Десять шагов, которые научат всех
пользоваться данными

Взрывной рост объема данных может привести к началу новой эры — эры инноваций, основанных на использовании данных, когда новые идеи подкреплены фактическими доказательствами. Бизнес, воодушевленный возможностью повысить качество обслуживания клиентов, оптимизировать процессы и уточнить стратегию, последнее десятилетие активно накапливал данные, инвестировал в технологии и привлекал кадры, умеющие работать с аналитикой. Тем не менее для многих сильная культура, в основе которой лежит использование данных, так и остается труднодостижимой целью, как и практика принятия решений на основе аналитики.

Почему это так сложно?

Наш опыт работы с разными отраслями говорит о том, что основные сложности в построении бизнеса, основанного на использовании данных, лежат не в технической плоскости, а в культурной. Описать, как сделать данные частью процесса принятия решений, довольно просто. Гораздо сложнее сделать эту практику обычной для сотрудников и довести ее до автоматизма — это требует изменений в образе мышления, а это гораздо более трудная задача. Мы сформулировали десять важнейших принципов, которые помогут вам создать и укрепить культуру, основанную на использовании данных.

1. Культура, основанная на использовании данных, должна начинаться сверху

Культура, где важную роль играет использование данных, должна начинаться сверху. В компаниях, где такая культура сильна, топ-менеджмент настаивает на том, чтобы в основе каждого решения лежали данные (это не инновация и не исключение, это норма), и само следует декларируемому принципу. Примерами такой практики могут служить розничный банк, где менеджеры высшего звена принимают решение о запуске продуктов с учетом доказательств, полученных в результате контролируемых исследований рынка, а также ведущая технологическая компания, где руководство в начале каждого заседания уделяет полчаса изучению деталей предложений и сопроводительной информации, и это помогает принимать решения на основе фактов. Эта практика транслируется вниз на другие уровни организации, поскольку сотрудники, которые хотят, чтобы руководство относилось к их мнению серьезно, должны играть по установленным правилам и говорить на понятном руководству языке. Пример, который демонстрируют лидеры, может стать катализатором значительных изменений в общекорпоративной практике.

2. Подходите к выбору метрик взвешенно и обдуманно

Руководители могут управлять поведением сотрудников, умело выбирая, какие параметры оценивать и на какие метрики должны ориентироваться сотрудники. Если для компании важно уметь прогнозировать изменение цены у конкурентов, то для этого есть своя метрика — точность прогнозирования на определенном временном горизонте. Следовательно, команда должна постоянно делать прогнозы о масштабах и направлении таких изменений, а также отслеживать качество прогнозов: оно будет постепенно улучшаться.

Рассмотрим следующий пример: крупный телекоммуникационный оператор хотел убедиться, что в его сети ключевые клиенты получают сервис высшего качества. Оператор собрал обобщенные статистические данные по эффективности работы сети, но при этом не представлял, какие услуги получали клиенты и каким был уровень сервиса. Если бы компания разработала детальные метрики по качеству обслуживания, то смогла бы провести количественную оценку того, как улучшения сети отразятся на клиентах. Но чтобы получить такие метрики, необходимо уделять источникам и использованию данных гораздо больше внимания, чем это обычно делают компании. В этом вся суть.

3. Не пренебрегайте специалистами по обработке данных

Специалисты по обработке данных нередко представляют собой изолированную группу внутри компании. Они имеют слабое представление о руководстве, а руководство — о них. Когда аналитики работают в отрыве от остального бизнеса, их труд не имеет никакого смысла ни для вас, ни для них. Компании, которым удалось успешно решить эту задачу, придерживались одной из двух стратегий.

Первая заключается в том, чтобы границы между бизнесом и специалистами по обработке данных были легкопроницаемы. Например, в одной международной страховой компании сотрудники из центра развития компетенций переводятся на позиции в бизнес-подразделениях, где они и осуществляют масштабирование разработанных прототипов. После того, как результат достигнут, они могут вернуться обратно. Чтобы поддержать развитие аналитики, одна международная компания по сырьевому трейдингу ввела новые роли в различных функциональных областях и направлениях бизнеса. Эти роли находятся в функциональном подчинении центру развития компетенций. В конечном счете важны не детали, а основной принцип, который заключается в том, чтобы найти способы объединить знания в той или иной области и технические ноу-хау.

Наиболее передовые компании решают эту задачу иначе: с одной стороны, они вовлекают специалистов по данным в работу компании, а с другой — заставляют бизнес развиваться в направлении использования данных. Главным образом это выражается в том, что сотрудники должны уметь работать с кодом и разбираться в количественном анализе. Это не значит, что топ-менеджмент компании должно переквалифицироваться в инженеров по машинному обучению, но если бизнес развивается в сторону аналитики, то владеть языком данных руководители просто обязаны.

4. Проблему с доступом к базовым данным нужно решать быстро

Чаще всего нам жалуются на то, что сотрудникам из разных частей организации сложно получить даже базовые данные. Удивительно, но ситуация не меняется, несмотря на лавину усилий, которые предпринимаются, чтобы упростить персоналу доступ к данным. В условиях жесткого ограничения на информацию работа аналитиков не отличается эффективностью. Это не только мешает развиваться культуре, ориентированной на использование данных, но и препятствует ее формированию в принципе.

Чтобы разрешить этот парадокс, ведущие компании используют простую стратегию: вместо масштабных, но при этом медленных, программ по реорганизации всех своих данных они предоставляют всем сотрудникам доступ к важным мерам, которые они реализуют постепенно. Один крупный международный банк хотел точнее прогнозировать потребности в рефинансировании. Для этого был создан стандартный слой данных для Департамента маркетинга, где содержалась основная информация: данные по условиям кредитования, остаткам на счетах, характеристикам имущества, данные из канала маркетинга об условиях выдачи кредитов, а также информация об отношениях клиентов с банками в целом. Какой бы ни была конкретная инициатива, в первую очередь доступ должен предоставляться к тем данным, которые имеют отношение к метрикам, выбранным старшим руководством. Требование о том, что и другие цифры должны быть привязаны к этому источнику данных, может значительно способствовать его использованию.

5. У неопределенности должна быть количественная оценка

Все понимают, что абсолютная определенность невозможна. Тем не менее многие менеджеры продолжают требовать у сотрудников ответы без оценки их достоверности. Они упускают главное: четкая количественная оценка уровня неопределенности дает три важных преимущества.

Во-первых, ответственные за принятие решений люди могут определить источник неопределенности. Надежны ли данные? Достаточно ли количество примеров, чтобы модель могла считаться надежной? Каким образом можно учитывать те или иные факторы, когда данные для них отсутствуют (к примеру, когда конкурентная среда только формируется)? Можно привести следующий пример: ритейлер обнаружил, что причина снижения показателя использования вознаграждения в программе лояльности относительно моделей прямого маркетинга заключается в растущем объеме неактуальных контактных данных. Решить проблему помогло обновление данных и создание процесса по поддержанию актуальности информации.

Во-вторых, у аналитиков существенно улучшается понимание моделей. Например, одна британская страховая компания не смогла адекватно инкорпорировать рыночные тенденции в свои ключевые модели риска. Тогда она разработала систему сигналов раннего предупреждения, с помощью которой учитывала изменения рынка и выявляла случаи, которые без этой системы остались бы без ее внимания. В результате ей удалось избежать убытков из-за внезапного резкого роста требований урегулирования убытков.

И в-третьих, это служит одним из стимулов для проведения экспериментов. Как заметил руководитель одного из ритейлеров, в большинстве случаев, когда говорят о методе проб и ошибок, подразумевают «действовать наугад и надеяться на лучшее». В его компании специалисты по количественному анализу работают в тесной связке с категорийными менеджерами: они проводят комплексные статистические контролируемые исследования и уже на основании результатов реализуют изменения.

6. Простые и надежные прототипы без излишней сложности

Амбициозных идей в аналитике данных гораздо больше, чем идей, ориентированных на конкретный результат. Зачастую разница становится очевидной лишь при попытках внедрить решение в рабочие процессы. Вот один из таких примеров: в крупной страховой компании состоялся внутренний хакатон и победителем стал сотрудник, который предложил интересное решение для улучшения онлайн-процесса. Однако вскоре компании пришлось отказаться от реализации этой инициативы, поскольку она требовала дорогостоящих изменений в базовых системах. Подобный отказ от хороших идей может губительно сказаться на мотивации сотрудников.

Правильный подход заключается в том, чтобы главными критериями при разработке прототипов были эффективность и жизнеспособность в условиях эксплуатации. Лучше начать с создания максимально простого, но рабочего решения, и потом постепенно усложнять его. Так компания по обработке и передаче данных, чьей задачей было внедрить новые модели оценки рисков в распределенную вычислительную систему, начала с создания и интеграции базового, полностью функционирующего процесса. Из источника набор данных поступал в простую модель, а результат вычислений затем сообщался конечным пользователям. Когда процесс внедрили, а все взаимосвязи отладили, компания смогла совершенствовать каждый компонент по отдельности: увеличивать объемы данных, усложнять модели и повышать производительность.

7. Обучение специальным навыкам должно быть своевременным

Многие компании инвестируют в крупномасштабные программы обучения сотрудников лишь для того, чтобы они быстро забыли то, о чем только что узнали (если еще не успели применить свои знания на практике). Формирование базовых знаний и умений, например навыка разбираться в коде, должно быть частью фундаментального образования. Гораздо эффективнее обучать сотрудников специализированным навыкам и взаимодействие с различными инструментами (разработка и внедрение прототипов) непосредственно перед тем, как эти навыки им понадобятся. Один из ритейлеров пошел по этому пути и обучил аналитиков службы поддержки всем аспектам экспериментального проектирования незадолго до первого тестирования решения на рынке. Таким образом, сотрудники сразу же нашли применение новым знаниям, и некогда чуждые термины и понятия, например статистическая достоверность, прочно вошли в их обиход.

8. Используйте аналитику данных не только для помощи клиентам, но и для помощи сотрудникам

Важно помнить, что эффективное управление данными может значительно облегчить жизнь сотрудникам: оно открывает новые возможности оптимизации рабочих процессов. Об этом рассказывается в известной книге по программированию «Автоматизация рутинных задач с помощью Python». Стоит отметить: если идея развития новых навыков для более эффективного управления данными подается в абстрактном виде, она вряд ли мотивирует сотрудников на то, чтобы проявить настойчивость и пересмотреть свой подход к работе. Для большинства мощным стимулом будут вполне осязаемые цели: экономия времени, отсутствие необходимости в доработке, легкий доступ к часто используемой информации. Несколько лет назад аналитики одной крупной страховой компании самостоятельно освоили основы вычислений с использованием облачных сервисов, чтобы иметь возможность экспериментировать с новыми моделями на основе больших массивов данных без привлечения департамента ИТ. Этот опыт стал решающим, когда в компании начался проект трансформации технической инфраструктуры. Команду аналитиков попросили определить требования для платформы продвинутой аналитики, и они не только предоставили эти требования, но и подсказали готовое рабочее решение.

9. Отказ от гибкости в пользу последовательности — по крайней мере, в краткосрочной перспективе

Многие компании, работающие с большими объемами данных, используют различные источники и форматы данных. Безусловно, у каждой есть свои предпочтения в источниках данных, метриках и языках программирования, но когда дело доходит до обмена данными между организациями, случается катастрофа. Несчетное количество времени тратится на сопоставление нескольких версий одной метрики, которая должна быть универсальной. Несоответствия в самих моделях также приводят к потере эффективности. Использование различных стандартов и языков программирования затрудняет переход талантливых специалистов-аналитиков из одной организации в другую — им приходится переучиваться и осваивать новые навыки. Кроме того, даже внутри одной компании обмен идеями может быть затруднен, поскольку сотрудники общаются на разных языках. Решение заключается в выборе канонических метрик и языков программирования. Так поступили руководители одного крупного международного банка, предъявив новое требование ко всем соискателям на позиции в департаментах инвестиционного банковского обслуживания и управления активами: будущие сотрудники должны знать Python.

10. Использование данных как новая привычка

Для большинства аналитических задач нет единого верного подхода к решению, и аналитикам данных приходится идти на компромиссы. Было бы неплохо узнать у команд, как именно они работали над решением той или иной задачи, какие варианты рассматривали, какие были альтернативы и каким образом они пришли к итоговому решению. С помощью таких наводящих вопросов мы сможем сформировать у команд более глубокое понимание различных подходов, помочь с определением более широких альтернатив или подтолкнуть к пересмотру основных допущений. Приведем один пример. Сотрудники международной компании в отрасли финансовых услуг сначала предполагали, что традиционная модель на основе машинного обучения для выявления случаев мошенничества не может функционировать достаточно быстро, чтобы использовать ее в повседневной работе. Однако они поняли, что модель может стать сверхбыстрой благодаря лишь нескольким простым доработкам. Когда компания начала использовать эту модель, точность в выявлении случаев мошенничества была беспрецедентной.

Компании, их руководители и сотрудники тяготеют к привычному, потому что новое для них всегда сопряжено с рисками. Данные могут стать эффективной доказательной базой и дать уверенность в освоении новых областей или процессов. Делая новый шаг, вы больше не будете чувствовать, что прыгаете в неизвестность. Однако только наличия данных недостаточно.