут передаваться из транзакционных ERP-систем и CRM-систем;
 может быть проверена путем непосредственного наблюдения за оценками моде-

ли единичного времени;
 может легко масштабироваться для обработки миллионов транзакций, обеспе-

чивая при этом быстрое время обработки i-й транзакции в очереди на исполнение;

 позволяет формировать финансовую отчетность в режиме реального времени;
 учитывает ресурсный потенциал и выделяет неиспользуемый ресурсный потен-

циал для принятия управленческих мер;
 использует временные уравнения, которые учитывают различия в заказах и по-

ведении клиентов без увеличения сложности модели.
Затраты ресурсов, отнесенные к тому или иному виду деятельности, определялись
изначально по методике TD ABC с помощью опросов, журналов учета рабочего
времени и непосредственного наблюдения за количеством (или в процентом соотношении) времени, которое специалисты в компании тратили на заданные виды
деятельности. Например, затраты на складирование товаров обусловлены такими
видами деятельности, как прием, инспекция, расфасовка, комплектация, упаковка и
отгрузка, и определяются на основе оценок складским персоналом доли своего
времени, которое они потратили на каждое из занятий.
Проектная исследовательская группа аналитиков рассчитывала базовые коэффициенты, определяющие затраты на деятельность и используемые для распределения
затрат на деятельность по отдельным продуктам или клиентам, путем деления этих
затрат на результаты каждого вида деятельности, такие как количество поступлений, количество проверок, количество выбранных товаров и количество отправок.
Эта процедура оценки по модели ABC, хотя и выполнима для первоначальных
пилотных исследований, оказалась сложной и дорогостоящей для распространения
на отделы всей изучаемой компании.
2

Удельная стоимость выполнения транзакции с точки зрения оценки затрат рабочего времени на транзакцию из потока в очереди на исполнение.

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

183

Когда первоначальная модель спроектирована, ее обновление требует существенной переоценки с помощью нового раунда интервью и опросов, чтобы отразить изменения в деятельности компании. Следовательно, модели ABC часто не поддерживаются в рабочем состоянии, и их оценки затрат вскоре устаревают.
Подход, предложенный Робертом С. Капланом и Стивеном Р. Андерсоном, был
одновременно и более простым для оценки затрат и поддержания ABC-модели, а
также более точным в расчетах. Он ориентирован на время и помогает добиться
большего разнообразия в действиях, заказах и поведении клиентов, не предъявляя
обременительных требований к расчету затрат на деятельность, продукт и клиента.

Оценка базовой модели ABC
Стандартная процедура оценки простой модели ABC начинается с определения
полного набора производственных ресурсов, которые используются в различных
видах деятельности.
Далее приведены два примера применения методики TD ABC для получения практического навыка расчетов этим способом.

Пример № 1: расчет ставки стоимости мощности по TD ABC
Рассмотрим, например, отдел обслуживания клиентов, который выполняет три вида
деятельности:
 обработку заказов клиентов;
 обработку жалоб клиентов;
 проверку кредитоспособности клиентов.

Предположим, что стоимость предоставления ресурсов: персонала, надзора, информационных технологий, телекоммуникаций и размещения — для работы этой
службы компании составляет 560 тыс. долларов в квартал.
При построении модели ABC для отдела обслуживания клиентов разработчик системы просит сотрудников оценить процентное соотношение их времени, потраченного (или того, что они ожидают потратить) на три основных вида деятельности,
которые они выполняют.
Предположим, распределение времени по видам деятельности: 70, 10 и 20% соответственно. Разработчик системы ABC также узнаёт, что фактические (или предполагаемые) объемы работ за квартал по этим трем видам деятельности составляют:
 9800 заказов клиентов;
 280 жалоб клиентов;
 500 кредитных чеков.

ИТ-система на основе методики TD ABC присваивает указанным видам деятельности стоимость ресурсов в размере 560 тыс. долларов и, базируясь на данных о про-

184

Глава 7

центном соотношении затраченного на них времени, рассчитывает коэффициенты,
определяющие стоимость видов работ, как показано далее в табл. 7.1, чтобы распределить расходы по этим видам деятельности между отдельными клиентами на
основе количества обработанных заказов, жалоб и проверок кредитоспособности,
выполненных для каждого клиента.
Таблица 7.1. Распределение времени и финансовых затрат по видам деятельности
Процентное
соотношение

Назначенная
стоимость, $

Кол-во факторов,
определяющих
стоимость работ

Коэффициент
стоимости работ

Исполнение заказов

70%

392 000

9 800

$ 40/заказ

Обработка жалоб
клиентов

10%

56 000

280

$200/жалоба

Проверка
кредитоспособности

20%

112 000

500

$224/кредитный
чек

Итого

100%

560 000

Виды
деятельности

Методика TD ABC хорошо зарекомендовала себя при расчетах в ограниченных
условиях, в которых была исходно применена, — обычно в рамках одного отдела,
завода или местоположения. Многие из первоначальных исследований были точечными (разовыми) мероприятиями, которые помогли получить полезную аналитическую сводку текущей экономики предприятия, — например, определить высокую
стоимость, неэффективные процессы, убыточные продукты и клиентов.
В наши дни выявление дорогостоящих процессов, продуктов и клиентов стимулирует краткосрочные действия компании (управление, основанное на деятельности),
которые могут привести к краткосрочному и часто значительному увеличению
прибыли.
Эмпирическая оценка ставки стоимости поставляемой мощности3 вычисляется по
формуле4
Ставка стоимости мощности =

Стоимость поставляемой мощности
.
Практическая мощность поставляемых ресурсов

Пример № 2: оценка затрат за единицу времени
Все 28 сотрудников службы поддержки клиентов выполняют основную работу. Каждый работник отдела тратит в среднем около 10 560 минут в месяц, или 31 680 минут в квартал. Эмпирически безусловные затраты времени на все дела службы
составляют 22 рабочих дня по 8 часов (без учета перерывов на обед и т. п.)
3

В первоисточнике методики TD ABC стоимость поставляемой мощности обозначается термином «capacity
cost rate».

4

В других источниках используется также термин «коэффициент расходов потенциала департамента»
(в отношении суммы расходов за период к практическому использованию ресурсов).

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

185

Практическая производительность принимается в размере около 80% от теоретической и оценивается в объеме около 25 тыс. минут в квартал на одного сотрудника,
или 700 тыс. минут на всех. При этом удельные затраты (в минуту) на подачу мощности составляют
Стоимость в минуту =

$560 000
= $0,8 в минуту.
700 000

Так по методике TD ABC рассчитывается стоимость рабочего времени специалиста
службы поддержки клиентов — всего 80 центов в минуту.

* * *
Функционально важным элементом, необходимым для метода ABC (процедуры
ABC, управляемой временем), является оценка времени, требуемого для выполнения транзакционного действия.
Эта оценка (в единицах времени) заменяет процесс опроса людей, обычно проводимого с целью узнать, какой процент их времени тратится на все виды заявленной
деятельности. Оценка рабочего времени может быть выполнена либо путем непосредственного наблюдения, либо путем интервью. Точность не критична — достаточно приблизительной точности.
Возвращаясь к примеру № 1, предположим, что аналитик получает оценки среднего
удельного времени для трех направлений деятельности, связанных с клиентами,
с сегментацией по видам работ (табл. 7.2). Как можно видеть, больше всего времени затрачено на выполнение проверки кредитоспособности клиентов (250 минут),
жалобы тоже отнимают немало времени (220 минут), при этом на обработку заказов тратится всего 40 минут.
Таблица 7.2. Среднее удельное время по видам работ
Виды работ

Среднее удельное время по видам работ, мин

Обработка заказов клиентов

40

Обработка жалоб клиентов

220

Выполнение проверки кредитоспособности

250

Далее следует рассчитать коэффициент, определяющий стоимость всех трех видов
работ (табл. 7.3), — это поможет оценить затратность по ключевым направлениям
деятельности и скорректировать работу в ближайшем будущем.
Таблица 7.3. Коэффициент стоимости деятельности по видам работ
Среднее удельное время
по видам работ, мин

Коэффициент стоимости
деятельности, $

Обработка заказа клиента

40

32

Обработка жалобы клиента

220

176

Выполнение проверки
кредитоспособности

500

200

Виды работ

186

Глава 7

Как можно видеть:
 максимальный коэффициент стоимости удельного рабочего времени в разме-

ре $200 приходится на выполнение проверок кредитоспособности клиентов;
 минимальный — на обработку заказов клиента ($32).

Обратите внимание: эти показатели ниже, чем те, что мы получили ранее (см.
табл. 7.1). Причина этого несоответствия становится очевидной, когда будут подсчитаны затраты на выполнение этих мероприятий в течение последнего квартала.
В пересчете на весь объем работ по указанным видам деятельности в заданное рабочее время получим сводку среднего удельного времени по видам работ за весь
изучаемый период расчета (табл. 7.4).
Таблица 7.4. Среднее удельное время по видам работ за весь период
Виды работ

Среднее удельное время Количество
по видам работ, мин
операций

Всего
времени, мин

Всего
затрат, $

Обработка заказов
клиента

40

9800

392 000

313 600

Обработка жалобы
клиента

220

280

61 600

49 280

Выполнение проверок
кредитоспособности

500

500

125 000

100 000

578 600

462 880

Итого

Таким образом, анализ показывает, что только 83% практического потенциала
(578 600/700 000) ресурсов, предоставленных в течение периода, было использовано для продуктивной работы (и, следовательно, только 83% от общих расходов
в размере $560 000 приходится на клиентов в течение этого периода).
Традиционная система ABC переоценивает затраты на выполнение действий, поскольку ее исследование распределения усилий по трем видам деятельности, хотя
и довольно точное: 70, 10 и 20% производительной работы, — в реальности является весьма приблизительным распределением, поскольку включает в себя как затраты на используемый ресурсный потенциал, так и затраты на неиспользуемые
ресурсы.
Указывая время на выполнения каждой операции в повседневной деятельности,
организация получает более достоверный сигнал как о стоимости и базовой эффективности каждого вида деятельности, так и о количестве (в размере 121 400 часов)
и стоимости ($97 120) неиспользуемой мощности в ресурсах, предоставляемых для
выполнения деятельности.
С оценками стоимости предоставления ресурсов, практической емкости предоставляемых ресурсов и удельного времени выполнения каждого вида деятельности,
выполняемого ресурсами, система отчетности становится для каждого периода
довольно простой. Предположим, количество операций в последующий период из-

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

187

менится до 10 200 обработанных заказов, 230 жалоб клиентов и 540 выполненных
проверок кредитоспособности.
В течение периода расходы на каждое из трех мероприятий распределяются на
основе стандартных ставок, рассчитанных исходя из практической емкости:
 $32 за заказ;
 $176 за жалобу;
 $200 за кредитный чек.

Этот расчет может быть выполнен в режиме реального времени для распределения
общих расходов на администрирование клиентов между отдельными клиентами по
мере совершения соответствующих транзакций.
Финансово-аналитический отчет по методике TD ABC в конце периода является
одновременно простым и информативным для руководящего звена компании, о чем
свидетельствует емкая и содержательная сводная таблица (табл. 7.5) с отчетом
о затратах по методике TD ABC.
Таблица 7.5. Отчет о затратах по методике TD ABC
Кол-во,
шт.

Среднее
удельное время
по видам работ,
мин

Общее
время,
мин

Удельные
издержки, $

Общая
назначенная
стоимость, $

10 200

40

408 000

32

326 400

Обработка жалоб
клиентов

230

220

506 00

176

40 480

Выполнение проверок
кредитоспособности

540

250

135 000

200

108 000

Деятельность
Обработка заказов
клиента

Всего использовано

593 600

474 880

Всего поставлено

700 000

560 000

Неиспользуемая емкость

106 400

85 120

В этом аналитическом отчете указываются следуюшие показатели:
 предполагаемое время, затраченное на три вида деятельности;
 затраты ресурсов, необходимые для удовлетворения потребностей в продуктив-

ной деятельности.
Для лучшего понимания подчеркнем существенную разницу между поставляемой
мощностью (как по количеству, так и по стоимости) и используемой мощностью.
При этом менеджеры смогут проанализировать стоимость времени в размере
106 400 минут (1773 часов) неиспользуемой мощности в размере $85 120 и проработать рекомендации по сокращению неиспользуемых ресурсов и связанных расходов.

188

Глава 7

Практическая ценность методики учета затрат TD ABC
На основе рассмотренных примеров отметим полезное значение методики пооперационного учета затрат TD ABC. Практическая ценность этого инструментария
сохраняется и в наши дни для расчетов затрат как на производстве, так и в корпоративном секторе. Даже для оценки и сравнения себестоимости затрат при переходе
от аналоговых расчетно-кассовых платежей5 к системе онлайн-платежей6 в дистанционном банковском обслуживании эта методика остается полезной для выполнения аналитических расчетов эффективности работы компании.
При этом, вместо того чтобы сокращать неиспользуемые в настоящее время полезные мощности предприятия, менеджеры могут предпочесть зарезервировать эти
мощности для будущего роста. Например, когда менеджеры обдумывают внедрение новых продуктов, экспансию на новые рынки (в стратегии расширения географии поставок) или увеличение спроса на продукцию и потребительский спрос, они
могут спрогнозировать, какую часть расширяющегося бизнеса могут обеспечить
существующие мощности, а где, вероятно, возникнет нехватка мощностей, которая
потребует дополнительных расходов для удовлетворения возросших потребностей.
Ключевыми факторами для ориентированного на время анализа затрат являются:
 оценка практического потенциала выделенных ресурсов и их стоимости;
 оценка удельного времени выполнения транзакций.

Выделим основные аспекты внедрения ABC-анализа в прикладном применении:
 практическая мощность должна быть оценена в любом случае для проведения
достоверного ABC-анализа — чтобы избежать искажений и потенциальных
форс-мажорных ситуаций (выхода мощностей из строя);
 эмпирические оценки за единицу времени не обязательно вычислять с точно-

стью до четырех значащих цифр после запятой. В общем-то менеджеры используют оценки удельного времени для стратегического анализа, а не с целью
мониторинга и контроля производительности отдельных сотрудников и оборудования. Для стратегического представления менеджменту компании достаточно приблизительной оценки (обычно в пределах ±10%).
Грубые неточности в оценках за единицу времени в конечном итоге проявятся либо
в неожиданном избытке, либо в нехватке выделенных ресурсов, что потребует
детализации и дополнительной сессии анализа данных.
Попав в такие неожиданные ситуации, аналитики смогут сосредоточить внимание
на удельном времени, необходимом для исполнения транзакций, выполняемых доступными ресурсами, чтобы получить обновленные и более точные оценки трудозатрат.
5

Расчетно-кассовые платежи также обозначаются аббревиатурой РКО (сокращение от расчетно-кассового
обслуживания).

6

Система онлайн-платежей аналогично обозначается ДБО (сокращение от дистанционного банковского
обслуживания).

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

189

А вот система учета затрат, используемая на предприятии для оперативного контроля, напротив, должна тщательно отслеживать потребности в ресурсах, качество
и продолжительность цикла действий и процессов для мотивации и фиксации небольших улучшений в результате деятельности по непрерывному совершенствованию бизнес-процессов. Это способствует долговременному эффекту повышения
продуктивности в исполнении повседневных процедур и транзакций.

Общее представление о потоковых системах
массового обслуживания для обработки заявок
Системы массового обслуживания (СМО) применяются для обработки потока заявок, входящих от потребителей в очереди на обслуживание, в режиме полной или
частичной автоматизации в зависимости от вида деятельности и требований к результату исполнения процедур.
Общая схема сценария работы СМО, описывающего последовательность взаимодействия ее функциональных элементов: от поступления заявок до выходного потока выполненных заявок, представлена на рис. 7.1. Black box (черная коробка)
здесь обозначает условное обслуживающее устройство, играющее роль терминала
исполнения заявок. Точнее, условная «черная коробка» формализует функциональный узел (объект с набором инструментария), где выполняется обработка заказов
в потоке заявок.

Рис. 7.1. Общая схема обработки потока заявок от потребителей в СМО

На практике возможны вариации исполнения СМО в зависимости от бизнеса: кухня в ресторане быстрого питания, склад отгрузки заказов в интернет-магазине, таксопарк автомобилей в сервисе такси. В конечном счете клиенты получают услуги
по потребностям, а компания-агрегатор услуг — доходы и операционную прибыль
от произведенной коммерческой деятельности.

190

Глава 7

По определению и сущности теория очередей (иначе, теория массового обслуживания) — это общепризнанная методика анализа производственной деятельности
компаний, используемая для поиска оптимального баланса между временем ожидания и объемом простаивающих мощностей.
Теория очередей используется аналитиками в тех случаях, когда на производстве
есть переменный спрос и фиксированная производительность обслуживающих
устройств. На практике ими могут служить, например, такси, кассы обслуживания
и другие объекты коммерческого назначения.
Наравне с методикой TD ABC, теория очередей для систем массового обслуживания эффективно используется в интерпретации работы производства, ИТ-систем,
включая веб-сервисы и другие полу- и целиком автоматизированные системы. Как
следствие, это помогает в работе аналитику моделировать процессы и оценивать
затраты в поиске баланса между трудозатратами и эффективностью процесса работы.

Обслуживание потока заявок в СМО
Обслуживание требований в СМО выполняется соответствующими приборами.
Классическая СМО содержит от одного до бесконечного числа таких приборов. На
рис. 7.2 представлены реальные примеры обслуживания потока заявок в масштабируемом бизнесе для унифицированного подхода к бизнес-процессам:
 классическая модель ресторана со строгим регламентом по времени и качеству

исполнения заказа (рис. 7.2, а);

 разумная автоматизация плюс труд операторов для управления системой адрес-

ного хранения, подбора товаров по зонам, сортировки, сборки и упаковки заказов для отправки клиентам (рис. 7.2, б);
 система таксопарка в аэропорту, работающая по принципу «ближайший свобод-

ный таксист отвезет вас по адресу» с тарификацией по удаленности, по уровню
комфорта такси и т. п. (рис. 7.2, в).
Практическая реализация очереди на обслуживание (характерно для системы, показанно на рис. 7.2, в) может отличаться в зависимости от прикладной специфики
бизнеса, но исполнение заявок выполняется также унифицированно по правилам
СМО.
Причем чаще всего «черной коробкой» является мобильное приложение для приема заявок на обслуживание, где в реальном времени программным алгоритмом вычисляется время исполнения текущей заявки и стоимость заказа.
Конкурирующие компании ведут работу по представленным бизнес-моделям с добавлением уникального торгового предложения (УТП) с целью повышения эффективности качественных и эконометрических результатов работы.
Например, Яндекс.Такси анализирует уровень пробок на дорогах и оптимальный
маршрут для транспортировки пассажиров из точки А в точку Б (на основе логистического анализа загруженности дорог на пути следования) и подбирает бли-

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

191

жайшее свободное такси с заданным уровнем комфорта в мобильном приложении
(в режиме реального времени), чтобы сократить ожидание для клиента до посадки
в такси.

а

б

в

Рис. 7.2. Примеры реализации обслуживающих устройств в СМО: а — ресторан быстрого питания
с кассами приема заказов; б — сборка и упаковка заказов на конвейере в складе «Ozon»;
в — очередь такси в аэропорту для приема потока туристов, прибывающих с ближайших авиарейсов

Прогнозирование времени в пути проводится для пассажира и водителя на основании текущего состояния дорог и загрузки на пути их следования со средней допустимой скоростью движения на заданных отрезках маршрута согласно действующим правилам ПДД.
Накопленная статистика наблюдений за состоянием городских дорог и перекрестков в мегаполисах используется аналитиками, чтобы прогнозировать пробки на до-

192

Глава 7

рогах, корректировать их оценку в баллах (например: «Пробки: 8 баллов») в реальном времени, передавать данные в алгоритм расчета времени в пути по маршруту и
оценивать стоимость поездки вариативно — на основании текущей ситуации на
дорогах по пути следования от точки А (места заказа такси) до пункта назначения Б.
Мобильные B2C сервисы являются по сути частными и популярными примерами
использования методик TD ABC и теории очередей с отказами.
Следует отметить важность самостоятельного изучения теории СМО для работы
с веб-сервисами, включенными в состав электронной или офлайн-торговли и сопутствующих сервисов (быстрого питания, доставки и т. п.) Это поможет аналитику в понимании бизнес-процессов и поиске причин возникающих проблем в работе
веб-сервисов на всех уровнях: от сценария взаимодействия с клиентом до интерфейса и особенностей его работы на мобильных устройствах в реальных условиях.

Рекомендуемая литература по системам массового обслуживания
К самостоятельному изучению рекомендуются следующие научно-технические издания, посвященные рассмотрению теории массового обслуживания (в технической
литературе: теории очередей) и механизмов ее реализации для автоматизации производства и обслуживания потока заявок.
 Белый Е. К. Введение в теорию массового обслуживания. Учебное пособие. —

Петрозаводск : Изд-во ПетрГУ, 2014. — 76 с.;
 Авсиевич А. В., Авсиевич Е. Н. Теория массового обслуживания: Потоки требо-

ваний, системы массового обслуживания. Методические указания и контрольные задания для студентов специальности 071900 «Информационные системы и
технологии». Самара: СамГАПС, 2004. — 24 с.;
 Алиев Т. И. Задачи и методы проектирования дискретных систем. Учебное по-

собие. — СПб.: Университет ИТМО, 2015. — 127 с.

Бизнес-модели СМО для секторов B2C и B2B
Принципы построения бизнес-моделей СМО для потребительского (B2C) и корпоративного (B2B) секторов экономики имеют как общие признаки, так и специфические особенности: общие характеристики связаны с принципами обработки потока
заявок, различия — с назначением услуг и их потребителями.
При рассмотрении практических реализаций СМО очевидны их функциональные
особенности, которые формируют уникальность бизнес-структур, действующих на
основе методологии из теории очередей.
Веб-сервисы, как частный случай применения СМО, реализуются в сегментах B2C
и B2B по следующим бизнес-моделям:
 услуга по запросу (от англ. service on demand) — применима для заказа на об-

служивание потребителя при вызове функции «Заказать услугу» (Order now).
Обслуживание выполняется в порядке живой очереди (или, иначе, согласно лис-

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

193

ту ожидания на обслуживание). Оплата производится по фиксированной розничной цене или по выставленному счету (до или после исполнения заявки)
в зависимости от вида деятельности и условий, изложенных в публичной оферте;
 подписка по выбранному тарифному плану (от англ. subscription by economic

plan) — характеризуется предоплатой по указанной цене, включающей выбранные опции, укомплектованные в тарифы услуги;
 оплата по клику (от англ. pay per click) — характеризуется мгновенной оплатой

услуги перед ее получением (своего рода плата за вход);
 оплата по мере потребления (от англ. pay as you go) — применяется в облач-

ных веб-сервисах7 и характеризуется по принципу «плачу только за то, что использую» в зависимости от выбранных дополнительных опций сервиса.

В русскоязычной бизнес-литературе для системы массового обслуживания в секторе B2B есть специальное наименование: корпоративные информационные системы (КИС).
Инфраструктуру КИС составляют следующие ключевые модули:
 управление финансами;
 управление производством;
 управление складскими запасами;
 управление кадрами;
 управление взаимоотношениями с поставщиками;
 управление взаимодействием с клиентами.

В экосистеме ИТ-продуктов компании «1С» читатели смогут найти целый ряд действующих примеров цифровых продуктов КИС для значимых функциональных
модулей корпоративной инфраструктуры. Самостоятельное их изучение даст возможность расширить круг полезных знаний для начинающих аналитиков, а в случае необходимости развития корпоративной ИТ-инфраструктуры это будет полезно
и актуально в практическом плане.

Социально-экономическое значение СМО
Понимание совокупности структуры и алгоритмов обработки заявок в СМО помогает ИТ-специалисту по мере набора им опыта и квалификации стать экспертом
в анализе коммерческого применения теории очередей (в прикладном назначении
бизнеса), где анализ данных является рутинным процессом для исследования изменений в системе обслуживания в реальном времени и в динамике по годовым и
сезонным циклам для отслеживания трендов спроса, типовых ошибок и выявления
способов и алгоритмов их решения.
7

Облачные веб-сервисы предоставляют услуги хранения и обработки данных с резервным копированием
и доступом в режиме реального времени по авторизованному аккаунту согласно выбранному тарифу.

194

Глава 7

Экспертиза СМО и ее показателей дает аналитику возможность интеллектуально
и практически повлиять на успешность предприятия (точки приложения) путем отладки бизнес-процессов и метрик.
Проще говоря, дело не только в анализе данных, — важно понимать саму структуру организации бизнеса, где внедрена СМО, и осознавать, какие ключевые характеристики являются основными метриками формирования успеха (в виде прибыли)
или, наоборот, убытков.
Это формирует секрет успеха отдельно взятых брендов, реализующих на практике
СМО, как, например, интернет-гигант «Ozon», где отлично выстроены бизнеспроцессы для минимизации рисков отказов в обслуживании и снижены временные
и экономические издержки в цепочке исполнения входящих заявок на поставку товаров и сопутствующей услуги — доставки до пункта назначения (дома или офиса
клиента).
Надо также учесть, что в 2000 годах в России состоялся эволюционный этап перехода в финансовом секторе B2C от расчетно-кассового (РКО) к дистанционному
банковскому обслуживанию (ДБО) — примечательно, что целевая аудитория в лице гражданских потребителей банковских услуг сейчас исчисляется миллионами
потребителей финансовых продуктов (кредитов, депозитов, кешбека и других
услуг).
В моем аналитическом исследовании, посвященном развитию ДБО в Альфа-Банке8,
описаны актуальные социально-экономические трансформации банковского обслуживания в России в период с 2000 по 2012 год. Характерно, что в этот период
последовательно снижалась социальная нагрузка на офисы банков, где потребителями услуг выполнялись типовые платежи, что впоследствии было перенесено
в интернет-банкинг с включением функции автоплатежей (по заданным реквизитам, лимиту и срокам оплаты).
При этом себестоимость проведения транзакции была существенно снижена как
для рассматриваемого Альфа-Банка, так и для конечного потребителя (условного
клиента банка — физического лица), и при этом очереди в банках на обслуживание
физических лиц серьезно уменьшились за счет перевода региональных отделений
из офлайн- в онлайн-обслуживание (интернет-банкинг) молодой части целевой
аудитории (активных пользователей Интернета и сопутствующих банковских сервисов).
Приведем некоторые результаты исследования прикладного применения СМО
в финансовом B2C-секторе, актуальные на 2016 г. Экономическая эффективность
перехода от расчетно-кассового обслуживания к использованию систем дистанционного банковского обслуживания (интернет-банк и мобильный банк) очевидна по
следующим причинам:
 для клиентов банка (потребителей услуг ЖКХ, телекоммуникаций и пр.) использование ДБО в формате интернет-банкинга дает возможность оперативно про8

См. научно-популярную статью по результатам исследования развития ДБО в Альфа-Банке «Сравнительная оценка себестоимости транзакций расчетно-кассового и дистанционного банковского обслуживания по
приему платежей» (Поляков Е. Ю., журнал «Аудит и финансовый анализ», янв. 2016 г.)

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

195

вести абонентские ежемесячные платежи без личного участия в живой очереди
в отделении банка;
 для банка первоначальные инвестиции на внедрение ДБО обойдутся дешевле

открытия дополнительного филиала примерно в три раза и составят порядка
80 тыс. долларов при выборе системы «Частный клиент» (ДБО BS Client);
 ежемесячные затраты для банка на ДБО на 36% дешевле, чем при РКО, и соста-

вят порядка 4746 долларов в месяц.
Интересные выводы о технологических условиях внедрения ДБО рекомендуется
зафиксировать в памяти на уровне дополнительных знаний о прикладном использовании СМО в финансовом секторе.
 Показатели рисков отказа EРКО и EДБО вариативны и выражаются в процентах от

общего числа заявок на обслуживание клиентов для приема платежей в очереди
обслуживания. При этом величина риска сбоя при РКО не равна величине риска
сбоя при ДБО из-за разных технологических условий обслуживания клиентов.
При быстром росте числа клиентов интернет-банка или мобильного банка необходимо учитывать величину риска сбоя системы ДБО и задать на техническом
уровне необходимый уровень надежности инфраструктуры (дистанционных
каналов связи).
 В РФ на тот момент не существовало единого государственного стандарта каче-

ства (ГОСТ) дистанционного обслуживания, который способствовал бы единообразной оценке работы ДБО и требовал от финансовых учреждений соответствия заданным нормативам по качеству обслуживания (в том числе по величине
отказа в работе системы ДБО).
Полученные результаты анализа эффективности РКО и ДБО имеют актуальный
познавательный характер и могут быть применены для различных систем дистанционного обслуживания по приему платежей с различными каналами доступа
к интерфейсу системы ДБО, включая мобильный интернет-банкинг.
Обобщая данные сравнительного исследования РКО и ДБО, сформулируем выводы
о пользе применения СМО в финансовой сфере сектора B2C в России за период
с 2000 по 2012 год и выделим социально значимые результаты проведенного анализа:
 снижение затрат коммерческого предприятия на обслуживание клиентов за счет

автоматизации бизнес-процессов;
 уход от реальных очередей в онлайн-формат с существенным снижением време-

ни отклика при запросе услуг (service on demand) для обслуживания клиента;
 повышение комиссионных сборов за счет расширения пакета дополнительных

услуг по интересам целевой аудитории (инвестиции, страховки, премиум-обслуживание и т. п.);
 с практической точки зрения грамотное применение СМО делает жизнь потре-

бителей более комфортной без дополнительных затрат на базовое обслуживание.

196

Глава 7

Социально-экономическая характеристика
дистанционных услуг
Функционирование веб-сервисов в B2C-секторе базируется на взаимосвязи базовых
технико-экономических сущностей, определяющих жизнеспособность и развитие
сферы дистанционных услуг в РФ (рис. 7.3).
В основе любого веб-сервиса лежит удовлетворение потребностей целевой аудитории. Так что ключевая социальная цель исполнения дистанционной услуги —
удовлетворение потребности клиента.

Рис. 7.3. Логическая взаимосвязь сущностей, определяющих жизнеспособность
и развитие сферы дистанционных услуг

Интересы личности как субъекта общества обусловлены ее периодическими потребностями. Так, по интересам население страны можно распределить на различные тематические группы в соответствии с заданными признаками интересов. Эти
группы образуют целевую аудиторию тех или иных услуг, предоставляемых физическим лицам.
Для понимания и оценки интересов аудитории аналитикам необходимо проводить
маркетинговые исследования. Семантический анализ интересов целевой аудитории
мы рассмотрим далее по ходу изложения материала. Сейчас же отметим, что вебсервисы постепенно — с начала 2010 года — достигли всемирного охвата за счет
повышения частоты использования, т. е. роста их популярности.
Как нарастающая со временем сущность, популярность характеризуется увеличивающейся частотой обращений целевой аудитории к определенной изучаемой

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

197

услуге. Зачастую известность и популярность приобретаются из-за наличия удобных бесплатных и платных услуг, обеспечивающих формирование постоянной
целевой аудитории.
Платные услуги, предоставляемые веб- и мобильными сервисами, выполняют непосредственно платежную функцию и обеспечивают ИТ-компаниям возможность
сформировать фонд заработной платы, выплачивать установленные законодательством налоги и покрывать расходы, образующиеся в процессе работы.
Ключевые задачи с точки зрения финансово-кредитного учреждения:
 увеличение показателей экономической эффективности его деятельности;
 сокращение затрат;
 возможность существенного увеличения клиентской базы без потери качества
обслуживания.
Рассмотрим дистанционное банковское обслуживание с точки зрения способов оказания услуг и выделим виды ДБО (с применением банковской методики расчета
TD ABC).

Количественные характеристики дистанционных услуг
При рассмотрении деятельности организаций в сфере дистанционных услуг необходимо оценить имеющиеся количественные характеристики и их значение в эконометрике для последующего анализа. Эти технико-экономические показатели
приведены в табл. 7.6.
Таблица 7.6. Эконометрические характеристики дистанционных услуг
Количественные характеристики

Значение

Стоимость услуги

Цена в рублях (или перевод в рубли по курсу
Центрального банка России в случае, если стоимость услуги изначально определяется в условных единицах или валюте других стран)

Скорость обработки заявки

Секунды/минуты/часы или рабочие дни

Количество персонала, задействованного
в процессе обработки заявки

Натуральное число людей из числа персонала
организации

Время задержки между заявками

Миллисекунды, секунды, минуты, часы
или рабочие дни

Оборот денежных средств в заданный
период (на основе официальных данных)

Рубли (или перевод в рубли по курсу Центрального банка России в случае, если годовой доход
компании определен в условных единицах или
валюте других стран)

Годовой доход компании

Рубли РФ

Чистая прибыль

Рубли РФ

Экономические издержки (в том числе
амортизация оборудования)

Наименования издержек, их метрическое исчисление и эквивалентная рыночная стоимость
в рублях РФ

198

Глава 7
Таблица 7.6 (окончание)

Количественные характеристики

Значение

Налоговые отчисления

Рубли РФ

Частота обращения к выбранной услуге

Эмпирические данные, выраженные в физических
величинах

Число пользователей услуги на территории РФ

Натуральное число людей из числа жителей РФ

Отказоустойчивость

Процентное соотношение (количество отказов
к количеству пользователей)

Измерения частоты обращения к выбранной дистанционной услуге и количества
пользователей услуги на территории РФ предоставляют веб-аналитику профессиональную возможность оценить популярность услуги среди всего населения страны.
Популярность любой услуги выражается математически через понятие частоты
использования:
n
v= .
t
В приложении к сфере дистанционных услуг это отношение количества потребителей услуги (n пользователей), обратившихся к услуге в заданный период времени t.
Представленное соотношение рекомендуется запомнить — оно потребуется при
анализе деятельности веб-сервисов и оценке рентабельности потенциально пригодных к интеграции микросервисов для монетизации взаимодействия с пользователями (см. главу 11).
Декомпозиция на составляющие элементы системы критериев оценки дистанционной сферы услуг позволяет увидеть взаимосвязь экономических показателей, которые практически реально оценить при анализе и в дальнейшем использовать в исследовании любой услуги, предоставляемой дистанционно:
 υ — востребованность (популярность) услуги;
 Spay — себестоимость оказания дистанционной услуги;
 Pср [Tr (t)] — средняя величина комиссионной прибыли за транзакцию;
 λ(t) — интенсивность отказов в обслуживании.

В основу дистанционной деятельности коммерческих предприятий в России, странах Западной Европы и США положена общая коммерческая задача — получение
комиссионной прибыли от продаж услуг в сервисном обслуживании. При этом дистанционные сервисы отличаются от традиционных по способу предоставления
услуги, хотя ключевая коммерческая задача предоставления дистанционной услуги
в той или иной форме сбора комиссионной прибыли сохраняется неизменно вне
зависимости от формата ее предоставления.

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

199

Определение влияния социально-экономических факторов на эффективность предприятия по прибыли является важным компонентом аналитической оценки его экономической деятельности.
Далее мы прибегнем к дедуктивному факторному анализу как методу разложения,
анализа и выработки рекомендаций по эффективному ведению хозяйственной деятельности в сфере услуг и на основе анализа численных показателей из годовых
отчетов ОАО «Альфа-Банк» выделим ключевые экономические факторы, влияющие на прибыль сервиса дистанционных услуг (ДБО).
Ключевые технико-экономические факторы и их соотношения, отражающие
эффективную динамику величин, влияющих на комиссионную прибыль, представлены в табл. 7.7.
Таблица 7.7. Ключевые факторы, влияющие на прибыль сервиса дистанционных услуг
Обозначения
величин

Соотношения величин,
влияющих на комиссионную
прибыль

Себестоимость транзакции (платежа)

Spay

Spay (t) ≥ Spay (t + 1)

Скорость исполнения платежа

Sppay

Sppay (t) ≤ Sppay (t + 1)

Количество транзакций в отчетный период

Tr (t)

Tr (t) ≤ Tr (t + 1)

Интенсивность отказов в обслуживании

λ (t)

λ (t) ≥ λ (t + 1)

Qservices

Qservices (t) < Qservices (t + 1)

Pср [Tr (t)]

Pср [Tr (t)] = const

Комиссионные доходы

CI (t)

CI (t) < CI (t + 1)

Комиссионные расходы

CE (t)

CE (t) > CE (t + 1)

Количество клиентов

Qclients

Qclients (t) ≤ Qclients (t + 1)

Индекс потребительской лояльности

NPS

NPS (t) ≤ NPS (t + 1)

Факторы, оказывающие влияние
на прибыль сервиса дистанционных услуг

Количество предоставляемых услуг
Средняя величина комиссионной прибыли
за транзакцию

Поясним приведенные в этой таблице некоторые аббревиатурные метрики:
 CI (сокр. от Commission Income) — комиссионные доходы;
 CE (сокр. от Commission Expenses) — комиссионные расходы;
 NPS (сокр. от Net Promoter Score) — индекс определения приверженности потребителей товару или компании (фактически индекс готовности рекомендовать), используемый для оценки готовности к повторным покупкам услуг.
Рассмотрим последовательно факторы влияния на пооперационную комиссионную
прибыль сервиса дистанционных услуг в соотношениях соответствующих величин:
 при наращивании потока транзакций необходимо выйти на полу- или полностью
автоматическую алгоритмическую их обработку (процессинг), чтобы себестоимость выполнения i-й заявки из потока снижалась по сравнению с предыдущей:
Spay (t) ≥ Spay (t + 1);

200

Глава 7

 скорость проведения платежей после первого периода приработки и отладки

процессинга необходимо повышать (т. е. быстрее выполнять i-ю заявку), чтобы ко второму этапу нормальной эксплуатации снижалось время обработки
i-й транзакции:
Sppay (t) ≤ Sppay (t + 1);

 общее зафиксированное количество транзакций в отчетный период после этапа

приработки и отладки процессинга соответственно должно вырасти (относительно предыдущего периода):
Tr (t) ≤ Tr (t + 1);
 интенсивность отказов как отношение числа невыполненных заявок по техниче-

ским и иным причинам в период нормальной эксплуатации к среднему количеству выполненных после отладки системы ДБО должна снижаться на некоторое
значимое количество процентов:
λ (t) ≥ λ (t + 1).
В узкоспециализированных источниках это называется уменьшением интенсивности отказов, или нивелированием рисков отказов, за счет устранения неполадок в узлах, содержащих источники ошибок и задержек в обслуживании потока
заявок;
 наращивание спектра сопутствующих услуг по запросу и опций комфорта, фор-

мируемых в тарифные пакеты для клиентов (например: standard, optimum,
premium, VIP и т. д.) ведет как к увеличению общего количества услуг, так и
к росту кросс-продаж и повышению операционной ежемесячной прибыли
от ДБО:
Qservices (t) < Qservices (t + 1);
 средняя величина комиссионной прибыли за i-ю транзакцию из потока N за-

явок должна оставаться на приемлемом ценовом уровне для клиентов и компании-агрегатора услуг:
Pср [Tr (t)] = const;
 при выполнении указанных здесь соотношений на этапе нормальной эксплуата-

ции комиссионные доходы CI (t + 1) итерационно должны расти при соответствующем снижении комиссионых расходов CE (t + 1):
CI (t) < CI (t + 1),
CE (t) > CE (t + 1);
 при этом общее количество обслуживаемых дистанционно клиентов Qclients

должно оставаться примерно на том же уровне или расти с популярностью предоставляемых дистанционно услуг в веб-сервисе ДБО:
Qclients (t) ≤ Qclients (t + 1);
 если указанные соотношения выполняются на этапе нормальной эксплуатации,

значит, основные потребительские задачи веб-сервис ДБО реализует нормально,
в результате чего индекс потребительской лояльности будет расти, а социальные

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

201

рекомендации клиентов своим коллегам и знакомым будут производно конвертироваться в приращивание количества клиентов, использующих возможности
веб-сервиса:
NPS (t) ≤ NPS (t + 1).

Эффект масштаба
Экономическое явление снижения себестоимости исполнения каждой следующей
транзакции из всех произведенных в заданный период времени в указанных условиях (см. табл. 7.7) называется эффектом масштаба и определяется следующими
основными отношениями:
Spay (t) ≥ Spay (t + 1),
Q (t) ≤ Q (t + 1),
где:
 Spay (t) — себестоимость транзакции в момент времени t;
 Q (t) — количество клиентов, выполняющих транзакции в момент времени t;
 t — значимый для рассмотрения момент времени (день, месяц, квартал или год).

Модель развития сервиса дистанционных услуг, показанная на рис. 7.4, описывает
процесс работы системы массового обслуживания в значимые периоды времени.
Эта имитационная модель визуально характеризует изменения состояний базовых
параметров, определяющих экономическую эффективность СМО:
 Q (t) — количество клиентов сервиса дистанционных услуг;
 Pt — комиссионная прибыль от ведения деятельности по предоставлению дис-

танционных услуг;

Рис. 7.4. Динамическая модель развития сервиса дистанционных услуг
по основным социально-экономическим показателям

202

Глава 7

 λ (t) — интенсивность отказов и сбоев системы дистанционного обслуживания;
 υ (t) — частота использования услуг каждым клиентом из числа целевой аудито-

рии, характеризующая востребованность СМО (иначе говоря, ее популярность);
 tn — значимый для рассмотрения период времени (год).

Величины, представленные на рис. 7.4, коррелируют между собой по следующей
логике:
 период [t1, t2] считается периодом приработки, когда система запускается и идет

отладка ее эффективной работы с целью достижения постоянного минимального
значения величины интенсивности отказов λ (2,3) = const при постоянном росте
числа клиентов сервиса дистанционных услуг;
 это необходимое условие используется для получения максимального роста

прибыли в период стабильной нормальной эксплуатации без сбоев на участке
P2–P3 до момента наступления периода старения системы.

Пример № 3: развитие дистанционных каналов
обслуживания клиентов в Альфа-Банке
В качестве наглядного примера представленных положений об условиях эффективного развития СМО рассмотрим далее полученные из открытых источников данные
по исследованию эффективности системы ДБО ОАО «Альфа-Банк».
При первоначальных инвестициях закупается программно-аппаратный комплекс
системы ДБО, позволяющий обслуживать единовременно до 10 тыс. клиентов. Это
ИТ-основа для обслуживания клиентов по дистанционным каналам взаимодействия.
Себестоимость проведения транзакции каждого следующего клиента (до критической отметки в 10 000) будет обходиться одинаково по отношению к предыдущему
(основание предела — вычисленная себестоимость одной транзакции в ДБО):
lim

x →10000

( 0,16 ) = 16 копеек;

lim (Spay ) = const.

x →10000

Представленные выражения имеют силу при выполнении следующего условия: интенсивность отказов сервиса дистанционных услуг снижается или остается в состоянии покоя в период нормальной стабильной эксплуатации системы дистанционного обслуживания:
λ (t) ≥ λ (t + 1)

(1)

λ (t) = λ (t + 1) = const

(2)

или
Указанные соотношения интенсивности отказов в нотации систем массового обслуживания представляют собой последовательно:
 период приработки и отказов некачественного оборудования и нестабильных
элементов дистанционной связи (см. рис. 7.4, участок P1–P2);
 период нормальной эксплуатации системы ДБО (см. рис. 7.4, участок P2–P3).

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

203

Экономический смысл условий оптимизации в соотношениях ключевых факторов
СМО, влияющих на прибыль сервиса дистанционных услуг (см. табл. 7.7), заключается в следующем: эффективность предприятия в сфере дистанционных услуг
определяется положительно по прибыли с тенденцией к росту в период, когда интенсивность отказов сервиса дистанционных услуг снижается или остается в состоянии покоя, до момента наступления критических состояний:
λ (t) < λ (t + 1).
Когда интенсивность отказов по истечении времени начинает увеличиваться от
предыдущего периода нормальной эксплуатации к следующему значимому периоду, это происходит преимущественно по одной из двух причин:
 по причине старения оборудования;
 по причине достижения максимальной пропускной способности каналов связи
(для дистанционных подключений клиентов) для обслуживания по программе
ДБО.

Тезисные выводы
Обобщая изложенные положения о ДБО, сформулируем тезисные выводы для
запоминания.
 Коммерческая операционная эффективность системы дистанционного обслуживания клиентов характеризуется соотношениями ключевых факторов влияния на
прибыль, приведенных в табл. 7.7.
 Подчеркнуто выделим следующие ключевые факторы влияния на эффективность ДБО:
• интенсивность отказов λ(t) в обслуживании потока заявок;
• индекс потребительской лояльности NPS;
• скорость Sppay проведения транзакций.
 Наиболее ценный аналитический вывод о внедрении системы ДБО в качестве
системы массового обслуживания заключается в следующем:
положительный экономический эффект от внедрения ДБО достигается за счет снижения себестоимости проведения каждой следующей транзакции из потока в очереди на
обслуживание (операции по приему платежа за услугу) благодаря технологической
смене принципов обслуживания: от ручного к автоматическому способу обработки
с обеспечением кросс-продаж дополнительных услуг.

Основания инвестиционной привлекательности
внедрения СМО на предприятии
Сформулируем на основе полученных знаний о ДБО экономические основания для
оценки инвестиционной привлекательности предприятий, внедряющих СМО.
В целом эволюционный переход компаний к дистанционным каналам обслуживания в совокупности направлен на повышение технико-экономической эффективности финансового предприятия за счет:

204

Глава 7

 увеличения скорости обслуживания (количества обработанных заявок в задан-

ный период времени);
 снижения себестоимости операции по приему платежа (себестоимости транзак-

ции);
 повышения прибыли из-за проведения большего числа операций с более низкой

стоимостью по сравнению с расчетно-кассовым обслуживанием.
В ходе проведения собственных исследовательских работ начинающие веб-аналитики могут самостоятельно убедиться в справедливости представленных выводов об эффективности СМО в дистанционном формате предоставления потребительских услуг и дополнить их собственными выводами и рекомендациями к внедрению.

Интерпретация благоприятных условий
для роста прибыли ДБО
Для лучшего понимания введем общедоступную интерпретацию благоприятных
условий, обеспечивающих рост прибыли ДБО. В табл. 7.8 приведены ключевые
показатели и взаимосвязи сущностей и дана соответствующая интерпретация экономического смысла факторов и их влияния на прибыль.
Таблица 7.8. Интерпретация эконометрических зависимостей для ДБО
Показатели

Интерпретация связей факторов, определяющих прибыль ДБО

Profit (t) ~ CommissionTr(i)

Операционная прибыль зависит от фиксированной или гибко
тарифицируемой комиссии за каждую транзацию в потоке
из N заявок

Profit (t) ~ ∑ Tr(t)

Прибыль на заданном интервале времени зависит от количества
выполненных заявок на обслуживание клиентов

Profit (t) ~ ν ~ D(i)/t

Прибыль на заданном интервале времени зависит
от популярности услуги — точнее, частоты ее использования
в единицу времени

Profit (t) ~ E(i)

Прибыль на заданном интервале времени зависит от надежности
системы ДБО при нагрузках на серверы в случае единовременного
пика входящих запросов на обслуживание

Таким образом, прибыль (Profit) зависит от размера комиссии (Commission), количества выполненных транзакций (Tr), популярности услуги (ν) и надежности системы ДБО (E)
Выделим основные тезисы аналитической интерпретации условий роста прибыли
ДБО:
 при фиксированных затратах на ДБО прибыль зависит от размера комиссии за

каждую проведенную транзакцию в заданный период времени;
 если фиксировать размер комиссии за каждую i-ю транзакцию в потоке N за-

явок, то необходимо увеличить скорость обработки заявок, чтобы в единицу

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

205

времени получить больше выполненных заявок при фиксированной ставке по
комиссионному сбору от ее выполнения;
 вне зависимости от выбранной бизнес-модели предоставления дистанционных

услуг для получения прибыли ее фактический размер зависит от количества
проведенных транзакций в заданный период времени;
 прибыль системы ДБО в фиксированный временнóй интервал напрямую зависит

от частоты использования (популярности среди клиентов) дистанционной услуги, удовлетворяющей потребности каждого клиента в текущий период;
 на практике при нагрузках на систему (единовременном использовании ее мно-

жеством клиентов) прибыль сервиса ДБО зависит от надежности системы (отказоустойчивости), т. е. от величины риска отказа в обслуживании, что в терминологии СМО определяется как величина интенсивности отказов в обслуживании клиентов.

О развитии экономики российских компаний
в сфере service on demand
Обзор сферы дистанционных услуг
В ходе изучения деятельности российских веб-сервисов выявлен ряд проблем, которые возникают у компаний, ведущих хозяйственную деятельность в сфере дистанционных услуг с целью удовлетворения потребностей физических лиц и монетизации их функциональности в России.
С точки зрения СМО для достижения бесперебойной работы системы по обслуживанию заявок на дистанционные услуги необходимо на всей территории РФ обеспечить низкий уровень отказов при обработке запросов через Интернет (в терминологии СМО: повысить отказоустойчивость). Это практически достижимо при
условии базирования дата-центров обработки данных в России и внедрения так называемых облачных технологий9.
Сфера дистанционных услуг для потребителей способствует следующим явлениям:
 уходу от наследия прошлого — «живых очередей»: переход на дистанционный

формат привел к тому, что очереди стали, скорее, условными и трансформировались во время ожидания по обслуживанию заказа без непосредственного
«стояния» в очереди на обслуживание;
 корректировке работы игроков B2C-рынка услуг по модели service on demand на

основе системы оценок, отзывов клиентов и специализированных рейтингов.
Так, рассмотренный ранее кейс компании «HTML Academy» (см. главу 4) показал
положительное влияние фактора лояльности аудитории к бренду на рост доходно9

Облачные технологии объединяют цепи серверов, связанных в единое целое, и замещают занятый сервер
свободным для обработки данных клиентов при обслуживания электронных заявок.

206

Глава 7

сти компании — это пример зависимости поведения клиентов от качества сервиса и
предоставляемой продукции.
Сформулируем логику происходящих бизнес-процессов, реализующих работу компаний в сфере дистанционных услуг в России (рис. 7.5).

Рис. 7.5. Логическая схема анализа сферы дистанционных услуг

Инновационное развитие сферы дистанционных услуг в РФ показывает, что доступ
к возможностям искусственного интеллекта (ИИ), речевые технологии для нового
формата диалога с клиентами, решения формата Decision Intelligence10 выводят
компании на более высокий уровень по сравнению с морально устаревшими стандартными офисами продаж, локализованными в жилых и деловых районах мегаполисов.
Применение положений законов РФ к предприятиям сферы дистанционных услуг
регулирует вопросы хранения и обмена персональных данных. Введенные в 2022 году изменения в Федеральный закон № 152-ФЗ «Об обработке персональных данных» значительно меняют порядок работы с персональными данными клиентов.
10

Функциональность Decision Intelligence задействуется для принятия управленческих решений на основе
ИИ — машинного обучения с использованием статистики по заданному вопросу.

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

207

Теперь ИТ-компании, зарегистрированные в РФ, должны:
 скорректировать политику конфиденциальности и оптимизировать порядок получения согласия на обработку персональных данных;
 изменить документацию, т. к. усилились правила безопасности данных;
 настроить взаимодействие с системой ГосСОПКА11 (подразделение ФСБ);
 уведомлять Роскомнадзор, если компания передает персональные данные за
границу.
Надо также учитывать, что государственное ведомство Роскомнадзор, регулирующее сферу деятельности ИТ-компаний в сфере связи, ИТ и СМИ в России, имеет
законное право блокировать доступ к веб-ресурсам, деятельность которых содержит какое-либо значительное нарушение Федерального закона № 152-ФЗ и других
законов (после неисполнения соответствующего предписания к устранению нарушений со стороны компании, зарегистрированной в РФ).
Поэтому цензурирование пользовательских и авторских текстов, публикуемых
в сфере дистанционных услуг, приобретает особое значение — с учетом риска возможных потерь B2C-бизнеса. Соответственно для исключения риска блокировки
веб-ресурсов Роскомнадзором необходимо тщательно производить алгоритмический анализ размещаемых в них текстов по острым социальным темам и их эмоциональной тональности.

Управление рисками негативного влияния
на сервисы дистанционных услуг в РФ
Факторный анализ сферы деятельности интернет-компаний в России с точки зрения
функциональности СМО позволяет выделить и структурировать экономические
факторы, влияющие на развитие отрасли дистанционных услуг:
 предпринимательские факторы риска.
Чрезмерный риск для начинающих предпринимателей при разработке новых
систем массового обслуживания совокупно связан с профессиональной неопытностью (т. е. неспособностью сбалансировать все требования к задачам по принципу «необходимо и достаточно», соблюдая установленные сроки), высокими затратами на разработку и внедрение инновационных способов взаимодействия
с потребителями при продаже услуг через Интернет, недостаточностью финансирования и в отдельных случаях слишком длительным сроком окупаемости инноваций;
 внутренние корпоративные факторы.
Недостаточное количество свободных и заинтересованных в работе на перспективу высококвалифицированных специалистов необходимого уровня для решения задач отрасли, слабая мотивация их для длительной работы, трудность
в четком контроле отдельных затрат на инновации, отсутствие внутрифирменной универсальности ИТ-специалистов;
11

ГосСОПКА — государственная система обнаружения, предупреждения и ликвидации последствий компьютерных атак, направленных на информационные ресурсы Российской Федерации.

208

Глава 7

 отраслевые факторы.

Недостаток технологических возможностей для развития дистанционных услуг
по всей территории РФ, недостатки существующей инфраструктуры, практическая незащищенность прав потребителей и персональных данных пользователей
дистанционных услуг.

Рекомендации для повышения эффективности СМО
Выделим методические и экономические рекомендации для повышения эффективности систем дистанционного обслуживания (по модели service on demand или
subscription):
 необходимо постоянно оценивать изменения величины интенсивности отказов
СМО, на каждом значимом промежутке времени желательно получать значения
интенсивности отказов на следующих уровнях:
λ (t) = const
или
λ(t + 1) < λ(t)
 следует учитывать возможный рост количества обращений клиентов для удов-

летворения потребностей (в день, в неделю или в месяц) в зависимости от тенденций в обществе для оценки роста популярности сервиса дистанционных
услуг (повышения частоты использования предоставляемых услуг);
 при условии роста популярности сервиса дистанционных услуг требуется нара-

щивать как совокупность всех сопутствующих дистанционных платных услуг,
включая опциональные кросс-продажи, предоставляемых сервисом, так и количество поставщиков услуг. Это направлено на решение двух задач:
• увеличение прибыли от кросс-продаж платных услуг;
• снижение вероятности в конкретный момент времени выбрать недоступную
для платежа услугу или поставщика, связь с которым нарушена;
 в момент времени (определенный в терминологии СМО как период старения

объекта), когда λ(t) начинает увеличивать свое значение по сравнению с предыдущим значимым периодом (когда λ(t) = const), надо вводить в эксплуатацию
дополнительные мощности для стабилизации величины интенсивности отказов
до уровня λ(t) = const (желательно заблаговременно строить модель развития показателей системы ДБО для обеспечения бесперебойной работы сервиса по
приему платежей);

 перед вводом в эксплуатацию СМО должна проверяться на надежность по

ГОСТ 27.002, при этом интенсивность отказов системы в промежуток времени
t = 1 мин должна быть определена на интервале:
λ(t) = [0;0.05].
Оценивая инвестиционную привлекательность предприятий, внедряющих системы
ДБО, следует учесть, что переход к дистанционным каналам обслуживания помогает:

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

209

 увеличить скорость обслуживания (количество обработанных заявок в заданный

период времени);
 снизить себестоимость операции по приему платежа (себестоимость транзакции);
 повысить прибыль за счет проведения большего числа операций с более низкой
стоимостью по сравнению с расчетно-кассовым обслуживанием (РКО), хотя при
этом и создается риск сбоя (отказа в обслуживании) системы ДБО.
Аналитические выводы на основе результатов научных исследований автора показали следующее:
 инвестиционная привлекательность внедрения ДБО интересна в первую очередь
для банковских структур — как плановый переход от РКО к ДБО при условии
наличия значительной доли клиентов в возрасте от 18 до 55 лет, активно использующих дистанционные каналы связи: стационарный и мобильный Интернет и
мобильную связь;
 причина такой инвестиционной привлекательности заключается в том, что себестоимость одной транзакции при ДБО практически в 16 раз дешевле, чем при
РКО;
 первоначальные инвестиции и обслуживание системы ДБО дешевле, чем содержание филиала банка для приема платежей (РКО). При этом скорость проведения одной транзакции при ДБО существенно выше. Это позволяет провести
значительно большее число операций в условную единицу времени. Такая взаимосвязь способствует единовременному привлечению большей аудитории клиентов, чем при РКО.
На рынке дистанционных услуг в России установилась четкая тенденция: естественный эволюционный процесс возрастания возможности дополнительных продаж
сопутствующих банковских и сервисных потребительских услуг физическим лицам
через ДБО — интернет-банк и мобильный банк.
Прибыль компаний, внедряющих ДБО по приему платежей, достигается за счет
продаж дополнительных услуг клиентам: потребительских кредитов, страхования,
СМС-информирования, переводов денежных средств другим клиентам на счета
в других банках и платежных системах, инвестиций и т. д.
Эффективность предприятия в сфере дистанционных услуг определяется положительно по прибыли с тенденцией к росту в период, когда интенсивность отказов
сервиса дистанционных услуг снижается или остается неизменной по процентному
уровню и до момента наступления периодических или постоянных критических
состояний:
λ (t) < λ (t + 1),
когда интенсивность начинает увеличиваться от предыдущего к следующему значимому периоду по одной из двух причин:
 старения оборудования;
 достижения максимальной пропускной способности каналов связи (для дистанционных подключений клиентов) при обслуживании по программе ДБО.

210

Глава 7

На прибыль компаний, внедряющих сервисы дистанционных услуг, влияют следующие социально-экономические параметры (в заданный период времени):
 величина комиссии за каждую проведенную транзакцию;
 сумма транзакций, проведенных в заданный период времени;
 частота обращений пользователей к сервису дистанционного обслуживания находится в прямой зависимости от величины потребностей целевой аудитории
сервиса в заданную единицу времени (день, неделя и т. д.) и от интенсивности
отказов системы в обслуживании (в зависимости от величины риска).
Исследования эффективности дистанционных услуг, предоставляемых через веб- и
мобильные сервисы, являются актуальными средствами получения исходных данных:
 для разработки и внедрения программно-аналитического инструментария оценки прибыльности компаний по заданной модели приема платежей с учетом
себестоимости транзакций, величин риска и интенсивности отказов;
 для повышения активности специалистов, инвесторов и руководителей предприятий в сфере услуг в РФ в условиях эволюционного технологического изменения моделей взаимодействия как части глобального развития дистанционных
услуг.
Объектами изучения для начинающих аналитиков могут служить прикладные исследования, помогающие выявить корреляцию между индексом потребительской
лояльности целевой аудитории сервисов дистанционных услуг и интенсивностью
отказов в обслуживании систем массового обслуживания, а также зависимость от
этих факторов динамики комиссионной прибыли в реальном времени.

Выводы о пользе изучения методик TD ABС и СМО
Представленные в этой главе методики функционального анализа производственных затрат TD ABС (Time-Driven Activity-Based Costing) и теории очередей в системах массового обслуживания (СМО) направлены на изучение бизнеса в сфере
дистанционных услуг с аналитически сбалансированным подходом и заданным
эконометрическим, техническим инструментарием.
В завершение главы приведем основные выводы — исследования деятельности
компаний, предоставляющих услуги через дистанционные каналы по моделям сервиса по запросу (service on demand) и подписки (subscription), имеют важное социально-экономическое значение:
 потребителям — предоставляется качественный сервис при сбалансированной
розничной цене;
 бизнесу — становится доступно масштабирование регионального покрытия на
основе онлайн-формата в виде дистанционного канала доступа к товарам и
услугам.
Современные точки доступа к услугам: ноутбуки, смартфоны, планшеты с выходом
в Интернет — эволюционно и технологически модифицируются, но, по сути, оста-

Методика TD ABC. Функционально-стоимостный анализ себестоимости транзакций

211

ются теми же мобильными точками доступа, что и раньше, — просто растут скорость передачи данных и возможность оперативно обрабатывать клиентские запросы на дистанционное обслуживание.
Достоверная и точная экономическая калькуляция себестоимости каждой транзакции методом TD ABC направлена на унификацию процесса оценки себестоимости
затрат на каждую транзакцию, проводимую дистанционно. В рассмотренном ранее
примере № 3 показано, как такая калькуляция в банковском секторе способствует
рациональной оценке прибыльности перехода от РКО к ДБО и сокращению сроков
выхода на окупаемость затрат, связанных с внедрением СМО (см. табл. 7.7, 7.8
и участок графика P2–P3 на рис. 7.4).
Методика TD ABC, как показало проведенное аналитическое исследование, —
один из ключевых методов оценки показателей эффективности сервисов дистанционных услуг. Это своего рода «must have»12 в арсенале изученных и используемых
методов и алгоритмов аналитика.
Экспертный подход к исследованию возможно выработать со временем, не в одночасье, т. к. требуется уметь не просто рассчитывать результаты по одной методике
и алгоритмам, но и проверять их другими методами, — чтобы доказать принимающей стороне (руководству компании или коллегиальной комиссии) эффективность
предложенных решений.
В заключение описания теории следует вкратце охарактеризовать процедуру экспертной оценки исследования — ее ценности, включая критику хода исследовательской работы и ее результатов. Так, при защите научно-исследовательской
работы перед экспертной комиссией аналитику, как правило, необходимо представить:
 тему исследования и ее актуальность — т. е. обосновать ее ценность так, чтобы
она четко воспринималась экспертами;
 глобальную цель исследования — например, выявление зависимости между
экономической функцией рассматриваемого предприятия и внешними и внутренними факторами, ранее малоизученными другими исследователями;
 задачи исследования — последовательно изложить все задачи, решаемые для
достижения цели исследования;
 объект (объекты) аналитического рассмотрения — бизнес компании или какоелибо социально-экономическое явление;
 методы и сопутствующие алгоритмы исследования — для получения количественных и качественных его результатов исследования;
 расчеты и визуализацию результатов в заданной нотации согласно постановке
задачи;
 выведение эмпирических результатов и зависимостей согласно цели, задачам
и требованиям к оформлению результатов;
12

Устойчивое выражение (англицизм), характеризующее необходимый атрибут для работы или использования объективно в заданных условиях.

212

Глава 7

 аналитические выводы на основании полученных результатов;
 выработанные рекомендации для бизнеса, государственных чиновников или

другой группы лиц, для кого проведенное исследование представляет экономическое, социальное или научное значение.
Защита перед экспертами имеет особую важность, т. к. по умолчанию в комиссии
должны быть в качестве оппонентов для защищающего свою работу аналитика
представлены профессионалы (теории и практики) по заданной теме исследования.
Обычно такими оппонентами выступают преподаватели и чиновники, инженеры и
другие профильные специалисты сопутствующих теме сфер деятельности, способные дать ценную критику или подтвердить ценность исследования в прикладном
применении к рассматриваемой теме.
Выраженное мнение эксперта относительно хода проведения исследования (точнее,
аналитической цепочки логических и экономических связей в нем) имеет наставнический характер и должно по сути содержать оценку правильности траектории исследования, причем скорее качественную, чем количественную, поскольку время
защиты ограничено.
Предварительная экспертиза (рецензирование) исследования дает более глубокий
взгляд на его структуру и способна предоставить скрупулезный, а не поверхностный, уровень его оценки с количественной и качественной точек зрения для решения поставленных в исследовании задач. При этом эксперты имеют собственные
мнения и могут дать рецензию как положительного, так и отрицательного значения. Тем не менее конструктивная критика экспертов может содержать указания
«слабых точек», то есть критериев, необходимых для тщательной проработки. Это
влияет на ценность результатов исследования и использование их в коммерческих
и инженерных сферах деятельности.
С точки зрения профессионального подхода начинающему аналитику рекомендуется выработать взвешенный, безэмоциональный подход к изучению критики. Это
поможет ему в будущем исключить отмеченные экспертами в его исследовании
неточности и найти в собственном профессиональном профиле недостаточный
уровень определенных компетенций, рост которого в перспективе смогут оценить
коллеги.

ГЛАВА

8

Факторный анализ
для оптимального выбора
Факторный анализ представляет собой один из ключевых алгоритмов анализа
эмпирических данных на основе изучения и сравнения заданных признаков рассматриваемых моделей исследования.
По определению факторный анализ — это многомерный статистический метод,
используемый для изучения взаимосвязей между вариативными значениями переменных. По умолчанию трактуется, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки.
В научной работе основными целями проведения факторного анализа являются:
 выявление взаимосвязей между заданными переменными и их классификация по

признакам — «объективная R-классификация»;
 сокращение числа переменных.

Аналитически доказательное принятие решения об оптимальном выборе из сходных вариантов A или B (вне зависимости от контекста) возможно с помощью многофакторного анализа на основании требований к отбору. В условиях задачи формальные требования могут быть изложены как в словесной формулировке, так и
с использованием физических или математических зависимостей, включая величины, определяющие критерии отбора.

Условия применения факторного анализа
Практически решение задачи факторного анализа начинается с проверки условий.
Приведем обязательные условия научного факторного анализа:
 все признаки должны быть количественными;
 серия наблюдений за испытаниями должна быть не менее чем в два раза больше

количества переменных;
 выборка должна быть однородна, т. е. сравнимые модели A и B — сопоставимы;
 исходные переменные должны быть распределены симметрично;
 факторный анализ осуществляется по коррелирующим переменным.

214

Глава 8

В научно-исследовательской работе дифференцированный подход к отбору факторов должен быть обоснован условиями задачи.

Применение факторного анализа в исследованиях
Исследования с использованием факторного анализа имеют обширное значение
в науке и бизнесе и способствуют поиску и оценке влияния факторов на изучаемую
модель — в частности, при сопоставлении ее с эталоном.
Основы методики факторного анализа описаны в трудах исследователей психометрики начала XX века. Факторный анализ широко применяется в психологии, в нейрофизиологии, социологии, политологии, в экономике, статистике, а также в прикладных сферах применения — в логике потребительского выбора и других прикладных задачах.
В теории факторного анализа представлены следующие научные методы анализа
данных:
 метод главных компонент;
 корреляционный анализ;
 метод максимального правдоподобия.

В научных исследованиях классифицируются следующие виды факторного анализа:
 детерминированный анализ — методика исследования влияния факторов,

связь которых с результативным показателем носит исключительно функциональный характер. То есть результативный показатель представлен в виде произведения, соотношения или алгебраической суммы изученных факторов;
 стохастический анализ — методика исследования факторов, связь которых

с результативным показателем, в отличие от функциональной, является неполной, вероятностной (корреляционной).
Факторный анализ может быть как прямым, так и обратным:
 при прямом факторном анализе исследование ведется дедуктивным спосо-

бом — от общего к частному;
 обратный факторный анализ в исследовании заключается в поиске причинно-

следственных связей способом логической индукции — от частных (отдельных)
факторов к обобщающим.
В зависимости от сложности поставленной задачи факторный анализ может быть
также одноступенчатым или многоступенчатым:
 одноступенчатый факторный анализ используется для исследования факторов

только одного уровня (одной ступени) подчинения без их детализации на составные части;
 при многоступенчатом факторном анализе формируется детализация факто-

ров A и B на составные элементы. Цель такого научного исследования — пове-

Факторный анализ для оптимального выбора

215

дение факторов и их элементов. Детализация факторов может быть продолжена
и далее.
Впоследствии, с развитием науки во II половине XX века, факторный анализ стал
базовым логическим инструментарием, и сейчас он добавлен во все основные программные решения статистической обработки данных, в том числе в R, SAS, SPSS,
Statistica, Stata[en].

Решение сложных задач с помощью факторного анализа
Приведем для примера несколько опубликованных исследовательских задач, в основе решения которых лежит методика факторного анализа. Формулировки их
названий характеризуют высокую социальную значимость описанных в них исследований.
 В области экономики: «Факторный анализ причин инфляционного процесса
в российской экономике»1.
В работе представлена характеристика влияния изученных факторов (дефицита
и профицита бюджета и др.) на инфляционный процесс в экономике России.
 В области медицины: «Алгоритмы статистического анализа в медицине»2.
В работе производится сопоставление эффективности лечения препаратами независимых групп больных и описание влияния выявленных факторов на эффект
выздоровления.
 В менеджменте: «Факторный анализ операционной деятельности как инструмент мониторинга выполнения поставленных целей»3.
В работе выполнено определение основных факторов влияния на эффективность
и результативность финансовой деятельности предприятия.
Эти научно-исследовательские работы представлены в качестве домашнего задания
для самостоятельного изучения, чтобы у читателей была возможность оценить круг
задач, выполняемых по методике факторного анализа.

Объектно-ориентированный подход
к многофакторному анализу
Веб-разработка цифровых продуктов — попросту говоря, работа с исходным кодом, — требует от специалистов объектно-ориентированного подхода. Принятие
решения о выборе из условных двух сопоставимых вариантов A и B на доказательном уровне невозможно без проведения их многофакторного анализа.
1

Орусов Д. В. Научная статья // Финансы и кредит. 2000. № 3 (63). С. 7, 15.
(https://tinyurl.com/79efep9d).

2

Поветкин С. В., Филиппенко Н. Г. Методические рекомендации для студентов.
(https://tinyurl.com/48p33d4f).

3

Авторы: Кашуба В. О. и Цой А. В. (https://moluch.ru/archive/132/36959/).

216

Глава 8

В частном случае если признаки сравнения моделей A и B являются не количественными, а качественными, то вводится проверка их на логическое соответствие
заданному признаку (или группе признаков). При этом возможно интерпретировать
наличие или отсутствие заданного признака как логическую переменную (0 или 1).
Если наличие признака зафиксировано, то это отмечается как истина, этому критерию в таблице сравнения назначается оценка в 1 балл и т. д. Сравнение условных
объектов A и B выполняется по сумме баллов (соответствия требованиям) каждого
и выбирается искомый вариант с максимальным суммарным количеством баллов
соответствия.
Этот способ является частным случаем матрицы принятия решений, где в табличном виде по строкам размещены варианты для оптимального выбора, а по колонкам — факторы отбора.

Пример № 1: матрица принятия решения
Задача
Выбрать подрядчика на разработку корпоративного сайта среди трех представленных агентств для выбора.

Требования
 стоимость (до 100 тыс. руб.);
 опыт выполнения подобных работ;
 коммуникация (комфорт в диалоге);
 отзывы клиентов.

К рассмотрению
Агентство № 1, агентство № 2 и агентство № 3.

Решение
1. Расставим оценки качества трех представленных подрядчиков (табл. 8.1).
2. Добавим весовые коэффициенты значимости факторов от максимума к минимуму в первой строке, начиная со второй колонки таблицы (табл. 8.2).
Введение весовых коэффициентов ранжирования факторов способствует отбору
от максимума к минимуму для повышения точности результата. В соответствующих ячейках для каждого агентства выполним умножение оценки на весовой коэффициент для решения поставленной задачи с целью оптимального выбора варианта по заданным факторам.
3. Вычисление итоговой оценки с учетом весовых коэффициентов по сумме баллов
представлено в табл. 8.3. Вариант с максимальным набором оценок по 5-балльной шкале в решении задачи является оптимальным.

Факторный анализ для оптимального выбора

217

Таким образом, агентство № 1 выиграло при выборе оптимального подрядчика
услуг — несмотря на то, что стоимость работ подрядчиков № 2 и 3 ниже, чем
у него, однако сумма факторов опыта, коммуникативных способностей и отзывов
клиентов с учетом весовых коэффициентов у него выше.
Таблица 8.1. Отбор оптимального варианта по заданным факторам
Стоимость

Опыт работы

Коммуникация

Отзывы
клиентов

Агентство № 1

5

2

3

3

Агентство № 2

3

4

2

5

Агентство № 3

1

5

3

4

Оценка

Таблица.8.2. Отбор оптимального варианта по заданным факторам
с учетом весовых коэффициентов
Стоимость
(вес: 5)

Опыт работы
(вес: 4)

Коммуникация
(вес: 3)

Отзывы клиентов
(вес: 2)

Агентство № 1

5 × 5 = 25

2×4=8

3×3=9

3×2=6

Агентство № 2

3 × 5 = 15

4 × 4 = 16

2×3=6

5 × 2 = 10

Агентство № 3

1×5=5

5 × 4 = 20

3×3=9

4×2=8

Оценка

Таблица 8.3. Отбор оптимального варианта по заданным факторам
на основе итоговой оценки
Стоимость
(вес: 5)

Опыт работы
(вес: 4)

Коммуникация
(вес: 3)

Отзывы клиентов
(вес: 2)

Оценка

Агентство № 1

5 ×5 = 25

2×4=8

3×3=9

3×2=6

48

Агентство № 2

3 × 5 = 15

4 × 4 = 16

2×3=6

5 × 2 = 10

47

Агентство № 3

1×5=5

5 × 4 = 20

3×3=9

4×2=8

42

Вывод о матрице принятия решений
По результатам рассмотрения приведенного примера сформулируем тезисно
основные выводы о применимости матрицы принятия решений в работе аналитика:
 это доступный способ без лишних сложностей для принятия обоснованных

решений;
 этот алгоритм решения полезен не только при выборе подрядчика — подходит и

для других аналитических управленческих решений по выбору из ряда сопоставимых аналогов;
 матрица принятия решений актуальна для выполнения задачи факторного ана-

лиза с качественными критериями отбора.

218

Глава 8

Пример № 2: сравнительный многофакторный анализ
Рассмотрим теперь задачу многофакторного анализа исходных данных.

Задача
Требуется провести сравнение интересных вариантов домов и выбрать оптимальный загородный дом по заданному бюджету для покупки с целью постоянного жительства.

Условия
 регион задан;
 максимум три интересных варианта для сравнения;
 сроки для выбора дома ограничены — нужно отобрать варианты и сопоставить

их для сокращения времени на осмотр перед покупкой.
П РИМЕЧАНИЕ
Это возможно сделать даже без компьютера под рукой — в контексте задачи нам поможет факторный анализ.

Решение
Давайте последовательно решим задачу разложением ее на сущности. Объектом
анализа является «загородный дом с участком». Эта сущность описывается целым
рядом признаков, которые мы последовательно запишем и сгруппируем для логически обоснованного анализа.
Сводная характеристика признаков описания загородного дома с участком представлена в табл. 8.4. Обратите внимание: важно разместить факторы ранжирования
от максимального (в начале таблицы) и далее по убыванию к минимальному значению (в конце таблицы). В реальности допустимо добавлять к таблице и другие признаки описания, также учитывая ранги их значимости (это лишь уточнит итоговое
значение результата для аналитика).
Итак:
 факторы, определяющие признаки транспортной доступности, комфорта и безо-

пасности, расставлены по приоритетам;
 при этом каждый аналитик имеет возможность ранжировать факторы по собст-

венному усмотрению с точки зрения приоритетов важности в случае, если это не
противоречит условиям задачи.
П РИМЕЧАНИЕ
Опции комфорта (в недвижимости) — это признаки качества объектов недвижимости,
определяющие в совокупности уровень комфорта для проживания в этом объекте.

Рассмотрим также вопрос бюджета на покупку загородного дома. Тут есть три возможных варианта:

Факторный анализ для оптимального выбора

219

 минимальный бюджет — признаки отбираются по принципу «необходимо и

достаточно»;
 средний (умеренный, достаточный) бюджет — признаки отбираются по прин-

ципу «необходимо и достаточно» + доступные опции комфорта;
 максимальный бюджет — выбор по максимуму опций комфорта.
Таблица. 8.4. Сводные характеристики признаков сравнения домов
для постоянного жилья
Признаки выбора дома с участком Характеристики признаков
Материал коробки дома

Определяющий признак надежности конструкции
домостроения

Утепление

Тип и технология утепления фундамента, стен, пола
и потолка/чердака с учетом ГОСТ и СНИП

Фундамент

Тип и утепление — сравнить с соседними домами. Если
все соседи строят дома на монолитной плите, нет смысла
делать его на винтовых сваях

Тип фасада

Включая утеплитель, точка росы

Отопление

Расчет по площади (м2)

Как организована котельная

Совмещенная с домом, на кухне и т. д.

Тип котла

Дровяной, газовый или пеллетный

Форма собственности

СНТ/ИЖС/долгосрочная аренда земли

Возможность прописки в доме

Да/нет (по законодательству РФ)

Скважина

Если есть, как давно чистили? Один раз в 2 года
обязательно чистить, иначе идет осадок

Электричество

Есть/нет

Стоимость кВт/ч и % потери на сетях Важно для оценки квартплаты за электричество
Другие признаки по убыванию значимости для сравнения...

Далее маркируем в табл. 8.4 цветом (серой подсветкой) заданные факторы по
принципу «необходимо и достаточно» — например: теплый дом + на монолитном
фундаменте + эл-во 10 кВт/ч + скважина + газовый котел в котельной + прописка +
не более 20 км от города + не более 3 км до магазинов и т. п.)
На следующем шаге отбираем условно три варианта, подходящих по бюджету
в заданном районе пригорода, и сводим их описание по заданным признакам
в табл. 8.5 следующим образом:
 важно отобрать ограниченное количество вариантов с сопоставимым бюджетом

и приемлемой удаленностью от города, работы, магазинов и т. п.;
 при условном выборе по результатам между двумя альтернативными варианта-

ми: X [+] = 3 и Z[+] = 3 — взвешенный выбор следует отдавать в пользу того
варианта, где подтверждены (условно закрыты плюсами) базовые признаки, ха-

220

Глава 8

рактеризующие опции комфорта, т. к. они соответствуют обязательному набору
по принципу «необходимо и достаточно».
Разумно зафиксировать основной и альтернативные варианты последовательно
в результате, где сходится наличие максимума признаков (факторов) отбора для
просмотра и выбора, чтобы процесс покупки загородного дома не превратился
в неосмысленно долгий и сложный процесс.
Таблица 8.5. Упрощенный вид представления факторного анализа
для подведения результатов
Признаки

Вариант № 1

Вариант № 2

Вариант № 3

Признак № 1

+

+

−

Признак № 2

+

−

+

Признак № 3

+

+

+

...

...

...

...

Признак N

−

−

+

X [+] = 3

Y [+] = 2

Z [+] = 3

Итого

Выводы о многофакторном сравнительном анализе
По результатам рассмотрения приведенного примера формализуем выводы об
актуальности использования многофакторного анализа в практической работе аналитика:
 оптимальный выбор наилучшего варианта (в нашей задаче — дома) из ряда

представленных к сравнению вариантов (домов) логически обоснован в соответствии с запросами потребителя, составляющими набор необходимых опций
комфорта, и фиксированным бюджетом для покупки недвижимости в результате
выбора;
 в зависимости от бюджета количество признаков комфорта в качестве опций

может быть как ограничено до необходимого и достаточного, так и, наоборот,
расширено до выбора опций комфорта «по максимуму»;
 в целом этот способ решения задач применим для отбора оптимальной модели

дорогой покупки по заданному бюджету с учетом всех значимых признаков
комфорта.

Рекомендуемая литература по изучению факторного анализа
Начинающему аналитику рекомендуется самостоятельно расширять свой кругозор
и углублять знания в освоении методов и алгоритмов анализа данных, в том числе
в изучении факторного анализа, по следующим российским и западным научнопопулярным источникам.
1. Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. —
М.: Мир, 1982. — С. 488.

Факторный анализ для оптимального выбора

221

2. Колин Купер. Индивидуальные различия. — М.: Аспект Пресс, 2000. — 527 с.
3. Факторный, дискриминантный и кластерный анализ: сборник работ /
под ред. И. С. Енюкова. — М.: Финансы и статистика, 1989. — 215 с.
4. Бююль А., Цёфель П. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. — СПб.:
ООО «ДиаСофтЮП», 2002. — 603 с.
5. Факторный, дискриминантный и кластерный анализ: пер. с англ. / Дж.-О. Ким,
Ч. У. Мьюллер, У. Р. Клекка и др.; под ред. И. С. Енюкова. — М.: Финансы
и статистика, 1989. — 215 с.
6. Двоерядкина Н. Н., Чалкина Н. А. Факторный анализ при исследовании
структуры данных // Вестник АмГУ. — 2011. — Вып. 53. — 5 с.

Статистический анализ рынка
промышленных комплектующих в РФ
Освоение статистического анализа мы продолжим предметно на основе приведенного в этом разделе наглядного примера и детально рассмотрим последовательность комплексного анализа рынка изготовления и продаж промышленных
валов, комплектующих и сопутствующих услуг металлообработки, проведенного
в 2020 году для промышленного холдинга, работающего на территории РФ.
Планомерное развитие промышленной компании включает реализацию стратегии
развития собственного производства и организации сбыта готовой продукции по
дистанционным каналам (веб-каталоги продукции и рекламные каналы) с учетом
широты покрытия сетью Интернет территории РФ в 2020 году и адаптивности вебсервисов для мобильных пользователей — поставщиков и потребителей.
В качестве основного инструмента продаж оборудования и комплектующих для
исследования российского рынка в сегменте интернет-торговли использован вебресурс «МеталВал.ру», предоставляющий каталог выпускаемой продукции и сопутствующих услуг.
Необходимо заранее отметить, что приведенный здесь пример содержит два этапа,
что меняет систему эконометрических переменных от начала исследования к следующей фазе из-за незапланированного изменения внешних факторов взаимодействия субъектов рассматриваемой бизнес-модели.

Каталог комплектующих для производства и сбыта
Сформированный актуальный каталог выпускаемой продукции включает категорию промышленных валов — это основное направление деятельности производства для организации цикла изготовления и сбыта готовой продукции, востребованной на рынке промышленных комплектующих.
Путем диалога с начальником производства отобраны перспективные товарные позиции, изготовление которых возможно на основном и сопряженных дочерних

222

Глава 8

производствах: гофровалы, валы передач, гладкие, полые, трансмиссионные, ступенчатые и клеевые валы.
Совместно с менеджерами производства отобраны и включены в онлайн-каталог
следующие сопутствующие комплектующие для промышленных валов: цапфы,
резьбовые шпильки, гидроплиты, пальцы ступицы, втулка подшипника, подшипник
ступицы, штуцеры, шпонки, стальные фланцы, соединительные муфты, детали
формы «звездочка».

Исходная статистика и эмпирические данные
для анализа рынка сбыта
Исходные данные для анализа состояния и динамики рынка промышленных валов,
комплектующих и металлообработки по России взяты из нескольких независимых
открытых источников (табл. 8.6).
Таблица 8.6. Источники исходных данных для анализа
Источники

Описание источников

Export Base

Каталог доступных на платной основе справочных данных
о компаниях (открытые базы компаний по России и СНГ)

WordStat.Yandex.ru

Сервис статистики поисковых запросов русскоязычных
пользователей по регионам РФ в Яндекс.Поиск

Unisender

Сервис электронных рассылок для российской аудитории (SMS,
email-рассылки и другие сервисы для рекламы и аналитики
результатов)

Аналитическая система
Яндекс.Метрика

Сервис статистики по сайту

Федеральная служба
государственной статистики

Данные по индексу промышленного производства в регионах РФ

Сбор данных о предприятиях России
Исходная статистика по гофротаре и металлообработке для сравнения по количеству фирм в регионах России представлена в табл. 8.7. Эмпирические данные ранжированы по регионам от максимума (по количественным значениям) в начале таблицы к минимуму в ее конце.
Как можно видеть, в регионах РФ:
 по гофротаре — всего 545 фирм;
 по металлообработке — всего 13 110 фирм;
 по изготовлению валов совокупно — всего 4395 запросов/месяц;
 из общего количества 13 655 фирм в среднем для 33,5% из них требуется ежеме-

сячное изготовление промышленных валов, поскольку ожидается примерно
4395 потенциальных заказов.

Факторный анализ для оптимального выбора

223

Таблица 8.7. Статистика промышленности
(гофротара, цветная и черная металлообработка) в регионах РФ
Кол-во
гофропредприятий

Кол-во металлообрабатывающих
предприятий

Индексы
промышленного
производства
в регионах РФ

Частота запроса4
«Изготовление
валов»

Москва и Московская
область

109

2246

110,1

849

Санкт-Петербург
и Ленинградская область

43

1308

102,3

540

Свердловская область

26

1053

101,8

260

Нижегородская область

18

459

106,0

192

Челябинская область

24

774

99,5

171

Самарская область

23

434

99,5

158

Удмуртская Республика

13

211

102,7

115

Краснодарский край

9

312

100,2

106

Иркутская область

10

147

100,6

91

Республика Башкортостан

16

285

101,9

81

Новосибирская область

43

606

102,3

80

Красноярский край

9

295

92,8

79

Регионы
Российской Федерации

Далее следуют другие регионы РФ аналогично...
Всего

545

13 110

4395

При отборе входящих заявок на производство по валам действует условное соотношение «один из десяти» (1/10)5. Это означает максимум 439,5 потенциальных
заказа по России в месяц (допущение: при условии конверсии в 10%).
Оценим причины сложившейся неприятной ситуации:
 на практике не все необходимые станки есть в наличии на том или ином произ-

водстве;
 требования высокой точности исполнения производства деталей по чертежам

заказчиков;
 ограниченная максимальная размерность станков ЧПУ для изготовления валов,

не позволяющая принять в работу тот или иной заказ, и т. д.
4

Частота поискового запроса Изготовление валов по данным Яндекс.Подбор слов. Источник:
https://wordstat.yandex.ru.
5

В рассматриваемом случае соотношение 1/10 выявлено исходя из реальной ситуации по сложности исполнения индивидуально каждого заказа — выбирается к исполнению один из десяти потенциальных заказов.

224

Глава 8

Надо отметить, что на тот момент при согласовании с отделом производства стоимости изготовления комплектующих на собственной производственно-технической
базе выяснилось, что в среднем 9 из 10 входящих заявок выполнить в соответствии
с полученными от заказчиков ТЗ было практически нереально из-за устаревших
станков (до реновации цехов).
В работе аналитика тоже все не так просто: электронные рассылки по массиву
предприятий объемом 13 655 фирм лучше выполнять последовательно и выборочно
по регионам — чтобы фиксировать и проверять конверсию в заявки на производство комплектующих по каждому региону полностью до перехода к планомерному
отбору и оценке состоятельности заявок.
Анализ прохождения первых рассылок электронных писем по базе предприятий,
экспортированных из каталога сервиса Export Base, выявил следующие эмпирические результаты:
 конверсия в заявки по валам и комплектующим — 7% (всего зарегистрировано

8 заявок из 115 отправленных писем);
 конверсия в заявки по гофровалам — 0,3% (всего зарегистрирована одна заявка

из 300 отправленных писем).
П РИМЕЧАНИЕ
Вспомним, что по данным табл. 8.7 в РФ зарегистрировано 545 промышленных предприятий, использующих в работе гофровалы в оборудовании для изготовления картона, пищевой пленки, бумаги и других подобных изделий.

Отметим, что инструментарий электронных рассылок через Unisender в итоге первых итераций (прогонов) тестовых рассылок показал, что они малоэффективны,
и выявил следующее ограничение: нельзя использовать рассылки слишком часто
(только один раз в месяц). Почему именно с такой периодичностью? На это есть
несколько причин — выделим как минимум три из них:
 надо исключить ситуации, когда в ответ на повторную рассылку придет нега-

тивная оценка и отказы от целевой аудитории, т. е. от потенциальных клиентов;
 между итерациями прогонов нужно фиксировать результаты, выждав как мини-

мум неделю, поскольку не все менеджеры отделов снабжения постоянно контролируют входящую почту и не сразу реагируют на электронные письма;
 если часто отправлять адресатам письма прямого и косвенного рекламного со-

держания, в результате можно попасть в спам или в черный список.
Аналогично, по категории металлообработки в регионах РФ всего зарегистрировано (на момент анализа) 13 110 фирм. Аналитику достаточно раздробить значительный массив фирм по регионам, а затем выполнять электронные рассылки таргетированно и последовательно по каждому региону один раз в неделю. Это рекомендуется принять в качестве плана действий и выполнять планомерную фиксацию
результатов конверсии от предприятий (по регионам РФ) в заявки и возможные реальные заказы продукции.

Факторный анализ для оптимального выбора

225

Полученный массив предприятий металлообработки по всем регионам России для
удобства следует ранжировать по количеству их в регионах от максимума к минимуму (табл. 8.8).
Таблица 8.8. Статистика предприятий металлообработки в регионах РФ,
актуальных для анализа данных
Актуальные регионы РФ

Всего предприятий металлообработки

Москва и Московская область

2246

Санкт-Петербург и Ленинградская область

1308

Свердловская область

1053

Челябинская область

774

Новосибирская область

606

Нижегородская область

459

Самарская область

434

Пермский край

334

Краснодарский край

312

Красноярский край

295

Далее следуют другие регионы РФ аналогично...

Расчет рыночной стоимости выпускаемых комплектующих
Для оценки экономической целесообразности развития производства в заданных
условиях аналитику необходимо провести предварительные расчеты, чтобы понять
сложность и перспективы этого направления.
Экономически моделируемый расчет рыночной стоимости каждой единицы комплектующих для промышленных валов, выпускаемых компанией, выполняется по
следующей формуле:
Price(item;market) = ([Price(material) + Price(work)] ×
× Margin + СostFixed (marketing)) + НДС,

(1)

где:
 Price(item;market) — рыночная стоимость каждой единицы выпускаемых ком-

плектующих;
 Price(material) — стоимость материала (необходимого сорта стали);
 НДС — надбавка 20% от стоимости выпускаемой единицы комплектующих;
 Margin — маржа предприятия от стоимости выпускаемой единицы комплек-

тующих;
 СostFixed (marketing) — фиксированные затраты на маркетинг для привлечения

следующего аналогичного заказа.

226

Глава 8

Эконометрическая оценка себестоимости каждой выпускаемой единицы комплектующих выполняется по следующей формуле:
Price(item;production) = Price(material) + Price(work).

(2)

Выполним расчет себестоимости единицы какого-либо из комплектующих, исходя
из следующих условий:
 стоимость работы токаря — (по рыночной оценке) составляет 850 руб./ч;
 средняя цена стали марки 45 — на уровне 35 900 руб./т;
 средний вес рассматриваемой единицы комплектующих (упрощенно для расче-

та) — примерно 1 кг;
 потенциальный доход — рассчитаем по соотношению: один или несколько зака-

зов в день (на загрузку по максимуму шт./день).
В результате мы получим следующие эмпирические показатели эконометрического
моделирования:
 при среднем весе выпускаемой продукции из стали 45 весом в 1 кг стоимость

материала эквивалентна 35,9 руб;
 специалист производства может изготовить на токарном станке в среднем

1,3 детали в час, что при стандартном 8-часовом рабочем дне дает нам 8 единиц
продукции в день по себестоимости 581 руб./шт., или суммарно — по 4648 руб.
в день.
Выполним для примера расчет ориентировочной розничной стоимости детали
«звездочка без ступицы под расточку» со средними параметрами:
 вес: 1 кг;
 диаметр круга: 115 мм;
 металл: сталь 45;
 цена металла: 35 900 руб./т.
 ориентировочная розничная стоимость: 1200 руб.

По формулам (1) и (2) рассчитаем себестоимость такой детали и ее ориентировочную рыночную стоимость :
 себестоимость:

Price(item;production) = Price(material) + Price(work) =
= (35,9 + 646) руб. = 682 руб.
 ориентировочная рыночная стоимость:

Price(item;market) = 682 руб. × 1,2 × 1,55 = 818,4 руб.
6

 маржинальность составит 32% (фактически 264 руб./ед).
6

Маржинальность характеризует величину маржи (прибыли) с условной единицы выпускаемой продукции
с учетом розничной цены за товар, фиксированных и переменных затрат на производство.

Факторный анализ для оптимального выбора

227

 фиксированные расходы на маркетинг составляют примерно 10% (фактически

120 руб./ед).
Итак смоделировано, что при ручном труде7 токарь на старом станке может изготовить в день 8 единиц продукции на ориентировочную сумму 9600 рублей. Из них
маржинальность компании составит 2112 рубля, а фиксированные расходы на маркетинг — 960 руб. При наличии двух действующих станков в обороте производства
прибыль в среднем составит 4224 руб./день.
Подведем предварительный итог эконометрического моделирования прибыльности
изготовления комплектующих на токарных станках:
 при 20-дневном рабочем графике прибыль в месяц составит 84 480 рублей (это

относительно невысокая прибыль от двух станков и работы токарей из-за ручного труда);
 прибыль сверх нормы возможна только при условии срочности заказа (в терми-

нах производства: «спецзаказ»).

Оценка привлекательности комплектующих по регионам РФ
В силу коммерческих и технических обстоятельств руководство компаний запрещает публиковать в Интернете цены на изготавливаемые под заказ промышленные
валы и сопутствующие комплектующие не столько из-за их дороговизны, но и из-за
ряда сопутствующих факторов:
 несерийные комплектующие, изготавливаемые под заказ, имеют вариативную

размерность и сложность изготовления;
 нельзя четко выделить минимальную цену из-за вариативной стоимости металла

(как исходного материала);
 коммерчески нецелесообразно собирать с рынка все заявки и исполнять их без

разбора — стратегически привлекательно выбирать заявки на большое количество изделий для загрузки производства и возможности получения необходимой
маржинальности (много более 10% от себестоимости изготовления);
В ином случае предприятие не сможет собрать средства, необходимые для реновации, и не выйдет на рентабельность в перспективе ближайших лет.
Большинство менеджеров отделов снабжения в компаниях заказчиков действуют
по типичному сценарию:
1. Получают на совещании по устранению неполадок в оборудовании задание от
руководства компании со списком необходимых к замене комплектующих.
2. Формализуют его в виде технического задания с моделями, фото и чертежами.
3. Находят в Яндекс.Поиске профильные компании по изготовлению и поставкам
нужных комплектующих и отправляют веерно запросы по ценам и срокам изготовления необходимых валов, муфт и других деталей оборудования.
7

Имеется в виду, что расчет не учитывает наличие на производстве компании станков с ЧПУ.

228

Глава 8

В результате формируется скрытый мини-тендер на поставку комплектующих:
 кто быстрее оценит заявку на производстве;
 кто более оперативно выставит коммерческое предложение на изготовление за-

прошенных комплектующих;
 кто выполнит поставку заказа быстрее, дешевле и с гарантией качества.

Такой естественный отбор в режиме реального времени срабатывает между заказчиком и потенциальными исполнителями.
Для предприятия-изготовителя комплектующих с устаревшим парком оборудования — это сложная ситуация для развития. Логически срабатывает фильтр-отсев:
в среднем 1 из 10 заявок реальна к производству, а еще исполнителю нужно согласовать с заказчиком взаимовыгодную цену, что тоже не всегда идет без отказов по
бюджету и по срокам. Разумно предположить, что рекламные каналы и онлайнкаталог комплектующих в совокупности должны давать максимум заявок, чтобы
можно было отфильтровать те условные «1 из 10» заявок в месяц, которые реально
исполнить и согласовать по цене и срокам с заказчиком.
Как этого добиться? Искать несколько регионов, где фиксируется максимальный
спрос на эти комплектующие для правильного таргетинга рекламы и SEO.
Итак, перейдем от преамбулы к анализу. На предварительном этапе коммерческую
привлекательность комплектующих для целевой аудитории по регионам РФ можно
оценить путем визуального анализа и сопоставления данных, представленных
на гистограммах метрик, — по количеству предприятий в регионах (рис. 8.1, а и б),
по индексу промышленного производства (рис. 8.1, в) и по спросу на основании
статистики Яндекс.Поиск (рис. 8.1, г).
Чтобы было удобнее производить сравнение уровней метрик, сведем представленные на рис. 8.1 гистограммы в единый график (рис. 8.2), выделив в нем именно те
восемь ключевых регионов РФ по ранжированию их значимости8, где зафиксирован
максимум спроса. Это важно учитывать при организации продаж комплектующих
и сопутствующих сервисных услуг по промышленным валам и гофровалам. Почему отобрано всего восемь регионов? Потому что требовалось выделить максимум
10 регионов, но высокий уровень спроса оказался только в следующих восьми промышленных центрах РФ: Москва и Московская область, Санкт-Петербург и Ленинградская область, Новосибирская область, Свердловская область, Челябинская область, Самарская область, Нижегородская область и Пермский край.
Формализуем сводную характеристику по количеству запросов в месяц на перспективные комплектующие для организации процессов производства и сбыта через
дистанционные каналы в сети Интернет (табл. 8.9).
Для примера рассмотрим далее оценочную актуальность спроса на соединительные
муфты и клиновые шкивы, выявленную по статистике запросов Яндекс.Подбор
слов.
8

Ранг принят по сопоставлению максимумов значений заданной метрики частоты спроса — то есть потребительских запросов в регионах РФ в Яндекс.Поиск по комплектующим.

Факторный анализ для оптимального выбора

а

б

в

г
Рис. 8.1. Визуальный анализ гистограмм метрик спроса по регионам

229

230

Глава 8

Рис. 8.2. Сводная гистограмма сопоставления
по статистике спроса промышленных валов в регионах РФ

Таблица 8.9. Сводная таблица спроса (в месяц) по комплектующим в регионах РФ
Регионы

Зубчатые
цилиндрические
шестерни

Муфты
соединительные

Шкивы
клиновые

Втулки
зажимные

Приводные
звезды
для цепей

Шкивы
зубчатые
под расточку

Количество запросов в месяц
Москва и Московская
область

18

12 522

1197

216

1

17

Санкт-Петербург и
Ленинградская область

1

4829

439

92

—

15

Свердловская область

—

2107

292

46

1

6

Нижегородская область

4

1510

186

42

1

8

Челябинская область

—

984

173

24

1

—

Самарская область

—

1148

112

28

1

3

Новосибирская область

—

1026

90

10

1

1

Пермский край

—

959

92

13

1

5

Факторный анализ для оптимального выбора

231

Муфты соединительные
Статистика потребительского спроса на комплектующее «муфта соединительная»
по регионам РФ представлена в ранжировании от максимума к минимуму частоты
спроса в табл. 8.10 и на рис. 8.3.
Таблица 8.10. Ранжирование спроса по запросу «муфта соединительная»
Регионы РФ по ранжированию спроса
Москва, Московская область

Количество запросов в месяц
12 522

Санкт-Петербург, Ленинградская область

4829

Свердловская область

2107

Нижегородская область

1510

Челябинская область

984

Самарская область

1148

Новосибирская область

1026

Пермский край

959

Графическое представление этой статистики на рис. 8.3 улучшает оперативное восприятие объектно-ориентированным взглядом на соизмеримые регионы по частоте
спроса комплектующих.

Рис. 8.3. Количество запросов «муфта соединительная» в месяц по регионам РФ

232

Глава 8

Шкивы клиновые
Аналогично тому, как в предыдущем разделе была показана статистика по муфтам,
статистика потребительского спроса на комплектующее «шкивы клиновые» по
регионам РФ представлена в ранжировании от максимума к минимуму частоты
спроса в табл. 8.11 и на рис. 8.4.
Таблица 8.11. Ранжирование спроса по потребительскому запросу «шкивы клиновые»
Регионы РФ по ранжированию спроса

Количество запросов в месяц

Москва и Московская область

1197

Санкт-Петербург и Ленинградская область

439

Свердловская область

292

Нижегородская область

186

Челябинская область

173

Самарская область

112

Новосибирская область

90

Пермский край

92

Рис. 8.4. Гистограмма потребительских запросов «шкивы клиновые» в месяц по регионам РФ

Алгоритм развития продаж комплектующих в регионах России
На предыдущих шагах мы провели отбор перспективных по спросу регионов России, получив данные по количественной его характеристике. Далее мы рассмотрим
последовательно алгоритм выстраивания цепочки привлечения клиентов для производства и продаж комплектующих через веб-сервис, используемый в качестве

Факторный анализ для оптимального выбора

233

дистанционного канала для диалога между промышленными заказчиками и исполнителем по изготовлению комплектующих.
 Задача

Организовать начальный процесс поиска интересных клиентов для расчета
стоимости комплектующих и передачи заказов в производство при выполнении
заданных условий.
 Условия задачи

• По требованию руководства компании нельзя указывать минимальную стоимость на товарные позиции комплектующих в онлайн-каталоге.
• Предварительный расчет стоимости на сайте допустим, но он не является
фиксированным точным ценообразованием. Сложные заказы изготовления
комплектующих рассчитываются в производственном отделе.
• Производство заинтересовано в серийных заказах. Мелкие штучные заявки
на изготовление комплектующих по умолчанию отклоняются.
• Рассматриваются только проверенные клиенты — юридические лица с проверкой истории, т. е. предприятия без долгов и судебных тяжб.
• Решение о совершении сделок выполняется руководством компании при исполнении текущих условий и подтверждении начальником производства
о возможности изготовления рассматриваемых заказов.

Шаг № 1: обработка исходных данных
1. Экспортируем выборку действующих компаний по гофрокартону, гофротаре
и металлообработке из Export Base9 по России (данные: ООО, адрес, телефон,
адреса электронной почты). На рис. 8.5 представлен характерный фрагмент
скриншота веб-сервиса с доступом к выборкам баз данных о компаниях на платной основе. В результате скачивания мы получим базу в формате *.xls и выполним экспорт выборки данных в MS Excel.
2. Сегментируем в MS Excel данные по областям и получим двумерный массив
(столбец A — регионы, столбец B — количество фирм в регионе). Это наглядно
показано в табл. 8.12.
3. Экспортируем актуальную статистику по запросам гофровалов из Яндекс.Подбор слов по регионам, накладываем на полученный двумерный массив и строим
график по покрытию регионов РФ. Выделяем активные регионы для рекламы
в Яндекс.Поиске и получаем список актуальных регионов с высоким спросом.
4. Выстраиваем регионы по порядку следования (от максимума к минимуму) по
количеству предприятий в регионе и количеству запросов в Яндексе по гофровалам.

9

Export Base — публичный веб-сервис легального доступа к данным о российских компаниях во всех ключевых сферах экономики.

234

Глава 8

Рис. 8.5. Фрагмент выборки из Export Base

Таблица 8.12. Количество предприятий гофроиндустрии по регионам РФ
Регионы РФ

Количество предприятий в РФ

Москва и Московская область

109

Санкт-Петербург и Ленинградская область

43

Свердловская область

26

Нижегородская область

18

Челябинская область

24

Самарская область

23

Новосибирская область

43

Пермский край

16

Шаг № 2: онлайн-заказ с расчетом цены по формуле
Ключевые основания для создания онлайн-заказа:
 заказ с официального веб-сайта производителя/поставщика общедоступен всем
заказчикам РФ, как и другие автоматические каналы, — следовательно, он необходим для покрытия потока заказов по России;
 расчет изготовления вала по типу, марке стали, цене за металл, длине и диамет-

ру вала, а также адресу доставки формируется согласно ТЗ на оценку стоимости
онлайн.
1. Подготовив веб-форму заказа, проверим правильное ценообразование по разным
типам валов, после чего будем считать, что онлайн-заказ готов для публикации.

Факторный анализ для оптимального выбора

235

2. Затем перейдем к публикации пресс-релиза об открытии приема заказов на производство и поставку промышленных комплектующих во всех актуальных
регионах (на региональных сайтах) по порядку от максимума к минимуму присутствия предприятий гофроиндустрии в регионе. В результате мы получим
следующее: региональную выдачу по Яндекс.Поиску и ссылочную массу
в пресс-релизах (ссылки на каталог, онлайн-заказ и словесную формулировку
«МеталВал.ру + производство (изготовление/сроки) + гофровалы/валы для гофрокартона + онлайн-заказ»).
3. В среднем спустя несколько дней завершится индексация новых страниц сайта
в Яндекс.Поиске, и постепенно пойдет отдача от пресс-релизов в виде откликов
читателей и возможных заказчиков — тех, кто перейдет по ссылкам из описания
пресс-релиза в онлайн-каталог комплектующих для заказа. Теперь смотрим статистику по посещаемости сайта в Яндекс.Метрике и делаем выводы по интересу
аудитории к пресс-релизам и товарным предложениям.
4. Далее запускаем последовательно по выбранным восьми промышленным регионам рассылку электронных писем на целевые предприятия через сервис
Unisender (или его аналог) для информирования о возможности принять заказ на
производство комплектующих.

Шаг № 3: аналитика
По результатам первой рассылки по подготовленной адресной базе в размере 113
целевых адресатов из специализированного сервиса «ПартнерЗаказ.ру» получено
всего 9 заявок. Это соответствует конверсии на уровне 8%, что говорит о наличии
проблемы с исполнением заявок.
Как мы помним, в Export Base представлено всего 565 предприятий гофроиндустрии. Допустим для примерного расчета, что производство обработало ранее заказы
для первых 50 предприятий по России. Вычитаем из общего числа предприятий
уже обработанные заказы и получаем в остатке, что потенциальная клиентская база
для работы численно равна:
565 – 50 = 515 предприятий.
1. Выполним сравнение выборки от максимума к минимуму — так мы сможем
скорректировать (вероятно) приоритеты по регионам. Смоделируем уровни
оценки эффективности (конверсии) электронной рассылки по регионам РФ:
• негативная оценка: 515 × 0,01 = 5 заявок;
• умеренная оценка: 515 × 0,03 = 15 заявок;
• позитивная оценка: 515 × 0,08 = 41 заявка.
Е ЩЕ ОБ ЭФФЕКТИВНОСТИ РАССЫЛКИ
Изначально неизвестно, насколько эффективны рассылки для разных регионов и
предприятий. Это вычисляется веб-аналитиком эмпирически по результатам тестовых
прогонов (в зависимости от адресной базы и адекватности предложения для целевой
аудитории).

236

Глава 8

2. Произведем равномерно адресную электронную рассылку писем по 100 предприятиям основных регионов присутствия гофроиндустрии. При этом проводим
тестовые прогоны в течение одного месяца, выполняя рассылки каждую неделю
во вторник в 12:00 — когда условно выше вероятность быстрого отклика. За
первый месяц получим статистику по каждому региону, заявкам и заказам, которая покажет эффективность онлайн-заказа (конверсию рассылок по регионам
и по России в целом).
Р ЕКОМЕНДАЦИЯ
Оставляйте в электронных письмах «якорь» — канал обратной связи (контактный телефон, телеграм-канал, email для обращений) с целью привлечения клиента.
В среднем менее 10% электронных рассылок конвертируются в посетителей сайта, а
это значит, что потенциальные клиенты могут использовать и другие каналы получения информации о поставщиках для заказа, чем можно воспользоваться.

Шаг № 4: стратегия «Морской бой»
Выстраиваем в Excel таблицу (столбцы: регионы, строки: рекламные каналы), распределяя столбцы от максимума к минимуму по присутствию в регионе гофропредприятий, после чего начинаем методично проверять все доступные рекламные
каналы последовательно по регионам, уточняя количество заявок и состоявшихся
сделок.
Таким образом мы постепенно «выбиваем корабли» (в нашем контексте — регионы
РФ), оценивая, где лучше реальная конверсия в заявки, и фокусируем внимание на
этих регионах и перспективных предприятиях-заказчиках.
Для этого потребуется постепенно и последовательно выполнить следующие задачи:
 публиковать пресс-релизы каждый месяц в региональной выдаче;
 публиковать выполненные проекты по регионам России;
 публиковать рекламу в Яндекс.Директ;
 открыть федеральный номер для звонков из регионов РФ;
 организовать удобный веб-интерфейс онлайн-заказа с детализацией по размерам

комплектующих;
 развить клиентский сервис — решение типовых проблем и т. п.

Вероятно, что компания столкнется с рядом сервисных проблем:
 платежи (задержки и др);
 оборудование (износ, невысокая точность производства и т. д.);
 качество продукции (механические недостатки производства и т. п.);
 сроки поставки (невозможность быстрой поставки клиенту в удаленном ре-

гионе);
 неточности в онлайн-заказе (невозможность учесть все характеристики требований к заказу производства комплектующих).

Факторный анализ для оптимального выбора

237

1. Для каждого типа проблемы заводим артикул (маркер), как показано в табл. 8.13.
Таблица 8.13. Категории и коды для маркировки вопросов и ответов
Код

Категория

PMT

Платежи

EQP

Оборудование

QLT

Качество продукции

LOG

Логистика и сроки поставки

ORD

Онлайн-заказ

2. Классифицируем проблемы по типам (например, проблема PMT-0001, и к ней
находим решение: PMT-OK-0001 с описанием решения).
3. Публикуем инфоблоки «Вопрос-ответ» в службе поддержки клиентов (раздел
сайта «Client Support»). Когда список в этой службе будет содержать минимум
по пять инструкций (решений) в каждой ветке, следует подключить Intercom10.
Тогда при вводе запроса посетитель будет сразу получать ответ от системы.
Если его не устроит автоответ, он сможет задать менеджеру вопрос через форму
обратной связи в Intercom. Обработку входящих запросов посетителей менеджер
осуществляет в свое рабочее время.
В перспективе это типовое решение дает обратную связь и возможность немедленного улучшения клиентского сервиса компании.

Оценка точности выводов по факторному анализу рынка
сбыта комплектующих в РФ
Выводы в этом разделе представлены многослойно. Это отражает сложность анализа реального производства и динамичного рынка сбыта комплектующих в РФ.

Первое приближение: метод проб и ошибок.
Наивные выводы аналитика-новичка
Полученные результаты исследования рынка сбыта (потребительского спроса) описывают эконометрическую оценку состояния потребительского спроса по заданной
группе промышленных комплектующих на указанный период, скорее, поверхностно.
Веб-аналитику это было необходимо, чтобы сформировать первоначальную характеристику распределения количества коммерческих поисковых запросов по регионам (условную «температуру по больнице»).
10

Автоматический виртуальный помощник для решения проблем клиентов на сайте в режиме онлайн.

238

Глава 8

Результаты исследования, проведенного в 2020 году, и выводы того же веб-аналитика в 2022 году серьезно различаются из-за накопленного опыта работы и других факторов. К сожалению, знание теории и инструментария не гарантирует успех
на практике.
Это стоит усвоить в начале аналитической работы. Реальная ситуация на рынке
может быть сложнее плоских статистических и других частичных исходных данных, не характеризующих полностью сложившуюся рыночную ситуацию как многофакторную модель исследования. Двумерные графики статистического и экономического анализа ведут в тупик в случаях со сложным производством.
Необходимо соизмерять возможности производства и требования клиентов по качеству и точности изготовления комплектующих. Это означает введение уровней
качественной оценки для сопоставления с ожиданиями (требованиями) заказчиков.
Если они не сходятся, следует искать рациональное решение с наименьшими затратами финансов и времени.
Важно понимать, что каждый аналитик может ошибаться — по разным причинам. Кто-то — от недостатка знаний и умений, кто-то — из-за «плоского мышления» (в первом приближении). Вероятно «плоскость» умозаключений аналитика
обоснована недостатком входных данных, изучением графиков на основе ограниченных данных и отсутствием опыта работы в производственной отрасли.

Метод мультифакторного анализа
для достижения требуемой точности результатов
В первом приближении (в феврале 2020 года) исследование велось эконометрическим инструментарием с примененим статистического анализа, сопоставления выборок данных, матанализа и прогнозирования конверсии на основе общедоступной
статистики.
Однако промышленное производство и рынок сбыта комплектующих можно анализировать методом мультифакторного анализа, где заданы не только плоские двумерные данные статистики и цена изделий в зависимости от исходных затрат
(на металл и производство), а еще и качественные уровни точности изготовления
комплектующих и т. д. Аналитику важно адекватно оценивать ситуацию и искать
рациональное решение с наименьшей сложностью на пути к повышению эффективности предприятия в разумные сроки планирования.
Как можно понять, аналитиком была допущена стратегическая ошибка в работе со
сложным производством, где продукция не унифицирована по ГОСТ, а производитель работает под заказчика, что влечет ряд технических сложностей и потерь во
времени.
Логически правильным было бы развивать в качестве канала сбыта другое решение — веб-ресурс (точнее, веб-сервис с каталогом продукции).
Сформулируем тезисно ключевые характеристики и метрики эффективного взаимодействия производства, веб-сервиса и клиентов:
 позиция в поисковой выдаче Яндекс.Поиска (по потребительским коммерческим
запросам) — напрямую влияет на количество просмотров карточек товаров и

Факторный анализ для оптимального выбора

239

определяет в конечном счете количество входящих заявок (лидов) по запросам
цены изготовления комплектующих;
 состояние парка станков на предприятии-изготовителе — важна реальная готов-

ность исполнить заказы по изготовлению сложных инженерно-технических изделий (коленчатых валов и т. п.), чтобы условно из 10 входящих заявок к исполнению принимались минимум одна или несколько (N) заявок (по техническому
соответствию и согласованию цены изготовления комплектующих с заказчиком);
 удобство веб-сервиса для использования клиентами (при поиске, выборе и зака-

зе комплектующих) — напрямую влияет на количество заявок на производство;
 скорость расчета стоимости (составления смет) для клиентов по изготовлению

комплектующих — чем дольше ждет клиент, тем хуже, поскольку выше риск
отказа.
На практике менеджеры со стороны заказчика (клиента) выполняют веерную рассылку коммерческого запроса (заявки на производство) для расчета цены, при этом
отсев производителя/поставщика комплектующих происходит по принципу «кто
успел, тот и съел». То есть, кто быстрее рассчитал стоимость изготовления комплектующих по чертежам заказчика, дал доступную цену (для бюджета клиента),
установил сроки поставки в разумных рамках, тот, вероятнее всего, и будет утвержден исполнителем заказа.
Это сложная бизнес-модель, т. к. изначально (в 2020 году) продукция в каталоге
была не полностью унифицирована по диаметрам, размерам и допускам точности
к изготовлению.
Таким образом, стандартизация выпускаемой продукции по размерам, по ГОСТ
и назначению с учетом ограниченных физико-технических характеристик сужает
целевую аудиторию. Процесс выпуска готовой продукции становится проще моделировать, т. к. окажется возможным рассчитать время изготовления i-й единицы
продукции и всего комплекта в заказе клиента с учетом сроков поставки его до
точки назначения.

Второе приближение: изменение бизнес-модели
для монетизации доступными средствами
В 2022 году запросы клиентов сводились к возможности импортозамещения недоступных (из-за санкций в отношении РФ) комплектующих для западного оборудования или к обходному способу «серого» импорта западных оригинальных деталей.
С коммерческой и инженерной точек зрения импортозамещение — сложная технологическая история, требующая долгой планомерной работы технологов и коллектива производства.
Мало того, что потребуется изготавливать комплектующие со сложными технологическими требованиями промышленных заказчиков, так еще нужно пройти тестирование их на износостойкость по требованиям ГОСТ и отраслевых стандартов.

240

Глава 8

Это сложно, долго и весьма затратно. Следовательно, не всегда ведет в результате
к успеху.
В этот момент у аналитика должна срабатывать адекватность в направлении рационального пути развития компании. То есть ему надо искать альтернативное решение с наименьшими затратами.
Кроме того, возникают и другие вопросы:
 почему количество потенциальных заказов по регионам РФ не отражает ком-

мерческой перспективы по изготовлению комплектующих для промышленности?
За два года работы выяснили: в среднем из 20 входящих заявок через веб-сервис
всего 2–3 имеют серьезное значение из-за объема заказа для производства и
уровня компании заказчика (федерального значения, таких как ПАО «КАМАЗ»,
Ростсельмаш и др.).
Однако конверсия веб-сервиса в экономически значимые для производства заявки должна находиться на уровне 10–15% в месяц.
Для достижения такого уровня фильтрация входящих заявок по заданным условиям должна происходить в режиме реального времени. При этом ориентировка
на определенный регион фактически неуместна. Среди множества заказов на
восстановление валов и мелких штучных по количеству заказов комплектующих
(муфт, штуцеров и пр.) возможно пропустить серьезную заявку из другого региона. Один заказ от ПАО «КАМАЗ» на производство 2400 коленчатых валов
для двигателей грузовых автомобилей экономически и стратегически важнее,
чем серия неунифицированных мелких заказов, требующих рутинного расчета
с неясными перспективами.
 Сколько стоит входящая заявка на производство комплектующих?

Ответ заключен в следующем решении. Обычно один из N просмотров карточки
товара в каталоге продукции веб-ресурса производителя или поставщика дает
в результате конверсию во входящую заявку.
В контекстной рекламе Яндекс.Директ коммерческие запросы «купить + {товар}»11 стоят значительно дороже общепринятых ключевых фраз (без коммерческого интереса потребителя к покупке).
Допустим стоимость клика в контекстной рекламе12 по запросу «купить полимерные рукава для санации (трубопровода)» определена в 1750 руб. Пусть
в среднем каждый третий просмотр клиентами продукции в каталоге дает заявку
на производство.
Тогда стоимость лида составит:
3 × 1750 = 5250 руб.

11

Условный «товар» может быть выражен маркой и моделью из каталога продукции.

12

В маркетинговой терминологии — CPC, от англ. Cost Per Click.

Факторный анализ для оптимального выбора

241

При курсе доллара по ЦБ РФ (на 16.02.2023), равном 74 руб. 20 коп., это будет:
$70,75/лид = $71/лид,
что представляет собой существенную трату с учетом плавающей ставки за CPC
в контекстной рекламе Яндекс.Директ и НДС (18%) сверх цены за клик. Поэтому веб-сервис «МеталВал.ру» и другие готовы предоставлять заявки партнерам
на коммерческой основе. Это интересное предложение для компанийпроизводителей, поскольку здесь предлагается фиксированная ставка размером
ниже, чем в контекстной рекламе.
Рационально также развивать веб-сервис в формате корпоративной подписки
(с выдачей входящих заявок авторизовано в личных кабинетах продавцам, производителям и поставщикам), где количество заявок тарифицируется по лимитам их
предоставления в месяц (по тарифам). Стоимость заявок фиксируется на полугодие,
что гарантирует заказчику бюджетное планирование с фиксацией ставки за привлечение новых клиентов.
Реальная исследовательская работа с актуальными выводами и рекомендациями
предварительно требует конструктивного диалога с участниками моделируемой
системы (совместной отработки бизнес-модели эффективного предприятия) —
с промышленным производством комплектующих и веб-сервисом для сбыта продукции через дистанционный канал взаимодействия с клиентами.
Система метрик в рассматриваемом исследовании от 2020 к 2022 году рационально
менялась из-за изменения структуры рынка сбыта и потребительских запросов под
влиянием внешних факторов: санкций и длительного срока реорганизации производства под модель импортозамещения.
В заключение отметим: нужно быть готовым учиться на собственных ошибках,
реорганизовывать работу в динамических условиях, в том числе не бояться идти на
диалог со специалистами производства и выявлять узкие места в цепочке производства и процессах продаж и поставок комплектующих. Это поможет рационально скорректировать работу в направлении эффективного развития без излишних
сложностей.

ГЛАВА

9

Задача сокращения
рекламных расходов
Практически каждый маркетолог в процессе своей деятельности имеет дело с задачей минимизации рекламных расходов — особенно в периоды сложной экономической ситуации, когда для эффективной работы компании нужно считать каждый
рубль. В этой главе мы рассмотрим алгоритм ее решения с проверкой гипотез
в A/B-тестировании, а также воспользуемся способом визуального сопоставления
экспериментальных данных на графике их вывода.

Постановка задачи в общем виде
Пошаговое решение задачи сокращения (минимизации) рекламных расходов представлено на примере агентства недвижимости с использованием актуальных исходных данных. Для начала формализуем постановку задачи.
 Задача:

Минимизировать (снизить до минимума) рекламные расходы агентства недвижимости на проведение i-й заявки.
 Исходные данные:

• В среднем из 10 заявок результативно совершаются 1–2 сделки.
• Средний комиссионный чек1 за сделку по продаже комнаты в коммунальной
квартире составляет 100 тыс. рублей.
 Пояснения:

Решение задачи сводится к поиску оптимального рекламного канала по заданным условиям и отсечению неэффективных каналов в следующем месяце.
Необходимо достичь выполнения следующих условий:
• найденный рекламный канал должен иметь минимальную стоимость привлечения i-й заявки;
1

Сокращенно «средний чек» — общеупотребимый термин для усреднения комиссии со сделки.

Задача сокращения рекламных расходов

243

• конверсия по этому каналу должна быть оптимальная — не менее 10 заявок
в месяц с трендом к росту их количества в следующие периоды.
• Выполнение задачи необходимо разделить между специалистами агентства,
чтобы на одного специалиста приходился только один рекламный канал —
тогда это будет согласовано и логично: каждый защищает собственное решение;
• при прочих равных условиях:
 содержание рекламных предложений и таргетинг аудитории для унифицированного алгоритма отбора должны быть одинаковыми;
 входящая заявка (в маркетинге — «лид») должна стоить в среднем не более 500 рублей;
 рекламный бюджет в ходе эксперимента на каждый рекламный канал
должен быть одинаковый и соразмерный среднему бюджету для размещения рекламы на месяц.
 Срок проведения анализа по задаче — необходимо и достаточно провести его

в течение трех календарных месяцев.
Л ОГИЧНЫЙ ВОПРОС : ПОЧЕМУ ДЛЯ АНАЛИЗА ВЫБРАН НЕ ОДИН МЕСЯЦ ?
Статистически значимым (в анализе данных) считается результат, полученный на
основании исходных данных минимум за три значимых периода. Недели не подойдут,
т. к. это слишком короткие периоды, причем в течение недели могут случиться праздники с изменением поведенческих привычек, поэтому для проверки гипотез о пользователях с точки зрения времени и каналов потребления рекламы необходимы именно
месяцы.

Рекламные каналы для анализа конверсии и цены
Выбранные к сопоставлению основные рекламные каналы для анализа конверсии
и цены на привлечение клиента представлены в табл. 9.1.
Таблица 9.1. Источники рекламных каналов для аналитического исследования
Рекламные каналы

Источники

Веб-сайт агентства недвижимости (SEO-статьи)

https://[domain].ru

Группа ВКонтакте
Рекламные рассылки с таргетингом на сайт и лендинги

2

https://vk.com/[domain]
3

• SMS + email по расписанию;
• 2 раза в месяц по базе клиентов

Яндекс.Директ с таргетингом на сайт и лендинги

2
3

по расписанию

Фрагмент записи [domain.ru] используется здесь и далее для замены настоящего домена.

Лендинг (от англ. landing page) — целевая страница для рекламы продукции в Интернете. Чаще всего используется для контекстной рекламы с целью проверки факторов влияния на покупательскую конверсию
в A/B-тестировании.

244

Глава 9

Потребительские привычки пользователей отличаются в зависимости от их возраста, опыта использования веб-ресурсов и совершения покупок через Интернет. Поэтому необходимо на минимальном рекламном бюджете проверять, через какие
каналы, в какие дни и в какое время лучше транслировать рекламу (в нашем случае — услуг агентства недвижимости).
Результат для рассмотрения должен быть сохранен в табличном виде на основе
доступной статистики из каждого рекламного канала. Для чистоты эксперимента
сводить таблицу результатов должен независимый маркетолог — чтобы каждый из
задействованных рекламных специалистов не пытался накрутить результаты по
конверсии в собственных целях.

Результаты
Сводный табличный шаблон для отчета и анализа по рекламным каналам, принятым к рассмотрению в решении нашей задачи, представлен в табл. 9.2.
Внесем по этому шаблону некоторые пояснения:
 XXX/YY/ZZ — это соответственно «Кол-во просмотров», «Цена привлечения
i-й заявки», «Кол-во заявок (в месяц)»;
 табличный редактор Google.Sheets, доступный в режиме онлайн, выбран не случайно — он удобен для получения результатов от задействованных специалистов и сведения данных эксперимента в единую таблицу для последующего анализа;
 отбор в результате решения задачи выполняется с учетом выполнения всех упомянутых ранее условий и по достижении минимальной стоимости привлечения
i-й заявки и тренда к росту их количества в месяц.
На четвертый месяц можно исключить неэффективные рекламные каналы и перераспределить бюджет по одному или двум эффективным каналам. Этот алгоритм
решения задачи сходен с A/B-тестом сравнения сходных товаров и услуг по спросу
на выборке фокус-группы. И хотя в нашем примере рассматриваются рекламные
каналы, условия иные и цель решения отличается по существу, но общая логика
похожа — найти оптимальный вариант среди ряда возможных альтернатив.
Таблица 9.2. Шаблон сводки по рекламным каналам в Google.Sheets
Рекламные каналы

Август

Сентябрь

Октябрь

Веб-сайт агентства недвижимости (SEO-статьи)

XXX/YY/ZZ

...

...

Группа ВКонтакте

XXX/YY/ZZ

...

...

Рекламные рассылки с таргетингом на сайт
и лендинги

XXX/YY/ZZ

...

...

Яндекс.Директ с таргетингом на основной сайт
и лендинги

XXX/YY/ZZ

...

...

Более предметно мы рассмотрим это решение в частном виде на основе A/B-теста
гипотез об эффективности использования выбранных рекламных каналов продвижения потребительских товаров и услуг.

Задача сокращения рекламных расходов

245

A/B-тестирование гипотез
об эффективности рекламных каналов
Принципиально решение задачи минимизации рекламных расходов путем A/B-тестирования соответствующих альтернативных гипотез помогает аналитику сформулировать ответы на ряд следующих коммерчески значимых вопросов маркетинга
при продвижении товаров и услуг в экономически сложной ситуации, когда рекламный бюджет ограничен финансово (по внешним обстоятельствам):
 какие рекламные каналы дают конверсию в заявки из ряда представленных;
 сколько в среднем стоит входящая заявка из конкретного канала (в этот пе-

риод);
 какие каналы неэффективны (бесполезны) для рекламы наших товаров и услуг;
 в какие дни и в какое время лучше рекламировать наши товары и сопутствую-

щие услуги через основные дистанционные интернет-каналы рекламы;
 в каком рекламном канале на условную тысячу рублей мы получим максимум

заявок для продаж (по прогнозу на следующий месяц)?

Задача сокращения рекламных расходов в частном виде
Здесь мы рассмотрим классическую задачу оптимизации рекламных расходов путем отработки и анализа используемых рекламных каналов с использованием инструментария A/B-теста.
Представленный алгоритм решения задачи в пошаговом изложении поможет вебаналитикам в ходе практической работы с повседневными задачами маркетинга.
Задачи:
 выявить устойчивые каналы рекламы для конверсии в регистрации пользователей веб-сервиса;
 сократить рекламные расходы.

Исходные данные:
 средний бюджет на рекламные каналы (для старта эксперимента) составляет
50 тыс. рублей в месяц.
Для анализа выбираем всего пять рекламных каналов (табл. 9.3).
П ОЧЕМУ ТОЛЬКО ПЯТЬ КАНАЛОВ ?
Это разумно с точки зрения принципа «необходимо и достаточно» для отбора в условиях жесткой экономии рекламного бюджета. По умолчанию мы разделим исходный
рекламный бюджет для апробации каналов на равные части: 50 000 руб. на 5 каналов =
= 10 000 руб. каждому.

Каждому рекламному каналу назначается UTM-метка для идентификации размещения рекламного объявления в собранной статистике (в аналитической системе
Яндекс.Метрика).

246

Глава 9
Таблица 9.3. Сводка рекламных каналов для анализа
Сокращения

Средняя цена за клик в рекламном сообщении
(CPC), руб.

VKontakte

VK

{указать сумму}

Facebook

FB

{указать сумму}

YouTube

YT

{указать сумму}

Google Ads

GA

{указать сумму}

SMS Мегафон.Таргет

MT

{указать сумму}

Рекламные каналы

Конструкция UTM-метки композиционно отражена на рис. 9.1:
 в UTM-метке к веб-адресу целевого сайта добавляется конструкция из двух час-

тей: параметр и значение метки (маркер для отбора результатов апробации
гипотезы);
 параметр — это первое слово в UTM-метке (в примере на рис. 9.1 это

utm_source). После параметра ставится знак «равно» и далее записывается его
значение, которое задается по назначению для словестной идентификации англоязычной записью.

Рис. 9.1. Схема реализации UTM-метки «yandex» в cсылке с URL-адресом домена

Все участники эксперимента используют одинаковые параметры. В одной ссылке
может быть несколько UTM-меток, и мы далее рассмотрим их примеры.
Рекомендуется указывать минимум три параметра:
 источник трафика — utm_source (Google, Yandex, ВКонтакте, Facebook);
 тип трафика — utm_medium (email рассылки, оплата за клик, оплата за показы);
 название рекламной кампании — utm_campaign.

Эти параметры называют обязательными, потому что без них ссылка не даст достаточно информации для аналитики. Если вы будете пользоваться генератором
UTM-меток, вам нужно будет только вписать значения в пустые поля — генератор
автоматически соберет ссылку (об этом рассказано далее). Параметры формируются одинаково, а значения — по личному решению ИТ-специалиста.

При прочих равных условиях
Правило «при прочих равных условиях» фактически означает, что все условия,
кроме основных, должны быть одинаковыми:

Задача сокращения рекламных расходов

247

 портреты аудитории;
 время показа — минимум три рабочие недели без ограничения времени (жела-

тельно без национальных праздников по календарю);
 геотаргетинг — например, Санкт-Петербург.
Для формирования результатов проведенного теста для анализа данных:
 формируем таблицу (по шаблону, приведенному в табл. 9.4) и сохраняем
в формате CSV4;
 храним на сервере в папке ../marketing/results.csv (в закрытом от индексации виде).
П РИМЕЧАНИЕ
Если читатель внимательно посмотрит на значения в табл. 9.4, то обнаружит отсутствие запятых и точек с запятыми — это важно для того, чтобы значения в строках не
сбились после экспорта в CSV с дальнейшим импортом в табличный редактор.

Колонки в табл. 9.4 обозначены по-английски, вот пояснение их смысла на русском
языке:
 Channels — рекламные каналы для сопоставления;
 Channel Brief Title — короткие наименования каналов (как маркеры-идентификаторы в UTM-метках);
 UTM — адресные ссылки с метками рекламных каналов;
 Advertising Period — периоды дат, когда выполнено рекламное размещение для
теста.
Таблица 9.4. Шаблон результатов проведенного теста
Channels

Channel
Brief Title

UTM

Advertising Period

VKontakte

VK

https://{domain}.ru/utm={VK-значение}

04.01.2021-10.01.2021

Facebook

FB

https://{domain}.ru/utm={FB-значение}

04.01.2021-10.01.2021

YouTube

YT

https://{domain}.ru/utm={YT-значение}

04.01.2021-10.01.2021

Google Ads

GA

https://{domain}.ru/utm={GA-значение}

04.01.2021-10.01.2021

Мегафон.Таргет

MT

https://{domain}.ru/utm={MT-значение}

04.01.2021-10.01.2021

Смысл пробного размещения в пяти рекламных каналах заключается в том, чтобы
получить первичные данные по кликам, регистрациям (конверсиям), дням и времени (периоды, когда пользователи активно реагируют на данную рекламу).
Единовременность размещения (колонка Advertising Period) должна быть соблюдена обязательно для сопоставления значений зарегистрированных событий (переходов по рекламным объявлениям) из разных альтернативных рекламных каналов.
4

Формат CSV (Comma-Separated Values, значения, разделенные запятой). На практике при экспорте табличных данных из MS Excel, Google.Sheets и других редакторов в CSV можно выбрать тип разделителей:
запятые (comma) или точки с запятой (dot comma).

248

Глава 9

Следующие действия после первой апробации:
1. Результаты записываются в следующие колонки файла results.csv: Adv Unique
visits, Registrations, Dates, Time.
2. На основании полученных данных выделяются отдельные CSV-файлы с первыми результатами апробации.
3. Полученные файлы результатов: vk-04-01-2021-10-01-2021.csv, fb-04-01-2021-10-012021.csv и остальные используем для формирования графиков анализа данных.
Рассматриваем всего три вида графиков для каждого канала:
 по дням (ось X — дни недели) — создаем два практически аналогичных графи-

ка, где ось Y в одном — по визитам, а в другом — по регистрациям;

 по времени суток (ось X — почасовая шкала в сутках, ось Y — количество визи-

тов для просмотра рекламы).
Примерная визуализация данных по результатам апробации рекламного канала социальной сети ВКонтакте (VK) представлена на рис. 9.2. В чем смысл такой визуализации? Зафиксировать на графиках «мертвые» часы и дни, а также часы и дни
высокой активности (искривления кривой по оси Y). Графики сохраняем (в формате
*.png) в разделе сервера /marketing/charts/.

Рис. 9.2. Визуализация графиков вывода данных по результатам апробации рекламного канала
социальной сети ВКонтакте (VK): слева — по дням; справа — по часам

Далее маркируем рекламные каналы фирменными цветами для цветовой идентификации (табл. 9.5):
 эмпирические точки на графиках должны для различия иметь собственный цвет;
 цвета потребуются для маркировки эмпирических данных апробации первич-

ного размещения рекламного сообщения в выбранных каналах;
 цветовая градация рекламных каналов обозначена по цветам из дизайн-кода ка-

ждого бренда рекламного канала соответственно (это упростит визуальный анализ на подсознательном уровне).

Задача сокращения рекламных расходов

249

Таблица 9.5. Цветовая градация рекламных каналов
Channels

Colors

Обозначение

VK

#597da3

Серо-голубой — ВКонтакте

FB

#3b5998

Синий — Фейсбук

YT

#c4302b

Красный — Ютуб

GA

#1ca665

Зеленый — Google (отличительный из лого)

MT

#861482

Фиолетовый — Мегафон (отличительный из лого)

Эмпирические данные в виде цветных точек группируются в два графика: по дням
и по часам, в результате чего аналитик получает на графиках разноцветную точечную диффузию результатов (рис. 9.3). Скученности точек в двумерном заданном
пространстве характеризуют периоды таргетинга по дням и часам размещения рекламы (в соответствующем рекламном канале).
Точки, представленные на графиках минимально (по цвету), рекомендуется исключить из рассмотрения рекламного канала как малозначимые для конверсии. Затем
численно выделяются приоритеты размещения по максимальной конверсии и
минимальной величине CPC.

Рис. 9.3. Визуализация наложения графиков результатов апробации рекламных каналов

В примере, показанном на рис. 9.3, очевидны тенденции по дням и времени размещения в каналах, но в реальности данные могут быть хаотично рассеянны по графику. Это означает, что необходимо провести несколько серий испытаний:
 минимум три недели без праздников, влияющих на график;
 для полноценной оценки необходимо и достаточно трех месяцев, не включая

длинные праздничные каникулы.

250

Глава 9

Визуальный отбор каналов рекламы для таргетинга
Визуально-аналитический отбор каналов таргетинга по дням и точному времени
показа рекламы выполняется путем выделения областей, где точки (событий —
кликов) практически совпадают, что говорит исследователю о повторяемости событий, когда пользователи потребляют рекламу, а также о том, в каких рекламных
каналах это происходит, чтобы выделить дни и временные интервалы (в соответствии с полезным поведением посетителей).
На рис. 9.4 отражены области совпадающих событий (кликов на объявлении) по
рекламным каналам. Выделим здесь характеристики поведения активных посетителей, откликающихся на рекламу (в тесте):
 дни показа: преимущественно с понедельника по субботу (включительно);
 интервалы показа: 10:00–00:00.

Рис. 9.4. Визуальное выделение совпадающих событий (кликов на объявлении)

В результате изучение организованных таким образом эмпирических данных позволяет маркетологу аналитически переранжировать список из пяти рекламных
каналов, сократив их до одного-двух для эффективных рекламных размещений
на следующий значимый период (четвертую неделю или месяц — в зависимости от
заданных периодов):
 по максимуму количества кликов (clicks) на объявлении;
 аналогично — по совокупному максимальному количеству просмотров рекламы

(visitors);
 по минимальной стоимости за клик (CPC);
 по максимальной конверсии в заявки (по целевому действию: на покупку или

консультацию).

Задача сокращения рекламных расходов

251

Предварительные выводы
Качественная аналитическая характеристика пригодности (преимуществ и недостатков) рассмотренного варианта решения задачи сокращения рекламных расходов
представлена в табл. 9.6.
Обобщая, отметим, что визуально-аналитический способ отбора рекламных каналов по заданным условиям имеет вполне доступный алгоритм решения, но требует
времени (порядка трех месяцев) для формирования статистически значимых
результатов исследования.
Таблица 9.6. Характеристика визуального отбора каналов рекламы
Преимущества

Недостатки

Визуальная простота отбора каналов, таргетинга по дням и времени показа рекламы
в каналах.

Требуется минимум три недели для получения четких результатов и оценки трендов.

Накопление данных направлено на более
четкое фокусирование таргетинга по каждому
каналу

Праздники и другие внешние факторы могут
сильно влиять на результаты анализа
по графикам

Эконометрический отбор по распределению результатов анализа
Для нахождения рекламных каналов, удовлетворяющих требованиям выполнения
задачи, необходимо системное выполнение следующих условий:
Clicks (channel; ads) → max,
Visits (channel; ads) → max,
CPC (channel; ads) → min.
Таким образом выбирается статистически значимый результат — рекламный канал,
который удовлетворяет требованиям:
 условие № 1: максимум кликов на рекламе за отведенный период теста;
 условие № 2: максимум просмотров рекламы;
 условие № 3: стоимость кликов на рекламном канале минимальная.

Так мы получаем искомый рекламный канал с минимальной ставкой CPCmin и распределение от минимальной к максимальной ценовой ставке по каналам.
Каналы, не давшие результатов, исключаются из рассмотрения и далее из практического использования (до следующего теста при необходимости).

Рекомендации по внедрению
Следующие рекомендации имеют продуктовое прикладное значение — для внедрения инструментария (сокращения рекламных расходов) в веб-интерфейс системы аналитики с целью получения результатов на основании заданного эксперимента и условий отбора результатов:

252

Глава 9

а

б
Рис. 9.5. Раздел «Маркетинг» адаптивного B2C веб-сервиса: а — меню в профиле маркетолога
(выбор инструментария для работы маркетолога);
б — сводка статистики по целевой аудитории и ее интересам

Задача сокращения рекламных расходов

253

 развернуть интерактивный раздел или дашборд с выводом динамических метрик

по поведению целевой аудитории и минимизации рекламных расходов;
 использовать библиотеку AmCharts5 для визуализации данных на основе значений из сформированных источников эмпирических значений рекламных каналов
в CSV;
 выводить данные в виде графиков и табличных данных в личном кабинете маркетолога: https://[domain.ru]/marketing/.
Раздел «Маркетинг» адаптивного B2C веб-сервиса в веб-интерфейсе представлен
в общем виде на рис. 9.5. Такой рекламный кабинет маркетолога, предназначенный
для аналитики веб-сервиса, будет полезен ИТ-специалистам при формировании
объективного инструментария решения задачи сокращения рекламных расходов
с заданным алгоритмом.

Юнит-экономика как необходимый инструментарий
веб-аналитика
Решение задачи минизации рекламных каналов непосредственно связано с продвижением перспективных товаров и услуг, в том числе дистанционных сервисов
в цифровом формате. Веб-сервисы, начиная с Госуслуг, Яндекс.Такси и прочих,
сейчас все более широко и активно используются.
Интересный для аналитиков раздел экономики — юнит-экономика — применительно к этой задаче в том числе рассматривает и более значимые вопросы — например, дает оценку рентабельности перспективных услуг при заданных условиях
(зарплатного фонда, рекламных расходов и т. д.).
По определению юнит-экономика (от англ. unit economics) — это современный
раздел экономики, описывающий инструментарий для оценки прибыльности проекта и помогающий найти «узкие места» и точки кратного роста.
В основе такого эконометрического расчета — отдельная единица (юнит), которая
принимается к рассмотрению по прибыли.
Ю НИТ
Юнит — это базовая единица, генерирующая доход, и у каждого бизнеса она своя.
Это может быть единица товара, один клиент и т. п.

Юнит-экономика предоставляет базовый инструментарий для исследователя в ходе
формирования бизнес-стратегии на основании экспериментальных данных, полученных от потребителей целевых услуг компании в ходе решения задач: A/B-тестов
и минимизации рекламных расходов. Инструментарий юнит-экономики рассматривается пошагово и детально в нескольких следующих главах.
Необходимо отметить, что в крупных компаниях, включая российский Яндекс, инвест-фондах и корпорациях активно используют юнит-экономику рентабельности
5

Функциональность библиотеки AmCharts доступна в Интернете по адресу: https://amcharts.com.

254

Глава 9

веб-сервисов для отбора к инвестированию и другой финансовой поддержки перспективных веб-проектов (стартапов). Именно по этой причине юнит-экономика
обозначена как необходимый инструментарий для развития компетенций начинающего веб-аналитика.
В завершение главы следует ответить на следующий важный вопрос применительно к результатам решения задачи сокращения рекламных расходов.

Как использовать результаты,
полученные по задаче минимизации рекламных расходов?
Таргетинг по каналам, времени и дням недели помогает исследователю получить
точные результаты по конверсии и позволяет смоделировать более четкую оценку
прогноза окупаемости продвигаемых товаров и услуг (по результатам оптимизации
рекламных расходов) с привлечением нструментария юнит-экономики.
Используя указанные данные, аналитик может получить усредненную оценку регистрации посетителя (приведения клиента в веб-сервис) и совершения им покупки
по заданному среднему чеку.
Для оценки рентабельности компании, запускающей новый вид дистанционных
услуг, нужны следующие эмпирические данные:
 фиксированные ежемесячные затраты компании (аренда офиса, сервера, фонд

зарплаты и т. д.);
 усредненная рекламная затрата на приведение i-го клиента;
 услуга (веб-сервиса), за которую клиент готов платить фиксированную доступ-

ную цену за транзакцию;
 средний чек для i-го клиента.

Этих эмпирических данных необходимо и достаточно для оценки рентабельности
услуги (ИТ-системы, веб-сервиса и т. п.) по заданной бизнес-модели и сроков
выхода на окупаемость бизнеса по заданной услуге.
Такая оценка дает возможность сравнить услуги веб-сервисов по оперативности
выхода на рентабельность и выстроить обоснованную очередность ввода услуг
в широкую эксплуатацию с учетом рентабельности. Это потребует от аналитика
комплексного подхода к расчету с учетом всех эмпирических данных и зависимостей, включая поведенческие привычки, выявленные при решении задачи минимизации рекламных расходов.

Выводы о минимизации рекламных расходов
Результат выполнения задачи минимизации (сокращения) рекламных расходов —
нахождение рекламного канала (или нескольких каналов) с минимальной стоимостью привлечения i-го клиента для прогнозирования оптимального рекламного

Задача сокращения рекламных расходов

255

бюджета на следующий значимый период (месяц или квартал) на основании проведенного тестирования на фокус-группе.
В целом представленное в главе 9 решение помогает аналитику выполнить задачу
оптимизации рекламного бюджета в условиях экономии финансов предприятия.
В частности, детализация результата раскрывает дни и время, когда посетители готовы потреблять рекламу на продвигаемые товары и услуги в рамках рутины рабочих дней, передвижений в транспорте и отдыха. Причем для мужчин и женщин
сценарии могут несколько различаться из-за социальных ролей и должностных
обязанностей.
В зависимости от сезонности, включая праздники, сценарии поведения посетителей, естественно, смещаются относительно нерабочих дней, поэтому планирование
рекламных размещений необходимо корректировать с учетом праздничных событий и т. п.
Перераспределение рекламного бюджета должно быть выполнено в соответствии
с приведенными условиями и в заданный период дней и времени показа. Этим достигается снижение переменных рекламных финансовых затрат на привлечение
новой аудитории с учетом заданного портрета и поведения ЦА.
Программное решение, связанное с использованием раздела «Маркетинг» адаптивного B2C веб-сервиса, призвано помочь аналитикам в их самостоятельной работе,
имеющей практические цели. Точнее, для использования в реальных проектах
с обработкой и анализом данных посетителей. Разработка и внедрение раздела
«Маркетинг» требует командной работы аналитика, фронтенд- и бэкенд-программиста с привлечением тестировщика.
Необходимый и достаточный технологический стек для реализации раздела «Маркетинг»:
 базовый язык программирования PHP (старшей актуальной версии) — для реализации скриптов сбора, хранения, обработки и анализа данных;
 фреймворк Laravel (тоже старшей версии) — для конструирования структуры
раздела;
 базы данных MySQL — для организации хранения данных;
 инструментарий вывода графиков AmCharts;
 импортированные данные из внешних источников рекламных каналов в формате
CSV для хранения, импорта в графики и визуального анализа.
Функционально раздел «Маркетинг» как точка доступа к аналитике в веб-сервисе
помогает маркетологам в оперативном визуальном анализе данных и эконометрическом отборе рекламных каналов по распределению результатов тестовых размещений рекламы.
Естественно, с развитием доступного инструментария можно расширять функциональность раздела «Маркетинг» на решение других рекламных задач по аналогии.
Это динамически развиваемое направление дает аналитикам возможность самореализации и улучшения показателей веб-сервиса компании, поэтому оно рекомендуется к самостоятельному изучению и внедрению в практическую работу.

ГЛАВА

10

Эконометрический метод
оценки эффективности ИТ-проектов
О стартапах на начальном этапе развития
Реальная комплексная работа аналитика требует четкого и слаженного применения
всего доступного инструментария в достижении поставленных целей. Когда требуется решить задачу оценки эффективности развития стартапа на основе всех предоставленных эконометрических данных, это практически означает, что необходимо провести их анализ и дать непредвзятую характеристику состояния ИТ-проекта
и прогнозов его развития с рационально выверенными рекомендациями.
Комплексная характеристика ИТ-проектов в целом включает в себя последовательно выполненную количественную и качественную оценку их экономической эффективности. Применительно к дистанционным услугам эконометрический анализ
объединяет ряд актуальных методов для решения задачи отбора при помощи инструментария юнит-экономики, экономической статистики, науки о системах массового обслуживания (СМО), алгоритмов сопоставления интересов и среднего чека
половозрастных групп целевой аудитории и других критериев.
В принципе, можно выделить главное достоинство стартапов для потребителей —
такие проекты направлены на удовлетворение их спроса с учетом ранее незакрытых потребностей: они быстрее в обслуживании, чем традиционные службы. Так,
например, телефонные диспетчерские бюро уже практически повсеместно в России
вытеснены службой Яндекс.Такси. И это лишь один из множества похожих примеров. Технологически стартапы олицетворяют собой переход на более высокий уровень сервиса, когда пользователю смартфона достаточно нескольких касаний экрана (touch screen) для получения услуги по запросу.
Активное территориальное развитие Интернета с покрытием 3/4/5G в регионах
России открыло широкие возможности для предпринимательства. Мобильный
смартфон как точка доступа стал сначала удобным и практичным, а затем уже привычным способом заказа товаров и услуг с начала 2010-х и остается им по сей день.
Стартапы в ответ на возникший рынок мобильной аудитории начали предоставлять
новые возможности для оперативного решения рутинных задач в мобильном формате для потребителей в мегаполисах — успеть выполнить основные рабочие дела

Эконометрический метод оценки эффективности ИТ-проектов

257

и совершить покупки без ожидания в очереди на кассе в ближайшем гипермаркете.
Конечно, предварительно найдя в Интернете и заказав требуемое с оплатой онлайн
и доставкой до дома или офиса. Клиентам — просто и удобно. Бизнесу — перспективно и прибыльно.
Так постепенно формат дистанционных услуг по запросу вошел и закрепился среди
прочих потребительских привычек российского общества.
Услуга по запросу (от англ. service on demand) — это популярная модель взаимодействия между клиентами и поставщиками услуг с использованием веб-сайта для реализации спроса на представленные предложения (в коммерческом веб-сайте или в мобильном приложении). Характеризуется запросами (заявками) на выбранные услуги
через веб-интерфейс сайта.

Инвестиционная привлекательность
дистанционных услуг в РФ
Практическая актуальность развития дистанционных потребительских услуг для
бизнеса обусловлена инвестиционной привлекательностью сектора B2C (потребительские услуги для граждан) в России, где обеспечено федеральное покрытие сетью Интернет всей ее территории и достижим эффект масштаба от предоставления
веб-сервисами услуг по запросу. Перспективность развития сектора экономики B2C
в РФ подкрепляется:
 возможностью стратегического масштабирования на регионы РФ ИТ-проектов

внедрения дистанционных услуг после апробации их в федеральных центрах;
 значительной долей микроплатежей в структуре закупок, совершаемых населе-

нием, — чем ниже величина платежа, тем больше доля аудитории с соответствующим стабильным бюджетом, расходуемым на дистанционные микропокупки
для потребления.
Основные эконометрические показатели для количественной характеристики ИТпроекта и отдельных дистанционных услуг (в терминологии юнит-экономики, экономической статистики и науки о системах массового обслуживания), представлены в табл. 10.1.
Заданные характеристики экономических показателей определяют правила проведения аналитической оценки с целью получить ответы на вопросы:
 является ли исследуемый ИТ-проект рентабельным в текущих условиях или при

каких иных условиях он сможет выйти на рентабельность;
 можно ли считать проект в формате service on demand инвестиционно привлека-

тельным для развития потребительского бизнеса в регионах России;
 в какой перспективе ожидать выход на рентабельность и получение прибыли от

его развития.

258

Глава 10
Таблица 10.1. Основные экономические параметры
для оценки рентабельности ИТ-проекта

Разделы науки

Показатели

Характеристика показателей

Юнит-экономика

Рентабельность сделок

Положительная или отрицательная
рентабельность

Юнит-экономика

Средний чек по сделке

Микроплатежи (сумма в рублях)

Юнит-экономика

Фиксированные расходы

Ежемесячные высокие или низкие фиксированные расходы на фонд заработной
платы, аренду и т. д.

Юнит-экономика

Переменные рекламные
расходы

Стоимость привлечения нового
i-го пользователя в веб-сервис

Эконометрическая
статистика

Конверсия
целевой аудитории

Оптимистическая или негативная оценка
на основании результатов тестирования

Экономика

Прибыль до вычета нало1
гов EBITDA

Высокая или низкая прибыль определяет
перспективы развития веб-сервиса
по дополнительным услугам

Системы массового
обслуживания

Риск отказа модулей СМО
(failure rate)

Высокий, средний или низкий уровень
отказа ключевых модулей СМО

Условия достижения эффективности услуг по запросу
Рассмотрим технико-экономические условия, обеспечивающие эффективность
в развитии дистанционных услуг по запросу.
Положительная оценка рентабельности определяет экономическую эффективность
внедрения и последующий выход на инвестиционную привлекательность по результатам как минимум первых трех месяцев после выпуска ИТ-продукта в коммерческое использование.
Моделируемые аналитиком эксперименты с входными показателями для оценки
рентабельности сделок по юнит-экономике способствуют поиску благоприятных
условий развития дистанционных услуг в мобильных приложениях и веб-сервисах.
Смоделируем следующие условия для прогноза эффективной работы сервиса дистанционных услуг исходя из следующего подхода: чем ниже средний чек, тем выше
конверсия — в случае низкого уровня риска отказа платежных модулей системы:
Average Bill (Target Auditory) → min,
Conversion (Service on demand) → max,
Failure risk (Service on demand) ~ [0–10]%.

1

EBITDA (Earnings Before Interest, Taxes, Depreciation and Amortization) — один из показателей эффективности компании, прибыль компании до вычета процента по кредитам, налога на прибыль и амортизации по
основным нематериальным активам.

Эконометрический метод оценки эффективности ИТ-проектов

259

При этом перспективы развития ИТ-проекта определяет высокая прибыль:
Profit (Service on demand) → max.
Приведем основные перспективные характеристики дистанционных услуг по запросу:
 с низкой стоимостью ежемесячного бюджета относительно конкурентов в дос-

тупной широкой аудитории клиентов:
Cost (Service on demand) → min,
Cost (Service on demand) ≈ Average bill (Target Auditory);
 с быстрым результатом для потребителя (относительно других аналогичных

сервисов):
Time (Result)service on demand < Time (Result)analog;
 с высокой конверсией из пользователей в покупателей:

Conversion (Users; Clients) → max.
Желаемый удовлетворительный результат для потребителя услуги по запросу достигается при условиях, когда он получает сравнительно оперативную обратную
связь и желаемую реакцию в ответ на запрос — объективно быстрее и лучше по
качеству обслуживания, чем у других аналогичных поставщиков услуг.
В свою очередь, оптимистическая оценка конверсии выявляется аналитиком на основании A/B-тестирования гипотез, как было показано в главе 9 при рассмотрении
частного случая решения задачи минимизации рекламных расходов, — в виде аналитических результатов первых размещений рекламы и др. Тестирование гипотез A
и B в серии краткосрочных размещений рекламы способствует определению минимальной стоимости рекламы для заданной группы аудитории с наиболее привлекательным и эффективным текстом рекламного предложения:
A/B Testing (Ads) → Costmin (Ads, Target Auditory, Message).
Перспективы развития ИТ-проекта в значительной степени определяются тем, высокая или низкая прибыль получается в результате работы веб-сервиса. Эмпирическая оценка операционной прибыли при моделировании масштабирования бизнеса
в заданных условиях позволяет аналитику ответить на вопрос о наличии или отсутствии оперативной финансовой возможности на закупку необходимых дополнительных мощностей и покрытия переменных рекламных расходов ради увеличения
целевой аудитории с доступом к дистанционным услугам.
Оптимистическая или негативная оценка конверсии, в свою очередь, выявляется по
результатам тестирования на фокус-группе первых размещений контекстной, нативной и другой рекламы.
Анализ инвестиционной привлекательности выполняется на основе полученной
экспериментально статистики использования посетителями тестируемого вебсервиса. В рассматриваемом случае применяется оценка рентабельности услуги
или товара по следующей формуле (из юнит-экономики).
OI = USP × Q – UVC × Q – FC,

(1)

260

Глава 10

где:
 OI (operating income) — операционная прибыль;
 USP (unique selling proposition) — потребительская цена единицы продукции/то-

вара (речь идет о уникальном торговом предложении);
 UVC (unit variable costs) — переменные затраты на единицу продукции/товара;
 Q (quantity) — количество проданного товара или услуг;
 FC (fixed cost) — постоянные фиксированные затраты (в том числе зарплатный

фонд, аренда офиса и т. п.).
Кстати, вы когда-нибудь слышали сленговое выражение: надо резать косты? Оно
встречается при обсуждении на узкоупотребимом жаргоне аналитиков и директоров предприятий вопросов, связанных с переменными и фиксированными затратами (costs), и означает, что нужно каким-либо образом снижать затраты (расходы)
для планомерного повышения эффективности коммерческого предприятия, выраженной в операционной прибыли: чем меньше расходов и больше доход, тем значительнее размер прибыли в результате.

Пример применения инструментария юнит-экономики
Рассмотрим простой пример тестового запуска beta-версии веб-сервиса по модели
service on demand в заданном регионе (Санкт-Петербург).

Задача
Оценить условия выхода веб-сервиса дистанционных услуг на окупаемость по исходным данным с использованием инструментария юнит-экономики.

Исходные данные
В ходе тестового запуска веб-сервиса получены следующие первичные результаты:
 в веб-сервисе зарегистрировались 74 посетителя;
 выполнено 32 платежа;
 всего 8 посетителей совершили платежи;
 выручка (доход) составила 11 980 рублей.

Условия задачи
По умолчанию все накопленные данные веб-сервиса фиксируются и сохраняются
автоматически:
 все результаты — в базе данных сервиса;
 история транзакций (платежей) — в архиве Яндекс.Касса.

Эконометрический метод оценки эффективности ИТ-проектов

261

Решение
Для начала рассчитаем показатели среднего чека и конверсии в платежи.
1. Выполним расчет среднего чека. Из исходных данных следует, что выручка составила 11 тыс. 980 рублей и было выполнено 32 платежа. Величина эконометрического показателя среднего чека (average bill) вычисляется по формуле
Средний чек =

Выручка (за период)
.
Количество платежей

Эмпирически получается, что средний чек по тестовому месяцу составил
374 руб. 37 копеек. Округлим до целого, т. к. копейки составляют незначительные 2 знака после запятой:
11 980
= 374 руб.
32
2. Рассчитаем аналогично конверсию зарегистрированных посетителей (74) в клиентов, совершивших платеж (8):
Средний чек =

74
= 10% (округленно).
8
Затем используем для оценки рентабельности внедрения дистанционной услуги
формулу (1). Выполнение на основе полученных данных расчетов по этой формуле
дало следующие эмпирические результаты:
 моделирование из исходных данных показывает, что в среднем становятся клиентами 100 посетителей из 1 тысячи зарегистрированных;
 первичный расход на привлечение i-го клиента (UVC) равен 22 рубля;
 фиксированные затраты в расчете на один рабочий день (FC1day) составят
27 234 рубля2;
 фиксированные затраты в месяц (FCmonth) составят 817 000 рублей;
 операционная прибыль (OI) в день оценивается в размере 127 136 рублей;
 операционная прибыль (OI) в месяц прогнозируется в размере 9 819 730 рублей.
Конверсия в платежи =

П РИМЕЧАНИЕ
Весьма оптимистический расчет по операционной прибыли получается из-за сравнительно низкого расхода на привлечение i-го клиента, но гарантии удержания ставки
(цены за клик) на этом уровне в длительной перспективе, как правило, нет. Кроме исключительного случая — совладения партнерской компанией рекламного канала (например, сайта с миллионной аудиторией для перенаправления трафика).

Прогноз выхода на окупаемость проекта определен при следующих условиях:
 всего 10% воспользовались услугой в месяц;
 средний чек в течение месяца составил 374 рубля;
2

Имеются в виду фиксированные затраты на аренду офиса, зарплатный фонд и другие ежемесячные фиксированные платежи, включая аренду сервера VDS и т. д.

262

Глава 10

 стоимость входящего трафика — около 22 рублей за переход (не регистрация,

только переходы).

Техническая характеристика ИТ-проекта
Сводная количественная характеристика технических показателей работы системы
массового обслуживания (ИТ-проекта) с заданными уровнями для анализа приведена в табл. 10.2.
Поясним некоторые технические характеристики из табл. 10.2, используемые для
аналитической оценки ИТ-проекта:
1. Риск отказа по оплате услуг (Failure Rate (Payment Service)) — это величина отказа в проведении платежа за i-ю транзакцию сервиса (в случае n вариантов оплаты услуг). Например, не выполняется оплата SMS-командой или оплата
через стационарный терминал оплаты.
2. Допустимые уровни отказа системы массового обслуживания, средний чек, количество обращений в службу поддержки и другие характеристики могут различаться в зависимости от регламента сети по отношению к нагрузкам и стандартам отрасли применения веб-сервиса.
3. В зависимости от специфики выбранного к рассмотрению веб-сервиса (ИТпроекта или отдельной услуги по запросу) возможно выборочное добавление
каких-либо нужных характеристик в табл. 10.2 или удаление из нее незначимых.
4. Важно соблюсти баланс между количеством технических и экономических
характеристик и характеристикой лояльности посетителей в каждой заданной
категории — в том числе по измерению в месяц и в день. Это поможет веб-аналитику выполнить качественную оценку эффективности и инвестиционной привлекательности проекта.
П РИМЕЧАНИЕ
Рассмотрение экономических характеристик ИТ-проекта и характеристики лояльности
его посетителей приведено в соответствующих разделах далее.

5. Автополучение показателей от счетчиков по каждому показателю с заданной
системой оценок решает задачу оперативного формирования сводной визуальной характеристики состояния веб-сервиса.
Например, из сводной характеристики можно получить статистику:
• ошибки фронтенда более 75% — плохо по качеству работы над интерфейсом;
• скорость исправления ошибок фронтенда: от 3 до 5 ошибок в день — нормально, и т. д.
Результат исследования с применением эконометрического метода анализа эффективности ИТ-проекта поможет в формировании выводов о причинах отказов,
снижении конверсии и т. п. и даст в результате возможность выработать рекомендации по изменениям в работе ИТ-проекта для повышения его технико-экономической эффективности.

Эконометрический метод оценки эффективности ИТ-проектов

263

Таблица 10.2. Сводка технических показателей для характеристики ИТ-проекта
Технические показатели
ИТ-проекта

Единицы измерения

Уровни качественной оценки

Целое численное значение —
выражает количество посетителей

• Низкий: до 100 посетителей

Целое численное значение —
выражает количество покупателей

• Низкий: до 100 покупателей

Кол-во зафиксированных ошибок
в проекте в месяц (Quantity of fixed
errors/month)

Целое численное значение —
выражает количество зафиксированных ошибок

• Низкий: до 10 ошибок

Кол-во исправленных ошибок
интерфейса в проекте в месяц
(Quantity of corrected errors/month)

Целое численное значение —
выражает количество исправленных ошибок в месяц

• Низкий: до 10 ошибок

Кол-во исправленных ошибок интерфейса в месяц (Quantity of fixed errors
UI/UX/month)

Проценты — относительное
количество исправленных
ошибок в работе интерфейса
в месяц

• Низкий: до 25%

Кол-во исправленных ошибок бэкенда
в месяц (Quantity of corrected errors
backend/month)

Проценты — относительное
количество исправленных
ошибок бэкенда в месяц

• Низкий: до 25%

Ошибки интерфейса
(Errors of UI/UX)

Проценты — относительное
количество ошибок интерфейса в месяц

• Низкий: до 25%

Проценты — относительное
количество ошибок бэкенда
в месяц

• Низкий: до 25%

Целое численное значение —
выражает единицы исправлений ошибок в день

• Низкий: до 3 ошибок

Скорость исправления ошибок
фронтенда в день (Scoring of fixed
errors UI/UX / day)

Целое численное значение —
выражает единицы исправлений ошибок фронтенда в день

• Низкий: до 3 ошибок

Скорость исправления ошибок бэкенда
в день (Scoring of fixed errors backend /
day)

Целое численное значение —
выражает единицы исправления ошибок бэкенда в день

• Низкий: до 3 ошибок

Суммарный риск отказа (Summary
Failure Rate)

Проценты — выражает общую
величину риска отказа системы по совокупности факторов

• Низкий: до 10%

Кол-во зарегистрированных посетителей (Quantity of registered users)

Кол-во покупателей
(Quantity of buyers)

Ошибки бэкенда (Backend Errors)

Скорость исправления ошибок в день
(Scoring of fixed errors / day)

• Средний: от 100 до 1000 посетителей
• Высокий: более 1000 посетителей
• Средний: от 100 до 1000 покупателей
• Высокий: более 1000 покупателей
• Средний: от 10 до 50 ошибок
• Высокий: более 50 ошибок
• Средний: от 10 до 50 ошибок
• Высокий: более 50 ошибок
• Средний: от 25 до 75%
• Высокий: более 75%

• Средний: от 25 до 75%
• Высокий: более 75%
• Средний: от 25 до 75%
• Высокий: более 75%
• Средний: от 25 до 75%
• Высокий: более 75%
• Средний: от 3 до 5 ошибок
• Высокий: более 5 ошибок
• Средний: от 3 до 5 ошибок
• Высокий: более 5 ошибок
• Средний: от 3 до 5 ошибок
• Высокий: более 5 ошибок
• Средний: от 10% до 25%
• Высокий: более 25%

264

Глава 10
Таблица 10.2 (окончание)

Технические показатели
ИТ-проекта
Риск отказа по регистрации
и авторизации (Failure Rate (Summary))

Риск отказа по оплате услуг (Failure
Rate (Payment Service))

Единицы измерения

Уровни качественной оценки

Проценты — выражает величину риска отказа системы
по регистрации и авторизации

• Низкий: до 10%

Проценты — выражает величину риска отказа системы
по оплате услуг

• Низкий: до 10%

• Средний: от 10 до 25%
• Высокий: более 25%
• Средний: от 10 до 25%
• Высокий: более 25%

Экономическая характеристика ИТ-проекта
Сводная количественная характеристика экономических показателей работы системы массового обслуживания (ИТ-проекта) в терминах юнит-экономики с заданными уровнями для анализа приведена в табл. 10.3.
Таблица 10.3. Сводка экономических показателей для характеристики ИТ-проекта
Экономические
показатели ИТ-проекта
Фиксированные расходы (Fixed costs)

Единицы измерения

Уровни качественной оценки

Целочисленная сумма,
руб./месяц

• Низкий: до 300 тыс. руб.
• Средний: от 300 тыс. руб. до 500 руб.
• Высокий: более 1 млн руб.

Переменные расходы на привлечение i-го клиента (Variable costs
of involvement client(i))

Целочисленная сумма,
руб./клиент

Конверсия из посетителей
в покупателей (клиентов) (Conversion
(clients))

Проценты

Средний чек (Average check)

Целочисленная сумма, руб.

• Низкий: до 30 руб.
• Средний: от 30 до 50 руб.
• Высокий: более 50 руб.
• Низкий: до 10%
• Средний: от 10 до 25%
• Высокий: более 25%
• Низкий: до 30 руб.
• Средний: от 30 до 50 руб.
• Высокий: более 50 руб.

Кол-во выполненных транзакций
в день (Quantity of completed
transactions/day)

Целое численное значение —
количество выполненных транзакций в день

• Низкий: до 50 транзакций

Кол-во невыполненных транзакций
в день (Quantity of completed
transactions/day)

Целое численное значение —
количество невыполненных
транзакций в день

• Низкий: до 5 транзакций

• Средний: от 50 до 100 транзакций
• Высокий: более 100 транзакций
• Средний: от 5 до 50 транзакций
• Высокий: более 50 транзакций

Эконометрический метод оценки эффективности ИТ-проектов

265

Характеристика лояльности посетителей ИТ-проекта
Сводная количественная характеристика показателей лояльности целевой аудитории с заданными уровнями для анализа приведена в табл. 10.4. Представленные
в ней к рассмотрению показатели эмпирически характеризуют взаимодействие посетителей с сервисом и их обратную связь с ним по качеству обслуживания в ходе
получения дистанционных услуг по запросу.
Таблица 10.4. Сводка характеристик лояльности посетителей
Показатели лояльности аудитории
ИТ-проекта

Единицы измерения

Уровни качественной оценки

Количество отзывов клиентов
(Quantity or client reviews / month)

Целое численное значение —
количество отзывов в месяц

• Низкий: до 30 отзывов
• Средний: от 30 до 50 отзывов
• Высокий: более 50 отзывов

Количество положительных отзывов
клиентов в месяц (Quantity or optimistic
client reviews / month)

Целое численное значение —
количество положительных отзывов в месяц

• Низкий: до 5 отзывов

Количество негативных отзывов клиентов в месяц (Quantity or negative client
reviews / month)

Целое численное значение —
количество негативных отзывов
в месяц

• Низкий: до 5 отзывов

Количество обращений в службу
поддержки в месяц (Quantity or feedback
messages in support / month)

Целое численное значение —
количество обращений в месяц

• Низкий: до 30 обращений

Количество обработанных обращений
в службу поддержки в день (Quantity
or completed feedback messages
in support / day)

Целое численное значение —
количество обработанных обращений в день

• Низкий: до 5 обращений

Количество необработанных обращений
в службу поддержки в день (Quantity
or uncompleted feedback messages
in support / day)

Целое численное значение —
количество необработанных
обращений в день

• Низкий: до 5 обращений

Средняя оценка пользователей после
обращения в службу поддержки в месяц
(Average user rating after contacting
Support / month)

Целое численное значение от 1
до 5 — усреднение по правилам
математики

• Низкий: оценка от 1 до 3

• Средний: от 5 до 15 отзывов
• Высокий: более 15 отзывов
• Средний: от 5 до 15 отзывов
• Высокий: более 15 отзывов
• Средний: от 30 до 50 обращений
• Высокий: более 50 обращений
• Средний: от 5 до 15 обращений
• Высокий: более 15 обращений
• Средний: от 5 до 15 обращений
• Высокий: более 15 обращений
• Средний: оценка от 3 до 4
• Высокий: оценка 5

Визуально-аналитическая оценка
эффективности ИТ-проекта
Описанную в этой главе модель оценки эффективности ИТ-проекта и ее динамику
во времени можно визуально представить с помощью традиционных гистограмм и
графиков кривых (изменения функций).
В этом разделе ИТ-проект, предназначенный для коммерческого использования,
показан в виде трехмерной модели, демонстрирующей его комплексную харак-

266

Глава 10

теристику. Качественная оценка позитивных и негативных метрик выполняется
в таком комплексном анализе на основе измерения уровней количественных показателей и в итоге формирует суммарную сжатую оценку состояния ИТ-проекта
с возможностью масштабирования ее для выявления технических, экономических
или потребительских проблем в развитии ИТ-проекта.
На основе указанной модели в режиме реального времени удается сформировать
объективное представление о состоянии ИТ-проекта для его эконометрического
анализа. Это позволяет аналитику выработать оперативные и обоснованные рекомендации для команды и руководства стартапа с целью повышения его эффективности, улучшения в краткой перспективе инвестиционного климата и обоснованного привлечения внешних инвесторов. Формализованная модель состояния ИТпроекта в трехмерной технико-экономической интерпретации помогает аналитику
обосновать свою позицию в диалоге с комиссией, принимающей решение об инвестировании в ИТ-проект.

Качественная оценка метрик ИТ-проекта
С точки зрения комплексного подхода часть характеристик из сводных табл. 10.2–
10.4 отражает состояние позитивных факторов для инвестиционного клиента,
а другая их часть — соответственно состояние отрицательных факторов.
На рис. 10.1 и 10.2 последовательно представлены:
 равномерные секторы количественной и качественной характеристик эффектив-

ности ИТ-проектов по заданным направлениям: технические, эконометрические
факторы и факторы потребительской лояльности (рис. 10.1), где:

Рис. 10.1. Секторы количественных и качественных характеристик эффективности ИТ-проекта

Эконометрический метод оценки эффективности ИТ-проектов

267

• ось X — показатели технических характеристик;
• ось Y — показатели экономических характеристик;
• ось Z — показатели характеристик потребительской лояльности аудитории;
 тепловой график инвестиционного климата, с помощью которого по уровням

цветовой индикации показателей можно выполнить анализ, способствующий
принятию решения об инвестировании в ИТ-проект (рис. 10.2).

Рис. 10.2. Тепловой график инвестиционного климата для принятия решения
по инвестированию в ИТ-проект

П РИМЕЧАНИЕ
Напомним, что для удобства изучения материала книги все приведенные в ней иллюстрации (в том числе в цветном исполнении — где требуется) собраны в папку images
сопровождающего книгу файлового архива (см. приложение).

Оптимистическая оценка состояния эффективности и инвестиционной привлекательности ИТ-проекта на трехмерном графике модели (см. риc. 10.2) визуально представлена высокими уровнями позитивных факторов и низкими уровнями
негативных.
Показатели количественных характеристик позитивных факторов по уровню
ниже среднего — это зона риска для инвестиционного климата (отмечена на
рис. 10.2 желтым цветом (на черно-белом рисунке — более светлый круг в центре)). Аналитическое управление проектом на основании оперативной оценки
красных и зеленых уровней позволит в режиме реального времени принимать
взвешенные решения с целью выхода из зоны риска в комфортную зону по инвестиционному климату.

268

Глава 10

Показатели количественных характеристик позитивных факторов по уровню
выше среднего — комфортная зона для инвестиционного климата (отмечена на
рис. 10.2 зеленым цветом (на черно-белом рисунке — более темное кольцо за
светлым кру́гом)). При этом следует учесть недопустимость попадания красных
точек в «зону комфорта» для инвестиционного климата.
Визуальная качественная оценка дает возможность определить «болезненные точки» в развитии ИТ-проекта по месяцам и аналитически — на основе комплексного
подхода — принимать решения, направленные на повышение эффективности ИТпроекта и попадание его в комфортную зону инвестиционного климата.
Такое визуальное представление комплексной оценки ИТ-проекта сопоставимо
с астрономическим созвездием, изменяющим свою структуру в режиме реального
времени. Показанная на трехмерном графике модель динамически меняется от
прошлого месяца к следующему месяцу под влиянием факторов, включенных в модель для аналитического исследования.
В следующем разделе мы детализируем визуальную интерпретацию динамической
модели для анализа состояния эффективности и инвестиционной привлекательности ИТ-проекта.

Графики функций
На рис. 10.3 последовательно, слева направо от положения оси OX, представлены
основные функции, динамически изменяемые во времени (дни, недели, месяцы).

Рис. 10.3. Визуальная оптимистическая качественная оценка состояния эффективности
и инвестиционной привлекательности ИТ-проекта

Эконометрический метод оценки эффективности ИТ-проектов

269

 графики экономических функций (оси ОX–OY):

• график № 1. Фиксированные расходы (Fixed Costs);
• график № 2. Доходы от внедрения услуги по запросу Income (Service on
demand);
• график № 3. Переменные расходы на привлечение клиентов (Variable costs);
• график № 4. Конверсия из пользователей в клиентов по той или иной услуге
(Conversion (clients)).
В реальной модели количество графиков, включенных в исследование, может
быть значительно больше (по настройке системы статистики) в зависимости от
задач анализа событий;
 графики технических функций (оси ОY–OZ);

• график № 5. Количество зарегистрированных пользователей (Quantity of registered users);
• график № 6. Количество покупателей (Quantity of registered users);
• график № 7. Количество зафиксированных ошибок в проекте в месяц
(Quantity of errors/month);
• график № 8. Количество исправленных ошибок интерфейса в месяц (Quantity
of fixed errors UI/UX /month).
 графики потребительских функций (оси ОZ–OX):
• график № 9. Количество обращений в службу поддержки в месяц (Quantity or
feedback messages in support / month).
• график № 10. Количество обработанных обращений в службу поддержки
в день (Quantity or completed feedback messages in support / day).
• график № 11. Количество необработанных обращений в службу поддержки
в день (Quantity or uncompleted feedback messages in support / day).
• График № 12. Средняя оценка пользователей после обращения в службу поддержки в месяц (Average user rating after contacting Support / month).

Выводы об эконометрическом методе
оценки эффективности
На начальном этапе развития ИТ-проекта до запуска дать целостную и обоснованно
точную эконометрическую оценку эффективности его для целевой аудитории и
инвестиционной привлекательности продукта для внешних инвесторов нереалистично.
Еще раз отметим, что в наукоемком исследовании аналитику необходимо минимум
три значимых периода (месяца или квартала) после запуска для получения детальной статистики по работе веб-сервиса и формирования статистически значимых
результатов.

270

Глава 10

Обобщая выкладки описания эконометрического метода анализа эффективности
развития ИТ-проекта, добавим следующие выводы.
 Специфика системного анализа изменяемой во времени модели поведения веб-

сервиса по экономическим, техническим и потребительским показателям заключается в том, чтобы визуально сопоставлять влияние различных характеристик
(позитивных и негативных факторов) в ходе выполнения плановых работ по
развитию веб-сервиса.
 Графическая круговая интерпретация изменения ряда параметров в реальном

времени помогает оценить правильность постановки задач, качество и скорость
их исполнения и последующее исправление ошибок в режиме реального времени (с оценками посетителей и клиентов по результатам обработки запросов
через техническую поддержку).
 Система качественных оценок для каждого показателя из представленной харак-

теристики является аналитическим индикатором оптимистичности или, наоборот, пессимистичности аналитического прогноза по эффективности монетизации
и инвестиционной привлекательности веб-сервиса для сторонних участников
рынка ИТ-услуг.
 Представленная комплексная характеристика направлена на то, чтобы помочь

веб-аналитику сформировать качественную и количественную характеристику
веб-сервиса с технико-экономической точки зрения и сделать прозрачную оценку лояльности целевой аудитории к продукту по обратной связи (по откликам
клиентов через форму обратной связи службы технической поддержки и упоминанию ошибок, включая скорость их последующего решения для повышения
лояльности целевой аудитории).
В завершение отметим, что самостоятельная работа в применении представленного
эконометрического метода наряду с другими методами просто необходима начинающему аналитику для выработки навыков оперативного решения комплексных
задач прогнозирования развития ИТ-проектов по заданным показателям.

ГЛАВА

11

Семантический анализ данных
пользователей веб-сервиса
О точке приложения семантического анализа
В главе 5 читателям уже были представлены метод и алгоритмы семантического
анализа. Для эффективного применения этого инструментария нужна «точка приложения» с большими массивами данных. Как уже было сказано ранее, такие массивы формируются на основе данных из чатов и мессенджеров. При этом мобильные веб-сервисы выполняют роль связующего звена между целевой аудиторией
и компанией-агрегатором дистанционных услуг.
Основным платежным инструментом веб-сервисов являются микросервисы1, характеризующиеся относительно низкой суммой платежей, доступностью практически
всем потребителям и комиссией по модели service on demand. Поэтому они способны обеспечить значительный оборот платежей по потребительским услугам.
Микроплатежи как финансовая транзакция характеризуются обычно двумя признаками:
 сумма i-го микроплатежа менее одного доллара;
 выполняются в режиме онлайн путем списания со счета клиента по факту под-

тверждения платежа.
Наглядная иллюстрация микросервиса в интерфейсе веб-сервиса представлена на
рис. 11.1.
В этой главе мы рассмотрим практическую полезность внедрения аналитической
функции в многопользовательский веб-сервис для решения задач монетизации
микросервисов. Фактически речь пойдет об условиях рентабельности дистанционных услуг в веб-сервисе.
По определению рентабельность — это ключевой экономический показатель
эффективности ведения бизнеса. В контексте этой главы добавим уточнение —
1

Термин «микросервис» в контексте главы об анализе данных веб-сервиса трактуется как компонент системы массового обслуживания с функцией платежа по заданной услуге в привязке к определенному поставщику услуг.

272

Глава 11

интернет-бизнеса именно в формате веб-сервиса в интеграции с поставщиками
услуг по модели service on demand.
Рассматриваемые здесь задачи представлены в качестве примеров использования
семантического анализа в веб-сервисах, содержащих мессенджеры, с целью рационального выбора дистанционных услуг для интеграции в веб-сервис с масштабной
аудиторией.

Рис. 11.1. Микросервис Подарить подарок
в составе многопользовательского развлекательного веб-сервиса

Подобные алгоритмы внедряются в популярных социальных сетях Facebook,
ВКонтакте и мессенджерах для аналитического прогнозирования рентабельности
микросервисов. При этом продвинутые алгоритмы контекстной рекламы на основе
коммерческой оценки семантики пользовательского контента задействуются, чтобы
автоматически формировать сбалансированные цены за клик по определенным
ключевым словам и фразам с использованием весовых коэффициентов с заданной
оценкой в денежном эквиваленте.
Зачастую заявленные пользователями интересы при регистрации в веб-сервисе со
временем трансформируются в зависимости от сезонных и иных трендов. Анализу
подлежат коммерческий смысл и эмоциональный подтекст диалогов пользователей
в поисках их реальных интересов, что позволяет оценить их покупательскую способность и желание потреблять услуги по запросу.
С теоретической точки зрения в этой главе совмещаются семантический и когортный анализ поведения пользователей с точки зрения:
 влияния сезонных привычек пользователей на потребление ими тех или иных

услуг по модели service on demand;
 того, когда и при каких условиях (основаниях) мужчины и женщины готовы по-

купать услуги в режиме онлайн.
Определения когорты и когортного анализа уже были даны в этой книге ранее
(см. разд. «Метрики повторных продаж и количества возвратов» главы 6) и будут

Семантический анализ данных пользователей веб-сервиса

273

уточнены далее — по мере изложения положений анализа. В целом эксперты рекомендуют проводить когортный анализ на выборке от 1000 пользователей для охвата и выработки статистически значимых результатов.
Выделим тезисы для анализа в таком исследовании:
 частные выборки платежеспособных пользователей (когорты) обладают опреде-

ленными интересами с разной степенью вовлеченности в активное использование;
 покупательская способность у пользователей обязательно должна быть выраже-

на платежами для оценки рентабельности потенциальных услуг;
 конверсия в покупки у мужской и женской когорт пользователей предположи-

тельно различается по величине из-за различий в поведении и способам принятия решений.

Постановка цели и задач семантического анализа
Цель: отбор услуг по запросу для монетизации коммерческих интересов пользователей на основании оценки рентабельности по охвату целевой аудитории (ЦА).
Перечислим задачи для анализа данных.
1. Формирование набора потенциальных микросервисов для внедрения в качестве
гипотез для исследования с обоснованием и характеристикой выбранных услуг.
2. Внедрение инструментов для анализа:
• словарь интересов2 (Dictionary) пользователей;
• средний чек (Average Bill / Month) для каждого пользователя.
3. Отбор и ранжирование потенциальных услуг из гипотез:
• отбор услуг по среднему чеку и частоте упоминаний;
• аналитическая функция R' для ранжирования услуг по степени значимости
для коммерческой интеграции;
• логическая схема семантического анализа для монетизации микросервисов.
4. Формирование результатов исследования:
• построение отчета (в электронном виде и в формате PDF) с таблицами расчета метрик из нотации юнит-экономики, дохода, прибыли и порядка внедрения
(services on demand), с ранжированием по уровню значимости для целевой
аудитории от максимального к минимальному — конверсии по группам
целевой аудитории, минимальному среднему чеку (Average Bill) для максимального охвата аудитории;
2

Словарь интересов используется в узконаправленном значении для анализа потребительских запросов
в веб-сервисе с целью индикации перспективных услуг при сопоставлении с интересами целевой аудитории.

274

Глава 11

• визуализация результатов в виде раздела «Аналитика / Монетизация сервисов» в интерфейсе веб-сервиса.
5. Прогнозирование рентабельности микросервисов.

Шаг № 1: формирование набора потенциальных микросервисов
для внедрения в качестве гипотез
Исследование следует начать с выбора услуг, имеющих коммерческий потенциал
внедрения в виде микросервисов.
Первоначальный список потенциальных услуг формируется путем мозгового
штурма в диалоге с разработчиками веб-сервиса. Для обоснования первоначального
выбора в таком диалоге достаточно аргументированных тезисов о потенциально
пригодных услугах в соответствии с внешними признаками соответствия интересам
пользователей.
В табл. 11.1 собраны потребительские услуги, представляющие собой первоначальные гипотезы, пригодные для рациональной оценки состоятельности идеи об
их интеграции с веб-сервисом путем семантического анализа.
Приведем краткие характеристики выбранных потенциальных потребительских
услуг:
 доступ к услугам в режиме онлайн;
 постоянный или периодический спрос по назначению;
 соответствующие ключевые фразы, формулирующие потребительский интерес

аудитории к услугам по запросу3,

 стоимость на услугу вычисляется эмпирически — минимальная сумма, которую

готовы платить посетители за эту услугу (с оценкой ее рентабельности в дальнейшем анализе);
 условные аббревиатуры:

• литера «М» — мужская аудитория;
• литера «Ж» — женская аудитория.
П РИМЕЧАНИЯ
Условная сегментация по гендерному признаку введена для анализа поведения мужской и женской аудитории, поскольку некоторые услуги имеют различную конверсию
в зависимости от потребительских привычек мужчин и женщин. Эти данные потребуются впоследствии для функции R' в анализе.
Понятно, что стоимость заказа такси указана минимальная (начальная) и зависит от
ряда внешних факторов, но проверить ее также нужно по потенциалу к заказу в вебсервисе.

3

Представленный список ключевых фраз неполный и должен быть дополнен аналитиком реальными пользовательскими фразами самостоятельно.

Семантический анализ данных пользователей веб-сервиса

275

Таблица 11.1. Характеристика потенциальных потребительских услуг
Стоимость,
руб.

Гендерный
признак

поздравление, поздравить, открытка,
подарить, ...

45

МиЖ

Подарить подарок

поздравление, поздравить, подарок,
подарить, ...

1500

МиЖ

Начать игру

играть, ..., игра, {название}

100

МиЖ

Заказать такси

такси, поездка, доехать, ...

300

МиЖ

Услуги

Ключевые слова-определители

Отправить открытку

Шаг № 2: внедрение инструментов для анализа
Решение поставленных задач требует для проведения анализа внедрения следующих инструментов:
 словаря интересов пользователей;
 среднего чека для каждого пользователя.

Для лучшего понимания возможности применения в семантическом анализе текстовых данных пользователей веб-сервиса рассмотрим предложенный инструментарий последовательно.

Словарь интересов
Для организации каких-либо продаж в веб-сервисе необходимо сначала проанализировать спрос целевой аудитории по соответствующим коммерческим запросам.
Разберемся, как это сделать на практике. Сначала — определение.
С ЛОВАРЬ ИНТЕРЕСОВ
Словарь интересов (от англ. dictionary of interests) — это формализованный электронный словарь коммерческих ключевых фраз в классификации соответствия услугам
для анализа пользовательских сообщений в мессенджере и комментариев.

Персональные данные посетителей (personal user data) при запуске веб-сервиса накапливаются из:
 личных сообщений в мессенджере;
 персональных оценок «Мне нравится» под сообщениями в ленте активности

(социальной сети);
 комментариев к тематическим постам других пользователей.

В них содержатся необходимые текстовые исходные данные для семантического
анализа:
 реальные краткосрочные и долгосрочные интересы пользователей, средний чек

по первой платежной функции (услуге), местоположение (геолокация) пользователей и пр.;

276

Глава 11

 эмоциональная оценка качества предоставляемых услуг по опыту их использо-

вания (user experience).
При разработке интерфейса в настройках веб-сервиса был предусмотрен раздел
«Интересы». Формальный выбор персональных интересов осуществляется пользователем в разделе настроек личного профиля в интерфейсе веб-сервиса после прохождения регистрации (рис. 11.2).

Рис. 11.2. Выбор пользователем интересов
в настройках личного профиля в интерфейсе веб-сервиса

Всего в выпадающем списке для пользователей доступны 47 интересов. Давайте
разберемся, как они были сформированы.
Первоначально для привлечения и формирования целевой аудитории в нем было
предусмотрено всего семь категорий интересов пользователей:
1. Искусство и творчество.
2. Семья и отношения.
3. Красота и здоровье.
4. Религия и философия.

Семантический анализ данных пользователей веб-сервиса

277

5. Карьера и развитие.
6. Мода и стиль.
7. Спорт и отдых.
Такая классификация была необходима для организации структуры словаря интересов по заданным категориям. Затем в него добавили 65 интересов из обзора других веб-сервисов. Этот список интересов, представленный в табл. 11.2, может быть
со временем обсужден и переработан по мере изменения трендов в обществе.
Таблица 11.2. Первоначальный список интересов пользователей веб-сервиса
Авто

Йога

Отдых с друзьями

Автостоп

Искусство и творчество

Плавание

Актерское мастерство

ИТ

Покупки

Активный отдых

Карьера и развитие

Психология

Бизнес

Кино

Развлечения

Болельщики

Комнатные растения

Религия и философия

Видеосъёмка

Комфорт

Семья и отношения

Визаж

Красота

Современное искусство

Вязание

Кулинария

Солярий

Дача

Культура

Спорт

Диета

Культурные традиции

Стиль

Дизайн

Литература

Танцы

Дом

Личностный рост

Технологии

Домашние животные

Любительский театр

Уход за детьми

Домохозяйство

Макияж

Фитнес

Дружба

Модные тренды

Фотография

Женское здоровье

Музыка

Фотосъемка

Живопись

Настольные игры

Ценности

Здоровье

Наука

Чтение книг

Знакомства

Общение

Эзотерика

Игры

Одежда и обувь

Экскурсии по музеям

Иностранные языки

Оригами

Далее путем мозгового штурма список интересов из табл. 11.2 был отфильтрован
вручную по смысловой нагрузке4 применительно к рассматриваемому сервису,
после чего в нем осталось всего 47 интересов (табл. 11.3). В целом фильтром для
4

По связи с портретами целевой аудитории (пол, возраст, виды деятельности, предпочтения и т. д.).

278

Глава 11

отбора служило соответствие точке приложения — веб-сервису и допустимым интересам аудитории. Таким образом, представленные в табл. 11.3 интересы отражают определенный срез времени по актуальности трендов общественной активности.
Таблица 11.3. Сформированный список интересов пользователей
Интересы
пользователей

Наименования
на английском языке

Интересы
пользователей

Наименования
на английском языке

Авто

Auto

Литература

literature

Активный отдых

Activity

Макияж

makeup

Бизнес

business

Мода и стиль

fashion trends

Видео

Video

Музеи

museum

Вязание

Knitting

Музыка

music

Дача

Cottage

Настольные игры

games

Диета

Diet

Наука

science

Дом

House

Общение

relax friends

Домашние животные

Pets

Отдых

Rest

Друзья

friendship

Плавание

swim

Живопись

painting

Покупки

Buy

Здоровье

Health

Природа

nature

Знакомства

Dating

Психология

psychology

Игры

Game

Путешествия

travel

Интерьер и дизайн

Interior

Развлечения

entertaiment

Искусство и творчество

Art

Семья и отношения

family

ИТ

it

Спорт

sport

Йога

yoga

Танцы

dance

Карьера и развитие

career

Уход за детьми

childcare

Кино

cinema

Философия

philosophy

Комфорт

comfort

Фитнес

fitness

Красота

beauty

Фотосъемка

photography

Кулинария

cooking

Экстрим

extreme

Культура и традиции

cultural traditions

Итак, к рассмотрению отобраны актуальные интересы целевой аудитории (не более
50 вариантов) для выдачи пользователям в настройках личного профиля в выпадающем списке с мультивыбором. При этом пользователь может выбрать:
 минимум (min) — 1 интерес;
 максимум (max) — 3 интереса.

Семантический анализ данных пользователей веб-сервиса

279

П РИМЕЧАНИЕ
Все представленные в табл. 11.3 актуальные отфильтрованные интересы приведены
в виде построчного соответствия на русском языке (из первоисточника) и записи на
английском языке для работы с программным алгоритмом.

Отобранные интересы аудитории далее будут использованы для семантического
анализа данных в ходе решения поставленной задачи. Полезные исходники, заданные в словаре интересов, имеют коммерческое значение для исследования. Мы
выясним это последовательно по мере его проведения.
Организация хранения собранных и отфильтрованных интересов выполняется
одним из доступных для веб-разработчиков способов:
 в базе данных веб-сервиса (MySQL или SQL Server);
 в виде подключенного JSON-словаря;
 в виде XML-документа.

Средний чек каждого пользователя
В оценке рентабельности услуг веб-сервиса средний чек имеет ключевое значение — это показатель платежеспособности как отдельного взятого пользователя,
так и выбранной когорты для анализа.
Величина среднего чека влияет на выводы по следующим критериям:
 качество работы веб-сервиса;
 эффективность маркетинга;
 уровень потребности пользователей;
 лояльность пользователей к веб-сервису как к бренду поставщика услуг.

Основные условия для оценки среднего чека каждого платежеспособного пользователя:
 действующая первая платежная функция в веб-сервисе (с доступом к истории

платежей);
 частная выборка только тех пользователей, кто совершил покупку по первой

базовой платежной функции веб-сервиса (с нефиксированным номиналом).
Доступ к истории платежей авторизовано доступен в Яндекс.Кассе с указанием
даты, времени, суммы платежа, уникального идентификатора (id) по всем транзакциям пользователей в хронологическом порядке. Наглядная иллюстрация вычисления среднего чека по транзакциям из истории Яндекс.Кассы представлена на
рис. 11.3.
В принципе, величина показателя среднего чека пользователя — это для анализа
«скоропортящийся продукт», т. к. по большому счету имеет значение для оценки
рентабельности в текущих условиях только здесь и сейчас. Финансовая ситуация
в обществе год от года меняется, поэтому использовать средний чек допустимо для
прогнозирования потребительского спроса лишь в краткой и среднесрочной перспективе.

280

Глава 11

Рис. 11.3. Наглядная иллюстрация вычисления среднего чека

Для расчета показателя среднего чека воспользуемся следующей формулой:
Average Bill =

Sum
,
Quantity

где:
 Average Bill — средний чек пользователя (user (id)) по первой платежной функ-

ции веб-сервиса за выбранный период;
 Sum — общая сумма всех платежей за этот период с вариативными частными

суммами (чеков);
 Quantity — количество платежей этого пользователя за выбранный период.

Чтобы по приведенной формуле вычислить средний чек пользователя за прошедший месяц, нужно сумму всех платежей по первой платежной функции (в этом
примере — по голосованию) поделить на их количество (за выбранный период).
Величина среднего чека выражается в следующих эквивалентах:
 в рублевом эквиваленте (для анализа),
 в условной валюте веб-сервиса (голоса) для пользователей.

Семантический анализ данных пользователей веб-сервиса

281

Пример № 1: вычисление среднего чека
 Задача
Вычислить средний чек пользователя в рублевом и аналогичном виртуальном
эквиваленте (в голосах, V) по первой платежной функции «Проголосовать»
в веб-сервисе.
 Дано
Пользователь воспользовался платной функцией «Проголосовать» 12 раз за месяц:
• 3 раза по 30 голосов;
• 4 раза по 50 голосов;
• 5 раз по 100 голосов.
Стоимость одного голоса составляет 4,5 рубля.
 Расчет
( 3 × 30 ) + ( 4 × 50 ) + ( 5 ×100 ) = 90 + 200 + 500 = 790 = 65,83.
Средний чек =
3+ 4+5
12
12
Виртуальный денежный эквивалент «голоса» — величина целочисленная, поэтому округление выполнено в пользу веб-сервиса в меньшую сторону.
 Результат
• Средний чек (в голосах) = 65 V.
• Средний чек (в рублях) = 65 × 4,5 = 292 руб. 50 копеек.

Оценка рентабельности услуги
Расчет рентабельности услуги в общем виде выполняется по формуле
R=

Чистая прибыль
× 100%,
Себестоимость

где:
 Чистая прибыль — это операционная прибыль от продаж услуги потребителям,
которая остается после выплат фиксированных и переменных расходов;
 Себестоимость — сумма издержек на производство (разработку) и реализацию
услуги.
Пример № 2: вычисление рентабельности услуги
 Задача
Рассчитать благоприятные условия для выхода на рентабельность микросервиса
«Открытки» в первый месяц запуска.
 Дано

Себестоимость разработки микросервиса составляет 120 тыс. рублей, включая
работу дизайнера, верстальщика и программиста.

282

Глава 11

• Одна открытка стоит 45 руб. (10 голосов).
• Один голос стоит 4,5 руб.
• Фиксированные расходы на обслуживание (тестирование и отладку микросервиса) составляют 30 тыс. руб./месяц.
• Переменные расходы на рекламу новой функции минимальные, практически
равны нулю.
 Расчет

R=

( X × 45) − ( 30 000 + 0 ) ×100% = ( X × 45) − 30 000 × 100%.
120 000

120 000

Математически, чтобы достичь рентабельности более 100%, необходимо выполнить условие
(X × 45) > 150 000.
Упростим выражение делением на коэффициент 45:
X > 3333,34.
Оперируем целочисленными величинами, соответственно необходимое минимальное количество продаж виртуальных открыток для выхода на рентабельность:
X = 3334 покупки.
Вернемся к выражению рентабельности:
Rрасчет =

( 3334 × 45) − 30 000 × 100% = 120 030 ×100% = 1,00025.
120 000

120 000

Rрасчет > 100%.
Условно, если каждый 10-й посетитель из всех посетителей веб-сервиса будет
дарить открытку, то уровень конверсии составит 10%, а общая аудитория охвата
должна быть 33 340 пользователей.
 Результат

Необходимые условия для выхода на рентабельность в первый месяц по внедрению микросервиса «Открытки»:
• Охват аудитории более 33 тыс. 340 платежеспособных пользователей с ненулевым балансом более 10 голосов на счету.
• Конверсия по использованию «Открыток» на уровне не менее 10% от охвата.
• Пользователи совершают покупки и дарят открытки другим пользователям
один или более одного раза в месяц.

Семантический анализ данных пользователей веб-сервиса

283

Шаг № 3: отбор и ранжирование потенциальных услуг из гипотез
На этом шаге для отбора потенциально пригодных услуг из заданных гипотез применим семантический анализ с использованием частоты упоминаний ключевых
фраз соответствия из табл. 11.1.
Из главы 7 (про системы массового обслуживания) нам известно, что популярность
услуги формулируется через частоту ее использования. В нашем случае интерпретируем это как частоту коммерческих запросов в месяц, соответствующих определенной услуге при выполнении прочих условий. Упрощенно назовем это количеством упоминаний услуги/месяц с положительной эмоциональной тональностью
в контексте сообщений и комментариев.

Использование показателя среднего чека для исследования
Логически не сложно понять: чтобы продавать услуги, необходимо сначала знать,
что готов купить пользователь. Для этого надо выявить его персональные коммерческие интересы, вовлеченность и потенциал к покупке. В рассматриваемом здесь
алгоритме нам потребуется показатель среднего чека пользователя.
Давайте разложим алгоритм отбора в последовательность для расчетов.
1. Выбираем период анализа — один прошедший месяц (30 дней) от текущей даты.
2. Формируем выборку пользователей в размере минимум 1000 человек и не более
2000 человек с равным количеством мужчин и женщин в ней из тех, кто воспользовался платежами по первой платежной функции более двух раз (т. е. готовы платить за услуги в веб-сервисе и пользуются ими периодически в течение
месяца).
3. Для первой из потенциальных услуг используем ключевые слова соответствия:
• для функции «Отправить открытку» определителями пусть служат следующие слова: поздравление, поздравить, открытка, подарить и т. д.;
• из семантического анализа текстовых данных вычислим частоту употребления этих слов в сообщениях и комментариях пользователей:
 если у отдельных пользователей эти слова встречаются один или более
раз, необходимо рассчитать их количество в двух группах: мужчин и
женщин;
 сопоставить стоимость измеряемой услуги «Отправить открытку» (в размере 45 руб.) со средним чеком пользователя с целью определения, сколько раз он сможет воспользоваться этой платежной функцией в прогнозе на
следующий месяц.
Так формируется оценка потенциального охвата пользователей по использованию перспективной услуги (service on demand) в формате микросервиса с минимальной стоимостью и сегментацией на мужскую и женскую
части аудитории, чтобы правильно позиционировать услугу в рекламе;

284

Глава 11

 вовлеченность по заданным интересам (engagement rate) вычисляется,
в свою очередь, как коэффициент количества взаимодействий пользователя с контентом заданных тем в веб-сервисе по оценкам «Мне нравится»,
просмотрам и комментариям к ним.
4. Соответственно если все условия выполняются, то такая услуга отбирается к
дальнейшему исследованию.
5. Заданная последовательность алгоритмически реализуется циклично для всех
гипотетических услуг из заданного набора на таргетированной частной выборке
платежеспособной аудитории до момента завершения проверки последней из
услуг.
Для этого и следует внедрять в веб-сервис модуль «Словарь интересов» в соответствии с заданной начальной стоимостью услуг и ключевыми словами-определителями.

Аналитическая функция R' для ранжирования услуг
Аналитический отбор гипотез по внедрению потребительских услуг для монетизации веб-сервиса выполняется на основе расчета рентабельности с использованием
инструментария юнит-экономики. В этом исследовании для ранжирования услуг по
степени их значимости для коммерческой интеграции в веб-сервис мы применим
аналитическую функцию R' и вычислим с ее помощью коэффициент рентабельности для ранжирования предложенных к рассмотрению услуг:

(

)

R′ = Pk / month × A.B. × K A′ ( m ) + K A′ ( f ) ,

(1)

где:
 R' — коэффициент рентабельности по коммерческой услуге (интересу) аудитории;
 Pk/month — популярность коммерческого запроса по анализу текстов посетителей;
 A.B. (от англ. Average Bill) — средний чек посетителя;
 K'A(m) — оценка конверсии по мужской аудитории;
 K'A(f) — оценка конверсии по женской аудитории.

Величина популярности коммерческого запроса Pk/month по анализу текстов посетителей вычисляется как частота упоминаний запросов услуги в месяц.
Напомним, что в реальности средний чек по мужской и женской аудитории может
сильно различаться, но выясняется это со временем. Бывает, что предложенная
услуга оказывается более подходящей по стереотипам поведения и общественным
нормам мужчинам, а не женщинам, и наоборот. Но для расчета коэффициента
рентабельности R' мы используем именно средний чек по всей частной выборке
респондентов.
Итак, на этот момент у нас есть все необходимые входные значения для расчета
рентабельности каждой услуги, представленной в качестве гипотезы (см. табл. 11.1),
и мы можем применить к ним формулу (1).

Семантический анализ данных пользователей веб-сервиса

285

Пример № 3: вычисление популярности услуги по тексту пользователя
 Задача
Вычислить популярность услуги «Подарки» по трем фрагментам текстов пользователей из числа платежеспособной аудитории с учетом эмоционального
тонального анализа.
 Градация тональных оценок:

• позитивная;
• негативная;
• нейтральная.
 Исходные тексты:

• пользователь № 1 — Василий Петров, баланс: 0 голосов.
Я собирался подарить подарок, но пока денег нет и не предвидится.

• пользователь № 2 — Олег Васильев, баланс: 100 голосов.
Сегодня уже 22 апреля, скоро у Ани день рождения, не знаю что подарить?

• пользователь № 3 — Анна Самохина, баланс: 120 голосов.
У меня скоро Д.Р., надеюсь, хоть кто-то додумается мне подарить цветы ;)

 Семантический анализ с учетом условий задачи

1. По условию платежеспособности текст первого пользователя исключается из
рассмотрения.
2. Анализ текста платежеспособного пользователя № 2:
• всего одно упоминание: «не знаю что подарить»;
• эмоциональная тональность: нейтральная.
3. Анализ текста платежеспособного пользователя № 3:
• всего два упоминания; «Д.Р.», «подарить цветы»;
• эмоциональная тональность:
 «скоро Д.Р.» — позитивная;
 «подарить цветы» — позитивная.
 Результат

Популярность услуги «Подарки» среди платежеспособной аудитории с учетом
эмоциональной тональности составляет три запроса в месяц среди трех респондентов.
 Вывод

Пример весьма упрощенный, но показательный. Для оценки популярности услуги среди пользователей нейтральный и позитивный контекст сообщения важен,
чтобы исключить негатив, который не даст положительной конверсии в продажи
услуги. Естественно, тексты неплатежеспособных пользователей рассматривать

286

Глава 11

смысла нет, т. к. конечная цель внедрения услуги — это выход на рентабельность.
Внесем по результатам исследования некоторые пояснения:
 порядок внедрения услуг по запросу из табл. 11.1 выполняется с учетом приори-

тетов, заданных весовым коэффициентом рентабельности в формуле (1). Это
эмпирическое решение направлено на ранжирование потенциальных услуг по
степени их коммерческой значимости для внедрения в исследуемый веб-сервис;
 разделение на мужскую и женскую аудиторию отражает различную конверсию

по гендерной структуре аудитории веб-сервиса;
 функция R' способствует аналитику в получении порядка следования потенци-

альных услуг по рангу значимости для внедрения и расчета рентабельности
и прибыли при заданных динамических условиях по формуле (1);
 в результате вычислений по аналитической функции R' в интерфейсе веб-

сервиса должна формироваться аналитическая сводка статистики в режиме реального времени с вычислением максимального охвата аудитории для каждой
гипотетической услуги с конверсией по ЦА.
Без ответа остаются важные бизнес-вопросы о монетизации микросервисов:
 Как формируется комиссия в микроплатежах для собственных услуг веб-сер-

виса?
 Как формируется комиссия при работе со сторонними поставщиками услуг?

Постараемся вкратце тезисно в этом разобраться. Комиссия микросервисов напрямую зависит от характеристики их сущности:
 виртуальная услуга (как, например, «Отправить открытку») реализуется разра-

ботчиками веб-сервиса, далее требует предварительного тестирования и отладки, но впоследствии дает пользователям дополнительную ценность. Поэтому
комиссию полностью забирает себе веб-сервис для покрытия затрат и формирования операционной прибыли;
 услуга стороннего транспортного сервиса «Заказать такси» в веб-сервисе факти-

чески является лидогенератором заявок на обслуживание по услуге такси. Лиды
(заявки) могут быть жестко тарифицированы по сумме комиссии с каждой поездки (допустим, 100 руб.) либо гибко тарифицироваться по процентной ставке
от суммы чека за поездку.
Этот вопрос требует согласования между веб-сервисом и поставщиком услуг.
Чтобы не усложнять, веб-сервису проще тарифицировать услугу жестко фиксированной комиссией за каждый выполненный заказ такси и совершение поездки
соответственно (fixed comission/order taxi). Такая «жесткая» модель, скорее,
даже будет обоюдовыгодна — чтобы не тратить время сотрудника веб-сервиса
на мониторинг и контроль всех чеков. То есть фиксированная комиссия — это
выгодная сделка (win-win) для всех трех сторон: веб-сервиса, поставщика транспортных услуг и потребителя.

Семантический анализ данных пользователей веб-сервиса

287

Логическая схема семантического анализа для монетизации
Разбираясь с организацией веб-сервиса, важно рассмотреть логические цепочки
семантического анализа для монетизации микросервисов. Схема взаимодействия
модулей и аналитических связей веб-сервиса при оценке рентабельности его потребительских услуг представлена на рис. 11.4.

Рис. 11.4. Логическая схема взаимодействия для оценки рентабельности
перспективных потребительских услуг в веб-сервисе

Здесь также требуется внести некоторые пояснения о сущностях, влияющих на
монетизацию микросервисов:
 голосование как платежная функция в формате конкурса позволяет пользовате-

лям выполнить микроплатеж, а для сервиса формирует продажи условных единиц — голосов;
 средний чек пользователя выясняется по серии проведенных платежей за неделю

или месяц (в зависимости от периодичности рассматриваемой услуги);
 нативная реклама в ленте активности (в новостях и публичных сообщениях

пользователей) маскируется под интересный пользовательский контент со скрытым рекламным содержанием и задается по таргетингу для определенных групп
целевой аудитории;

288

Глава 11

 словарь интересов отражает вложенную структуру интересов с заданными но-

миналами стоимости услуг5 в соответствии с соответствующими ключевыми
фразами коммерческого спроса;

 услуги по запросу напрямую коррелируют в логике (когда их отображать) с усло-

виями, представленными в сущности «Основания», для предложения пользователю.
Например, в день рождения пользователя для других пользователей активируется функция «Подарить подарок» — чтобы они могли сделать условно недорогой
подарок из ряда рекомендованных веб-сервисом;
 рекомендации для пользователей в ленте активности формируются по ряду при-

знаков: портрету ЦА, интересам, среднем чеку и т. д. Так, в случае ближайшей
даты дня рождения у одного из близких друзей пользователя (по частоте общения в мессенджере) ему могут быть предложены варианты подарков в соответствии с заданными интересами и допустимым бюджетом по среднему чеку на
эту услугу.

Шаг № 4: формирование результатов исследования
Отчет по результатам аналитического исследования
Построение отчета по результатам аналитического исследования должно отвечать
следующим требованиям:
 единообразный формат представления в электронном виде и в PDF-документе

для печати на офисной бумаге;
 статистические результаты излагаются согласно базовому принципу «необходи-

мо и достаточно» общедоступным языком, обеспечивающим универсальную
коммуникации как с экспертами, так с другими коллегами, включая поставщиков потенциальных услуг;
 объем текстовой и графической информации должен быть сбалансирован для

комфортного изучения;
 пригодные к внедрению услуги ранжируются: по уровню значимости для целе-

вой аудитории от максимального к минимальному, по конверсии для групп
целевой аудитории, по минимальному среднему чеку (Average Bill) для максимального охвата аудитории.
Визуализация результатов исследования
Логическая схема взаимодействия для оценки рентабельности перспективных
потребительских услуг в веб-сервисе алгоритмически конкретно интерпретируется
по результатам внедрения в веб-сервис в авторизованных разделах интерфейса
пользователя «Аналитика продаж» и «Монетизация сервисов» для последующей
5

Номиналы стоимости услуг заданы в условных голосах, чтобы стандартизировать внутренний оборот
оплаты услуг без нарушения законодательства РФ.

Семантический анализ данных пользователей веб-сервиса

289

плановой работы маркетологов веб-сервиса. Точки доступа для делегирования прав
при авторизации представлены в табл. 11.4.
Таблица 11.4. Точки доступа
Точки доступа

URL-источники

Аналитика продаж

https://{domain}.ru/analytics

Монетизация

https://{domain}.ru/monetization

П РИМЕЧАНИЕ
В колонке «Источники» для примера используется условная конструкция {domain} —
это доменное имя веб-сервиса, которое будет различаться в зависимости от точки
приложения (веб-сервиса).

Разделение точек доступа по URL-источнику необходимо для правильной адресации в случае необходимости показать сформированный отчет коллеге точно по
монетизации за выбранный период и другим параметрам.
Уровень доступа ранжируется по делегированию прав согласно заданным ключам
доступа (логину/паролю для авторизации) от максимума прав к минимуму:
 владелец сервиса имеет полный доступ, включая финансовую отчетность, права

на удаление данных и т. п.;
 администратор имеет доступ к администрированию всех данных, в том числе

веб-интерфейса;
 маркетолог имеет доступ исключительно к веб-интерфейсу и соответственно

к функциям по работе со статистикой.
Сводная статистика продаж для управления монетизацией отражена в разделе
«Аналитика продаж» интерфейса пользователя (рис. 11.5) в виде стобчатых сравнимых диаграмм по дням, неделям для анализа. Этот интерфейс содержит необходимую и достаточную информацию для принятия решения по отбору микросервисов монетизации с классификацией по интересам аудитории:
 Искусство и творчество.
 Семья и отношения.
 Красота и здоровье.
 Реклама и философия.
 Карьера и развитие.
 Мода и стиль.
 Спорт и отдых.

Как можно видеть, в разделе «Аналитика продаж» интерфейса пользователя, показанном на рис. 11.5, отражена предрасположенность мужской аудитории больше
тратить на виртуальные услуги в размере среднего чека 1400 руб./месяц по сравнению с аналогичной женской аудиторией со средним чеком 700 руб./месяц.

290

Глава 11

Рис. 11.5. Раздел Аналитика продаж веб-интерфейса пользователя
с визуализацией данных пользователей

Сегментация данных по группам коммерческих интересов
Для удобства команды веб-сервиса в разделе «Аналитика продаж» интерфейса
пользователя представлена визуализация данных как в виде столбчатой диаграммы
количества коммерческих запросов от общего количества запросов (см. рис. 11.5),
так и в виде круговой диаграммы с сегментацией статистики по группам интересов
целевой аудитории (рис. 11.6).
Интерактивный формат визуализации пользовательской статистики (в реальном
времени) в разделе личного кабинета аналитика показан здесь на круговой диаграмме Интересы «Красота и здоровье». Как можно видеть, коммерческие запросы по этой теме составили 33%.

Семантический анализ данных пользователей веб-сервиса

291

Рис. 11.6. Раздел Аналитика продаж веб-интерфейса пользователя
с сегментацией данных по интересам аудитории

Сводка статистики призвана помочь аналитику в решении поставленной задачи по
проверке гипотез о целесообразности масштабирования продаж микросервисов путем тестовых апробаций на частной выборке из общего числа целевой аудитории.

Раздел «Монетизация сервисов» веб-интерфейса пользователя
Решение о отборе микросервисов для масштабной монетизации по всей аудитории
веб-сервиса выполняется с использованием семантического анализа коммерческих
запросов пользователей из словаря с юнит-экономической оценкой рентабельности,
вычисляемой по формуле (1).
Итоговая аналитическая сводка сервисов, полученная в результате семантического
анализа и внедрения аналитической функции R' для ранжирования услуг на основе

292

Глава 11

заданных маркетологом входных данных (средний чек, переменные и фиксированные затраты и т. д.), представлена на рис. 11.7. Прогнозируемые метрики для микросервисов ранжированы здесь от наиболее актуальных по мере убывания коммерческого смысла.
С точки зрения дизайна решение, показанное на рис. 11.5–11.7, адаптировано под
десктопную версию6 веб-сервиса для работы с ноутбука или стационарного ПК.
При выборе аналитиком сегмента на графике и/или группы интересов в правой
колонке интерфейса системой в ответ выводится сводка статистики (на графике и
детально ниже под графиком). Это решение способствует доступу к аналитическим
данным в «одно касание», чтобы работа аналитика в рутинном процессе шла продуктивнее.

Рис. 11.7. Раздел Монетизация сервисов веб-интерфейса пользователя

6

Десктопная версия веб-сервиса характеризуется шириной экрана от 1000 пикселов и более.

Семантический анализ данных пользователей веб-сервиса

293

Прогнозируемые сервисы в интерфейсе должны для маркетолога ранжироваться по
статистике и по максимальной прибыли. При этом вывод данных в блоке Прогнозируемые сервисы может быть показан:
 с фильтрами по статистике — в начале списка прогнозируемые сервисы с мини-

мальным чеком, максимальной аудиторией вовлечения по аналитике коммерческих запросов, конверсией аудитории по интересам;
 по максимальной прибыли — в начале максимальная прибыль и далее по убы-

ванию.
Примеры прогнозируемых сервисов по модели service on demand для монетизации
в веб-сервисе на основе семантического анализа их постов и сообщений в мессенджере приведены в табл. 11.5.
Таблица 11.5. Прогнозы прибыли платежных функций
Платежные функции

Прогнозы прибыли, руб./мес.

Нативная реклама

3 600 000

Мобильные игры

2 700 000

Подарить подарок

1 800 000

Заказать такси

1 000 000

По клику на ссылке Детализация мы получаем статистику в формате аналогично
показаному в блоке Действующие сервисы.
Динамическая веб-форма Добавить сервис для расчета содержит поля:
 Название — до 100 символов (краткое наименование услуги);
 Средний чек — сумма среднего платежа;
 Фиксированные расходы — сумма (руб./месяц) на содержание услуги;
 Переменные расходы — сумма (руб./ед.) на рекламу для привлечения i-го кли-

ента;
 Частота использования — выбрать из списка: раз в сутки / раз в неделю / раз

в месяц);
 Пол — мужской или женский;
 Возраст — «от» и «до»;
 Интересы — добавить из списка (до трех интересов — выбор галочками);
 Ключевые слова — выбрать из списка (до пяти фраз — выбор галочками);
 Геоположение — выбрать из списка (выбор галочками — не ограничен количе-

ством).
Для примера выделим показательную эконометрическую характеристику монетизации действующего микросервиса «Голосование» (табл. 11.6). Формирование прибыли следует выполнять по формуле оценки рентабельности из юнит-экономики
с учетом фиксированных и переменных затрат.

294

Глава 11
Таблица. 11.6. Характеристика монетизации микросервиса

Действующий микросервис

Голосование

Суммарная прибыль

1 200 000 руб./месяц

Средний чек

51 руб.

Конверсия

10%

Фиксированные затраты

1 050 000 руб./месяц

Переменные затраты

120 руб./ед.

Зарегистрировано

1000 пользователей

Прибыль

1 200 000 руб./месяц

Раздел «Аналитика продаж» веб-интерфейса
Для функционального описания раздела «Аналитика продаж» веб-интерфейса
пользователя (см. рис. 11.5 и 11.6) выделим основные его элементы в ранжировании от максимального по приоритетам внимания:
 коммерчески актуальные для монетизации запросы сегментированы по интере-

сам и представлены в виде круговой диаграммы с делением на семь сегментов
ровно по количеству категорий интересов в соответствии с классификацией интересов аудитории веб-сервиса;
 функция Показать гистограмму меняет график на столбчатую гистограмму для

параллельного сравнения интересов по категориям и долей коммерческих запросов в них;
 в правой колонке отражены данные категории интересов с соотношением ком-

мерческих запросов (красный цвет на графике) и долей данных интересов от
общего количества аудитории (розовый цвет на графике).
Сформированные категории интересов и соотношения их групп по количеству
(в долевом выражении) в совокупной целевой аудитории представлены в табл. 11.7.
Такая детальная статистика необходима для исследования групп целевой аудитории по заданным показателям:
 средний чек из первой платежной функции (средний по рассматриваемой ауди-

тории жен./муж. за месяц по той или иной категории интересов);
 краткосрочные тренды — это ключевые коммерческие запросы, объединяющие

интересы аудитории в текущем месяце;
 долгосрочные тренды — это ключевые коммерческие запросы, актуальные

в течение года.
Фактически оценка платежеспособности половозрастных групп целевой аудитории
по первой платежной функции в сопоставлении с их интересами формирует как
входные гипотезы, так и аналитические показатели по весовому коэффициенту
функции R'.

Семантический анализ данных пользователей веб-сервиса

295

Таблица 11.7. Категории интересов и соотношение количества групп в аудитории
Категории интересов

Соотношение коммерческих запросов и долей ЦА

Искусство и творчество

39/61

Семья и отношения

32/78

Красота и здоровье

33/67

Религия и философия

25/75

Карьера и развитие

33/67

Мода и стиль

36/64

Спорт и отдых

34/66

Шаг № 5: прогнозирование рентабельности микросервисов
Выделим основные умозаключения о прогнозировании рентабельности дистанционных услуг по запросу. Проведенное исследование дает аналитикам полезные
результаты:
 в общем виде — эмпирическую оценку пригодности внедрения перспективных

микросервисов. Это помогает правильно с коммерческой точки зрения интегрировать веб-сервис и сторонних поставщиков услуг по модели service on demand
и монетизировать эту коллаборацию на масштабе целевой аудитории сервиса;
 в частном виде — поведенческие основания для повышения активности поль-

зователей к потреблению определенных услуг. Учитывая это, при правильном
манипулировании вниманием пользователей веб-сервиса можно сфокусировать
их на целевые услуги, что ведет к увеличению среднего чека по используемой
платежной функции.
Из данных табл. 11.8 следует, что собранная статистика за январь 2020 года отражает всего 33% коммерческих запросов по интересам «Красота и здоровье», при
этом женская аудитория выражена больше (21%), чем мужская (12%).
Таблица 11.8. Детальная статистика по интересам
Статистика за январь 2020 г.
(Всего 33% коммерческих запросов по интересам «Красота и здоровье»)
Женская аудитория
Средний чек
Мужская аудитория
Средний чек

21%
700 руб.
12%
1480 руб.

Геоположение

Всего 26 городов

Краткосрочные тренды

• пойти на фитнес;
• спортивное питание

Долгосрочные тренды

—

296

Глава 11

Эмпирически выявлено: средний чек женской аудитории ниже (700 руб.) на 52%
мужской (1480 руб.) Поэтому фокусировать рекламу и выбор микросервисов необходимо с учетом этих краткосрочных трендов — например, посещение фитнесклуба, спортивное питание.

Компетентная оценка рентабельности микросервисов
Сфокусируем внимание на ключевых положениях, необходимых для компетентной
оценки рентабельности микросервисов на основе семантического анализа:
 гендерная структура платежеспособных групп пользователей (когорт) с сегмен-

тацией по заданным интересам;
 сформированный словарь интересов, дополненный номиналами стоимости при-

веденных в соответствие ключевым словам потребительских услуг (микросервисов);
 выстроенные гипотезы о потенциально пригодных к внедрению дистанционных

услугах;
 исходная известность уровня конверсии и величины среднего чека мужской и

женской аудитории по первой платежной функции (в примере — Голосование);
 исходные массивы структурированных текстовых данных с возможностью сегментации по временным диапазонам.
Аналитическое качественное прогнозирование должно содержать ответ на важный
вопрос исследования: какие основания формируют потребительские привычки использования дополнительных услуг в веб-сервисе?
В принципе, логика мышления аналитика должна вести его от определения назначения веб-сервиса — если это развлекательный веб-сервис, значит, надо искать
основания поведения пользователей в этом направлении:
 мало денег — надо чем-то занять себя от скуки;
 я хочу удивить подругу (или друга);
 как мне сэкономить и получить развлекательную услугу дешевле;
 нужно выбрать развлечение с друзьями на вечер и т. д.
Апробация внедряемых микросервисов на фокус-группе пользователей веб-сервиса
необходима, чтобы оценить конверсию по женской и мужской аудитории. Оценка
рентабельности должна учитывать реальный уровень конверсии, чтобы рационально рассчитать объем целевой группы клиентов среди всей аудитории веб-сервиса.
В аналитике для построения рационального прогноза рентабельности услуг, в том
числе микросервисов, необходимо как минимум четкое математическое обоснование выдвинутых гипотез с учетом базового набора эконометрических показателей,
дополненное оценками потребительской лояльности пользователей по результатам
опыта использования веб-сервиса.
Прогнозы аналитика на основе представленного семантического анализа имеют
кратко- и среднесрочную ценность, т. к. построены на основе вариативной величи-

Семантический анализ данных пользователей веб-сервиса

297

ны среднего чека. Изменение экономической ситуации в стране, санкции, пандемия
и другие форс-мажорные обстоятельства влияют как на потребительские привычки
в целом, так и на размер среднего чека по какой-либо услуге.

Выводы о семантическом анализе данных
В исследованиях, связанных с изучением поведения и интересов целевой аудитории, семантический анализ накопленных данных когорт пользователей веб-сервиса
коммерчески актуален и пригоден к использованию. На рис. 11.8 показано визуально упрощенное описание процесса представленного решения, основанное на механизме семантического анализа текстов пользователя.
Необходимый и достаточный словарь коммерческих запросов составляется на
основании заданных тем в диалогах пользователей, должен быть отфильтрован по
актуальности со временем и далее вводится в исследование для анализа.

Рис. 11.8. Иллюстрация механизма семантического анализа текстов пользователя

298

Глава 11

В ходе исследования созданный словарь интересов должен веб-аналитиком не
только по актуальности фильтроваться, но и расширяться по мере изменения коммерческого потребительского спроса аудитории (циклически: раз в квартал, полгода или год).
Логическая схема, категории интересов и интерфейс пользователя в разделе «Аналитика продаж» применимы для внедрения в коммерческую веб-разработку и аналитические исследования в режиме реального времени.
Семантический анализ данных пользователей имеет определенную ценность для
веб-аналитика и является мощным профессиональным инструментарием с точки
зрения оперативного анализа этих данных и оценки рентабельности услуг по запросу (service on demand) для их внедрения с учетом прибыли и других ключевых метрик анализа по юнит-экономике.
Относительно сложная для начинающих аналитиков функциональность семантического анализа интересов и поведения пользователей веб-сервиса впоследствии может стать основой эффективного решения в исследовании рентабельности услуг по
модели service on demand.
Появление со временем доступных по подписке библиотек (JS-API) с обработкой
пользовательских письменных и голосовых сообщений поможет решению этой задачи в рабочем режиме — без дополнительных исследований в ходе веб-разработки
коммерческих цифровых продуктов.

ГЛАВА

12

Алгоритм анализа
веб-интерфейсов Mobile First
Программный алгоритм Mobile First, используемый для анализа качества исполнения веб-интерфейсов сайтов, загруженных в веб-сервис Mobile Friendly Test (корпорации Google Inc.), основан на факторном анализе по заданным признакам
исходного кода и моделировании (рендеринге) страниц сайта.
Принципиально этот алгоритм решает несколько функционально и социально значимых задач:
 оценивает удобство использования веб-сайтов с помощью мобильных уст-

ройств, что значительно повышает охват пользователей (вне офиса);
 способствует решению текущих задач на ходу;
 помогает в общей массе ранжировать сайты по их удобству и, как следствие, по

признаку полезности для целевой аудитории.
В 2020 г. Google Inc. объявила о планах внедрения алгоритма Mobile First (производного от алгоритма Mobile Friendly), который понижает в результатах поиска
позиции сайтов, не адаптированных под мобильные устройства, даже если поиск
ведется с устройств десктопных1.
В совокупности внедрение алгоритма Mobile First является социально значимым
фильтром качества исполнения веб-сайтов, исполняемым по схеме, представленной
на рис. 12.1:
 основными показателями качества веб-ресурса являются скорость загрузки

(Largest Contentiful Paint, LPC), интерактивность (First Input Delay, FID), визуальная стабильность (Cumulative Layout Shift, CLS);
 эти показатели формируют поисковые сигналы для ранжирования и просмотра

страницы согласно нотации Google Mobile First;
 специальный признак mobile friendly для веб-разработчиков и целевой аудито-

рии маркирует удобство использования веб-ресурса.

1

См. https://search.google.com/test/mobile-friendly.

300

Глава 12

Рис. 12.1. Ключевые сигналы Google Mobile First для ранжирования веб-ресурсов

С учетом динамики развития мобильного Интернета в России, которая показывает
рост год от года, изучить принцип действия алгоритма Mobile First принципиально
важно.
По результатам исследования Cisco Annual Internet Report (сокр. AIR) на начало
2023 года доступ в Интернет будут иметь 78% населения РФ, число пользователей
мобильных устройств составит 122,8 млн (84% населения), а доля 5G в стране достигнет 2,4% всех мобильных соединений. Поэтому проверка выпускаемого продукта на тесте Google Mobile Test просто необходима.
Базовые рекомендации по веб-разработке, приведенные в этой главе, помогут добиться максимальной оценки качества и удобства использования веб-сервисов
с мобильных устройств по критерию mobile friendly.
Оценка целевой веб-страницы выполняется в этом тесте в соответствии с моделью,
включающей сигналы Google Mobile First (см. рис. 12.1), по 100-балльной шкале.
Возможность тестировать и вести отладку по полученному отчету от Google Mobile
Test гарантирует при соблюдении указанных рекомендаций высокую оценку качества и usability (mobile friendly).

Ключевые факторы алгоритма Mobile First
Работа веб-разработчика при проектировании интерфейса с учетом взаимодействия
мобильных пользователей с функциональностью внедряемой ИТ-системы требует
знания ключевых факторов алгоритма Mobile First — точнее, технических метрик,
допустимых к исполнению требований mobile friendly:

Алгоритм анализа веб-интерфейсов Mobile First

301

1. Минимальный размер шрифтов.
2. Минимальные отступы между элементами навигации.
3. Межстрочный интервал — 1,5 em (где em — единица измерения в области типографики, равная заданному в текущий момент размеру точки).
4. Допустимое время отклика после нажатия на целевую кнопку — менее 300 мс.
5. Оптимизированные форматы графики: векторная — в формате SVG, растровая — в формате WebP.
«Знаю, действую, но могу забыть, и это не страшно...» Веб-разработчику достаточно знать тезисы философии mobile friendly, но не зацикливаться на полном их
запоминании, поскольку инструменты веб-аналитики, такие как Google Search
Console, Mobile-Friendly Test, Яндекс.Вебмастер и другие подобные веб-сервисы,
помогают напомнить их и найти технические ошибки веб-дизайна и верстки в проиндексированной веб-странице сайта с учетом практически всех требований адаптивного отзывчивого дизайна веб-приложения.

Допустимые размеры шрифтов
Совет разработчиков Яндекс.Поиск по ранжированию веб-сайтов с учетом тезисов
mobile friendly: «Мы рекомендуем использовать шрифт размером не менее 12 px».
По рекомендациям Google в руководстве Material Design: минимальный размер

Рис. 12.2. Размерная сетка иерархических заголовков H1–H6 в интерфейсе Google Fonts

302

Глава 12

основного текста — 16 px. Размерная сетка иерархических заголовков от H1 до H6
представлена для примера на рис. 12.2 в веб-интерфейсе Google Fonts.
Рендеринг нестандартных (не входящих в базовый пакет операционной системы)
шрифтов занимает некоторое время, поэтому чем больше фирменных (нестандартных) шрифтов подключено к веб-странице плюс чем больше в ней текстов с разным форматированием блоков, тем дольше браузер будет их моделировать для
показа пользователю, а это соответственно ведет к появлению задержки в визуализации полной композиции веб-страницы.
По умолчанию рекомендуется использовать один фирменный шрифт, унаследованный от логотипа (по требованиям в брендбуке), мелкие надписи допустимо выполнять стандартным шрифтом (например, семейства Arial). Это упростит рендеринг
для полного моделирования страницы с минимальной допустимой задержкой.

Отзывчивость в миллисекундах
Критерий оценки пользовательского интерфейса по реакции на событие — нажатие
или клик на экране характеризуются термином «отзывчивость пользовательского
интерфейса» (responsive UI).
Отзывчивость — это приоритет разработки ИТ-системы с веб- и мобильным интерфейсом на этапе тестирования.
Исследования веб-разработчиков показали — при задержке (после клика или нажатия на кнопку) длительностью свыше 100 мс пользователь может оценить это как
«торможение» реакции интерфейса.
Отмечается также на практике техническое различие между касанием пальцем
(finger touch on screen) и скольжением для мобильных страниц (sliding). Если фиксируемая задержка реакции интерфейса на обработку событий касания достигает
300 мс, это интерпретируется так: интерфейсы веб-приложения на мобильных
устройствах реагируют медленно.
Разработчики браузеров придумали эффективные решения проблемы. Для вебсайтов, где функционально масштабирование отключено, браузеры Chrome и
Firefox на ОС Android также отключают функцию двойного щелчка — если сайт
настроен с директивой width=device-width в метатеге:
<meta name="viewport" content="width=device-width, initial-scale=1">

Браузеры с вкладками (Chrome 32 и выше) отключают масштабирование двойным
щелчком, а Internet Explorer ввел новые свойства CSS для элементов touch-action,
если установлено значение none для атрибута, который отменяет задержки кликов
на этих элементах. Это технически фрагментарные решения, и в ИТ-сообществе
используются альтернативы с применением JavaScript, в том числе заполненные
указателями полифилы и сценарии для устранения этой проблемы (такие как
FastClick и пр.) и автономные альтернативы (например, Kendo UI Mobile).
С помощью JavaScript можно эффективно устранить проблему задержек вызова
события, однако это временная мера. Решения же, основанные на возможностях

Алгоритм анализа веб-интерфейсов Mobile First

303

браузера Chrome и метатега width=device-width, позволяют выполнить реакцию на
события с оптимизацией.

Анализ целевой страницы алгоритмом Mobile First
Цель внедрения Mobile-First — в переходе на один алгоритм индексирования. Поисковые машины до сих пор используют два алгоритма:
 отдельно для ПК и ноутбуков;
 отдельно для смартфонов и планшетов.

Именно по этой причине результаты поисковой выдачи по одному и тому же
запросу пользователя на смартфонах и компьютерах фактически различаются.
Знаковым здесь является название алгоритма Mobile-First — его смысл в переводе:
«мобильная версия приоритетно первая для индексации». Логически алгоритм
решает следующую задачу: является ли отдельная целевая страница и веб-сайт
в целом мобилопригодными? Если по признакам целевая страница при индексации
определена как пригодная для мобильных гаджетов, то это решение позитивное
и ей назначается маркировка mobile-friendly. Вследствие чего мы получаем ее качественное ранжирование в результатах мобильного поиска и впоследствии проявление интереса к ней мобильной аудитории.
При индексации в поисковой системе Google алгоритм Mobile First анализирует
рендеринг индексируемой целевой страницы по заданным инфоблокам структуры
в верстке HTML с учетом стилей CSS, моделирующих отступы внутри блоков
(padding) и между ними (margin), их вложенности, позиционирования элементов
веб-интерфейса и обработки событий в JavaScript.
Мобилопригодность — это обязательное требование поисковых систем к индексируемым веб-сайтам как для Яндекса, так и для Google. Целевая страница декомпозируется алгоритмом на набор факторов, отвечающих группам признаков мобилопригодности для анализа по критериям комплексной оценки.
Совокупная оценка по алгоритму Mobile-First варьируется в диапазоне от 0 до
100 баллов, что, в свою очередь, является наглядным индикатором для вебаналитика, говорящим о состоянии готовности веб-ресурса для мобильной целевой
аудитории.
В целях повышения эффективности многие разработчики и аналитики ведут сообщества. Так, с помощью специального сервиса поиска Google Developers Groups
можно найти ближайшую по территориальной локации группу разработчиков,
авторизованных и премодерированных для официальных встреч на публичных
площадках (Сколково и др.), где обсуждаются актуальные вопросы веб-разработки,
аспекты мобилопригодности и пути решений задач, поставленных общественностью перед сообществом.
В российской компании Яндекс также проводятся аналогичные мероприятия, способствующие коммуникации веб-разработчиков и аналитиков данных:

304

Глава 12

 Yandex DataSphere Community — цель общения: обмен опытом, идеями и обсу-

ждение технических вопросов2;
 группа «Веб-разработчик 24/7» в сервисе Яндекс.Кью — эксперты в веб-разработке собираются для обсуждения самых разных и многогранных тем в сфере
науки)3.
При этом, в зависимости от геопривязки веб-ресурса к преимущественно российской аудитории (Яндекс.Поиск) или к иностранной (Google Search), веб-аналитики
имеют непосредственную возможность демократического выбора профессионального сообщества для вступления в него и обсуждения путей решения поставленных
аналитических задач в конструктивном формате в среде экспертов.
Ч ТО ТАКОЕ RESS?
В терминологии разработчиков Google мобильную версию с адаптивной или динамической версткой веб-сайта принято именовать RESS (от англ. Responsive Web Design +
+ Server Side Components).

Вот цитата из высказывания старшего аналитика Google по тенденциям вебмастеров Джона Мюллера:
«Перевод сайта в Mobile-first index зависит от факторов:
•

способен ли Google просканировать весь контент на страницах ресурса;

•

может ли этот контент отображаться на мобильных устройствах в принципе».

Технически существуют два взаимоисключающих признака наличия мобилопригодной версии веб-сайта:
 поддомен m. по умолчанию — для мобильной версии: https://m.domain.com;
 наличие метатега viewport в блоке <head> целевой страницы веб-сайта:
<meta name="viewport" content="width=device-width, initial-scale=1">

Проверка сайта алгоритмом Mobile-First напоминает анкету с серией вопросов, где
ответы для вынесения оценки считываются в исходном коде страницы:
 вопросы способа вывода мобильной страницы:

• веб-страница является адаптивной;
• есть ли мобильная версия?
 вопрос визуализации контента — помещается ли контент страницы в размеры
экрана мобильного устройства?
 исключение некорректного вывода контента:
• удобно ли читать текст (по размерам шрифта);
• соответствует ли вывод контента рекомендациям Material Design и Google
Web Console?
2

См. https://t.me/yandex_datasphere.

3

См. https://yandex.ru/q/loves/knowledges/.

Алгоритм анализа веб-интерфейсов Mobile First

305

 не слишком ли близко стоят ссылки друг другу — соответствует ли вывод кон-

тента требованиям модульной сетки с учетом границ блоков, чтобы исключить
наложение или чрезмерную близость ссылок навигации?
 вопросы оптимизации:
• оптимизирована ли графика веб-страницы для быстрой загрузки;
• используются ли прогрессивные форматы графики: WebP, SVG;
• оптимизированы ли стили CSS и скрипты JS (минимизация CSS и JavaScript
способствует получению сжатия и ускоренной загрузки на клиентском
устройстве)?
То есть алгоритм Mobile First интерпретирует веб-страницу как набор эмпирических и качественных факторов, соответствующих в совокупности требованиям
мобилопригодности с индикатором качества исполнения по 100-балльной шкале.

Рекомендации по оптимизации целевой страницы
для повышения позиций в ранжировании поиска Google
Далее приведены основные рекомендации для поисковой оптимизации целевой
страницы в ранжировании Google Search по признакам назначения.
1. Проверить веб-страницу на адаптивность (RESS) в Google Mobile Test до публикации и индексации в поиске — соответствует ли адаптивный дизайн страницы
модульной сетке согласно Material Design, чтобы сбалансировать элементы с заданными отступами)4:
• задать медиагруппы @media и оформление в стилях CSS для всех типоразмеров вертикальной и горизонтальной ориентаций экранов популярных моделей смартфонов iPhone (iOS) и Android;
• минимизировать стили по принципу: исходные CSS (css/*.css) — для редактирования, сжатые (css/*.min.css) — для загрузки в шаблоны сайта.
2. Для представления графического интерфейса веб-страницы:
• минимизировать количество загружаемых файлов SVG для визуализации
элементов интерфейса путем использования спрайта5;
• растровую мультицветную графику (фото) оптимизировать в прогрессивный
формат WebP6.
3. Для удобства чтения:
• следовать типоразмерной сетке шрифтов для текстов и заголовков в соответствии с требованиями мобильной типографики.
4

См. https://search.google.com/test/mobile-friendly.

5

Векторный файл SVG со всеми элементами интерфейса в одном боксе экономит вес при загрузке на клиентском устройстве.

6

Эффективный формат Webp для сжатия изображений с потерями или без потерь.

306

Глава 12

Например, дизайнеры Google рекомендует минимальный размер основного
текста в параграфах — 16 пикселов;
• заголовки в статьях должны отличаться от основного текста;
• применять один фирменный шрифт на странице для быстрого рендеринга
страницы с длинным контентом («простыней»).
4. Для интерактивности:
• не располагать интерактивные элементы в мобильном интерфейсе слишком
близко друг к другу.
Например: расстояние между ссылками (в меню навигации) должно быть не
менее 10 пикселов друг от друга, чтобы пользователь мог попасть в него
пальцем (touch screen) и не промахнуться по ссылке;
• выделять ссылки и другие интерактивные элементы, чтобы они отличались
от оформления текста.
Например, если ссылки оформлены тем же цветом, что и текст, то необходимо добавить подчеркивание (сплошное, пунктирное или точечное), а также
яркое их подсвечивание при наведении, как активного элемента интерфейса;
• выделять цветом активного выделения (ярче цвета покоя) состояние ссылки
после нажатия — для привлечения внимания пользователя.
5. Для клиентоориентированности:
• текст должен быть кратким и подан с точки зрения интереса клиента (т. е. посетителя).
Например: показать не только длинный текст, но и дополнительную навигацию по ссылкам, соответствующим подзаголовкам статьи;
• основное изображение должно соответствовать заголовку визуально и быть
уникальным (не копированным).
Например: для новости с новым меню ресторана желательно сфотографировать его на столе, оптимизировать в WebP и опубликовать в статье как первоисточник.
В этой сводке рекомендаций по оптимизации целевой страницы для повышения ее
позиций в ранжировании поиска Google представлены основные советы по улучшению веб-ресурса с точки зрения Mobile First.
С годами в связи с технологическим ростом функциональности мобильных
устройств уровень требовательности мобильной аудитории повышается. Поэтому
непосредственная задача веб-аналитика — самостоятельно изучать поведение
пользователей на фокус-группах целевой аудитории и расширять список рекомендаций (точнее, перспективных требований) к коммерческому продукту, в разработке которого он участвует.

Алгоритм анализа веб-интерфейсов Mobile First

307

Выводы об алгоритме Mobile First
По статистике портала DataReportal, 87% населения РФ (102 млн человек) используют мобильный Интернет для повседневных задач.
Применение критериев адаптивности для целевых страниц веб-ресурсов является
основополагающей совокупностью факторов для качественного их использования
на дисплеях мобильных устройств (mobile friendly). Наглядная упрощенная иллюстрация тезиса mobile friendly в Google Mobile Search представлена на рис. 12.3.

Рис. 12.3. Наглядная иллюстрация тезиса mobile friendly в Google Mobile Search

Важно понимать: чем больше блоков включено в целевую страницу (например,
landing page для рекламы сезонного товара), тем дольше происходит ее моделирование (рендеринг) на клиентском устройстве, вследствие чего она медленнее выводится на мобильном дисплее пользователя.
Эта типичная ошибка новичков устраняется за счет оптимизации контента и перераспределения блоков по страницам путем организации последовательного вызова
их по клику на кнопке с обработкой событий средствами PHP и/или JavaScript.
Исполнение рекомендаций разработчиков Google по алгоритму Mobile First дает
преимущество в результате ранжирования (в поисковой системе) оптимизированного целевого коммерческого ресурса и призвано помочь веб-разработчикам
в снижении потерь (отказов) посетителей (в процентном соотношении) от общего
количества целевой аудитории.
Мобильные пользователи не только читают посты в социальных сетях, почте и ведут переписку, но и следят за появлением в Сети нового хорошо организованного
контента, а значит, у них есть определенная доля целевого коммерческого трафика
для конверсии в продажи товаров и услуг.

ГЛАВА

13

Комплексный анализ
исходных данных компании
В завершаюшей главе книги мы обратимся к комплексному анализу и зададимся
вопросом: «Как улучшить работу компании на основании исходных данных?».
Чтобы ответить на этот вопрос, рассмотрим для примера ситуацию взаимодействия
маркетолога с руководством агентства недвижимости в Санкт-Петербурге.
Основная задача: имея статистику по веб-сайту и данные о продажах и другие исходные данные, оценить ситуацию и выработать рекомендации по стратегическому
изменению структуры бизнеса с целью улучшения эффективности работы агентства недвижимости.

Исходные данные для анализа
Введем для начала исследования следующие исходные данные о компании:
 агентство недвижимости имеет устойчивый известный бренд. Поисковые запро-

сы по статистике корпоративного веб-сайта это подтверждают — многие пользователи ищут ее сайт именно по названию компании;
 тепловая карта кликов по Яндекс.Метрике (рис 13.1) предоставляет визуальную

оценку — с главной страницы сайта посетители в основном переходят в разделы
«Услуги» и «Контакты»;
 по оценке генерального директора за год пандемии (2021) всего было совершено

16 сделок по недвижимости, а за год после нее, когда началась активная фаза
СВО1, — всего 7 сделок. Это характеризует ниспадающий тренд продаж, что
угрожает бизнесу компании в целом;
 в среднем 1 из 10 заявок доходит до завершения сделки в текущем году;
 комиссия относительно частных риелторов высокая, но сопоставимая (практи-

чески равная) с уровнем комиссии других агентств;
 обновление корпоративного сайта выполнено в 2017 году. Адаптивный дизайн

сайта отвечает требованиям mobile friendly по стандартам Google;
1

СВО — аббревиатура: «Специальная военная операция» на Украине (2022 г.).

Комплексный анализ исходных данных компании

309

 процент отказов по сайту, характеризуемый метрикой Отказы (Failure Rate), от-

носительно низкий — 13%;
 количество мобильных посетителей за год выросло на 8% — c 60 до 68%;
 коллектив компании устоявшийся и практически не обновляется — в среднем

люди старшего возраста: от 35 лет и старше, до 55 лет;
 по последним за год входящим заявкам есть запросы на дистанционное обслу-

живание — чтобы клиент приехал в агентство только на завершающем шаге для
совершения сделки;
 входящие заявки с веб-сайта фиксируются в корпоративной электронной почте

(минимум два основных электронных ящика), в виртуальном помощнике JivoSite
(и почте прикрепленного менеджера), в личной переписке менеджеров (их телефоны, прикрепленные к объектам продаваемой недвижимости, опубликованы
на сайте каталога недвижимости), в CRM-системе, где менеджеры не сразу обновляют статусы продаж по объектам;
 привлечение заявок помимо корпоративного сайта и внешних площадок

(Авито.ру и др.) выполняется с помощью целевых страниц (landing page) + контекстная реклама Яндекс.Директ. Статистика показывает, что в среднем за квартал цена за клик (Cost per click) меняется ±100% (например, с 715 до 1430 руб. от
мая к июлю 2022 года).
Анализ представленной на рис. 13.1 тепловой карты кликов посетителей на функциональных элементах главной страницы корпоративного веб-сайта показывает:
 посетители слабо реагируют на баннеры спецпредложений, расположенные на

главной странице сайта;

Рис. 13.1. Тепловая карта кликов на главной странице веб-сайта (из Яндекс.Метрики)

310

Глава 13

 изображение команды компании занимает примерно 50% высоты страницы, при

этом оно не содержит ссылки, и клики на нем не дают результата. Это ошибка
дизайна. Имело бы смысл расположить на этом месте слайдер с ротацией жилых
комплексов для продажи квартир и парковочных мест около них;
 выбор региона для посетителей актуален — значительная доля ЦА приходит из

других регионов РФ (не из Санкт-Петербурга).
Отмеченные характеристики поведения посетителей сайта на основе анализа тепловой карты его главной страницы представляют собой полезные признаки для
исследования, что в результате способствует корректировке аналитических выводов и рекомендаций.

Анализ входящих заявок
на услуги агентства недвижимости
Для проведения анализа выполнен сбор исходных данных без потерь, включающий
входящие заявки потенциальных клиентов при их обращении в корпоративную
электронную почту по нажатию на кнопку Проконсультироваться (рис. 13.2, а).
Нажатие посетителем на эту кнопку в веб-интерфейсе корпоративного сайта открывает перед ним модальное окно Заявка для консультации (рис. 13.2, б), содержащее минимально необходимый набор полей для обращения, позволяющий
классифицировать заявки во входящих и перераспределять их по отделам агентства
недвижимости:
 имя обратившегося клиента;
 его телефон для связи;
 тема обращения (список возможных тем обращения показан на рис. 13.2, в);
 текст сообщения.

В этом окне также предусмотрена защита от спама с помощью Google ReCAPTCHA
(visible edition).
Выбрав тему обращения, посетитель может детализировать свой выбор, заполнив
поле текста для сообщения, и нажать на кнопку Отправить запрос.
В ходе анализа входящих заявок, поступивших в агентство через веб-форму «Проконсультироваться» на его сайте, выявлен следующий тренд: 5 из 15 заявок (33%)
отправлены клиентами в свободное вечернее (после работы) и ночное время
(табл. 13.1).
При этом в зависимости от времени суток количество заявок составило:
 ночью — 3;
 вечером — 2;
 днем — 6;
 утром — 4.

Комплексный анализ исходных данных компании

Это и дало отмеченное соотношение:
 дневная аудитория (утро + день) — 10;
 вечерняя аудитория (вечер + ночь) — 5.

а

б

в
Рис. 13.2. Форма для консультации: а — кнопка Проконсультироваться;
б — форма заявки для консультации; в — выбор темы для обращения за консультацией

311

312

Глава 13
Таблица 13.1. Входящие заявки на электронную почту агентства
через веб-форму «Проконсультироваться»
ID заявки

Дата

Время

Время суток

233

13.12.2022

0:14

ночь

232

12.12.2022

0:21

ночь

231

06.12.2022

21:38

вечер

230

28.11.2022

11:35

утро

229

25.11.2022

16:00

день

228

21.11.2022

11:07

утро

227

16.11.2022

22:43

вечер

226

15.11.2022

15:16

день

225

15.11.2022

13:50

день

224

13.11.2022

7:31

утро

223

21.11.2022

16:44

день

222

15.10.2022

17:43

день

221

12.10.2022

4:14

ночь

219

28.09.2022

10:43

утро

218

23.09.2022

16:36

день

Исключение из правила анализа данных
Может возникнуть вопрос: «Почему в табл. 13.1 представлена частная выборка заявок: от 23.09.2022 до 13.12.2022?» — ведь ранее в книге приводилось академическое правило: статистически значимым считается результат на основании
минимум трех значимых периодов, тогда как в приведенном примере рассматривается выборка за два с половиной месяца... Почему именно так?
В контексте этого примера следует учесть ряд внешних обстоятельств, привносящих исключение в правила анализа данных. 20 сентября 2022 года российской общественности было представлено официальное видеообращение Президента РФ
В. В. Путина о начале частичной военной мобилизации граждан страны для решения задач СВО. Это вызвало серьезный общественный резонанс — фактически
часть бизнес-проектов, связанных с участием молодых специалистов, была заморожена до наступления мирного времени, а сфера недвижимости в РФ в плане
спроса получила «шоковый эффект».
По данным независимых СМИ на 9 ноября 2022 года, минимум 277 тыс. российских граждан, покинувших страну в 2022 году, так пока в нее и не вернулись:
 113 тыс. россиян из 1 млн, уехавших в Грузию;
 92 тыс. из 1,66 млн — в Казахстан;

Комплексный анализ исходных данных компании

313

 42 тыс. из 786 тыс. — в Армению;
 30 тыс. из 760 тыс. — в Киргизию.

В страны Евросоюза с начала 2022 года уехало 1,3 млн граждан РФ. Сколько из них
там остались — неизвестно.
Таким образом, ситуация в российских бизнес-сообществах, не связанных с оборонным комплексом (в частном секторе экономики), получила осенью 2022 года
требование серьезной корректировки методов ведения работы. Руководителям на
рабочих местах теперь сложно формировать точные прогнозы на долгосрочную
перспективу, поэтому им необходимо опираться исключительно на статистические
данные из разных доверенных источников, сопоставляя их для анализа трендов и
социально-экономических закономерностей.
В условиях полученного шокового эффекта коммерческим предприятиям необходимо анализировать данные и формулировать стратегию развития с учетом реальной ситуации, характеризуемой отложенным потребительским спросом на товары
и услуги не первой необходимости.
В силу сказанного, аналитические исследования рынка сбыта, включающие тональный анализ пользовательских текстов по целевым коммерческим запросам,
приобретают особо ценное значение в такое непростое для бизнеса время.

Промежуточные выводы
Сформулируем первые выводы. Исходя из данных табл. 13.1, всего 33% целевой
аудитории за осенний период 2022 года составляют вечерние просмотры и входящие заявки на консультацию. То есть треть потенциальных клиентов изучает варианты по недвижимости с целью улучшения жилищных условий вечером, после
работы. И, как следствие, заявки направляются ими в позднее время.
Отсюда рекомендация для специалиста по SMM, ведущего сообщество компании
в социальной сети ВКонтакте: желательно добавить вечерние публикации примерно в 21:00–22:00 по будням (по заданному расписанию в медиа-плане).
При оценке содержательной части входящих обращений для консультаций, особенно вечерних и ночных, прослеживается тренд на их вопросительный формат —
без жесткой конкретики, которая могла бы быть четко обработана менеджером,
ответственным за премодерацию входящего потока обращений с веб-сайта. Это
важный момент — возможно, некоторые заявки необходимо проверять на адекватность, ведь серьезные вопросы (с недвижимостью) требуют особого внимания клиента.
Логика исполнения консультативных заявок формируется в многошаговый сценарий взаимодействия между потенциальным клиентом и агентством недвижимости:
заявки поступают в корпоративную электронную почту агентства, а затем, по мере
доступности, менеджер забирает их на премодерацию, что образует условную
песочницу, где из всех входящих обращений модератор отфильтровывает качест-

314

Глава 13

венные заявки от невнятных и неконструктивных обращений каких-то интересантов2 без четкого плана действий, бюджета и т. п.
После первичной модерации менеджер выделяет перспективные заявки и передает
их в соответствующие отделы первичной, вторичной или коммерческой недвижимости, где руководитель направления отдает их в обработку свободному и активному риелтору для проверки клиента, его документов, адекватности запроса и
бюджета на покупку, аренду или продажу недвижимости.
Таким образом, этап премодерации займет минимум нескольких дней, пока можно
будет пригласить клиента на очную консультацию в агентство для заключения договора, при этом точную комиссию клиент узнает только после всех согласований.
Из-за этого получается высокий уровень отказов до заключения договора.
Очевидно, что на этом (первом) этапе необходимо изменить формат входящей заявки с возможностью загрузки персональных данных клиента и документов для
проверки, а также формулировки точного запроса по выбранной услуге, чтобы этап
премодерации был вынесен в онлайн-формат в личном кабинете и были сокращены
потери времени на созвоны с клиентом, объяснения и т. д.
То есть на практике необходимо провести следующие мероприятия:
 унифицировать процедуры выполнения услуг жестко и четко по заданному

алгоритму с обработкой сопутствующих условий;
 уменьшить количество итераций коммуникации между потенциальным клиен-

том и менеджером для сбора полных персональных данных, запроса по недвижимости и сопутствующих документов для премодерации.
Эти изменения направлены на фильтрацию как входящих заявок, так и прошедших
премодерацию. Предлагаемый онлайн-формат позволит отфильтровать вопросительные запросы интересантов и выделить заявки с прямыми коммерческими запросами.

Сравнение целевой аудитории
Для сравнения динамики поведения посетителей в корпоративном сайте выберем
аналогичные периоды за прошлый и текущий годы (рис. 13.3):
 за текущий год анализа: 14.11.2022–14.12.2022;
 аналогичный период прошлого года 14.11.2021–14.11.2021.

Визуальное изучение сопоставимых графиков за 2021 и 2022 годы (см. рис. 13.3)
показало, что активность схожая, — при этом в декабре 2022 года она незначительно выше из-за активности SMM и SEO для привлечения трафика на сайт.
Сведем полученные результаты по аналогичным периодам воедино (табл. 13.2)
и проанализируем полученную сводку.
2

По определению интересант (от фр. intéressant) — это физическое лицо, действующее исключительно
в собственных интересах и в целях личной выгоды.

Комплексный анализ исходных данных компании

315

а

б
Рис. 13.3. Сравнение аудитории за месяц в 2021 и 2022 годах по данным Яндекс.Метрики:
а — период 14.11.2021–14.12.2021; б — период 14.11.2022–14.12.2022

Таблица 13.2. Сводная таблица результатов по аналогичным периодам
Метрики

Период в 2021 году

Период в 2022 году

14.11.2021–14.12.2021

14.11.2022–14.12.2022

Новые посетители

1399

1411 (+12)

Просмотры

3182

3405 (+223)

Периоды статистики

Что полезного можно извлечь из сводных данных?
 Количество уникальных новых посетителей (в среднем, как и год назад) сущест-

венно не увеличилось.
 Увеличилось количество просмотров — т. е. вовлеченность аудитории при про-

смотре сайта: интерес аудитории к контенту сайта вырос на 7% из-за добавления
промоакций, предложения дисконтной карты со скидкой 10% на услуги агентства, публикации актуальных статей о рынке недвижимости в Санкт-Петербурге
и Ленинградской области.

Выводы, сделанные на основе анализа данных компании
 Эффективность исполнения сделок (конверсия в продажи) — на уровне 10%.
 Комиссия по сделкам — высокая.
 Бюджет на маркетинг — минимальный.

316

Глава 13

 Привлечение заявок из контекстной рекламы — дорого.
 Отказы на допустимом для систем массового обслуживания уровне — 13%. Зна-

чит, дело не в функциональности сайта.
 В ходе консультаций с менеджерами компании инновационных предложений по

услугам не представлено, — т. е. коллектив агентства генерировать новые идеи
не желает или не готов: сотрудники ни морально, ни экономически не заинтересованы.
 Входящие заявки неполные, поэтому много отказов.
 От заявки до заключения сделки процесс идет медленно.
 Есть запросы целевой аудитории на дистанционный формат работы агентства.
 Мобильная аудитория агентства недвижимости растет на 5–10% ежегодно.
 Контекстная реклама — это неправильный вариант для стратегического разви-

тия нового направления услуг.
На последнем пункте следует остановиться и детализировать сформулированный
вывод.

Почему следует исключить контекстную рекламу
из состава инструментов продвижения нового направления услуг?
Рассмотрим типовую ситуацию. Пусть на рынке в текущий год в заданном регионе
(допустим, в Санкт-Петербурге) всего пять игроков (компаний) вкладывают рекламный бюджет в контекстную рекламу Яндекс.Директ: наш игрок — условные
30 тыс. руб в месяц, остальные по 15 тыс. руб. в месяц.
Цена за клик (CPC, Cost Per Click) по коммерческому запросу (например, «купить
{товар/услугу} + в Санкт-Петербурге» находится на приемлемом уровне — допустим, 500 руб./клик с учетом НДС 18%.
По теории вероятности это дает уровень успеха в получении исполнимой заявки:
P ( A) =

m 1
= = 20%.
N 5

Математическое моделирование показывает бесперспективность стратегии развития на основе привлечения новых клиентов из контекстной рекламы: пройдет два
года, истории успеха предпринимателей из первой пятерки по рассматриваемой
услуге станут достоянием общественности — либо предприниматель, либо кто-то
из его сотрудников предаст это огласке.
В результате возникнут еще пять конкурентов на рынке таких узконаправленных
товаров/услуг, все они также зайдут в контекстную рекламу, и кто-то из них сделает рекламный бюджет уже 100 тыс. руб. в мес. Тогда на аукционной основе формирования ставок получится, что стоимость клика на рекламном объявлении вырастет — например, до 1000 руб./клик.

Комплексный анализ исходных данных компании

317

При этом игрок с бюджетом в 30 тыс. руб. заберет уже не 60 потенциальных клиентов, а только 30, а вероятность покупки снизится более чем на 10%, поскольку вероятность демпинга цен также нельзя исключать.
Все это говорит о том, что контекстная реклама — скорее, инструментарий первичного способа привлечения клиентов, но неэффективный постоянный инструмент
рекламы.
Более разумной стратегией является создание цифрового продукта (веб-сервиса),
отвечающего требованиям целевой аудитории с удовлетворением их потребностей.
Плюс — для привлечения трафика — нативная реклама в социальных сетях о его
преимуществах.
Неудовлетворенные требования целевой аудитории сводятся к следующим четким
формулировкам:
 дистанционный формат услуг агентства с мобильным доступом;
 высокая эффективность (95% успеха — условно из 10 заявок должны выпол-

няться 9);
 уникальное торговое предложение (УТП) с неотложенным спросом;
 обновленный статус (состояние) заявок для клиентов (и для менеджеров) дол-

жен быть доступен в мобильном формате (точка доступа — смартфон);
 исполнение заявок в текущий момент неоперативное (вялое) — поэтому необхо-

димо исполнять заявку с заключением сделки в срок менее 14 дней, чтобы увеличить конверсию и снизить процент отказов;
 комиссия должна быть динамической: растущей или снижаемой по умолчанию,

но в зависимости от выбранных опций увеличиваться прозрачно для клиента.
Агентству имеет смысл добавлять опции выбора, повышающие стоимость услуги;
 процедуры исполнения услуг должны быть жестко регламентированы по време-

ни выполнения и последовательным шагам в сценарии заключения сделки.

Как этого достичь в сложившихся обстоятельствах?
Решение проблем сводится к разделению услуг на простые и сложные. В контексте
агентства недвижимости простыми могут считаться такие услуги, как рассмотрение заявки на ипотеку для покупки квартиры, подача объявления на продажу квартиры и т. п. Сложными же являются встречные сделки с привлечением ипотеки
и обременением (долгами и т. п.).
Принципиально взаимодействие с агентством недвижимости сводится к совместному нахождению относительно простых и коммерчески перспективных услуг
(УТП), которые возможно уложить в четыре последовательных шага:
1. Заполнение заявки онлайн в личном кабинете на сайте агентства недвижимости:
ввод персональных данных клиента, потребительский запрос с указанием опций
выбора услуги для быстрого расчета комиссии, загрузка фото или сканов документов — вот три последовательных этапа на первом шаге.

318

Глава 13

2. Дистанционная модерация (прохождение загруженных документов через
«песочницу» необходимо для оценки адекватности заявок). Иные заявки (без
документов) — это условные «полуфабрикаты», скорее, от интересантов, а не от
клиентов.
3. Дистанционная процедура выполнения услуги: выбор объекта недвижимости,
условий кредитования до полной стоимости квартиры и т. д. При этом процедура выбора клиентом опций выполнения условий договора между ним и агентством сводится к нажатию им на варианты на экране смартфона или ноутбука.
Условное согласование опций сделки для выхода на нее подтверждается клиентом нажатием кнопки с предварительным акцептом (с галочкой «Подтверждаю») условий публичной оферты.
4. Очная сделка с участием сторон: продавца, покупателя, ипотечного банка и сопровождающих сделку риелторов.

Почему шагов именно 4, а не условно 5 или 7?
Есть технический нюанс, требующий минимизации количества шагов, чтобы это
упростило саму процедуру исполнения дистанционной услуги, — у экранов
мобильных устройств по умолчанию в вертикальной (портретной) ориентации
ширина меньше высоты (например, экран iPhone 12 Pro Max имеет размеры
1284×2778 пикселов), поэтому на малый экран можно втиснуть ограниченные по
длине наименования шагов (предпочтительно в одну строку), чтобы не перегружать
восприятие мобильного пользователя (вспомним о mobile friendly).
Шаги, организованные в строгом соответствии с модульной сеткой приложения,
представлены на рис. 13.4.

Рис. 13.4. Последовательные шаги процедуры на мобильном экране iPhone 12
в вертикальной ориентации

Рекомендации для руководства агентства недвижимости
 Необходимо обновить состав персонала агентства, т. к. отсутствие предложений

по части новых идей и улучшений, исходящих от специалистов компании,
характеризует ситуацию как стагнацию с тенденцией к фатальному снижению
эффективности.

Комплексный анализ исходных данных компании

319

 Необходимо привлечь инвестиции или найти стратегического ИТ-партнера, что-

бы создать веб-сервис с личным кабинетом для обработки «простых» типовых
услуг, реализуемых за указанные четыре шага с очным подписанием договора
по сделке в офисе агентства или в банке ипотечного кредитования (на последнем шаге).
При этом следует понимать, что разработка + тестирование + отладка + внедрение личного кабинета займут время (от полугода или более), чтобы все выполнить грамотно и четко.
 Выработка УТП должна удовлетворять требованиям целевой аудитории (описанным ранее).
 Веб-сервис дистанционных услуг агентства недвижимости должен соответствовать следующим требованиям:
• удобный доступ с мобильного устройства (с учетом mobile friendly);
• низкая комиссия (от англ. low cost) + повышение комиссии при выборе клиентом дополнительных опций (с онлайн-калькулятором комиссии), производимое прозрачно для клиента;
• относительно быстрое обслуживание по запросу (quick service on demand);
• высокая эффективность исполнения заявок (effective service).
 Снижение затрат на контекстную рекламу необходимо, чтобы исключить сжигание рекламного бюджета в «аукционной гонке» по ставкам CPC.
 Замена контекстной рекламы должна быть плановой и комплексной:
• публикация статей в корпоративном сайте (с учетом SEO) может добавить до
10% целевой аудитории в месяц;
• рассылки анонсов целевых статей по группам интересов сформированной
клиентской базы привлекут аудиторию интересными материалами и добавят
дополнительный повод для повторных обращений (срочного или отложенного спроса).
На основании изучения исследования Яндекс «Цена или выгода?» (см. главу 4)
можно сформулировать еще одну перспективную рекомендацию: при прочих равных условиях (цена, качество обслуживания и доступность веб-сервиса) будет
выигрывать именно та компания, которая предоставит клиентам при выборе
поставщика услуг в формате service on demand (online) бонусы (выгоды) для дистанционного обслуживания (как некий маркер приоритета коммерческого интереса
для целевой аудитории).
Давайте разберемся в стратегическом вопросе: как найти и сформулировать уникальное торговое предложение (УТП) с неотложенным спросом?
Исходно в нашем примере мы имеем из Яндекс.Метрики статистику по корпоративному сайту за последний год. Это то, что необходимо и достаточно для начала
ответа на поставленный вопрос.
Всего в разделе «Статьи» корпоративного сайта с 2014 года по конец 2022-го опубликовано 160 статей. Все они проиндексированы в Яндекс.Поиске — это отлично.

320

Глава 13

Примерно 10% статей из них — формальный «шлак», не представляющий прямого
коммерческого интереса для потребителей (потенциальных клиентов агентства недвижимости). Примерно 144 статьи — о недвижимости. Темы статей — от банковских условий ипотеки до евростандартов, используемых в строительстве жилых
комплексов в РФ. Это тоже очень полезно для анализа данных.
Как следует из выборки за 2022 год (рис. 13.5), в подразделе «Поисковые запросы»
раздела «Отчеты» Яндекс.Метрики содержится всего 513 поисковых запросов.

Рис. 13.5. Поисковые запросы для анализа трендов спроса на недвижимость

Функциональность Яндекс.Метрики в этом разделе (рис. 13.6) дает полный охват
для сортировки данных и выгрузки статистики с целью последующего анализа
в табличном редакторе MS Excel или Google.Sheets (через экспорт в транспортном
формате CSV). Приведенная здесь круговая диаграмма лишь условно визуализирует доли тем запросов, т. к. необходимо первоначально фильтровать данные по метрикам «Роботность», «Отказы», «Длительность просмотра» и т. д.
Логически отсекаем неактуальные для исследования запросы, т. к. нас интересуют
коммерческие тренды потребительского спроса (вне бренда агентства и т. д.). Для
этого выгрузим из Яндекс.Метрики отчет в универсальном формате CSV для
транспортировки данных, например, в табличный редактор Google.Sheets.
Экспорт поисковых фраз и их численных показателей в формате CSV из вебинтерфейса Яндекс.Метрика выполним сначала на локальный ПК. Так мы получим
данные по метрикам: «Визиты», «Посетители», «Роботность», «Отказы», «Глубина
просмотра», «Время на сайте». В результате из локальных скачанных из Интернета
файлов получим файл вида {Название_сайта}-Поисковые_запросы.csv».
На одного уникального посетителя сайта (в нотации Яндекс.Метрики) приходится
один или несколько визитов (с одного устройства: смартфон, ПК или планшет и
одного IP). Но если посетитель включит VPN и снова зайдет на сайт, его система
воспримет (в статистике сайта по Яндекс.Метрике) как нового уникального посетителя.
Импортируем файл CSV с поисковыми запросами из Яндекс.Метрики в Google.
Sheets (рис. 13.7) и получим таблицу с данными (рис. 13.8), пригодными для фильтрации в редакторе Google.Sheets и для последующего аналитического исследования. Она содержит 8 сформированных колонок по серии поисковых запросов за
период с 14 января 2022 года по 13 января 2023-го.

Комплексный анализ исходных данных компании

Рис. 13.6. Скриншот Яндекс.Метрики: подраздел Поисковые запросы раздела Отчеты

321

322

Глава 13

Рис. 13.7. Импорт данных из формата CSV в таблицы Google.Sheets

Рис. 13.8. Экспортированная таблица статистики для фильтрации
в табличном редакторе Google.Sheets

Комплексный анализ исходных данных компании

323

Фильтрация исходных данных
Очистка входной статистики путем декомпозиции и фильтрации
Очистка входной статистики сводится к фильтрации данных до ценных коммерческих трендов. В этом смысле фильтрация данных полезна для отсечения неинтересных с коммерческой точки зрения тематических групп поисковых потребительских запросов.
Разложение входящего поискового трафика позволяет в итоге сформировать тематические тренды — группы потребительских запросов. А затем ранжировать их по
степени коммерческой ценности для компании, чтобы выстроить приоритеты развития в стратегии на будущий год.
При манипуляциях с данными в ходе анализа требуется скрупулезное изучение
взаимосвязей метрик, показателей и пр. Исходная статистика потребительских поисковых запросов посетителей корпоративного сайта содержит следующие тематические группы целевых запросов:
 брендовые запросы (с указанием названия компании для поиска);
 прямые и косвенные адресные запросы (прямые — на покупку/продажу объекта

недвижимости по тому или иному адресу, косвенные — на уточнение цены и
других условий);
 запросы контактов (Ф.И.О., телефоны, электронные адреса) сотрудников и

агентства;
 вопросительные запросы для уточнения условий сделок с недвижимостью;
 косвенные уточнения терминов из сферы недвижимости и т. п.

Упрощенная иллюстрация фильтрации данных представлена на рис. 13.9.

Рис. 13.9. Иллюстрация
фильтрации данных

324

Глава 13

Решение по фильтрации данных
При манипуляциях с данными в таблице Google.Sheets рекомендуется соблюдать
следующую последовательность шагов:
 декомпозируем экспортированную таблицу статистики (рис. 13.10) для фильтрации данных путем удаления брендовых и каких-либо ненужных запросов
(Ф.И.О. сотрудников и их телефонов, электронных адресов и вакансий), затем
перегруппировываем данные по смысловым группам тематических коммерческих запросов для ввода весовых коэффициентов и сравнения сформированных
групп при последующем факторном анализе;
 колонка B (Поисковая система) интереса для исследования не представляет,
следовательно, удаляем ее, чтобы она не мешала в работе аналитику;
 копируем экспортированную таблицу на вторую вкладку внутри редактора
Google.Sheets, чтобы периодически сравнивать исходную и фильтрованные таблицы (на случай какой-либо человеческой ошибки) и работаем далее уже с этой
копией.
В результате фильтрации и удаления неактуальных для анализа поисковых
запросов в таблице осталось всего 146 поисковых запросов за 2022 год — по
сравнению с исходными 513 запросами;

Рис. 13.10. Вкладка Фильтрация данных в таблице статистики редактора Google.Sheets

Комплексный анализ исходных данных компании

325

 На следующем шаге фильтруем данные по времени — нас интересует вовлечен-

ность посетителей при визите на сайт с нахождением на нем более 25 секунд,
поскольку за меньшее время принять адекватное решение для коммерческого
запроса услуги крайне маловероятно.
После применения второго фильтра в таблице осталось всего 76 поисковых запросов. Это относительно мало, но иных реальных данных по посетителям для
исследования их запросов у нас нет.
При этом надо учитывать, что усиление продвижения в социальных сетях и на вебсайте по брендовым запросам (с включением названия компании) может вредить
конверсии, поскольку специалистами еще не сформировано универсальное УТП,
отвечающее актуальным запросам клиентов по недвижимости.
Рационально делать ставку на повышение конверсии в воронке продаж, а исследование поисковых запросов должно дать в результате ключевое звено — ответ на
вопрос, что конкретно волнует клиентов при выборе недвижимости.
Условная схема анализа карточки объекта недвижимости, производимого поисковым ботом (Yandex Bot), представлена на рис. 13.11.

Рис. 13.11. Поисковый бот (Yandex Bot) производит анализ карточки товара

Метрика «Роботность»
Введенная разработчиками Яндекса относительно новая метрика «Роботность»
отображает количество переходов на сайт из общей массы, приходящихся на разные боты (роботы), которые условно можно разделить на два вида: явные и маскирующиеся.
Так что добавим ранжирование допустимого уровня метрики «Роботность» для
исследования на этапе фильтрации данных — чтобы отделить живых посетителей
от поисковых ботов.

326

Глава 13

По мнению разработчиков Яндекс.Поиска, приемлемый уровень роботности зависит от специфики сайта и определяется непосредственно специалистами, занимающимися анализом статистики этого сайта. Для каких-то сайтов уровень, например,
5% может быть большим, а для каких-то и 25% — низкий. Яндекс.Метрика только
показывает статистику по исследуемому веб-сайту для мониторинга и анализа данных.
В контексте нашего исследования ориентируемся на следующий уровень показателя роботности: ≤ 20%. Наша задача при этом — исключить искажение статистики
запросов, ложные всплески и недобросовестность продвижения.
Определившись с численным показателем метрики «Роботность», все поисковые
запросы, где метрика «Роботность» выше 20% (0,2), удаляем из рассмотрения, т. к.
это имеет прямое отношение к «серым» и/или «черным» методам поискового продвижения (SEO).
В результате после этой фильтрации у нас осталось всего 60 поисковых запросов
для исследования. Отфильтрованная выборка значительно сократилась, но при этом
распределить запросы по группам стало гораздо легче.

Метрика «Отказы»
Метрика «Отказы» (на рис. 13.12 представлена ее условная визуализация) из нотации СМО характеризует интерес целевой аудитории к содержанию веб-ресурса.
Она показывает, сколько посетителей, т. е. живых людей и/или роботов, почти сразу же уходят с сайта после того, как открыли веб-страницу.

Рис. 13.12. Условная визуализация метрики «Отказы»

Проранжируем метрику «Отказы» по допустимому уровню значения:
 от 26 до 40% — очень хороший показатель отказов;
 от 41 до 55% — приемлемый коэффициент;
 от 56 до 70% — выше нормы, но может объясняться спецификой сайта;

Комплексный анализ исходных данных компании

327

 от 70% и выше — высокий уровень метрики «Отказы», при котором имеет

смысл провести более предметный анализ сайта и найти проблемные страницы.
Веб-аналитикам на заметку: отфильтровывайте данные по отказам, если они выше
55% (≥ 0,55).

Применим этот фильтр к исследуемой таблице, чтобы исключить из фильтруемой
выборки визиты посетителей с метрикой «Отказы» выше 55%. Это устранит малозначимые визиты посетителей с низкой заинтересованностью в контенте вебресурса. После этого веб-аналитику станет значительно проще группировать по
сходным признакам результирующую выборку поисковых запросов.
Отфильтрованные 56 поисковых запросов для анализа сведены в табл. 13.3 для следующего шага исследования. Как следует из этой выгрузки, многие поисковые запросы практически дублируются, но с добавлением дополнительных уточняющих
признаков региона, стоимости и т. д. Характерны в этом плане запросы в диапазоне
номеров от 28 до 34 включительно.
Таблица 13.3. Отфильтрованные поисковые запросы для анализа
1. сайты спб по обмену квартир

20. агенство недвижимости спб купля-продажа

2. что считается центром санкт-петербурга + стоимость
квартир

21. агентства зарубежной недвижимости

3. недвижимость в центре санкт петербурга + как
выбрать
4. продажа в спб через агентство
5. агентство спб сайт услуга продажа с одновременной
покупкой квартиры
6. когда оплачивать услугу по сопровождению сделки
до или после сделки
7. дом или квартира в питере
8. выкуп недвижимости в спб
9. продать квартиру по переуступке в лен.обл

22. агентства недвижимости по загородной
недвижимости в спб официальный сайт
23. в каких районах санкт-петербурга расположены
частные дома
24. в каком районе спб больше частных домов
25. в каком районе спб купить частный дом
26. выкуп домов в ленинградской области
27. выкуп домов в ленинградской области
с обременениями
28. выкуп загородной недвижимости ленинградской
области

10. как выбрать квартиру в центре санкт-петербурга

29. выкуп квартир в ленинградской области

11. недвижимость в кингисеппе однокомнатные квартиры
продажа иванова 23

30. выкуп квартир в ленобласти

12. срочный выкуп недвижимости санкт-петербург

32. выкуп коммерческой недвижимости в спб
и лен.обл

13. купить комнату в спб на ул. грота
14. офисы продажи загородной недвижимости спб
центральный район
15. продать квартиру спб через агентство
16. быстрый выкуп недвижимости ленинградская область
17. выкуп квартир в спб
18. купить парковочное место парадный квартал
19. агенства по выкупу квартир в спб и ло

31. выкуп квартиры ленобласть

33. выкуп недвижимости
34. выкуп квартиры агентством недвижимости
в ленинградской области
35. зачем человек обращается для сопровождения
сделки
36. какие сделки требуют сопровождения сделок
37. купить квартиру в спб от собственника и агента
переуступка

328

Глава 13
Таблица 13.3 (окончание)

38. купить машиноместо на лабораторном проспекте спб
39. объекты сельхозипотеки в ленинградской области
гатчинский район
40. подбор коммерческой недвижимости в спб
и ленинградской области
41. причина отказа от сопровождения сделки
42. продажа машиноместа в парадном квартале спб
43. продать квартиру в спб через агентство
44. сколько стоит продать квартиру через агентство
45. сколько стоит размен квартиры через агентство в спб
46. скупка жилья в лен обл
47. сопровождение сделки недвижимости
санкт-петербург

48. сопровождение сделок с недвижимостью
санкт петербург
49. улица кирочная санкт-петербург купить квартиру
50. услуги агентства недвижимости
51. услуги агентства недвижимости на сайте
52. услуги агентства недвижимости спб
53. что означает: в рамках сопровождаемых сделок
54. что такое протежирование в организации
55. что такое сопровождение заключенных сделок
менеджером
56. что у риелторов считается центром
санкт петербурга

Что по существу мы получили?
А получили мы чистую выборку поисковых запросов за 2022 год без каких-либо
брендовых и Ф.И.О. запросов, содержащую актуальные данные с признаками для
исследования по качественным и количественным критериям оценки. То есть актуальную для анализа выборку потребительских запросов корпоративного сайта
агентства недвижимости в Санкт-Петербурге.
Частично поисковые запросы в той или иной форме повторяются, присутствует
также значительная доля вопросительных (косвенных) запросов, характеризующих
посетителей (ищут ответы на вопросы, а не выражают прямой спрос на услуги
агентства недвижимости). Классифицируем их и соберем в смысловую группу
«Нецелевые интересанты» (см. далее).
Как можно видеть, в контексте комплексного исследования по тематике агентства
недвижимости мы фактически получили потребительский спрос двух целевых
групп:
 Клиенты — лица, заинтересованные в покупке, продаже, обмене или аренде

недвижимости в лучших для себя социально-экономических условиях;
 Нецелевые интересанты — лица с сомнительным или нецелевым для продаж

спросом (студенты, изучающие право в сфере недвижимости, соискатели на
должность риелтора в агентстве, менеджеры компаний-конкурентов и т. п.).
Сегментируем на целевые группы и подгруппы отфильтрованные 56 запросов
(из табл. 13.3) методом группировки по признакам характеристики спроса с использованием шаблона для сегментации, приведенного в табл. 13.4. При этом группировку отфильтрованных потребительских запросов из исходной статистики
(см. табл. 13.3) по заданным группам и подгруппам мы выполним в ручном режиме, чтобы исключить возможные ошибки автоматической сортировки. Сводные

Комплексный анализ исходных данных компании

329

Таблица 13.4. Шаблон сегментации спроса
по запросам ЦА сайта агентства недвижимости
Нецелевые интересанты (косвенные запросы)

Клиенты
(потребительский
прямой спрос)

Студенты

Соискатели
на должность риелтора

Менеджеры конкурентов

...

...

...

...

данные группировки потребительских запросов по целевым группам приведены
в табл. 13.5.
В дальнейшем исследователи со знаниями PHP, JavaScript или Python могут создать
функцию автофильтрации исходных данных по заданным в исследовании численным и лексическим признакам. Это поможет им в определении трендов и зависимостей между подгруппами для повышения эффективности работы компании по
конверсии из заявок в реальные сделки по недвижимости.
Подсчитаем результаты прямого и косвенного спроса по отфильтрованной статистике за 2022 год. Выводы неутешительные:
 всего 19 запросов прямого коммерческого спроса клиентов;
 2 запроса студентов;
 5 запросов соискателей на должность риелтора;
 30 запросов конкурентов.
Далее численно сравним полученные группы «Клиенты» и «Нецелевые интересанты»:
Клиенты (19) < Нецелевые интересанты (37).
Это соотношение верно только при анализе, не включающем адресные прямые
запросы вида «купить/продать квартиру/комнату по адресу {город, улица, дом}».
Таких прямых адресных запросов коммерческого спроса зафиксировано за 2022 год
по сайту агентства недвижимости всего 22. Если добавить их к целевым запросам
клиентов, то соотношение изменится:
Клиенты (41) > Нецелевые интересанты (37).
Состояние потребительского спроса на 2022 год по исследуемому корпоративному
сайту агентства недвижимости следует охарактеризовать следующими тезисами:
 рынок недвижимости Санкт-Петербурга перегрет конкурентами (в Яндекс.Поиске в том числе);
 прямой потребительский спрос на недвижимость в Санкт-Петербурге находится
на минимальном уровне из-за политических событий (СВО) и сопутствующих
социально-экономических явлений (санкций для граждан и юридических
лиц РФ).
Контент коммерческого сайта (на примере агентства недвижимости) по смыслу
должен быть направлен на конверсию целевой аудитории в продажи, а полезную
информацию для потенциальных риелторов (соискателей) лучше переместить на

330

Глава 13
Таблица 13.5. Группировка потребительских запросов по целевым группам
Клиенты
(потребительский
прямой спрос)

продать квартиру в спб через
агентство
сколько стоит продать
квартиру через агентство

Нецелевые интересанты
Студенты
какие сделки
требуют
сопровождения
сделок

сколько стоит размен квартиры зачем человек
обращается для
через агентство в спб
сопровождения
продажа машиноместа
сделки
в парадном квартале спб
объекты сельхоз ипотеки
в ленинградской области
гатчинский район
продать квартиру спб через
агентство
недвижимость в кингисеппе
однокомнатные квартиры
продажа иванова 23
как выбрать квартиру в центре
санкт-петербурга
продать квартиру
по переуступке в лен.обл
в каких районах санкт-петербурга расположены частные
дома
в каком районе спб больше
частных домов
в каком районе спб купить
частный дом
купить парковочное место
парадный квартал
купить машиноместо
на лабораторном проспекте
спб
купить квартиру в спб
от собственника и агента
переуступка
дом или квартира в питере
когда оплачивать услугу
по сопровождению сделки
до или после сделки
недвижимость в центре санкт
петербурга + как выбрать
что считается центром санктпетербурга + стоимость
квартир

Соискатели
на должность риелтора
что означает: в рамках
сопровождаемых сделок

Менеджеры конкурентов

сайты спб по обмену квартир
выкуп квартир в спб
что такое
агенства по выкупу квартир в спб и л о
протежирование
агенства по выкупу квартир в спб
в организации
выкуп домов в ленинградской области
что такое сопровождение
выкуп квартиры ленобласть
заключенных сделок
подбор коммерческой недвижимости
менеджером
в спб и ленинградской области
причина отказа
от сопровождения сделки скупка жилья в лен обл
сопровождение сделки недвижимости
что у риелторов
санкт-петербург
считается центром санкт
быстрый выкуп недвижимости
петербурга
ленинградская область
сопровождение сделок
с недвижимостью санкт петербург
офисы продажи загородной
недвижимости спб центральный район
срочный выкуп недвижимости
санкт-петербург
агенства ао выкупу квартир в спб и ло
агенство недвижимости спб
купля-продажа
агентства зарубежной недвижимости
агентства недвижимости
по загородной недвижимости в спб
официальный сайт
агентство спб сайт услуга продажа
с одновременной покупкой квартиры
услуги агентства недвижимости
услуги агентства недвижимости
на сайте
услуги агентства недвижимости спб
выкуп квартиры агентством
недвижимости в ленинградской
области
выкуп недвижимости
выкуп коммерческой недвижимости
в спб и лен.обл
выкуп домов в ленинградской области
с обременениями
выкуп загородной недвижимости
в ленинградской области
выкуп недвижимости в спб
выкуп квартир в ленобласти
выкуп квартир в ленинградской области
продажа в спб через агентство

Комплексный анализ исходных данных компании

331

поддомен: https://vacancies.{domain}.ru, отделив тем самым запросы клиентов от
вопросов соискателей.
Классическая схема конверсии целевой аудитории в продажи в сфере агентств недвижимости представлена на рис. 13.13.

Рис. 13.13. Классическая схема конверсии ЦА в продажи

Отдельные запросы косвенного спроса добавлены в прямой спрос клиентов не по
ошибке, а по причине отношения к запросу на совершение сделки клиента
(табл. 13.6).
Таблица 13.6. Косвенные запросы по совершению сделки с недвижимостью
Сколько стоит продать квартиру через агентство
Сколько стоит размен квартиры через агентство в спб

Высокая конкуренция требует интересных решений
Из приведенного анализа следует, что примерно 50% отфильтрованных запросов по
статистике составляют прямые коммерческие адресные запросы по тематике вебресурса.
Обладая соответствующим кругозором и анализируя агентства конкурентов и сопутствующие тематические порталы, можно понять, что топ-10 поисковой выдачи
Яндекса занимают крупные площадки (ЦИАН и другие подобные). Они отличаются более крупным масштабом и, как следствие, их метрики: ссылочная масса,
обновляемость, посещаемость и пр. — выше.
Сформулируем SEO-рекомендации улучшения для перспектив развития веб-сайта
агентства недвижимости на следующее полугодие:
 сделать ставку на уникальные описания объектов в карточках товаров (item
cards3) каталога недвижимости с указанием в теге <TITLE> целевых страниц
3

Термин «item card» имеет прямое отношение к структуре любого каталога продукции, включая объекты
инфраструктуры. Карточка товара представляет структуру условной единицы каталога — описание конкретного товара или объекта, где все поля строго регламентированы по объему текста и прочим параметрам
(название товара, артикул товара, лот объекта, применение товара, описание объекта, технические характеристики и т. п.).

332

Глава 13

адресных запросов вида: «Купить квартиру в Санкт-Петербурге: ул. такая-то,
дом такой-то через агентство {Название}». При этом желательно поместить
текстовую конструкцию в лимит — 80 символов (рис. 13.14);

Рис. 13.14. Конструкция TITLE для поисковой оптимизации

 приоритет публикации уникальных описаний объектов должен быть на собст-

венном сайте, а не в публикуемых веерно объявлениях торговых площадок
ЦИАН и других — чтобы не отдавать ценность первоисточника сторонним вебресурсам;
 при прочих равных условиях в топ выдачи результатов Яндекс.Поиска по поисковому ключевому запросу попадают веб-ресурсы, где проиндексирован максимум полезной информации по заданному запросу. Попросту говоря — максимум
объема уникального описания с включением во все значимые теги целевой страницы того или иного ключевого слова и его синонимов в сопутствующих дочерних запросах.
Видимая длина <TITLE> в результатах выдачи Яндекса (в сниппетах) — примерно
50 символов с учетом пробелов. В заголовке на вкладке веб-браузера — 25 знаков
с пробелами.
Реальная длина тайтла может быть любой. Длинные текстовые конструкции в теге
<TITLE> индексируются полностью, но значимость каждого следующего слова для
поисковой выдачи ниже, чем у предыдущего.

Алгоритм подготовки и публикации уникальных описаний
для поисковой оптимизации контента
Задача SEO-специалиста
Составить текст для <TITLE> правильно (или оптимально) — т. е. весь смысл вложить в первые слова.

Решение
Для решения задачи качественного наполнения каталога (в нашем примере — недвижимости) удобными для чтения текстами с высокой уникальностью применим

Комплексный анализ исходных данных компании

333

Рис. 13.15. Схема подготовки, SEO-оптимизации и публикации описания для карточки товара (item card)

334

Глава 13

полезный алгоритм подготовки и публикации уникальных описаний, корректных
с точки зрения поисковой оптимизации, показанный на схеме, приведенной на
рис. 13.15.
Этот алгоритм реализует необходимую и достаточную логику для составления контента с учетом SEO и читаемости (без «воды»), способную решить задачу привлечения органического трафика целевой аудитории из Яндекс.Поиска и Google
Search.
В долгосрочной перспективе применение SEO-оптимизации эффективно компенсирует переменные4 расходы на контекстную рекламу, что способствует эффективному ведению бизнеса за счет перераспределения средств на другие важные задачи
компании.
Поясним схему подготовки, SEO-оптимизации и публикации описания для карточки товара (item card), приведенную на рис. 13.15:
 проверка текста опубликованных ранее описаний объекта недвижимости по

какому-либо адресу выполняется так: из топ-3 результатов Яндекс.Поиска (по
искомому объекту) копируем текст описания с заголовком в MS Word или
Google.Docs и проверяем с помощью меню Инструменты | Статистика | Объем текста с пробелами;
 из характеристик объекта и его местоположения можно получить ряд полезных

данных для уникального описания, включая интерьерное решение, инфраструктуру поблизости и пр.;
 черновик текста должен органично содержать вхождения ключевого слова и си-

нонимов через каждые 20 слов текста;
 веб-сервис «Главред» (https://glvrd.ru) позволяет по вставленному в него тексту

провести его отладку (устранение ошибок орфографии, стоп-слов и неудачных
словообразований);
 проверка на уникальность в сервисе «Антиплагиат» (https://antiplagiat.ru)

должна дать высокую оценку (выше 90%) — чтобы исключить низкие результаты ранжирования в Яндекс.Поиске;
 добавление интернет-адреса (URL) измененной страницы в переобход Ян-

декс.Вебмастера (сообщением поисковому боту об изменении приоритетной
страницы для переиндексации) даст возможность ускорить индексацию страницы.
Послойная композиция карточки товара представлена на рис. 13.16:
 одно или несколько фото товара (Photo of item);
 уникальное текстовое описание, обычно приводимое под дочерним заголовком

Применение (Unique description);
4

Вариативность аукционной ставки по высококонкурентным коммерческим ключевым словам в сезоны
высокого спроса может увеличиваться до 100% и выше по отношению к базовой средней ставке за клик
(CPC).

Комплексный анализ исходных данных компании

335

Рис. 13.16. Схема композиции карточки товара

 спецификация товара (Specification of item), включая таблицу Характеристики

(table of characteristics).

Соотношение уникальности в карточках объектов
Начинающие веб-разработчики и SEO-специалисты, работающие с каталогом товаров продукции или объектов недвижимости, должны понимать, что для поисковых
систем уникальность индексируемой страницы формируется по соотношению
Uniqueness [Page (Text)] = Uniqueness [Item Card (Text)],
где
Uniqueness [Item Card (Text)] =
= Uniqueness [Item Card (Object Description + Specification)].
Здесь:
 Uniqueness — метрика уникальность текстового содержания страницы;
 Item Card (Text) — полное текстовое содержание условной карточки товара;
 Item Card (Object Description + Specification) — все текстовое содержание кар-

точки товара (Item Card), включающее текстовое описание товара продукции
или объекта недвижимости вместе со стандартной таблицей характеристик этого
товара (объекта).
Поясним это на примере. Допустим, действуя по алгоритму подготовки и публикации уникальных описаний, вы сформировали SEO-оптимизированное описание
объемом 1500 знаков, где уровень уникальности 90%, при этом объем текста характеристик объекта составляет 350 знаков. Итого совокупный объем текста —
1850 знаков. Характеристики в таблице — не уникальная информация, т. к. они могут быть скопированы из любой открытой базы данных или общедоступного каталога.
Из этих данных получим соотношения уникальности текста в карточке товара:
 Uniqueness [Item Card (Object Description)] = 90%;
 Uniqueness [Item Card (Specification)] = 0%;
 Item Card (Object Description) = 1500 symbols;

336

Глава 13

 Item Card (Specification) = 350 symbols;
 TextTotal (Item Card) = 1850 symbols;
 Object Description Item Card = 81%;
 Specification Item Card = 19%;
 Uniqueness [Item Card (Object Description)] = (0,81 × 0,9) + (0,19 × 0);
 Uniqueness [Item Card (Object Description)] = 73%.

В среднем принято, что на товары (или объекты) с низким спросом можно стандартизировать описание по шаблону в объеме 1500 знаков, включая пробелы, на хиты
продаж — высчитать объем текста (+10%) в зависимости от объема текста у топовых конкурентов в Яндекс.Поиске. Характерная диаграмма уникальности текста
в карточке товара представлена на рис. 13.17.

Рис. 13.17. Радиальная диаграмма уникальности текста в карточке товара

Как определить будущие хиты продаж по названиям товаров
или объектов недвижимости?
В первую очередь по актуальности ключевых слов из наименований (в проекции
последних двух лет от текущей даты), как мы и рассматривали ранее в разд. «Гипотетическая оценка спроса на основе публичной статистики» главы 4:
Actuality =

Qi
,
Qi − n

где:
 Actuality —величина актуальности;
 Q — количество поисковых запросов в месяц;
 i — текущий период (например, год);

Комплексный анализ исходных данных компании

337

 n — количество лет для рассмотрения актуальности;
 (i – n) — прошлый период (начало отсчета для расчета актуальности).

Во вторую очередь по уровню конкуренции: если в каталогах товаров у компанийконкурентов есть такие же товары, это очевидный признак ставки на хиты продаж.
Но не всегда в топовых позициях размещения торговых сетей и их интернетмагазинов присутствуют все будущие хиты продаж, т. к. возможно, что их договоры дилерского представительства брендов запрещают ставить на одном уровне
продукцию конкурентов. Поэтому актуальность и ценовое предложение необходимо сравнивать факторным анализом на сопоставимые товары для определения
гипотетических хитов продаж.

Процентное соотношение уникального текста в карточке товара
Процентное соотношение количества уникального текста (описание, применение,
назначение товара) должно быть больше, чем техническое описание (характеристики):
У.О. > Т.Х.,
где:
 У.О. — уникальное оптимизированное для поисковых систем текстовое описа-

ние товара или объекта;
 Т.Х. — стандартная таблица технических характеристик, в которой уникаль-

ность текста близка к нулевой.
В среднем на подготовку, оптимизацию и публикацию одного описания для карточки товара у новичка может уйти примерно 40–60 мин — соответственно на
30 товаров в категории задача уникализировать описания займет от 20 до 30 часов
(в зависимости от начального уровня специалиста). То есть понадобятся 3–4 рабочих дня на категорию товаров продукции или объектов недвижимости.
Выгода SEO-оптимизации каталога товаров заключается в том, что впоследствии
значительно снижаются переменные рекламные расходы на привлечение клиентов
в каталог (товаров/объектов), чтобы получить заявки.

Проблема контроля и фильтрации входящих заявок
из-за множества точек входа
В завершение рассмотрения нашего примера следует отметить важный нюанс. Так,
в ходе анализа выявлено пять точек входа для заявок: минимум две корпоративные
почты, виртуальный помощник, основной городской телефон, мобильные телефоны риелторов и т. п.
Это создает техническую проблему учета входящих и обработки их статусов из-за
разнородности средств связи по виду представления. Допустим, звонки можно обработать до совершения сделки сервисом типа CallTouch, данные из почты вытянуть интеграцией с помощью специфического транспортного сервиса (из Email
в Google.Sheets) и т. п., но все эти подходы по существу лишь «костыли». Они

338

Глава 13

требуют значительных усилий для сведения всех поступающих данных в единый
ежемесячный отчет. В результате своевременно получить полную статистику, требуемую для подготовки полноценной стратегии развития компании, оказывается
весьма трудно.
Смысл проблемы контроля и фильтрации входящих заявок из-за множества узловых точек входа отражает иллюстрация, приведенная на рис. 13.18, — подчас трудно отделять зерна от плевел.

Рис. 13.18. Иллюстрация проблемы с множеством узловых точек
для контроля и фильтрации заявок

Как исправить ситуацию с проблемой минимального коммерческого спроса
на недвижимость и трудностью расчета конверсии?
Представим ответ тезисно по пунктам:
 использовать буферные электронные почты для сбора заявок по конкретным

промоакциям — например, по кешбэку5 при покупке квартир через cashback@
{domain}.ru, — с автоматическим перенаправлением входящих на основную
почту. Так проще подсчитать количество входящих по конкретной акции в ходе
маркетингового исследования;

 внедрять по 2–3 выгодных предложения ежемесячно с рекламой на корпоратив-

ном сайте, в официальном сообществе в соцсети ВКонтакте, контекстной рекламе и т. д.
За полгода активной работы коллективов отделов продаж и маркетинга реалистично сформировать от 12 до 18 мотивационных выгодных предложений («приманок»)
для подогревания прямого потребительского спроса на покупку и/или продажу
квартир и на сопутствующие услуги агентства.

5

Кешбек (от англ. cashback) — это банковский возврат части потраченных денег на персональную дебетовую или кредитную карту клиента банка.

Комплексный анализ исходных данных компании

339

Результаты анализа данных
В заключение тезисно сформулируем результаты комплексного аналитического
исследования в том виде, в каком они должны представляться руководству компании. Это необходимо и достаточно для проведения совещания с директором компании и руководителями отделов с привлечением маркетолога.
На основании исходных данных компании методами визуального и статистического анализа с применением математического моделирования, фильтрации исходных
поисковых запросов пользователей за 2022 год получены следующие эконометрические результаты (табл. 13.7).
Таблица 13.7. Эконометрические результаты исследования
и характеристика показателей
№
п/п

Эконометрические величины анализа данных

1

Численные
показатели

Характеристика показателей

Целевая аудитория веб-ресурса https://{domain}.ru
Период с 23.09.2022 до 13.12.2022

1.1

Дневные заявки

10 ед.

Заявки в рабочее время: 2/3 клиентов доступны для консультации (в дневное время).

1.2

Вечерние, ночные заявки

5 ед.

ЦА на 1/3 рабочие специальности после работы изучают
возможность купить или продать недвижимость.
Вопросительные косвенные заявки.

Период с 14.11.2022 до 14.12.2022
1.3

Новые посетители

1411 (+12)

Существенно не прибавилось количество уникальных новых
посетителей (в среднем, как и год назад).

1.4

Просмотры

3405 (+223)

Интерес аудитории к контенту сайта вырос на 7% по причинам:
• добавления промоакций, предложения дисконтной карты;
• со скидкой 10% на услуги агентства, публикации актуальных статей о рынке недвижимости в СПб. и Ленинградской
области

2

Конверсия в сделки

2.1

Эффективность исполнения
сделок

2.2

Количество сделок
за 2022 г.

3
3.1
3.2

10%
(1/10)
7

Низкая конверсия.
Всего 1 сделка из 10 заявок
Низкий показатель.
Сделки проходят медленно.
Нестандартизированная процедура.
Отрицательная динамика на 2023 г.

Привлечение заявок из контекстной рекламы
Минимальная цена за клик
CPCmin

715 руб.

Максимальная цена за клик
CPCmax

1430 руб.

Дорого: невыгодно.
Вывод: стратегическая ошибка.

340

Глава 13
Таблица 13.7 (окончание)

№
п/п

Эконометрические величины анализа данных

Численные
показатели

4

Характеристика показателей

Технические показатели

4.1

Отказы

13%

4.2

Необходимый средний
объем текста описания
товара

4.3

Необходимый объем текста
описания товара для «хитов
продаж»

+10%

Эмпирически по анализу аналогичных страниц конкурентов:
+10% к их объему текста (по каждому «хиту продаж»)

4.4

Точки входа для входящих
заявок клиентов

5 ед.

Всего 5 точек входа заявок: 2 эл. почты, виртуальный
помощник, основной городской телефон и мобильные
телефоны риелторов.
Вывод: много точек входа.

1500 зн.

На допустимом уровне
Необходимо настроить шаблон для типового описания

Необходимо снизить до трех
5
5.1

Входящий трафик (период: 2022 г.)
Клиенты

55%

Интересуют дома, квартиры в центре СПб., парковочные
места.
Запросы покупки недвижимости по конкретным адресам.
Вывод: наращивать адресную БД объектов недвижимости

5.2

Нецелевые интересанты

45%

Исключить статьи для риелторов, студентов.
Количество объектов в каталоге должно быть больше, чем
статей

Аналитические выводы и рекомендации
для повышения эффективности компании
В качестве примера представления результатов исследования руководству компании приведем следующие итоговые аналитические выводы, а также тезисно представим качественную оценку анализа.

Вывод № 1: необходима автоматизация воронки продаж
Ставшие стандартными в 2000-х годах корпоративные решения виртуальных АТС
с кол-центром для прямой обработки входящих звонков постепенно будут отходить
на второй план, что поможет сократить затраты и минимизировать ошибки неопытных операторов в диалогах с взыскательными клиентами.
Автоматизация воронки продаж необходима в ситуации, когда компания с известным брендом на рынке услуг попадает в ситуацию со снижением количества сделок
на протяжении двух лет, что, в принципе, вне зависимости от событий сентября
2022 года, оставляет уровень входящего трафика на сайт на сопоставимом уровне
относительно предыдущего года (см. рис. 13.3, табл. 13.2).

Комплексный анализ исходных данных компании

341

Решения по автоматизации воронки продаж могут различаться, и их необходимо
тестировать в A/B-сравнении гипотез. Естественно, что это длительный и затратный (включая рекламный бюджет) процесс, но иначе не удастся взвешенно и грамотно принять доказательное выверенное решение для удовлетворения потребностей целевой аудитории, когда конкуренцию составляют крупные высокотехнологичные игроки типа «Домклик»6 и подобные.
Вот сравнение графиков поисковых запросов российских пользователей в Яндексе
по агентству недвижимости «Адмирал» и сервису «Домклик»:
 отрицательная динамика интереса ЦА к агентству недвижимости «Адмирал»
показала спад спроса на 28% — с 207 до 149 запросов/месяц7.
 позитивная динамика интереса аудитории к «Домклик» характеризуется плавным ростом спроса на уровне 17,7% — с 1 млн 118 тыс. 540 запросов в месяц до
1 млн 316 тыс. 959 запросов/месяц к 16.02.20238.
Логично отметить, что такое сравнение — локального агентства недвижимости
«Адмирал» и веб-сервиса «Домклик» с охватом по всей территории РФ — не вполне корректно, ведь компания «Адмирал» работает по собственной адресной базе
объектов, общее число которых сравнительно мало по сравнению с компанией
«Домклик», которая оперирует адресной базой объектов от собственников и
агентств недвижимости по России.
Электронные платформы типа «Домклик» представляют собой высоконагруженные
СМО. А веб-сайты агентств недвижимости — это простые корпоративные сервисы,
функционирующие по модели service on demand. То есть агентства, по сути, являются вторичными по отношению к подобным платформам, поскольку формат
сделки уходит из офиса в онлайн. Это подтверждает тезис экспертов агентства
«Gartner», что «к 2025 году 80% транзакций в процессе B2B-продаж будет происходить по цифровым каналам». То есть иерархически по уровню технологий, адресной базе (общему количеству объектов в каталоге), функциональности и охвату
клиентуры возможности электронных платформ типа «Домклик» значительно превышают возможности отдельно взятых агентств недвижимости. Тем не менее здравый смысл и способность анализировать открывают пути развития даже в такой
сложной ситуации.
Рекомендация № 1: внедрить в веб-сайт и в виртуальную АТС компании
голосового помощника для диалога с клиентом
Существует практическая возможность программирования алгоритма речи и вложения логики диалога (скрипта продаж) в чат-бот для создания голосового помощника с целью организации продаж через онлайн-каналы: веб-сайт и мобильное приложение.
6

«Домклик» — онлайн-сервис (сайт и мобильное приложение) для подачи заявки на ипотечный кредит
Сбербанка, поиска, покупки, продажи и аренды недвижимости, а также проведения сделок по недвижимости.

7
8

Источник: https://wordstat.yandex.ru/#!/history?words=агентство%20адмирал.
Источник: https://wordstat.yandex.ru/#!/history?words=домклик.

342

Глава 13

Интеграция голосового помощника с веб-сайтом и виртуальной телефонией поможет сократить потери входящих заявок в случае отсутствия специалистов на рабочем месте «у телефона». Логически воронка продаж должна переводить звонок
менеджеру на голосовой помощник и далее вести к инструментарию веб-сервиса,
где размещаются калькулятор ипотеки, жилищные программы и прочее для фильтрации входящих интересантов на целевую ветку сценария пользователя и трансформации из посетителя сайта в клиента после премодерации входящей заявки на
сайте.
Логические схемы воронки продаж в формате «До» (A) и «После» (B) внедрения
рекомендованных изменений представлены на рис. 13.19.
Приведем к рис. 13.19 некоторые пояснения:
 схема А — это классическая схема с переадресацией по тоновому набору из голосового меню виртуальной АТС, где настроены правила обработки команд:
• правило 1: при звонке на федеральный телефонный номер компании абоненту озвучивается предложение голосового меню по выбору нужного отдела
нажатием на кнопку телефона (смартфона), например: 1 — Ипотека, 2 —
Вторичная недвижимость, 3 — Первичная недвижимость, 4 — Консультации;
• правило 2: после выбора отдела тоновым набором номера отдела или консультации производится переадресация абонента на нужный отдел. Естественно, в ночное время никто на его вызов не ответит;
• правило 3: если ведущие менеджеры отделов не отвечают на звонок в первые
три гудка, то автоматически срабатывает переадресация на второе ответственное лицо выбранного отдела;
• правило 4: все звонки учитываются в системе CRM, включая отказы в ходе
диалога с менеджерами компании.
 схема B — это схема с введением чат-бота для диалога с клиентом и обработкой
голосовых команд для быстрого взаимодействия согласно следующим правилам:
• правило 1: при звонке на федеральный телефонный номер компании идет вызов голосового помощника (чат-бота) для диалога с клиентом;
• правило 2: голосовой помощник предлагает клиенту выбрать направление
недвижимости для целевого обращения. По нажатию на кнопку 1, 2 или 3
в алгоритме чат-бота срабатывает команда передачи ссылки на соответствующий запросу инструментарий (веб-сервиса) в мессенджер клиента, обратившегося с мобильного смартфона;
• правило 3: клиент имеет возможность ознакомиться со ставками по ипотеке
(по нажатию кнопки 1), с объектами вторичной недвижимости в каталоге
агентства на сайте с адаптивным дизайном для мобильных устройств (по нажатию кнопки 2), с объектами первичной недвижимости (по нажатию кнопки 3).
Если клиент не удовлетворен, то чат-бот по результатам голосового диалога
с клиентом предлагает (исходя из своей базы знаний) переключить его на
профильного специалиста для «живой» консультации;

б

а

Рис. 13.19. Схемы организации виртуальной АТС в интеграции с CRM (а)
и голосовым помощником, веб-сервисом и другой функциональностью (б)

Комплексный анализ исходных данных компании
343

344

Глава 13

• правило 4: аналогично правилу 3 схемы А;
• правило 5: аналогично правилу 4 схемы А.
Как показано на схеме B, при внедрении автоворонки продаж с учетом инструментария веб-сервиса можно проанализировать через Яндекс.Метрику и CRM поведение клиентов шаг за шагом и понять, на каком именно шаге они сходят с дистанции
на пути к сделке. Отладить таким образом автоматизированную конверсию и выйти
на масштабирование продаж.

Вывод № 2: необходимо увеличение адресной базы
в каталоге недвижимости
Из анализа следует, прямые адресные запросы составляют примерно 50% от группы прямых коммерческих запросов ЦА в целевом трафике за 2022 год.
Наращивание адресной базы как за счет собственных объектов, так и партнерских
агентств недвижимости необходимо, причем равномерно по районам Санкт-Петербурга как базового города в регионе для компании.
Рекомендация № 2: ранжировать карточки объектов в каталоге недвижимости
от максимума к минимуму по эмоциональному критерию оценок пользователей
и по актуальности запросов
В Санкт-Петербурге — 18 районов, следовательно, минимум 900 объектов должны
присутствовать в базе данных (БД) каталога — от 50 объектов на каждый район
с равномерным распределением по фильтрам: тип объекта (квартира или дом), количество комнат, общая площадь, жилая площадь, цена и т. п., — чтобы посетитель
после применения минимум трех фильтров (количество комнат, цена, ближайшее
метро) имел возможность выбора минимум из пяти объектов. Это по умолчанию
закладывает конверсию 5:50 = 10% для тех, кто ищет квартиру в определенном
районе города для семьи с заданным бюджетом.
Предварительная проверка улиц и наименований жилых комплексов из выборки
перспективных объектов будет способствовать фильтрации по позитивным отзывам, чтобы исключить заведомо проблемные адреса и объекты и оставить только
объекты с позитивными отзывами и оценками.
Необходимо ранжировать карточки объектов в каталоге недвижимости от максимума к минимуму по эмоциональному критерию оценок пользователей и по актуальности запросов вида «купить {квартиру}+{улица}+{название ЖК}»).
По смыслу это должно повысить конверсию, т. к. в область видимости сразу попадут наиболее благоприятные варианты для покупки недвижимости.

Вывод № 3: необходима интеграция БД объектов с каталогом
в сообществе ВКонтакте
Собранная БД объектов (порядка 900 объектов по СПб) в CRM должна быть интегрирована с основным сайтом и сообществом компании в ВК, и только затем с другими внешними партнерскими электронными площадками.

Комплексный анализ исходных данных компании

345

Сначала производится выгрузка БД объектов с уникальными описаниями на собственный корпоративный сайт. Это приоритет: создать первоисточник на сайте
агентства, а затем в соцсети через выгрузки по API. И при этом разделить описание: уникальное — на основной сайт, а на сторонние площадки — сокращенное
в поле «Описание объекта недвижимости».
Это поможет обойти сценарий прямой конкуренции в топ поисковой выдачи Яндекса с «Домклик» и другими масштабными веб-сервисами.
Рекомендация № 3: настроить выгрузку обновленной БД объектов
в сообществе агентства недвижимости в соцсети ВКонтакте
Для этого надо выполнить комплекс работ по заданному алгоритму в соответствии
со схемой, приведенной на рис. 13.20:
1. Подготовить базу данных объектов недвижимости (как было описано ранее
в рекомендации № 2).
Значения тегов <TITLE>, <META DESCRIPTION>, <META KEYWORDS>, <H1> собрать по формулам.
2. Подготовить уникальные описания для карточек товаров (item cards) по алгоритму подготовки и публикации уникальных описаний.
3. Импортировать базу новых объектов на сайт (в тестовом режиме — закрытом от
публикации).
4. Добавить описания в карточки товаров и добавить в переобход Яндекс.Вебмастер ссылки на обновленные страницы для получения нового ранжирования
целевых страниц после приоритетной переиндексации и оценки результатов работы алгоритма.

Рис. 13.20. Схема взаимодействия при выгрузке контента для каталога недвижимости

346

Глава 13

Выводы о комплексном подходе к анализу данных
Начинающему аналитику важно знать, что комплексный подход к исследованию
включает количественные (эконометрические) и качественные (оценка визуализации по графикам и тепловым картам кликов) исходные данные компании.
Очевидно, что комплексная аналитика исходных данных требует от маркетолога
следующих необходимых знаний и практических навыков:
 знание аналитических выводов исследований рынка сбыта и трендов Интернета

в России9;

 прогнозирование результатов на основании исходной статистики путем приме-

нения базового инструментария математического анализа, теории вероятностей
и метрик из области систем массового обслуживания;
 факторный анализ потребительских требований целевой аудитории для форму-

лировки характеристики дистанционного формата взаимодействия с ЦА;
 знание и умение реализовывать (визуализировать) услуги в мобильном интер-

фейсе с учетом минимизации количества нажатий (кликов), чтобы упростить
процедуру исполнения сделки в онлайн-формате.
В этом контексте необходимо знать 10 эвристических правил Якоба Нильсена и
основы дизайн-системы Material Design и иметь опыт применения указанных
правил и методических указаний;
 знание метода декомпозиции, отбора ключевых метрик, группировки по задан-

ным признакам и анализа данных поможет аналитику в работе по формированию итоговой технико-эконометрической характеристики для выбора уникального торгового предложения из ряда возможных.

9

К примеру, Яндекс.Исследования: https://yandex.ru/company/researches.

Заключение
Представленные в книге методы, алгоритмы и способы анализа данных в решениях
прикладных задач направлены на расширение знаний и умений начинающих
ИТ-специалистов в области аналитики данных, веб-разработки и маркетинга.
Разнообразие рассмотренных задач дает понять, что полученные компетенции применимы как при разработке веб-сервисов, так при отборе востребованных товаров
и услуг для развития компании в сегменте B2C, а также при выработке логически и
эмпирически обоснованной траектории развития стартапа (ИТ-проекта) с начала
работ до расширения дополнительных услуг и микроплатежей по кросс-продажам.
Важно не забывать, что полученные знания и практические умения работы с программным инструментарием обработки и анализа статистики, математического и
факторного анализа не гарантируют единовременного успеха применения выработанных рекомендаций на практике. Нередко необходимо «полное погружение»
в специфику рынка выбранной сферы товаров и услуг, предоставляемых по дистанционным каналам связи, для достижения рациональных и эффективных рекомендаций и решений.
Как показала практика исследований, способность решать сложные задачи последовательно предельно важна и требует полной концентрации внимания вебаналитика как при сборе и анализе первичной статистики, так и при выработке
гипотез и отработке их состоятельности сплит-тестами, отборе коммерческих предложений для целевой аудитории и т. п.
Следует ставить тактически достижимые короткие цели (на месяц) по исполнению
задач, формирующих основу для пошагового стратегического развития, при этом
корректировка стратегии возможна и подчас просто необходима в условиях сложившейся ситуации на рынке потребительского спроса на товары и услуги с учетом
влияния макроэкономических, социальных и политических факторов (инфляция,
пандемия, санкции и пр.).
Аналитику необходимо научиться на практике применять усвоенные знания и умения, используя полученные компетенции для профессионального развития, не бросать впустую начатое исследование в случае неуспеха, выявлять проблемы и кор-

348

Заключение

ректировать постановку задачи и/или менять условия решения с целью достижения
поставленных целей: поиска эффективных бизнес-моделей для расширения предпринимательской деятельности компании, для снижения влияния внешних факторов и улучшения технико- и эконометрических показателей исследуемой модели
данных.
Ну и напоследок — авторское пожелание успеха аналитикам в прикладном применении знаний на основе выработанных результатов и рекомендаций.

ПРИЛОЖЕНИЕ

Описание файлового архива
Файловый архив, сопровождающий книгу, выложен на сервер издательства «БХВ»
по интернет-адресу: https://zip.bhv.ru/9785977518345.zip. Ссылка на него доступна
и со страницы книги на сайте https://bhv.ru/.
Содержимое архива приведено в табл. П.1.
Таблица П.1. Содержимое электронного архива
Папка, файл

Описание

/images

Папка с цветными рисунками *.png (в ней подпапки по главам)

/listings_example

Папка с примерами HTML-документов *.html (в ней подпапки по главам)

/listings_script

Папка с примерами скриптов *.js (в ней подпапки по главам)

/pdf

Файлы для просмотра таблиц, схем, алгоритмов в расширенном виде

Предметный указатель

S

Г

SEO-оптимизация 333, 334, 337

U
UTM-метка 245
UTM-метки 92

* * *

А
Автоматизация воронки продаж 340, 341
Адаптивность 305
Актуальность 103, 104, 106, 107, 133, 151,
152, 154, 155, 159–161
◊ поискового запроса 103
Алгоритм
◊ Mobile First 299, 300, 303, 305
◊ вычисления индекса NPS 170
Анализ тональности текста 139

Б
Брендбук 88
Бэкенд (backend) 53

В
Виды потребительской лояльности 164
Визуальная стабильность 299
Вовлеченность аудитории 315
Воронка продаж 87, 88, 99, 115, 161, 162,
340, 342
Высокочастотный спрос 101, 102
Выход на экспоненту 107

Гайдлайн 88, 90
Голосовой помощник 341, 342
Градиент эмоций и частоты 134

Д
Дашборд 89, 134
Декомпозиция 47–49, 51–54, 58, 59, 63, 64,
67, 68
Детракторы 171, 178, 179
Дистанционные услуги по запросу 257–259,
265
Долгосрочные тренды 294

З
Задача
◊ минимизации рекламных расходов 242
◊ о разборчивой невесте 51

И
Инвестиционная привлекательность 259,
262, 267–270
Индекс потребительской лояльности (NPS)
87, 110, 165, 168, 170, 176
Интерактивность 299

К
Карточка
◊ объекта недвижимости 325
◊ товара (Item Card) 335
Ключевое сообщение 95
Ключевой запрос 142

Предметный указатель

Когнитивная структура 95
Когорта 168
Когортный анализ 168
Комплексный анализ 308
Конверсия 71, 72, 84, 87, 89, 97, 112–114,
120–122, 124–127, 129, 131, 132, 146, 159,
259, 273, 317, 329, 344
Концепция AIDA 115
Корпоративные информационные системы
(КИС) 193
Коэффициент рентабельности 284
Краткосрочные тренды 294
Кривая Безье 78
Критерий mobile friendly 300

Л
Лендинг-пейдж 67
Лид 124, 125
Лояльность 262, 265–267, 270

М
Масштабирование 257, 259, 266
Матрица принятия решений 216, 217
Методология БЭМ 54–56, 58, 60, 61, 63, 68
Микроплатежи 257, 271
Микросервисы 271
Минимизация рекламных расходов 259
Мобилопригодность 303
Модель service on demand 271, 272, 293,
295, 298

Н
Нейтралы 171, 178
Нивелирование рисков отказов 200

О
Облако
◊ ключевых слов (Word Cloud) 133, 135–139
◊ тегов 133, 134, 137
Отзывчивость пользовательского
интерфейса (responsive UI) 302
Очередь на индексацию 150, 151
Очистка входной статистики 323

П
Паттерн эмоций и частоты 134
Переиндексация 334, 345

351

Пирамида Маслоу 88, 99
Плотность ключевых слов на объем текста
155
Поисковая оптимизация (SEO) 142, 146,
151, 154
Покупательский спрос 101, 103, 106
Потребительская лояльность 163
Прецедент 76, 97, 100
Приоритеты 146, 159
Проверка распределения времени 181
Прогноз конверсии 159
Промоутеры 168, 169, 171, 178, 179

Р
Релевантность 103
Рентабельность 258, 259, 261, 271, 281, 282,
286
◊ услуги 281
Рефакторинг 61, 63, 64

С
Сбор данных без потерь 76
Семантический анализ 133, 141, 161
Семантическое ядро 134, 142–146, 150–152,
155
Сентимент-анализ 141
Синонимы 151, 152, 154, 155, 159
Системы массового обслуживания (СМО)
189, 256
Скорость загрузки 299
Словарь интересов 273, 275, 284, 288, 296,
298
Словесный мусор 142
Сплайн 79
◊ Катмулла–Рома 79
Средний чек 242, 256, 261, 275, 279, 280,
281, 283, 289, 295–297
Стагнация 104
Статистически значимый результат 243
Степень сплайна 79
Стоимость клика в контекстной рекламе
240
Стоп-слова 155, 157, 158
Суждение 101

Т
Теория
◊ массового обслуживания 190
◊ очередей 190

352

Тепловая карта кликов 308
Требования mobile friendly 308
Триггер выбора 96, 124

У
Уменьшение интенсивности отказов 200
Уникальное торговое предложение (УТП)
190, 317, 319
Уникальность
◊ индексируемой страницы 335
◊ текста 155, 156
Услуга по запросу (service on demand) 257

Ф
Факторинг 49, 51, 53
Факторный анализ 119, 121, 213–215, 218
Фронтенд (frontend) 53

Предметный указатель

Ц
Целевой визит 130
Цена за клик (CPC, Cost Per Click) 316
Ценовой спрос 101, 103

Э
Эффект
◊ масштаба 201
◊ сарафанного радио 110

Ю
Юнит-экономика 253, 254, 256–260, 264