Data-Driven в компании: что это, как принимаются решения и в чем заключается суть подхода

В основе принципа — объективность и значимость собранных данных. Именно от них зависят как оперативные, так и стратегические действия руководства.

Такой подход нельзя назвать революционным: руководители и раньше принимали решения с учетом статистики доходов и расходов. Однако определяющее значение имело мнение человека, основанное на интуиции и опыте.

Например, компания собирается запустить свое приложение. Можно сделать дизайн и интерфейс исходя из представлений руководителя «о прекрасном». А можно провести предварительные исследования, «обкатать» прототип, оценить приложения конкурентов, прежде чем запускать собственное в разработку. Второй вариант потребует больше ресурсов, но именно он с большей вероятностью позволит создать качественный продукт.

Data-Driven подход — это управление на основе данных. Во главе угла стоит информация, ее обработка и подача. Если материалов достаточно, а процесс анализа проведен без нарушений, руководитель получит представление о том, как развивать бизнес.

Перед тем как внедрять эту методику, важно рассчитать возможности. Без предварительной оценки затрат и перспектив попытка интегрировать работу на основе данных в текущие процессы может только навредить. Для начала рассмотрим три принципа, на которых базируется Дата-Драйвен.

1. Инвестиции. Хранение и обработка данных требуют вычислительных мощностей, а также участия профессионалов.

2. Ресурсы. Полученные данные предстоит обработать и правильно интерпретировать. Превращение цифр в понятную информацию — дело специалистов. Задача руководства состоит в том, чтобы сформировать команду, которая поможет делать выводы на основе данных.

3. Ответственность за принятые решения. Обработка собранных сведений позволяет минимизировать ошибочные действия, но всегда есть вероятность столкнуться с «черным лебедем» (неучтенными рисками).

Применение Data-Driven в компании позволяет решать проблемы в менеджменте, маркетинге и других сферах бизнес-деятельности. Давайте посмотрим, как устроен процесс принятия решений на основе данных.

Допустим, с рынка общественного питания ушел крупный сетевой игрок. Мы — представители небольшой столичной сети, которая в новых условиях имеет все перспективы для роста.

Первая задача, которая встает перед нами — выбор места для открытия точки. В парадигме HiPPO мы бы опирались только на оценку экспертов и интуицию руководителя. Новый метод заставит поступить по-другому:

● изучить поисковые запросы о местах питания на определенной территории;
● получить информацию о геолокации с мобильных устройств, их концентрации в разных местах.

Затем аналитики приступают к интерпретации собранных сведений. Сотрудники изучают и структурируют полученную информацию, преобразуют в понятные графики и блок-схемы. Имея обработанную статистику, руководитель может принять нужные меры.

Применительно к нашему кейсу, место для точки мы выбираем, исходя из объективных факторов и ожиданий потребителей, необходимости кафе в данном месте.

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 вместе делают одно дело, используя различные подходы. Здесь и возникают парадоксы их отношения к своей работе.

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. Все это является элементами Data-Driven culture. И в результате возникают парадоксы, неочевидные для конечного заказчика.

Их идеальные инструменты – 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. Но без переработки в более простой формат эта информация неприменима для бизнеса.

Диаграммы или слайды презентаций аналитикам неинтересны. 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.

Под этой группой специалистов я подразумеваю аналитиков с развитым визуальным мышлением, а не дизайнеров. Они придают форму результатам анализа и стремятся в этом к гармонии и эстетике. А потому и качество данных уходит на второй план. Для них важна подача информации, в то время как в основе технологии Data-Driven — «чистота» и достоверность сведений.

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

Традиционно факторы, приносящие минус, 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, который работает с алгоритмами. Для него важна техническая сторона, характер взаимосвязи, описываемый системой 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 потребителей. Скорее, говорю о том, что наивно ждать от них готовых решений по развитию бизнеса. Для эффективной интеграции Data-Driven Model нужна связка между программистами, аналитиками и визуалами.

Визуализация этого специалиста тоже мало интересует, если это не схема связей в базе данных. И за качество собранных сведений он не отвечает. Его зона ответственности – это стабильная работа, производительность системы, отсутствие ошибок. Хотя это тоже очень важно.

Я говорил о трех ролях, но есть и еще один участник процесса – это 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.

Модель Data-Driven требует большого внимания. Если руководителю предоставить стандартную аналитическую записку, 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.

Многие считают, что Data-Driven Approach – это дорого. Действительно, нужно привлечь или обучить специалистов, установить программное обеспечение, выстроить внутри компании алгоритм работы.
При внедрении подхода можно ориентироваться на этот чек-лист.

1. Создайте техническую базу. Чтобы работать с данными, нужно иметь структуру: источники, системы хранения и обработки. Источниками данных могут быть сайт компании, CRM, рекламные аккаунты на разных платформах, приложения.

2. Наймите специалистов. Нужны айтишники, маркетологи и аналитики, которые имеют навыки в области сбора и анализа данных.

3. Структурируйте информацию. Например, используйте BI-систему для объединения данных из разных учетных систем — это поможет получить сводную аналитику по всем бизнес-процессам на одном интерактивном дашборде.

4. Принимайте решения. Теперь в ваших руках есть огромный информационный ресурс, на котором можно (и нужно) основываться, выстраивая стратегию продвижения бизнеса.

Data-Driven организации более эффективно реагируют на изменения в поведении потребителей, экономических процессах. Потому что выводы делаются на базе статистики. Принимая решения на основе данных, вы точно знаете ответы на ключевые вопросы.

● Какой продукт нужен клиенту. Вы видите, какие товары и услуги более привлекательны, а какие проседают.

● Как он хочет его приобрести. Оформить покупку на сайте, приехать и забрать самостоятельно, заказать по телефону и получить в ближайшие часы либо к определенной дате и времени.

● Какие рекламные площадки дают лучший эффект. Стоит ли продолжать использовать таргетинг или нужно вложиться в печатные источники, радио или региональное телевидение.

● Где вы теряете деньги. Какая из стадий бизнес-процесса дает наименьший эффект при больших затратах.

● Как увеличить доходность. Данные позволяют предположить, какие позиции в каталоге компании можно расширить, дополнить новыми продуктами.

Чтобы процесс перехода от «интуитивного управления» к ориентиру на объективные данные прошел успешно, составьте дорожную карту внедрения методики в компанию. Планомерное продвижение в рамках намеченной стратегии гарантирует, что Data-Driven аналитика лаконично впишется в бизнес-модель.

Для этого можно пользоваться следующим алгоритмом.

1. Найти целевую аудиторию. Кто наш клиент? Его пол, возраст, уровень образования, профессия, образ жизни и интересы имеют значение при формировании стратегии.

2. Определиться с целями. Что мы хотим получить? Увеличить продажи, повысить качество и узнаваемость бренда. От понимания конечной цели зависит результат работы.

3. Собрать информацию. На чем будем основываться? Важно помнить о таких параметрах, как актуальность и точность статистики. Если не соблюсти эти условия, велик риск, что управленческое действие будет ошибочным.

4. Провести Data-Driven анализ. Что нам известно? Табличные показатели лучше перевести в понятные дашборды, схемы и тезисы. Переработать данные в рабочий материал, пригодный для использования в бизнесе и маркетинге.

5. Принять решение. Что нужно сделать для положительных изменений? Чем качественнее проведены операции на предыдущих этапах, тем легче будет сделать выбор.

6. Оценить результат. Какой эффект мы получили? Фидбэк – это новости, которые отражают положительную или отрицательную динамику, либо ее отсутствие. С помощью обратной связи можно скорректировать курс.

Этапы принятия Data-Driven решений универсальны. Но есть некоторые отличия в части использованного ПО и способов обработки информации.

Работа с данными требует специального инструментария. Это разного рода программы, которые понадобятся для обработки, разбора или визуализации. Каждый продукт имеет свои достоинства и недостатки. Целесообразность его использования зависит от навыков сотрудника, экономических факторов и удобства конкретного ПО.

После того как вы усвоили последовательность действий в Data-Driven, рассмотрим основные программы. Они представлены в таблице.

Это один из этапов обработки информации, ее превращение в удобный, читаемый вид. Самые простые примеры — на дашбордах в Excel, где цифры из ячеек таблицы представлены в виде диаграмм и графиков.
Но как принимать Data-Driven решения на «больших данных», если их могут понять только технари? Для этого используются BI-системы — инструменты для анализа и визуализации.

При графическом отображении данных определяющую роль имеют два фактора:

● доступность: материал должен быть понятен своей аудитории — руководителям или заказчикам;
● структура: информацию нужно подавать последовательно и компактно, чтобы пользователь получал ответы на свои вопросы максимально быстро;
● аккуратность: неряшливость на панели мониторинга снижает доверие к данным и заинтересованность пользователя.

Инструментов визуализации много. При выборе стоит руководствоваться и масштабом компании, и объемом данных, и навыками бизнес-пользователей. Перечислю лишь несколько, по ссылкам в названиях — статьи с инструкциями по созданию дашбордов.

● Excel.
● Data Studio.
● Power BI.
● Tableau.

Первое что нужно сказать: их много, и каждая отражает успешность определенного бизнес-процесса или задачи. Все зависит как от направления деятельности, так и от целей конкретной компании. На основе этой информации формируются ключевые показатели эффективности (KPI).

В качестве примера рассмотрим основные маркетинговые метрики:

1. Окупаемость инвестиций (ROI). Этот коэффициент показывает, насколько бизнес убыточен или доходен, учитывая вложенные в него средства. Например, мы запустили рекламную компанию через email-рассылку (инвестиция) и получили с нее определенное количество клиентов (доход). Если коэффициент ROI высокий, значит, реклама окупилась, если низкий — нужно пересмотреть стратегию.

2. Стоимость привлечения клиента (CAC). Эта метрика показывает, сколько в среднем тратит компания на +1 в своей базе покупателей.

3. Пожизненная ценность клиента (LTV). Это совокупность прибыли от одного потребителя за все время работы с ним. Если показатель ниже, чем САС, значит, затраты на привлечение выше дохода.

4. Коэффициент оттока (Churn Rate). Данная метрика показывает, какое количество клиентов прекратило сотрудничество с компанией.

5. Показатель конверсии (Conversion Rate). Это соотношение общего числа посетителей сайта к пользователям, которые совершили целевое действие: заполнили форму обратной связи, оставили комментарий или оформили заказ.

Определение метрик и подбор источников относятся к технической стороне процесса. В то же время нельзя забывать и о принципах Data-Driven подхода в управлении, в которых важна культура работы с данными.

В этой отрасли Дата-Драйвен интегрируется с помощью «электронной стройки». Это комплекс программ, которые позволяют контролировать и стандартизировать процесс возведения объектов.

Например, компания строит типовые сооружения в разных регионах одновременно. Пусть это будут модульные автовокзалы, которые устанавливаются в Подмосковье, Псковской области и на Дальнем Востоке. При помощи планшета бригадиры на разных площадках могут получить доступ к проекту, сметам и другим важным показателям.

Тот же набор данных используется и в проектировании. При выезде на место будущего строительства специалист может за несколько минут подобрать типовой проект под конкретную локацию, особенности почвы, собрав его из готовых решений как конструктор.

Строителям Дата-Драйвен подход может помочь с такими специфическими задачами, как:

● сокращение времени проектирования объектов;
● оптимизация работы с подрядчиками;
● контроль графика возведения объектов и ввода в эксплуатацию;
● стандартизация строительства;
● мониторинг безопасности на стройплощадке;
● отслеживание проблемных участков на объекте в режиме онлайн.

В список попали только аспекты, наиболее характерные для строительства. Принятие мер на основе данных затрагивает разные процессы, список которых ограничен только техническими возможностями и потребностями организации.

Условные примеры Data-Driven компаний в этой отрасли — российский ГК ПИК и шведская Skanska. Эти девелоперы являются первопроходцами внедрения «электронной стройки» в своих странах. Клиенты компаний могут отслеживать процесс строительства в режиме онлайн, а строители быстро решать возникшие сложности через каналы горизонтальной и вертикальной коммуникации между участниками процесса.

Как Институт бизнес-аналитики упрощает работу застройщиков с помощью разработки дашбордов, можно прочитать в статье «Идеальный отчет строительной компании: как выстроить работу с данными».

Главные качества Дата-Драйвен с позиций управления – это гибкость и точность. Объективные данные, лежащие в основе решений, помогают руководителю выявить слабые места.

Например, с помощью технологии учета времени обработки заказа определить, на каком из этапов (в каком из отделов компании) заявка задерживается. После этого можно уже не рассматривать весь процесс, а сосредоточиться на проблемной точке. Например, уточнить KPI ответственных сотрудников, заменить оборудование, которое тормозит процесс или предпринять другие действия для устранения недостатка.

Говоря о Data-Driven менеджменте, уместно упомянуть такие бренды как Netflix и Intel. Среди российских представителей можно выделить Мегафон и Wildberries. Система управления в этих компаниях основывается именно на данных.

Например, команда Netflix начала доставлять DVD по почте. Череда грамотных управленческих решений, основанных на объективных данных, привела к переходу сервиса на стриминговое вещание, создание интернет-платформы. В этом случае, переориентация на совершенно другой технологический процесс при сохранении направления деятельности компании – это Data-Driven решение.

Это не значит, что подход применим только для крупного бизнеса. Средний тоже может использовать методику в своей работе, достаточно сделать поправку на масштаб.

Заводы и фабрики могут использовать Дата-Драйвен как в основных, так и в сопутствующих процессах. Подход положительно влияет на несколько показателей, рассмотрим примеры.

● Качество продукции. Полученные данные показывают, что именно на него влияет и в каких пропорциях. А значит, дают возможность оперативно корректировать работу.

● Сроки производства. За счет автоматизации ряда процессов (например, технического учета), а также интеграции систем электронного документооборота информационные технологии помогают оптимизировать работу. Например, сократить временные издержки, связанные с логистикой.

● Улучшение продукта. Благодаря работе систем исследования и актуализации, вы вовремя узнаете, что потребители потеряли интерес к вашему продукту, сможете выявить причины и внести изменения в конструкцию.

● Борьба с браком. Обработка сигналов, полученных от установленного оборудования, помогает выявить причины и отладить технику.

Внедрение подхода в производство требует бóльших вложений. Это связано с тем, что для сбора информации необходимо установить на станки ряд датчиков. Однако эффективность работы на Дата-анализе позволяет отбить эти вложения ростом конкурентоспособности и доходности.

В современных реалиях поведение потребителей подвижно, часто меняется. Актуальность является «ключом», который дает возможность быстро и точечно реагировать на все изменения, подстраивая продвижение продукта или услуги под новые условия.

Вот какие преимущества может получить отдел маркетинга после внедрения методики.

1. Оперативное управление. Эффективность источников трафика можно контролировать в онлайн-режиме. И при необходимости быстро перенаправлять ресурсы в более перспективные каналы продвижения.

2. Отслеживание поведения. Дата-Драйвен маркетинг подразумевает, что бизнес управляет настроением пользователей: видит, что привлекает их на сайте или в приложении, а какие элементы стоит убрать или переделать.

3. Знание целевой аудитории. Изучение имеющихся клиентов позволяет составить представление о потенциальных покупателях. Благодаря этому можно скорректировать рекламу, сделать ее более эффективной и целенаправленной.

Данная система наиболее распространена в маркетинге и рекламе. При сравнительно небольшом количестве вложений она помогает вывести привлечение потребителей на качественно новый уровень.

Чтобы функционировала цепочка принятия решений в Data-Driven, необходимы специалисты.

1. Маркетологи, которые заняты построением воронки продаж. Чаще всего они занимают кросс-платформенное положение, участвуют как в проектировании, так и в построении маркетинговой стратегии. Получение знаний в области работы с базами данных повысит эффективность их деятельности.

2. Финансисты. Начиная от рядовых менеджеров и до директоров. Финансовые данные стекаются отовсюду, и важно уметь упорядочивать их и управлять ими. Только так можно будет получить полную картину: где бизнес получает прибыль, а где теряет деньги.

3. Аналитики. Это специалисты, которые переводят данные с технического языка на язык бизнеса. Они лучше всех должны понимать, как устроена работа с данными и что поможет превратить их в основу для принятия управленческих решений.