5 современных реалий
бизнес-аналитики

У меня есть рекорд: мы 8 раз переделывали дашборд, из них 3 раза возвращали обратно диаграммы, которые убирали в прошлых версиях. Это, конечно, крайность, но в целом заказчики постоянно меняют требования и противоречат сами себе.

Помню, в 2015 году мы внедряли IBM Cognos в торговой компании и добрались до отчетов по оборачиваемости. Заранее обсудили с коммерческим директором, что если он хочет быстрый дашборд, то надо ограничиться группами товаров, а по каждому SKU смотреть в OLAP-кубе, если ему вдруг понадобится.

Когда пришли показывать ему результат, он возмущенно спросил: "А где бренды, где товарные позиции? Мне это нужно, чтобы с дашбордом вести переговоры с поставщиками. Не важно, что я вам раньше говорил, переделывайте!" Для этого пришлось не просто добавить данные, а переписывать алгоритмы расчета.

Для заказчиков такие правки кажутся незначительными, но любая невинная «хотелка» может затянуть работу на большой срок. Что с этим делать? Правки будут всегда и чем выше должность заказчика, тем чаще и спокойнее он будет этим заниматься. Недельные переработки исполнителя его не особо волнуют.

Как этого избежать? Я рекомендую апеллировать к срокам проекта. Топ-менеджеры обычно хотят быстрый результат. И если объяснить им, что его "новая кнопочка" потянет за собой весь цикл от загрузки данных до публикации и тестирования, что итоге займет 2 недели, то он может и передумать.

В исходной базе редко обходится без незаполненных или ошибочных полей, что зачастую влияет на достоверность отчетов и прогнозов. Однажды у нас в работе был проект, в котором требовалось построить финансовую модель движения денежных средств по множеству расчетных счетов холдинга и спрогнозировать появление кассовых разрывов.

Ключевые сущности были такие: с одной стороны — платежный календарь в 1С, а с другой — планы по заключению новых контрактов из Dynamics CRM. Когда мы собрали всё воедино, наша модель показала огромный кассовый разрыв на осень и миллиардные поступления в декабре. Оказалось, что менеджеры по продажам не заморочились и просто поставили у половины сделок оплату до 31 декабря.

Продажники поставили дату с запасом до конца года, чтобы их лишний раз не дергали и не требовали с них выполнения оперативного плана, ведь бонус у них все равно годовой. И никто не кинулся это исправлять, потому что продажники там на особом счету, они "бизнес делают", а не поля в базе вычищают.

Я постоянно наблюдаю, как аналитики не могут повлиять на бизнес-процессы и обязать коллег вести более детальный учет и в срок. В таких проектах нужно заручаться поддержкой не только своего шефа, но и руководителей других функций.

Полагаю, что многим знакома ситуация с огромными файлами Excel, которые открываются по полчаса. ПО становится мощнее и даже Excel справляется с миллионами строк, только вместе с этим повышаются и аппетиты пользователей.

В недавнем проекте мы делали дашборд для генерального директора, и уделяли много внимания удобству. Внешне это был один экран, но внутри него были закладки, всплывающие окна, переключатели мер. Директору это понравилось, и он просил добавить еще вкладочку, потом еще.. Для этого оставался один удобный экран, но у нас в исходнике PowerBI уже было 35 листов, и при редактировании этот файл дико тормозил, скорость разработки упала втрое.

То же самое у нас было и с Qlikview. Несмотря на его обработку данных in-memory, быстро находились запросы, которые "съедали" всю оперативную память, и отчет переставал отвечать. Всякий раз новая технология обещает вам обрабатывать большие данные, чтобы вы могли сосредоточиться на бизнесовом аспекте аналитики, а не базах данных. Отчасти это верно, но до сих пор не знаешь, где окажется бутылочное горлышко в производительности. В какие-то моменты я брался за новые технологии, поверив, что меньше буду переживать за скорость работы, но каждый раз ошибался.

Вы загружаете данные отовсюду, а машина сама выдает вам бизнес-инсайты! Звучит заманчиво, однако в рекламе забывают предупредить о некоторых «НО».

• Искусственный интеллект (ИИ) — это еще далеко не коробочный продукт, не шаблон отчета. Когда вы начнете "кормить" его данными, то поначалу он будет выдавать вам либо бессмысленные, либо совсем очевидные результаты. Мы делали пилотный проект на IBM Watson, и поняли, что нам проще самим проанализировать данные, чем ждать, пока машина обучится и поумнеет.

• Отсюда вытекает и второй момент: без няньки ИИ не сможет повзрослеть. К нему нужно будет посадить Data-science специалиста, который будет общаться с ним на Python или другом языке программирования. И вскармливать, как мы помним, надо будет исключительно чистыми данными.

В итоге встанет вопрос окупаемости всех этих инвестиций. 10 лет назад вместо Machine Learning эта тема называлась Data Mining, но суть была примерно та же. Лишь только банки и телеком-операторы имели достаточно данных и могли извлекать из этого прибыль. Для среднего российского бизнеса я до сих пор не вижу сценариев окупаемости инвестиций в ИИ.

Служба поддержки, к сожалению, не заинтересована вас поддерживать — такая ситуация порой встречается даже в крупных компаниях. Я не приравниваю всех ИТ-специалистов к карикатурным "сисадминам", которые считают всех пользователей дураками. Но в моей практике без пары пинков ИТ-отдел не берется делать вам выгрузку из ERP-системы. В одном металлургическом холдинге мы бодро делали пилотный проект по BI, а потом полгода ждали, когда нам действительно сделают интеграцию с SAP. Этим занималась совсем другая команда, и у них не было мотивации нам помогать.

На самом деле в этом нет вины ИТ-специалистов. С них в первую очередь спрашивают за надежность инфраструктуры, на не внедрение бизнес-приложений. Поэтому новый тренд на разделение ролей ИТ-директора (CIO) и директора по цифровой трансформации (CDO), у которого будут такие же полномочия и ресурсы. Но пока я наблюдаю, как CIO переименовывают в CDO, добавляя им задач, но не бюджетов.

Что делать в этой ситуации? Ищите спонсора среди топ-менеджмента и спрогнозируйте задачи, которые решаются на стороне IT-служб. Обращайтесь к ним заранее, на стартовом этапе, а не в тот момент, когда вам понадобятся данные.

На самом деле я не скептик, а оптимист. Иначе я бы сошел с ума за эти годы, работая среди аналитиков и капризных заказчиков. 10-12 лет назад мне приходилось убеждать клиентов, что аналитика им в принципе нужна, а сейчас это все понимают. Технологии хоть и не делают работу за тебя, но существенно ее облегчают. Если раньше на 80% приходилось общаться с машинами, и лишь на 20% с людьми, то сейчас где-то наоборот, а где-то 50/50.

Я вижу, что профессия дата-аналитика востребована, но в первую очередь как бизнес-консультанта, а не прокачанного программиста. Если вы не строите иллюзий по поводу чистых данных и адекватных заказчиков, готовы решать сопутствующие организационные проблемы - то у вас все получится. Успехов!