Выудить знания из тины информации

По мнению многих, в переработке больших объемов информации главное — это ИТ. Надо только закупить дорогостоящую систему по анализу данных и нанять нужных специалистов — и прозрения обеспечены. Однако, как правило, это не так. А все потому, что к своим проектам, связанными с аналитикой и обработкой больших объемов данных, компании подходят как к проектам автоматизации, хотя между ними «дистанция огромного размера».

Обычно, приступая к ИТ- проекту, вроде ERP-системы для управления предприятием или CRM-системы по автоматизации клиентской части, фокусируются на том, чтобы разработка и ввод были сделаны вовремя, по плану и в рамках бюджета. Требования к системе и ее модулям формулируются заранее, на стадии проектирования. Все мы слышали истории о громких провалах, но в целом этот подход себя оправдывает, если речь идет об оптимизации рабочих процессов и если компания справляется с организационными изменениями, которых потребовала автоматизация.

Правда, нередко мы видим другую картину: благодаря ИТ-системе повысилась эффективность и производительность, снизились издержки, но руководители не удовлетворены. Почему? Потому что после установки системы никому и в голову не приходит выяснить, как использовать генерируемую ею информацию для улучшения качества решений или выявления фактов (возможно, и неожиданных), связанных с ключевыми аспектами работы предприятия.

Например, страховая компания автоматизирует процесс обработки претензий — чтобы существенно повысить производительность труда. Но вдобавок новая программа способна дать информацию, которую никто не заказывал и о которой, возможно, и не думали. Например, на ее основе можно создать модель, оценивающую вероятность того, что претензия сфальсифицирована. А еще ИТ-система сможет использовать сигналы с установленных в автомобилях датчиков: скорость, вхождение в поворот, разгон, торможение — чтобы отличать ответственных водителей от неосторожных, оценивать вероятность аварий и регулировать размеры страховых взносов. Но сама по себе установка модулей еще не гарантирует получение всей этой информации.

Изучив более 50 международных организаций самых разных отраслей, мы сформулировали альтернативный подход к проектам, связанным с анализом и «большими данными». Он ориентирован на постоянное исследование информации, которую дает ИТ-система. Это уже не просто совокупность баз данных, а ценность, создаваемая людьми.

Чтобы разобраться, как сотрудники собирают и используют информацию, к проекту необходимо привлечь специалистов, разбирающихся в когнитивной и поведенческой науке. Сам проект нельзя аккуратно спланировать заранее. Научить пользоваться аналитическими ИТ-инструментами сравнительно просто. Понять, как еще можно их употребить, несколько сложнее. На начальном этапе никто не знает, на какие вопросы будут искать ответа с помощью этой системы.

Поэтому нельзя рассматривать проект анализа больших объемов данных просто как программу автоматизации с намеченными результатами, определенными задачами и подробно расписанным планом. Аналитический проект — более скромная по масштабу и короткая по времени инициатива, которая затевается ради исследования проблемы или возможности, о которой пока еще можно только догадываться. Проект ставит вопросы, ответы на которые может дать анализ большого объема информации; он выдвигает гипотезы, а затем в ходе повторяющихся экспериментов нарабатывает информацию и делает выводы. Мы сформулировали пять правил этого путешествия в неведомое.

1. Пользователи решают все

Обычно инвестиции в ИТ-инструменты и инициативы, связанные с «большими данными», исходят из того, что, если оперативнее снабжать менеджеров более качественной информацией, это поможет им принимать более правильные решения, лучше решать проблемы и делать ценные выводы. Это заблуждение: нельзя игнорировать тот факт, что менеджеры порой отбрасывают даже самую замечательную информацию, что им свойственны разного рода когнитивные ошибки и что для эффективного использования информации им может не хватать познавательных способностей.

Практика показывает, что многим людям (менеджерам в том числе) непросто работать с информацией. И любая инициатива в области данных должна это учитывать. Надо, чтобы центральное место в ней занимали будущие пользователи — те, кому предстоит извлекать из информации смысл. Надо оценить, как они используют (или не используют) информацию, делают выводы и принимают решения, и добиваться того, чтобы они привыкли исходить не из «шестого чувства», а из строгого анализа. Пусть каждый поймет: любое его представление о покупателях, поставщиках, рынках и товарах может на поверку оказаться ложным.

Крупный европейский производитель химической продукции поставил перед собой именно такую задачу — изменить образ мыслей своих сотрудников. Эта компания — будем называть ее ChemCo — быстро росла за счет поглощений, и теперь новый генеральный директор хотел четко представлять себе покупателей. Кроме того, он хотел, чтобы менеджеры и служащие всех уровней лучше разбирались в деятельности предприятия и принимали более эффективные решения, а для этого — использовали бы информацию.

Гендиректор и руководство продвигали новый принцип: управление на основе данных и создание полезной информации должны войти в повседневную практику. Они полагали, что внедрять CRM-систему преждевременно, ведь все будут думать, что, раз есть новая система, то менеджеры по определению правильно пользуются информацией о клиентах и обмениваются ею. Но это не происходит автоматически. Один из топ-менеджеров заметил: «Мы хотим дать ясно понять, что впредь работа менеджеров всех уровней должна быть более доказательной — что они должны действовать, основываясь на фактах».

Для начала ChemCo собрала всех своих специалистов по анализу данных и сформировала из них группы информационной поддержки. Каждая из них обслуживала одно-два подразделения и прежде всего должна была разобраться в потребностях, связанных с информацией и принятием решений, и помочь пользоваться данными более эффективно. Члены групп сопровождали специалистов во время их визитов к клиентам и поставщикам, они выясняли, какая информация задействована в работе с клиентом и как, располагают ли сотрудники необходимыми данными и помогает ли информация (или, наоборот, мешает) выполнить задачу, — например, договориться о сделке. После этого каждая группа провела тренинг с теми, кто работает с клиентами, — им рассказали о том, что удалось выяснить, высказали идеи относительно повышения качества информации и выслушали отзывы.

Группы разработали разные форматы свод­ных данных, которые затем испытали в своих подразделениях. Людям проще понимать визуальную информацию, и потому в модели включили графики, таблицы и экранные раскладки.

Теперь, когда компания уже хорошо представляла себе, как сотрудники применяют данные, она наконец внедрила CRM-систему. ChemCo приспособила ее к своим особенностям — это обычная практика при установке CRM. Но, в отличие от большинства, ChemCo намного лучше понимала, какую информацию будет собирать и кто и как ею будет пользоваться. А поскольку сотрудники отдела продаж были вовлечены в проект с самого начала, они сразу стали применять доказательный подход.

После того как в отделах продаж и техобслуживания научились пользоваться новой информацией, менеджеры задумались о том, чтобы преобразовать клиентскую базу данных. Генеральный директор стал внедрять стандарты в проведение сделок и их информационную поддержку и подготовил почву для формирования единого для всех отделов подхода к клиентам. Он любит повторять: «Мы думаем, что это так, или мы знаем, что это так?» И подразделения стали выяснять, чего они не знают о покупателях и практиках, но что знать следовало бы — чтобы улучшить взаимодействие с клиентурой. Качество связей повысилось — и выручка выросла. Это укрепило представления специалистов по продажам о полезности информации, о покупателях и сделках. Возник эффект самоусиления.

2. Учиться извлекать информацию из кладезя

Усилия, направленные на получение новых сведений, будь то готовая ИТ-система или недавно открытые массивы, — следует предпринимать с учетом всей сумбурности — и сложности — этого процесса. Люди осмысливают информацию, основываясь на собственных познаниях и опыте, и по-разному строят гипотезы. То, как они используют информацию и делятся ею, зависит от многих факторов, например, от культуры организации. К тому же к одному источнику сведений мы обращаемся по нескольку раз: иногда углубленно, иногда поверхностно. Есть определенная последовательность: сначала догадка о потенциальной проблеме или, наоборот, возможности, затем гипотеза о том, какая потребуется информация, затем сбор, упорядочение и интерпретация данных. А дальше цикл может повториться: раз, другой, третий.

При разработке ИТ-системы все это, как правило, не учитывают: в нее включают только те данные, которые изначально считают нужными в работе, легко добываемыми и управляемыми. От сложности реальных когнитивных и бизнес-процессов абстрагируются: создаются формально-логические правила обработки данных, что упрощает проектирование ИТ и помогает получить заданные результаты. Этот подход себя оправдывает, если речь идет о структурированных действиях или четкой процедуре (например, обработке клиентских заявок). Он идеален, если надо перенести информацию от человека в компьютер.

К сожалению, многие организации те же принципы ошибочно применяют к обратной задаче — извлечения данных из ИТ-системы и перемещения их в область человеческого знания, чтобы затем превратить в полезные сведения. Это не срабатывает, потому что у людей, в частности менеджеров, как правило, сложные, мало структурированные обязанности. Даже если организация старается разобраться в их информационных потребностях, из мешанины их повседневных дел ей удается выхватить лишь отдельные фрагменты, которые не дают представления о картине в  целом. Сейчас менеджеру нужны данные для обоснования конкретного решения, а в следующий момент ему понадобятся паттерны, помогающие выявить новые коммерческие возможности или проблемы. Значит, надо научить его поиску обоих типов знаний.

От неправильного информационного обеспечения страдают не только менеджеры. Скажем, инженер предприятия, которое производит авиадвигатели, столкнулся с проблемой. Вряд ли программа компьютерной диагностики сама выявит причину неполадки, хотя в ее распоряжении огромный массив данных о работе двигателей. Нужны большой опыт и знания, чтобы разглядеть закономерности и правильно ставить вопросы — чаще всего выдвигая и проверяя гипотезы. На основании своего опыта инженер сам интерпретирует данные, постепенно отметая побочные факторы и неверные объяснения.

Аналитические проекты призваны переосмысливать и улучшать то, как мы собираем сведения, отвечаем на вопросы и принимаем решения. Вот несколько советов, как это сделать.

Задавайте вопросы «второго порядка». Вместо того чтобы браться за создание системы, которая поможет ответить на вопрос: «Какой товар сегодня пустить в продажу?», лучше начать с другого вопроса: «Может, есть более надежный способ принятия решений о текущем ассортименте?» Задавая вопросы второго порядка (вопросы о вопросах), вы как бы допускаете, что руководство могло бы быть более эффективным.

Выясняйте, какой информацией вы располагаете и не располагаете. Не ограничивайтесь легко доступными данными и системами, в основе которых лежат готовые представления и действующие правила. Возможно, в прошлом они и были верны, но сейчас, скорее всего, не успевают за стремительными переменами в деловой и конкурентной среде. И не исключено, что масса данных застряла в отделах — исследований, проектирования, сбыта, обслуживания — и не используется вне их. К примеру, во многих финансовых организациях структурные единицы, занятые разной деятельностью, не делятся друг с другом информацией, и это мешает компании целостно представить себе клиента и сравнить свой клиентский портфель с рыночным трендом.

Разрешите проектным группам ИТ переосмысливать проблемы. Взглянув на дело под новым углом зрения, банковские структуры Великобритании и Израиля обнаружили сильную корреляцию между экономическими тенденциями и запросами в Google, выявляющими интерес к разным вещам: стиральным машинам, курсам аэробики, автомобилям, предметям роскоши. Идея проследить эту связь возникла у экономиста Google: он решил проверить, может ли статистика ключевых слов предвосхищать выводы экономического анализа. Полученные результаты он опубликовал в отчете, который, попав в руки экономистов Центробанка, вызвал немалый интерес.