Карьерный рост аналитика. Статья Алексея Колоколова

Четыре парадокса
на пути к Data-Driven культуре


24.11.2020
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.

Аналитики - какие они бывают?

Сотрудников, работающих с данными и отчетами, можно разделить на 3 группы: аналитики, визуалы и технари. У них разные роли, задачи, требования к данным, их обработке и результатам. Все они делают одну совместную работу, используя разные подходы. Здесь и возникают парадоксы их отношения к своей работе.

1. Аналитики
Это финансисты, экономисты, маркетологи, которые ищут ответы на конкретные вопросы. Для этого они проводят исследования, собирают информацию, делают выводы. Их задача проанализировать данные, выявить причинно-следственные связи, изучить влияние различных факторов на бизнес-процессы. Например, экономист выявляет факторы, повлиявшие на рост себестоимости, а веб-аналитик составляет семантическое ядро сайта из ключевых слов поисковых запросов.

2. Технари
Это разработчики баз данных, математики, специалисты по Data Science. Они выводят алгоритмы обработки информации, проектируют хранилища данных, автоматизируют отчеты. Для них важно, как работает система, что на нее влияет, как сделать процесс безошибочным и бесперебойным – создать идеальный алгоритм.

3. Визуалы
Эти сотрудники делают конечный продукт, умеют превратить таблицы в наглядные диаграммы и слайды или даже дашборд. Чаще всего, они занимают должность не дизайнера, а менеджера, который понимает, что нужно бизнесу, и может поставить задачу дизайнеру и разработчику. Аналитик тоже может быть в роли визуализатора, мыслить категориями юзабилити и иметь чувство прекрасного

Каждый из представителей этих групп считает самой важной именно свою часть работы. Аналитики – процесс поиска ответов на вопросы, визуалы – красоту и доступность изложения, технари – модели и алгоритмы. И в результате возникают парадоксы, неочевидные для конечного заказчика.

Парадокс 1. Аналитикам не нужна визуализация

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.
    Диаграмма начальников у аналитиков
    Дашборд с множеством фильтров, понятный только аналитику
    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.

      Парадокс 2. Визуалов не волнует качество данных

      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:
      Диаграмма карьерных устремлений аналитиков
      Факторы отклонения фактического ФОТ от планового
      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.

      Парадокс 3. Программистам не важен бизнес-результат

      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.

      Парадокс 4. Бизнесу нужен текст

      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.
      Диаграмма карьерных устремлений аналитиков
      Управленческий дашборд с блоком текстовых выводов
      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.

      И что же дальше?

      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.
      Читайте также