O Guia do Líder do Startup para Análise

Você precisa de análise.

Estou muito confiante disso, porque hoje, todos precisam de análise. Não apenas o produto, não apenas o marketing, nem apenas o financiamento … vendas, satisfação, todos em uma empresa precisam de análise hoje . O Analytics potencia cada decisão, desde o estratégico até o tático, desde a sala de diretórios até seus funcionários de nível de linha.

Este post é sobre como criar a competência analítica em sua organização. Não é sobre quais métricas para rastrear (há muitas publicações boas sobre isso), é sobre como realmente conseguir o seu negócio para produzi-los. Como se verifica, a questão de implementação – Como faço para criar uma empresa que produz dados acionáveis? – é muito mais difícil de responder.

E a resposta está mudando rapidamente. O ecossistema analítico está se movendo muito rapidamente, e as opções que você tem à sua disposição mudaram significativamente nos últimos 24 meses. Esta publicação reflete recomendações e experiência com a tecnologia de dados de 2017.

Primeiro: Por que você deveria me ouvir?

Passei a melhor parte de duas décadas trabalhando em análises. Naquele tempo, eu vi muitas coisas correrem bem, mas muito mais vão mal. Passei o início da minha carreira implementando o BI corporativo legado (ugh) . Eu construí a primeira competência analítica do Squarespace a partir de 2009-2010 e criei uma rodada A maciça com os dados. Eu era então COO da Argyle Social , uma startup de análise de mídias sociais e, posteriormente, VP Marketing na RJMetrics , uma plataforma de BI líder para startups.

Agora eu gasto meus dias ajudando executivos de inicialização a implementar análises como CEO e Fundador da Fishtown Analytics . Na Fishtown, começamos a trabalhar com empresas que criaram uma rodada A e ajudam a construir sua competência de análise interna à medida que crescem. Passamos pelo processo exato que vou descrever neste artigo com mais de uma dúzia de empresas neste momento, incluindo Casper , SeatGeek e Code Climate .

Eu vou acompanhá-lo, fase por palco, como sua inicialização deve estar fazendo análises. Em cada etapa, minhas recomendações vão responder à pergunta "Qual é o mínimo absoluto com o que posso conseguir?" Não estamos aqui para construir castelos no céu; Precisamos de respostas tão baratas quanto possível.

Vamos fazer isso.

Fase de fundação

(0 a 10 funcionários)

Nesta fase, você não tem recursos e não há tempo. Há um milhão de coisas que você poderia medir, mas você está tão perto dos detalhes de sua empresa que você realmente pode tomar decisões instintivas razoavelmente boas. A única coisa que você precisa para garantir que você está medindo é o seu produto, porque é sua métrica de produto que o ajudará a iterar rapidamente nesta fase crítica. Tudo o resto pode tomar um banco de trás.

O que fazer

  • Instale o Google Analytics no seu site através do Gerenciador de tags do Google . Os dados não serão perfeitos sem mais trabalho, mas não é o momento certo para se preocupar com isso.
  • Se você é um negócio de comércio eletrônico, você precisa se certificar de que seus dados de comércio eletrônico do Google Analytics sejam bons. A GA pode fazer um trabalho digno de acompanhar o seu negócio de comércio eletrônico todo o caminho do visitante para comprar, então passe o tempo para se certificar de que está certo.
  • Se você construir software de qualquer tipo, você precisa de rastreamento de eventos reais. Eu não me importo com a ferramenta que você usa – Mixpanel e Heap são muito semelhantes e ambos são bons. Neste momento eu não pensar muito sobre o que você está acompanhando: basta usar de Mixpanel autotrack ou instalação padrão do Heap. Se você perceber que precisa de um datapoint, você achará que já está lá. Esta abordagem não escala bem, mas, por enquanto, vai fazer.
  • Seu relatório financeiro deve ser feito em Quickbooks. Sua previsão deve ser feita no Excel. Se você é um negócio de assinatura, use o Baremetrics para suas métricas de assinatura. Se você é um negócio de comércio eletrônico, use sua plataforma de carrinho de compras para medir o GMV. Não tenha fantasia.

Se você não é técnico, talvez seja necessário um engenheiro para ajudar com GA e rastreamento de eventos. Todo esse exercício não deve levar mais de uma hora ou duas, incluindo a leitura dos documentos. Vale a pena demorar o tempo de construção para isso.

O que não fazer

Tudo o que não é uma das coisas acima. Não permita que alguém lhe venda um data warehouse, uma plataforma de BI, um grande projeto de consultoria, ou … sim, você entendeu. Mantenha o foco. Quando você se compromete com a análise, há um custo contínuo. Alterações de dados. A lógica de negócios muda. Depois de começar esta estrada, você não pode realmente colocar o projeto em pausa. Aguarde para fazer esse investimento até mais tarde.

Haverá muitas perguntas que você simplesmente não pode responder ainda. Está bem (por enquanto).

Muito estágio inicial

(10 a 20 funcionários)

Você está crescendo sua equipe um pouco. Essas pessoas precisam de dados para fazer seus trabalhos. Eles podem ou não ser especialistas em dados, e você precisa ter certeza de que eles estão fazendo as coisas básicas corretas.

O que fazer

  • Você provavelmente contratou uma pessoa de marketing. Certifique-se de possuir a GA. Mantenha-os responsáveis ??por ter certeza de que os dados estão limpos. Eles precisam de rastrear UTM cada maldito link que eles criam. Eles precisam ter certeza de que seus subdomínios não são de rastreamento duplo . Sua pessoa de marketing pode dizer que eles não são "uma pessoa da GA". Não escute. Há informações suficientes na web sobre o GA que, se forem inteligentes e motivados, podem aprender e descobrir. Se eles não conseguem descobrir, atirar e encontrar outra pessoa (seriamente).
  • Se você tem uma pessoa de vendas ou duas e usa um CRM, use o relatório interno. Certifique-se de que suas pessoas saibam como usá-lo. Você precisa conhecer coisas básicas como a produtividade do representante e as taxas de conversão por etapa. A Salesforce pode fazer essas coisas fora da caixa. Não exporte dados para o Excel, crie os relatórios no construtor de relatório (terrível). Mesmo que seja doloroso, isso irá poupar toneladas de tempo nos próximos meses.
  • Você provavelmente tem um par de pessoas no sucesso do cliente. A maioria dos sistemas de suporte técnico não possuem excelentes relatórios, então escolha KPIs que você possa medir facilmente dentro da interface.
  • Certifique-se de rastrear NPS. Use Wootric ou Delighted .

O que não fazer

Ainda é cedo demais para um data warehouse e para análises baseadas em SQL, isso leva muito tempo. Você precisa gastar todo seu tempo fazendo, não analisando , e a maneira mais direta de fazer isso é usar os recursos de relatórios integrados dos vários produtos SaaS que você está usando para executar seu negócio. Você também não deve contratar um analista de tempo integral ainda. Há coisas mais importantes para gastar seus fundos limitados neste momento.

Etapa inicial

(20 a 50 funcionários)

É aí que as coisas ficam interessantes e onde as mudanças nos últimos dois anos realmente começam a se tornar aparentes. Depois de aumentar a sua rodada A e ter mais de 20 funcionários, você começa a ter novas opções.

Essas opções são todas conduzidas por uma coisa: a tecnologia analítica está melhorando, rápido . Anteriormente, esse tipo de infra-estrutura estava reservado para empresas muito maiores. Seus benefícios? Métricas mais confiáveis, mais flexibilidade e uma plataforma melhor para o crescimento futuro .

Esta é a fase mais difícil e mais crítica: prometendo se você fizer isso direito, mas induzindo a dor se você fizer isso de forma errada.

O que fazer

  • Configure sua infra-estrutura de dados. Isso significa escolher um data warehouse, uma ferramenta ETL e uma ferramenta de BI. Para armazéns de dados, veja Fluxo de neve e Redshift (prefiro trabalhar com Snowflake, na escolha). Para ferramentas ETL, olhe para Stitch e Fivetran . Para olhar BI no Modo e Looker . Existem muitos, muitos produtos neste espaço; estes seis são os que voltamos a tempo e novamente com nossos clientes.
  • Contrate uma forte liderança analítica. No final da estrada, você vai precisar de uma equipe inteira de profissionais de análise: engenheiros, analistas, cientistas de dados … Mas, por enquanto, você só pode pagar (no máximo) um único número de pessoal. Você precisa encontrar essa pessoa especial que será capaz de fornecer valor no primeiro dia, mas quem também poderá contratar o time ao seu redor enquanto cresce. Esta pessoa é difícil de encontrar – investir o tempo para encontrá-los. Muitas vezes essas pessoas têm antecedentes em consultoria ou finanças, e eles freqüentemente possuem MBAs. Embora esta pessoa possa enrolar as mangas e ficar suja, concentre-se na contratação de alguém que possa pensar sobre os dados e sobre o seu negócio, estrategicamente: eles serão a parte mais importante do seu quebra-cabeça de análise por anos vir.
  • Considere contratar um consultor. Embora seja ótimo que você tenha encontrado o seu líder em análise, essa pessoa não terá a experiência necessária para reunir todos os componentes da sua plataforma de tecnologia ou a experiência para resolver todos os diferentes problemas de análise que você enfrentará seu negócio. Os erros cometidos neste estágio crítico têm custos sérios em tempo e dinheiro à medida que você cresce, por isso é importante estabelecer uma base sólida . Para fazer isso, mais startups hoje estão escolhendo trabalhar com consultores para ajudá-los a configurar e, em seguida, construir uma equipe em torno dessa infra-estrutura.

O que não fazer

  • A menos que a máquina de aprendizagem seja uma parte fundamental do seu produto, não contratar um cientista de dados ainda. Você precisa de um generalista, não especialista, para construir sua equipe de análise.
  • Para o amor de tudo o que é sagrado, não crie seus próprios oleodutos ETL . Isso desperdiçará tantas horas de tempo de engenharia. Compre fora da prateleira da Stitch ou Fivetran.
  • Não use qualquer outra ferramenta de BI do que as duas que mencionei acima. Você pagará por isso no caminho, difícil .
  • Não tente "fugir" usando um banco de dados mais tradicional, como o Postgre como data warehouse. Não é muito mais barato e será um sucesso em tempo real para mudar mais tarde quando você maximizar. O Postgres não escala bem como um data warehouse.

Mid-Stage

(50 a 150 funcionários)

Este estágio é potencialmente o mais desafiante. Você ainda tem uma equipe relativamente pequena e poucos recursos, mas você está sendo solicitado a fornecer análises cada vez mais sofisticadas e diversas ao negócio e seu trabalho pode impactar diretamente o sucesso ou o fracasso da empresa como um todo. Sem pressão.

É importante fazer avançar o progresso aqui, assegurando-se de continuar a preparar as bases para futuras fases do seu crescimento. As decisões que você faz nesta fase podem fazer com que você carregue diretamente em uma parede de tijolos, se você não pensa muito sobre o futuro.

O que fazer

  • Implementar um processo sólido para modelagem de dados baseada em SQL. Os seus modelos de dados servem como lógica de negócio subjacente para a sua análise e devem ser compartilhados em todos os seus casos de uso de análise, do BI para a ciência dos dados. Certifique-se de que seu processo permite que todos os usuários façam alterações nos scripts de modelagem de dados, sejam controlados por versão e sejam executados em um ambiente transparente . Nós mantemos um produto de código aberto chamado dbt que muitas empresas em fase de crescimento usam para fazer exatamente isso.
  • Migre de suas análises web e acompanhamento de eventos existentes para o Snowplow Analytics . Snowplow faz tudo o que as ferramentas pagas fazem, mas é de código aberto. Você pode hospedá-lo você mesmo (e apenas pagar os custos de suas instâncias EC2), ou você pode pagar Snowplow ou Fivetran para hospedar o coletor para você. Se você não fizer esta transição durante esta fase, você vai estar perdendo a coleta de dados muito mais granulares, e você vai se preparar para contas verdadeiramente enormes do Segment, Heap ou Mixpanel down the estrada. Depois de passar por este estágio, essas ferramentas pagas podem facilmente cobrar US $ 10k + por mês no mínimo.
  • Cresça sua equipe com cuidado . O núcleo de sua equipe deve sempre ser analistas de negócios: pessoas que são especialistas em SQL e sua ferramenta de BI e passam seu tempo trabalhando com usuários empresariais para ajudá-los a atender suas solicitações de dados. Descrever o perfil dessa pessoa e como treiná-los e equipá-los é incrivelmente importante. Você também deve contratar seu primeiro cientista de dados nesta fase. É importante ter sua infra-estrutura de dados e equipe de análise básica no local antes da contratação de talentos experientes (e dispendiosos de ciência de dados), mas em algum momento você deve adicionar esse conjunto de habilidades.
  • Comece a abordar de forma seletiva alguns desafios de previsão . A previsão é mais difícil do que apenas correr contagens e somas, mas há algumas áreas-chave onde faz sentido começar a mergulhar. Se você é um negócio SaaS, você deve estar trabalhando em um modelo de previsão de churn. Se você é um negócio de comércio eletrônico, você absolutamente precisa estar trabalhando em um modelo de previsão de demanda. Esses modelos provavelmente não serão extremamente sofisticados, mas eles serão uma grande melhoria em relação ao livro de cálculo aleatório do Excel que alguém em Finanças pirateou.
  • Gaste tempo e energia para descobrir sua atribuição de marketing . Esta é uma postagem de blog inteira por conta própria, mas basta dizer que você simplesmente não pode confiar nessa questão crítica de negócios para um terceiro.

O que não fazer

É fácil arrastar-se com você e começar a investir em infra-estrutura de dados pesados. Não faça isso. Nesta fase, os principais investimentos em infra-estrutura ainda são uma distração cara. Aqui estão algumas sugestões sobre como ficar ágil:

  • Pressione SQL, e seu data warehouse, difícil. Você pode fugir de fazer quase tudo o que quiser nesta fase usando o poder de processamento do seu data warehouse. Compre tanto poder de armazém de dados como você precisa – pagar por servidores é muito mais barato do que pagar por humanos.
  • Adicione os cadernos Jupyter para o trabalho de ciência dos dados. Se os dados tiverem sido pré-agregados em seu armazém, você normalmente não precisará fazer este processamento em um cluster Spark ou Hadoop ainda.
  • Encontre formas de baixo custo para conjuntos de dados ETL que não possuem integrações disponíveis. Esta é uma das coisas que amamos sobre Singer .

Evitar boondoggles caros irá mantê-lo focado em resolver problemas de negócios reais.

Estágio de crescimento

(150 a 500 funcionários)

Este estágio é tudo sobre a criação de processos de análise que escalam. Você precisa equilibrar a obtenção de respostas que você precisa hoje com a implementação de práticas analíticas que escalarão à medida que você continuar crescendo em sua equipe.

Em 150 funcionários, você provavelmente só terá uma equipe pequena (3-6) em tempo integral focada em análise. Quando você tem 500 funcionários, você poderia facilmente ter 30 ou mais. 3-6 analistas podem operar de forma bastante ad hoc, trocando conhecimento (e código) de forma informal. Quando você tem 8 + analistas, isso começa a derrubar muito rapidamente.

Se você não gerencia esta transição bem, você efetivamente executará menos bem à medida que sua equipe crescer : levará mais tempo a produzir insights significativos e suas respostas serão de menor qualidade. Isso é simplesmente uma função de complexidade não-linear: você terá mais dados sendo produzidos e mais analistas trabalhando com ele. Para combater isso, você precisa de processos para mantê-los funcionando de forma confiável.

O que fazer

  • Implementar testes de dados . Você tem dados que fluem em seu armazém de pelo menos uma dúzia de fontes neste ponto e você precisa de um processo para garantir que os dados que estão sendo carregados continuam em conformidade com as regras que você espera: unicidade, relação de chave estrangeira, não campos nulos , e lógica de negócios personalizada. Se você não possui um processo automático robusto que verifique essas coisas, a qualidade da sua análise continuará a degradar e você não saberá o porquê. Usamos a funcionalidade de teste do dbt para isso com nossos clientes.
  • Use solicitações de envio e revisões de código. Seu código analítico é um bem, assim como o código que alimenta seu site e aplicativo. Produzir código de alta qualidade requer ser sério sobre o controle de versão. Obtenha todos os membros da sua equipe em git, treine-os como usar ramos e desative força-empurra para dominar. Todo o código que é implantado na produção deve ser incorporado através de um processo de solicitação de envio que inclua uma revisão de um membro da equipe.
  • Levar a sério a documentação . O ambiente de dados da sua empresa é complicado. A única maneira de gerir eficazmente esse conhecimento e compartilhá-lo com sua equipe é investir o tempo e a energia necessários para documentá-lo. Isso irá adicionar algumas sobrecargas, mas se você não fizer esse investimento, você achará que seus analistas passam mais tempo descobrindo onde obter certos dados ou como usá-lo do que realmente realizam análises. A Airbnb fez um excelente trabalho nesta área .
  • Seja intencional sobre sua estrutura de equipe de análise. Existem dois modelos principais para a estruturação de uma equipe de análise: centralizada e incorporada. Não há uma resposta clara e clara, mas essa decisão será fundamental para a forma como você entrega análises para sua organização em crescimento. Carl Anderson descreve os tradeoffs bem em seu livro Criando uma organização baseada em dados .

O que não fazer

Não aceite desculpas. Fazer uma análise nesse nível é um trabalho árduo, e requer uma equipe talentosa e motivada que está constantemente inovando e melhorando. As avaliações de código levam tempo e energia. Os analistas não costumam testar seu código. E a documentação é minuciosa. Haverá resistência a fazer as coisas dessa maneira, especialmente entre os membros da equipe de longo prazo que se lembram dos "bons velhos tempos". Mas à medida que a complexidade aumenta, você precisa evoluir seus processos para se adaptar.

Esses processos realmente tornarão as análises mais fáceis, rápidas e confiáveis, mas implementá-las se sentirá como puxando os dentes. Se você é sério sobre análise de escala, você irá passar.

Você é um Pioneer

Eu vim para cada uma dessas recomendações depois de anos de fazer isso sozinho dentro das empresas e agora expandindo a abordagem como consultor. A oportunidade de trabalhar com uma série de clientes similares tornou incrivelmente claro o quão raro é para as empresas fazerem essas coisas bem .

Se você tomar todas as recomendações nesta publicação, você literalmente será uma das organizações de análise de maior desempenho do mundo . Não é uma vantagem competitiva ruim.