Что не так с
«новой нефтью»

Аналитика данных существует уже давно, при этом неудачных проектов в области исследования больших данных, в частности, на основе искусственного интеллекта, насчитывается великое множество. Несмотря на весь ажиотаж вокруг так называемой «новой нефти», чистого дохода аналитика данных пока не приносит. Что же происходит?

Недавно мы с Роном Кенеттом, известным израильским экспертом по аналитике данных, делились опытом успехов и неудач наших подопечных и коллег. Стало ясно, что в основе успешных кейсов лежали не технические достижения, а глубокое понимание бизнес-задач, формирование доверия у тех, кто принимает решения, умение представить результаты исследований просто и доходчиво, способность терпеливо разбираться с возражениями и замечаниями всех участников процесса. И наоборот, безупречные проекты гибнут на корню, если не суметь наладить контакт с нужными людьми в нужное время.

Во многих компаниях аналитики не уделяют этим менее четко обозначенным, но не менее сложным моментам достаточно внимания. Этому есть две причины: во-первых, аналитикам привычнее заниматься прямыми обязанностями, то есть копаться в данных и находить в них что-то интересное, а не решать бизнес-задачи. И это в какой-то степени логично. Их учат обращать внимание только на данные и на инструменты для работы с ними — так они и зарабатывают признание коллег. К тому же, заниматься новыми технологиями гораздо интереснее, чем разбираться с корпоративными дрязгами.

Во-вторых, с точки зрения работодателей, аналитики — штучный товар. Их нужно оберегать от хаоса повседневности. От этого пропасть между аналитиками и общим вектором движения компании только растет. Осложняет этот процесс и то, что для многих аналитика данных — что-то новое и незнакомое, к чему не знаешь, как подступиться. Легче всего взять давно работающий отдел и прикрепить к нему аналитиков, а дальше будь что будет.

Итак, что нужно сделать, чтобы получить максимум отдачи от аналитиков в штате компании?

1. Четко сформулируйте бизнес-задачи и отслеживайте их выполнение. Да, аналитика данных требует начальных капиталовложений. От нее можно и нужно ждать реальных результатов в виде экономии, новых источников прибыли, покупательской удовлетворенности, снижения рисков — но не сразу, а через несколько лет. Из этого следует вывод, что большинство компаний просто не готовы к разрекламированным технологиям вроде машинного обучения. Им нужно переключиться на более простые решения, которые дает аналитика, например, контроль операционных процессов, улучшение качества данных, более глубокое понимание поведения и потребностей покупателей.

2. Подбирайте аналитиков под конкретные задачи и сразу внедряйте их в команду. Безусловно, технические навыки имеют значение. Но вам нужны люди, которым будет интересно то, чем занимается компания, которые искренне хотят вместе с вами сделать ее лучше. Между аналитиками и всеми важными участниками процессов должна быть связь, они не должны стоять в стороне от ежедневной рутины. Не стоит закрывать аналитиков в отдельном бункере. Сделайте их полноправными членами команды.

3. Требуйте от аналитиков включенности в командную работу на каждом этапе. Значение подготовительной аналитической работы, в частности, проработки и постановки задачи, переоценить невозможно. Без четкого описания задачи все последующие действия — всего лишь слепое прочесывание данных. Иногда поставить задачу крайне сложно. Виной этому конфликт намерений, опасения и недопонимание со стороны участников процесса. Постановка задачи требует опыта и терпения, а их так не хватает начинающим аналитикам, которые хотят показать все, на что способны. Аналитики со стажем поступают по-другому. На четко поставленную задачу не влияют внутренние корпоративные факторы. С ее помощью можно найти более простые и эффективные решения, которые зачастую и не требуют подключения аналитиков. Часто половина моего вклада в успех компаний, которые я консультирую, заключается в том, что я помогаю им понять, где на самом деле кроется проблема.

4. Не менее важна и постаналитическая работа: все выводы и алгоритмы необходимо проверить в реальности. Здесь наибольшая опасность исходит от, казалось бы, незначительных коммуникационных моментов. Начинающие аналитики не умеют их распознавать и ставить на службу своим задачам. Более же опытные аналитики знают, что взаимодействие внутри команды и между отделами важно для их работы. Поэтому они стараются подключить к решению задачи всех заинтересованных лиц.

5. И наконец, попросите аналитиков поделиться своими навыками с другими сотрудниками из их команды или из других отделов. Аналитика данных может принести пользу на любом участке работы, но не у всех есть нужные навыки. При правильно выстроенном процессе обучения и стимулирования любой сотрудник сможет справиться с несложным аналитическим проектом. А кто лучше всех подходит на роль тренера и наставника, как не штатный аналитик? Самому же аналитику наставничество поможет понять, как работает компания изнутри.

Все эти советы не принесут результата без доверия, которое аналитик еще должен заслужить. Но при этом сами руководители должны дать ему такую возможность.

Вот пример: одного аналитика, которого я консультировал, приняли на работу в новый отдел технологической корпорации. Ему поручили планирование пропускной способности сети для этого отдела. Это очень сложная задача. Если сеть работает не всегда, а «почти всегда», она будет падать при максимальной нагрузке. Заказчиков это не обрадует, договоры на обслуживание окажутся под угрозой, возрастет риск репутационных потерь. Стоимость ремонта сети в период максимальной нагрузки при этом растет с космической скоростью, поэтому руководителям важно понимать, как найти в этой ситуации баланс между издержками и выгодой.

Наш аналитик объяснил возможные варианты руководству так: «Сначала нужно определиться, какая нам нужна сеть. Грубо говоря, у нас может быть большая сеть — пусть это будет папа-медведь, средняя сеть — назовем ее мама-медведь, и маленькая сеть — медвежонок. Сейчас я расскажу, как каждая из них будет работать и какие у этого будут последствия». Это дало руководству точку отсчета, помогло по-новому взглянуть на последствия принятого решения для работы всей компании и понять, как читать графики зависимости стоимости от доступности сети. Так наш аналитик сходу заслужил доверие руководства. А ему самому участие в обсуждении помогло составить представление о том, как устроена компания, каковы ее планы в долгосрочной перспективе, какое положение на рынке она стремится занять и какие у нее ценности.

Как видите, наш аналитик здесь проявил инициативу. Его примеру я советую следовать всем коллегам. Но нужно отметить, что эта работа досталась ему не только из-за профессиональных навыков, но и потому, что он умел работать в команде, с интересом относился к корпоративной культуре и был готов браться за сложные задачи. А руководство поддержало его в этом.

Аналитика данных — командный вид спорта, но не игра. С самого начала до аналитика нужно донести, что его задача — сделать компанию лучше, и принимать на работу только тех, кто сможет с этим справиться. Нужно приложить все усилия, чтобы аналитик стал частью команды, и следить за тем, чтобы от него была отдача на всех этапах процесса — как в ходе технической работы, так и до и после нее.

Об авторе. Томас Редман (Thomas C. Redman), также известен по прозвищу «Доктор данных» — президент компании Data Quality Solutions. Редман консультирует стартапы, международные компании, руководителей на всех уровнях по вопросам интеграции данных.