Сделать выбор в пользу покупки аналитической платформы, или же создавать ее самостоятельно — важное решение в жизни любой компании, в особенности технологической, у которой есть отличная проектно-техническая группа.

В некоторых случаях желание создать все самостоятельно становится почти маниакальным, в то время как на деле есть много плюсов в использовании стороннего поставщика аналитики для вашей инфраструктуры.

В статье разбираемся, почему в большинстве случаев создание собственной системы аналитики может принести компании больше вреда, чем пользы.

Для начала стоит отметить, почему в целом для компании вне зависимости от ее масштабов важно определиться, будет ли она использовать готовое решение для аналитики или создавать собственное.

Можно понять привлекательность создания собственной аналитической платформы — она будет идеально адаптирована к вашим потребностям, и вы получите полный контроль над тем, как обрабатываются ваши данные. Такие технологические гиганты, как Airbnb, Zynga и Facebook, создали впечатляющие информационные инфраструктуры, так почему бы не попробовать и вам?

К сожалению, многие компании упускают из виду истинные затраты на ее создание (и речь идет не только о деньгах). Если вы обдумываете или уже разрабатываете собственную аналитику, подумайте о том, как это потенциально может навредить вашей компании.

Если вы тратите время на размышления о том, как настроить конвейер данных о событиях, это означает, что в этот момент вы не думаете о своих данных о поведении пользователей и о том, как они могут повлиять на план развития вашего продукта.

Компании часто недооценивают время и ресурсы, которые уходят на построение аналитики. Они думают, что могут перекинуть все свои данные в Hadoop или, может быть, Redshift, и покончить с этим.

Однако, если вы хотите, чтобы любой сотрудник вашей компании мог быстро получить доступ к нужным данным (подробнее о том, почему это так важно, в следующих разделах), потребуется гораздо больше времени или, возможно, денег на покупку сторонних инструментов визуализации, чтобы сделать эту инфраструктуру пригодной для использования.

С другой стороны, заплатив за аналитическую платформу, вы будете точно знать, что ваши данные будут автоматически доступны для всех, кто в них нуждается, что позволит сберечь больше времени и ресурсов для вашего реального продукта.

Фарид Мосават, возглавляющий группу по развитию в Instacart, столкнулся с тем же вопросом “купить/сделать самому”, когда пришел в компанию.

В то время Instacart использовал набор самодельных инструментов для отслеживания и анализа, но конечным пользователям данных (например, командам роста и маркетинга) было сложно получить доступ к этим данным самостоятельно. Кроме того, они дошли до точки, когда их система перестала справляться с их растущим объемом данных, и для ее масштабирования потребовалось бы значительно больше инвестиций с их стороны.

Фарид решил использовать Amplitude для своей платформы аналитики приложений.

Построение аналитики не только отвлекает внимание и ресурсы от улучшения продукта, но и чрезвычайно затрудняет доступ к данным для остальной части вашей компании.

Доступность означает, что любой сотрудник вашей компании (и даже тот, кто не знает SQL) может быстро изучить данные и получить ответы на свои вопросы. Большая часть этого — визуализация данных, но статических панелей мониторинга недостаточно — в идеале конечный пользователь должен иметь возможность работать с детальными данными и получать полезные сведения на лету.

Вам может быть интересно, почему доступность данных так важна. Если в вашей компании есть аналитик или группа специалистов по обработке данных, которые могут написать SQL для продуктовой и маркетинговой группы, когда той нужны ответы, разве этого недостаточно?

Если данные передаются группе аналитиков, то все, кому нужен ответ (даже что-то простое, например, ваши ежедневные активные пользователи с разбивкой по городам), будут вынуждены обращаться к аналитикам. Это увеличивает время обработки задачи, что означает, что (1) ваши специалисты по обработке данных имеют отложенные запросы и, следовательно, менее продуктивны, и (2) вся ваша компания теряет темп. Это подводит нас к следующему пункту ...

Многие быстрорастущие компании действуют по принципу, согласно которому скорость является определяющей характеристикой успешной компании. Если вы хотите работать как можно быстрее, доступ к self-service данным просто необходим.

Self-service данные устраняют любые препятствия между данными и конечными пользователями, сокращая время на анализ. Это определяет, насколько быстро вы сможете пройти цикл итераций и улучшений продукта, и, в конечном итоге, расти как компания.

Это не означает, что доступ к необработанным данным и запись SQL полностью исчезают. Речь идет о том, чтобы продуктовые и маркетинговые команды могли самостоятельно отвечать на 90% вопросов при помощи аналитической платформы. По-настоящему интересные и сложные ситуации — остальные 10% — по-прежнему невероятно важны, и именно здесь ваши специалисты по обработке данных могут проявить себя.

Выбор в пользу построения аналитики означает, что ваши специалисты по обработке данных и инженеры будут выполнять больше рутинной работы и меньше работы по анализу данных.

Кроме того, инженерам потребуется потратить время на создание и поддержку инфраструктуры конвейера данных в динамике. Вся эта «работа дворника» с данными — настоящий пожиратель времени; по факту data-munging отнимает очень много времени специалистов по данным:

Вместо этого представьте сценарий, в котором конвейер данных и инфраструктура анализа данных полностью обслуживаются третьей стороной. Никто не должен тратить время или деньги для ее поддержания, и, кроме того, каждый может получить ответы на свои вопросы. Подумайте, сколько времени у ваших специалистов по данным высвободится для того, чтобы сосредоточиться на сложных выводах и проблемах.

Независимо от того, оцениваете ли вы внутреннюю или стороннюю платформу, задайте себе несколько вопросов:

1️⃣ Кому в вашей компании нужен доступ к этим данным?

2️⃣ Для людей из выбранной группы: может ли эта система облегчить изучение данных по отдельности, визуализацию данных и разработку собственных идей?

3️⃣ (Этот пункт для оценки сторонних платформ). Можете ли вы получить доступ к необработанным данным и в каком формате? Требуется ли запуск пользовательских сценариев и очистка данных для самостоятельного извлечения этих данных и получения их в формате, готовом к запросу, или есть возможность для конвейера данных и их хранения?

Если вы подумываете о стороннем решении для аналитики, вы, вероятно, уже знаете, что выбор сервисов огромен. Многие из вас могут быть знакомы с такими инструментами самообслуживания, как Google Analytics и Mixpanel. Хоть они и отвечают основным потребностям конечного пользователя нетехнического характера, получить очень подробные данные не получится, в этом случае потребуется дополнительный индивидуальный анализ.

На практике получение необработанных данных для анализа — это та ещё головная боль; вам нужно будет либо выделить ресурсы на извлечение и преобразование этих данных, либо собрать те же данные отдельно в кластер Redshift — при этом ни то, ни другое не является идеальным вариантом. Вы заслуживаете лучшего.

В отличие от других аналитических решений, Amplitude сочетает гибкую, интуитивно понятную аналитическую платформу с доступом к необработанному SQL через Redshift. Это дает вам возможность работать с данными так, как вам это удобно.

Ваши маркетинговые и продуктовые группы могут использовать интерфейс Amplitude, чтобы отвечать на подавляющее большинство своих вопросов и отслеживать свои основные показатели. В то же время вы получаете мгновенный доступ к своим данным в выделенном кластере Redshift, который мы обслуживаем — все, что вам нужно сделать, это войти в систему.

Вы также можете подключить любой редактор SQL или инструмент визуализации поверх своего кластера, например Wagon, Looker, или Mode.

Важность принятия правильных бизнес-решений на основе анализа данных очевидна. Но работает ли ваша компания по этому принципу в настоящее время? Все ли в компании обладают доступом к данным? Могут ли они понять, что означают данные для их собственных целей, а также для основных показателей компании?

Если важность не очевидна, и вопросы тоже не заставили вас задуматься, то посмотрите на успешные кейсы, где компании внедрили культуру данных и начали эффективнее развивать свои продукты.

Вопрос, выбрать ли уже существующую систему аналитики или сделать свою, только поначалу кажется сложным. Достаточно даже примерно оценить затраты денег и времени на разработку, тестирование и поддержку собственной аналитической платформы, чтобы оставить эту затею конкурентам.