Четыре парадокса
на пути к Data-Driven культуре

Управлять бизнесом по KPI, принимать решения на основе оперативных данных и прогнозов, находить бизнес-инсайты с помощью искусственного интеллекта - мечта каждого управленца и собственника бизнеса. Но выстроить такую систему непросто: целый зоопарк ИТ-сервисов, и каждый требует сопровождения. В конечном счете все упирается в людей, тех самых дата-аналитиков, которые умеют "общаться с машинами" и переводить результаты их работы на бизнес-язык.

Процесс превращения больших данных в бизнес-решения, информационный продукт, состоит из нескольких этапов и требует командной работы разных людей. Есть даже такой термин - Data-Driven организация. Это компания, в которой менеджмент принимает решения на основе аналитики, а не просто опыта, мнения или интуиции.

Чтобы стать такой компанией, недостаточно просто нанять команду крутых программистов или купить продвинутую CRM-систему. Нужно менять культуру корпоративных коммуникаций, понимать психологию участников этих процессов. Аналитик - это не обязательно должность, это в первую очередь роль, ведь многие сотрудники участвуют в подготовке управленческих отчетов. Но часто заказчики - руководители - получают от своих аналитиков лишь множество таблиц и слайдов, а не информацию для принятия решений. За 10 лет внедрения систем корпоративной отчетности я наблюдал много случаев неоправданных ожиданий и описал их в этой статье. Возможно, мои наблюдения помогут вам понять, где в вашей компании работает "глухой телефон" и как убрать барьеры на пути к Data-Driven культуре.

Идеальные инструменты аналитиков – сводные таблицы Excel, OLAP-куб или витрина данных, к которым можно подключиться через Qlik или Power BI. Для них результат лежит на пересечении нескольких таблиц или массивов. Им там комфортно, понятно и удобно. Не зря же они всё разложили по полочкам, а точнее – по ячейкам.

Простые диаграммы или слайды презентаций аналитикам не интересны. Для них это лишь "красивые картинки", которые бесполезны без погружения в контекст. Ведь в таблицы всегда можно углубиться и докопаться до сути. Они понимают ценность дашбордов, но создают их сложными, со множеством закладок, где фильтры занимают половину экрана.

Частая проблема – аналитик не умеет делегировать доступ к информации. Он настроил разные отчеты для себя, и по вашему запросу соберет данные, подготовит нужную выборку. Но таким путем он сам становится конструктором сводных таблиц, замыкая на себе потоки информации. Такой сотрудник по полдня тратит на создание одних и тех же отчетов, только в разных разрезах, жалуясь, что не хватает времени на аналитику.

Говоря "визуалы", я подразумеваю аналитиков с развитым визуальным мышлением, а не дизайнеров. Они придают форму результатам анализа, и в стремлении к гармонии и эстетике достоверность данных уходит для них на второй план.

Визуал может пропустить важные детали, на которые аналитик-исследователь точно бы обратил внимание. Например, на этой диаграмме факторного анализа некорректно выбраны цвета:

По замыслу диаграммы те факторы, которые идут с минусом, отображаются красным, а прирост – зеленым. Но здесь мы анализируем причины перерасхода фонда оплаты труда, и снижение, экономия – это хорошо, а увеличение расходов надо, наоборот, отображать красным. Но визуал не обратил внимания на контекст, потому что диаграмма сама по себе выглядит стройно и логично.

Data-Scientist, Machine-Learner – звучит круто, но по сути это профессия математика, программиста, который работает с алгоритмами. Для него важна техническая сторона, каков характер взаимосвязи, описываемый моделью машинного обучения, а вот что с этой информацией делать дальше – не его забота. Вам построят модель профессиональных компетенций идеального сотрудника, но не подскажут, как его найти и как им управлять.

Я не критикую разработчиков за то, что они заботятся о целостности структуры базы данных, а не о том, как повысить лояльность клиентов. Скорее, говорю о том, что наивно ждать от них готовых решений по развитию бизнеса.

Визуализация тоже мало интересует программиста, если это не схема связей в базе данных. За качество данных он тоже не отвечает. Его зона ответственности – это стабильная работа, производительность системы, отсутствие ошибок. Хотя это тоже очень важно.

В начале статьи я говорил о трех ролях, но есть и еще один участник процесса – это бизнес-заказчик, руководитель, который принимает решения. Самое удивительное, что ему не важны визуализация, глубина аналитического исследования или работоспособность алгоритма. Бизнесу нужны выводы: четко сформулированные варианты решений или стратегий, а также прогнозы – к чему они могут привести. В идеале – конкретный, понятный текст из простых предложений, без деепричастных оборотов: какие цены обеспечат максимальный объем продаж, почему инвестиции именно в этот проект окупятся.

Конечно же, если руководителю предоставить сплошной текст аналитической записки, он будет недоволен. Ему нужен и текст, и визуализация, и выводы, причем на одном экране. Я стал все чаще наблюдать дашборды, в которых есть блок с текстовыми выводами, и даже надстройки к BI-системам, которые автоматически генерируют текст из дашборда.

Сначала я считал такое требование блажью, но теперь признаю, что это дополнительный этап контроля достоверности, осмысления аналитиком выводов. Тут речь идет не о ручном рутинном копировании данных из таблицы на график, а об осмыслении причин отклонений от планов, подготовке к совещанию.

Итак, аналитики ищут ответы на вопросы и структурируют данные, визуалы создают гармоничную картинку, технари выводят алгоритмы и отслеживают бесперебойность их работы. А бизнес ждет простых и понятных выводов, на основе которых можно принимать конкретные решения.

Кто обеспечит лучший результат? Здесь, как везде, необходим баланс.

Не стоит полагаться, что один специалист, даже если он разделяет ваше мнение и близок вам по восприятию, сможет настроить вам систему сквозной аналитики всех бизнес-процессов. Здесь нужна командная работа, где люди дополняют друг друга и верно понимают ожидания заказчика.

Если вы заказываете проект дома или квартиры дизайнеру, наивно полагать, что он нарисует вам, например, разводку коммуникаций. Также, как обращаясь к парикмахеру, вы не надеетесь, что он сделает вам маникюр или массаж спины. Хотя все услуги в комплексе вы можете получить, в первом случае, в строительной фирме, а во втором – в салоне красоты.

Вы можете возразить, что нанимать в штат целую команду аналитиков всех мастей – слишком дорого, а заказывать проект у системного интегратора – еще дороже. Конечно, можно как-нибудь своими силами справиться, если перед вами стоит задача просто оптимизации текущего процесса или косметического обновления отчетов. Только это не будет той самой цифровой трансформацией, переходом к Data-Driven культуре.

Есть вариант, при котором можно получить результат, не увеличивая человеческие ресурсы. Достигать баланс придется за счет вовлечения управленческой команды, погружения их в операционную деятельность, метрики процессов, принятии на себя ролей если не технарей, то аналитиков-исследователей или визуалов. Это самый "правильный" вариант, когда главным аналитиком и лидером культуры принятия решений на основе данных становится директор.