Представители бизнеса всё чаще становятся сторонниками data-driven-модели — способа принимать управленческие решения на основе анализа больших данных, а не интуиции или опыта менеджеров. Такой дата-драйвен подход помогает руководителям компаний избегать ошибок и быстро ориентироваться в условиях неопределённости. Рассказываем, как внедрить этот метод и как он работает на практике.
Что такое big data?
В применении подхода data driven используется термин «большие данные». Первый раз его употребил Клиффорд Линч в сентябре 2008 года. Тогда он занимал должность редактора во время работы в научном издании Nature, где впервые и появился термин big data. Использовался он в контексте технологий, которые позволяют обрабатывать огромные объёмы информации.
В современном понимании большие данные — это разносортная информация, поступающая с большой скоростью. Она может иметь чёткую структуру и порядок или быть хаотичной и разрозненной.
У больших данных есть набор признаков, которые кратко обозначают как VVV (volume, velocity, variety)
К этой классификации со временем добавили ещё VVV:
Больше данных
C решениями big data работают уже 62% российских компаний, выяснили VK Cloud и Arenadata. При этом более четверти (28%) внедрений пришлись на последние два года.
Объём российского рынка big data
Источник: Ассоциация больших данных
Иными словами, бизнес понимает, насколько важно собирать, хранить и анализировать данные. Следующий шаг — научиться их интерпретировать, учитывая рыночный контекст, уметь строить прогнозы на базе собранных сведений и, исходя из этого, принимать управленческие решения. Это и есть суть data-driven-подхода, управления на основе данных.
Сферы использования data driven
Решения на основе анализа больших данных — распространённый подход к управлению. В иностранных компаниях он используется достаточно давно. В России одним из первых такой подход начали использовать в Сбере.
Data-driven-решения могут быть полезны сразу в нескольких сферах.
Денис Наумов, техлид отдела аналитики, дата-инженер Skyeng, предлагает представить пример, когда компания наняла для работы специалиста по продажам экстра-класса. Давать ему тёплую базу клиентов неэффективно — с этим справятся другие сотрудники. Холодную тоже не всегда рационально: рентабельность продаж может быть низкой. Предложить ему искать подходящего клиента самостоятельно — не факт, что сработает. «Для этого и существует data-driven-базы, заранее написанные и отлаженные алгоритмы подберут контакты под квалификацию специалиста по множеству параметров», — заключает Наумов. Например, система проанализирует компетенции продавца и предложит ему клиентов из подходящих отраслей или тех, в общении с которыми его коммуникативные навыки сработают лучше всего.
Изначально data-driven-подход противопоставлялся «визионерству». Предполагалось, что решения принимаются только по данным. Метрика растёт — делаем, не растёт — выбираем другой путь. Но всё больше специалистов признают, что такие радикальные формы не самые эффективные. Сейчас аналитики обнаруживают необычные отклонения и зависимости в данных. Предоставляют не только детализацию и анализ, но и строят модели того, что произойдёт с метрикой при той или иной реакции бизнеса. Каких-то чётких математических формул за этими моделями может не стоять. И это уже похоже на то же самое визионерство, только оцифрованное и более эффективное.
По словам Наумова, переходить на data-driven компаниям стоит, когда особенности ведения бизнеса «перестают помещаться в головах сотрудников». «В этот момент точно пора выделять основные метрики, строить прогнозы, ставить цели, начинать отслеживать степень их выполнения и причины того, почему всё складывается именно так и как могло бы сложиться при иных вводных. Специалисты будут проверять гипотезы, а предлагать их будут сами данные: типичные или нетипичные паттерны в них», — говорит эксперт.
Как компаниям стать data-driven
Data-driven на практике
С помощью системного анализа больших данных можно прогнозировать поведение потребителей, находить тренды раньше конкурентов, выводить на рынок новые продукты и увеличивать прибыль. «Например, HR при помощи статистики может прогнозировать эффективность работы сотрудника (сколько продержится в компании и будет ли вовлечён в процесс) ещё до того, как его примут в штат», — говорит Садукевич из «Билайна».
По словам Сергея Федорченко, директора по управлению корпоративными данными «Мегафона», телеком-компании data-driven-подход помогает принимать решения в ритейле, клиентском сервисе, продуктовой разработке, инфраструктурных проектах. «Аналитические инструменты позволяют подбирать локации с наибольшей проходимостью для розничных точек, находить самые подходящие места для установки сетевого оборудования», — уточняет Федорченко.
Сначала данные в нашей компании использовались в операционном управлении: построении прогнозов, сценариев развития бизнеса, ежедневной аналитики и отчётности. Сейчас мы используем data-driven-подход в бизнес-планировании и ценообразовании. Анализируем потребности пользователей, чтобы предложить актуальные продукты по подходящей цене. Понимаем, что кому интересно, и можем гибко формировать тарифную и продуктовую линейку, улучшая клиентский опыт и метрики продукта.
Минусы data driven
При всех преимуществах подхода нужно обратить внимание и на его отрицательные стороны для компании. Основным минусом можно считать дороговизну внедрения подхода. Чтобы всё заработало как нужно, необходима целая сеть взаимосвязанного программного обеспечения: CRM-решения, веб-аналитика, ПО для мониторинга эффективности и другой софт.
В штате должны быть профильные специалисты: аналитики, программисты и другие сотрудники, которые будут обслуживать систему. Могут возникнуть сложности при внедрении, так как придётся обучать людей, которые привыкли работать по-старому.
Будущее за аналитикой
Чтобы ответить на вопрос про перспективы data-driven-подхода, нужно собрать данные, проанализировать, построить и обучить модель — и тогда модель предложит варианты, шутит Наумов. И добавляет: «Подход будет распространяться не только на принятие стратегических и тактических решений, но и на операционный уровень. Специалист, приходя на работу, будет получать сводку о своей области деятельности и вероятные варианты развития событий и, приняв их во внимание, он должен выстроить план на ближайшие часы или день».
По словам Храмовой из QIWI DATA, компаниям без данных уже невозможно принимать решения. «Это must have (необходимо иметь). И неважно, речь о крупной корпорации или стартапе», — говорит эксперт. Она считает, что основным трендом на ближайшие 2—3 года останется фокус на продуманной и масштабируемой платформе данных, её поддержке и сильной инженерной части.