Заставьте информацию работать
на вас

Сейчас аналитика и «большие данные» в моде. Руководители компаний восхищаются тем, как Google, Amazon и другие счастливчики затмили конкурентов, работая по новым сильным бизнес-моделям, которые не свалились на них с небес, а появились благодаря их умению собирать и анализировать информацию. Кроме того, руководители видят, что именно в «большие данные» щедро инвестируют технологические первопроходцы вроде BM и Hewlett-Packard. По их следам идет частный и венчурный капитал.

Об этом много говорят, и, на наш взгляд, оно того стоит. Если прежде компании ­принимали решения, основываясь на так называемых транз­акционных данных, то теперь полезную информацию они извлекают и из менее структурированных нетрадиционных источников: журналов веб-серверов (logs), социальных сетей, почты, датчиков, фотографий и т.д., то есть так называемых больших данных. Это могло бы полностью изменить способ ведения бизнеса и привести к резкому всплеску производительности, какой последний раз наблюдался в 1990-х, когда организации перестраивали свои основные процессы. Именно за счет стратегий, основанных на данных, компании будут выделяться на фоне конкурентов. Как показало исследование Эндрю Маккафи и Эрика Бриньолфссона из Массачусетского технологического института, при прочих равных производительность и рентабельность компаний, которые в своих решениях отталкиваются от «больших данных» и аналитики, на 5—6% выше, чем у остальных.

Но мы видим, что в большинстве компаний пока еще плохо понимают, с какого боку подойти к этим самым «большим данным». Руководители не спешат тратить деньги на их сбор и обработку, что понятно. Они убеждены, что их организации к такому еще просто не готовы. В конце концов компании еще не очень-то хорошо разбираются в информации, которой уже обладают, либо просадили кучу денег на программы хранения данных, которые так и не помогли им достигать их бизнес-цели. Может быть, их нынешние аналитические программы слишком сложны или не помогают делать практические выводы. А может, имеет место все перечисленное. В общем, осторожность оправдана.

Многие помнят, как в середине 1990-х компании экспериментировали на ниве работы с потребителями. Тогда появилось специальное ПО, на которое возлагали большие надежды. Эксперты уверяли, что стоит установить новые ИТ-системы для сбора и обработки большого массива информации о клиентах — и впечатляющие результаты будут обеспечены. Ничего подобного не случилось. Руководители в большинстве своем так и не поняли, что на деле могут дать новые CRM-технологии и как практически перейти на них: не увидели, что начинать надо было с организационных преобразований и переподготовки персонала. Обещанный рост производительности заставил себя ждать, потому что системы существовали сами по себе, независимо от компаний и менеджеров, напрямую работавших с клиентами, а новое требование — выстраивать работу, отталкиваясь от информации, — только осложнило всем жизнь. Справедливости ради надо сказать, что в конце концов большинству компаний удалось отладить свои CRM-программы — но уже после того, как некоторые из них понесли ощутимые убытки.

Так что мы солидаризируемся с руководителями, которые скептически относится к «большим данным». Тем не менее мы убеждены, что пора осваивать «большие данные» и принципы углубленной аналитики. И самое важное — понять, как работать с информацией и как на ее основе принимать грамотные решения.

Мы имели дело с десятками компаний из шести отраслей, в которых собирают большие объемы информации, и пришли к следующему выводу. Чтобы в полной мере пользоваться данными и выводами анализа, нужны три взаимо­связанные способности (см. врезку «Как извлечь пользу из “больших данных”»). Во-первых, умение выявлять и комбинировать многочисленные источники данных и работать с ними. Во-вторых, умение создавать прогностические и оптимизационные модели на основе «больших данных». В-третьих (и это самое главное), способность так выстраивать организацию, чтобы аналитика действительно помогала повышать качество решений. Ну и конечно, ничего не получится без ясной стратегии, определяющей, как использовать информацию и аналитику в конкурентной борьбе и какой должна быть соответствующая технология — ее архитектура и функции.

Что не менее важно, комплексный подход к поиску данных, их моделированию и к преобразованию организации должен быть обусловлен желаемым коммерческим эффектом. Только тогда, собрав данные, вы не будете недоуменно думать, что с ними делать.

1. Выберите подходящие данные

За последние несколько лет мир данных — и моделирования — очень изменился. Объем информации, особенно из новых источников, таких как социальные сети или разного рода датчики, стремительно растет. Появляется все больше и больше возможностей комбинировать данные, благодаря чему раздвигаются научные горизонты: стало много мощного и не слишком дорогого ПО, так что информацию можно безостановочно черпать практически откуда угодно.

А чем больше качественных данных, тем лучше компании представляют себе окружающую бизнес-среду. Способность видеть то, что раньше оставалось незамеченным, помогает совершенствовать производство и стратегию, лучше обслуживать потребителей, более точно учитывать их нужды. Но, чтобы подчинить себе эту среду, надо идти дальше, искать разумные и творческие­ ­способы ­«выуживания» полезной информации из данных, которыми вы уже располагаете, и изучать принципиально новые источники информации.

Творчески подходить к сбору информации. Обычно у менеджеров есть информация, необходимая для достижения их коммерческих целей, но они не знают, как пользоваться ею. Начальник производства, например, не понимает, что ему делать с данными о работе завода за час или за сутки, а директор магазина — об обслуживании клиентов. Ситуация изменится, если компании будут более точно формулировать, какие задачи им предстоит решать или в каком направлении они хотели бы развиваться. Например, в банке, руководство которого считало необходимым повысить уровень сервиса, собрали и обработали информацию из разных источников: данные банкоматов, онлайновые анкеты, жалобы клиентов и т.д. Так удалось увидеть, какие операции дублируются, сократить их и усовершенствовать обслуживание.

Кроме того, нужно активнее пользоваться внешними или новыми источниками информации. Скажем, социальные сети генерируют терабайты неструктурированной и нехарактерной для бизнеса информации — это комментарии, фотографии и видеозаписи. Прибавьте сюда потоки данных, поступающих с датчиков, или в ходе контрольных замеров, или из внешних источников (от демографической статистики конкретного района до прогнозов погоды). Чтобы ваши люди научились шире смотреть на источники информации, почаще спрашивайте их, какое решение они бы приняли в том или ином случае, будь у них все необходимые данные. Компания, занимающаяся морскими грузоперевозками, добилась точного выполнения графика поставок, руководствуясь именно этой логикой: она стала анализировать данные подробных прогнозов погоды и информацию с мест о готовности порта, которые прежде вообще не учитывались. Тут роль «руководящей и направляющей силы» должен взять на себя топ-менеджмент. По словам гендиректора крупной компании, торгующей расфасованными товарами, он рассматривает информацию как стратегический актив и при оценке потенциальных объектов для поглощения всегда учитывает ее. Но надо еще, чтобы руководители всех уровней освоили новые подходы к ее сбору и применению. С появлением интернета бизнес-методы постоянно развиваются, и наверняка вы можете натолкнуться на удачную мысль, изучая внешнюю среду.

Скажем, финансовый директор мог бы обратить внимание на такую компанию, как Kabbage, — американский стартап, предоставляющий оборотный капитал мелким онлайн-предпринимателям, которые работают через eBay, Amazon, Yahoo, Shopify и Etsy. Получить деньги в Kabbage гораздо проще и быстрее, чем в банке: деньги заемщику дают, изучив его репутацию и историю продаж в интернете, контакты в Facebook*. В качестве гарантии учитывается рейтинг, который все продавцы зарабатывают на eBay. Чем выше рейтинг и объем продаж, тем большую сумму может получить предприниматель.

Заручитесь необходимой ИТ-поддержкой. Наверняка доставшиеся нам в наследство ИТ-системы не только не помогут компании освоить новые способы сбора, хранения и анализа данных, но будут мешать в этом. Нынешняя ИТ-архитектура не позволяет интегрировать разрозненную информацию и в принципе не приспособлена для работы с неструктурированными данными. Многие существующие ныне системы выдают данные «порционно» и поэтому не могут поставлять информацию, необходимую вам для принятия решений, непрерывным потоком. Чтобы полностью перестроить ИТ-инфраструктуру, нужны годы. Но решить некоторые краткосрочные проблемы можно довольно быстро. Для этого руководство должно вместе c ИТ-директорами сформулировать основные требования к системе. Речь идет о необходимости выявлять важнейшие для анализа данные и устанавливать связь между ними, проводить их «чистку», объединяя дублирующие друг друга, и определять, какой информации не хватает и где ее можно было бы отыскать.

Возможно, эта тактика приведет компании к поставщикам аналитических услуг или новейшего ПО. Или новые облачные технологии помогут им увеличивать или уменьшать их вычислительные мощности так, чтобы они могли максимально эффективно работать с «большими данными». И в результате у компаний появится ИТ-инфраструктура, которая, способствуя сотрудничеству, проведению быстрого анализа и экспериментам, подтолкнет создание инноваций.

2. Создайте модели прогнозирования и оптимизации ­финансовых результатов

Данные важны, но без аналитических моделей прогнозирования и оптимизации экономических результатов своей работы компания не сможет укрепить свои конкурентные преимущества. А главное, чтобы создать удачную модель, нужно начинать не с данных; прежде всего надо определить свои бизнес-цели и понять, как модель поможет максимально эффективно добиться их. К сожалению, по такому принципу модели создаются далеко не всегда. Иногда ограничиваются поиском и обработкой данных, и результаты этого, как правило, весьма ненадежны.

Собрав гигантские массивы информации, компания может провести десятки статистических тестов, выявляя закономерности, но что с того проку, если руководители не в состоянии учесть обнаруженные корреляции, соответственно перестроить работу предприятия и улучшить его финансовые результаты. Если вы нацелитесь только на поиск данных, то в итоге будете бесконечно выяснять, о чем на самом деле они говорят. Одна компания, которая хотела оптимизировать свою модель ценообразования, действовала более последовательно. Прежде цены ­рассчитывались на основе таких показателей, как эластичность цен на продукцию предприятия за предыдущие годы и объем продаж, учитывались также ответные действия конкурентов и другие переменные. Выстраивать новую модель начали с определения факторов, которые оказывают влияние на продажи, скажем, цены у конкурентов и их рекламные акции. А потом стали выяснять, какие данные и какая модель помогут принимать самые выгодные бизнес-решения. Мы обнаружили, что быстрее всего к желаемым результатам приводит моделирование на основе гипотезы. К тому же, в этом случае оперируют информацией, имеющей отношение к реальной жизни, и потому эти данные и их взаимосвязи понятнее всего менеджерам. Не забывайте также, что в каждом случае моделирование по определению сопряжено с рис­ком.

Если работать с «большими данными», то модели, бесспорно, получаются лучше, однако специалисты порой создают модели, слишком сложные для практического применения. Например, прогностическая модель с 30 переменными может очень точно объяснить данные за большой период, но работа с таким объемом переменных истощит практически любую организацию. Нужно постоянно искать наименее сложную модель, благодаря которой компания сможет добиваться наилучших экономических результатов.

3. Развивайте профессиональные навыки своей компании

По словам руководителей высшего звена, больше всего их беспокоит то, что их менеджеры не понимают сути моделей, основанных на «больших данных», или не доверяют им. В крупной розничной сети создали модель оптимизации расходов на рекламу, но ею никто не пользовался. Довольно скоро выяснилось почему: основные решения по рекламному бюджету принимали рядовые маркетологи, а они не верили в пользу модели и плохо понимали ее суть. Это ситуация типичная. Дело чаще всего в том, что корпоративная культура компании, ее существующие навыки и ресурсы не стыкуются с новыми методами, а значит, о полноценной аналитике не приходится говорить.

Новые методы противоречат тому, как в реальности принимаются решения, либо не показывают ясно, как достичь целей бизнеса. Создается ­впечатление, что этот инструментарий создан для специалистов в области моделирования и вовсе не предназначен для того, чтобы им пользовались рядовые сотрудники. Поэтому среди менеджеров обычно так мало тех, кто видит в них смысл и готов их пропагандировать. Так не должно быть, если вы хотите, чтобы вся организация прочно усвоила новые методы. Вывод: чтобы пользоваться «большими данными», нужны хорошо продуманные организационные реформы на трех направлениях.

Аналитика должна отвечать специфике вашего бизнеса и быть пригодной для практического применения. Первые опыты работы с «большими данными» напоминают злоключения с CRM-программами: ничего не получается, потому что аналитика не соответствует повседневным рабочим процессам предприятиям и правилами принятия решений. Приведенный выше пример компании, которая хотела оптимизировать принцип ценообразования, показывает, как можно избежать этой ошибки. Прежде всего специально созданная группа аналитиков провела несколько совещаний с руководителями, отвечающими за рекламу и ценообразование.

Нужно было понять, какого рода решения эти начальники принимали, устанавливая цены, и как эти решения в конечном счете сказывались на доходах и симпатиях потребителей. Совещания гарантировали, что и ценовая аналитика, и подсказанные ею способы действий усовершенствуют процедуру принятия решений. Создание модели позволило компании разработать надежный принцип оптимизации цен и объема производства при более частом обновлении ассортимента.

Аналитику нужно встраивать в прос­тейшие инструменты, с которыми работают рядовые сотрудники. Новые модели и алгоритмы будут применяться, если всем будет ясно, как это делать. Терабайты информации и сложное моделирование тоже бывают нужны, чтобы корректировать маркетинг, управление рисками и основную деятельность. Но важно развести в разные стороны специалистов в области статистики вместе с программистами и менеджеров. ­Скажем, крупной ­промышленной компании надо было более точно прогнозировать потребность в персонале, чтобы не зависеть от колебаний местного рынка труда. Когда компания пыталась держать зарплаты на низком уровне, в некоторых регионах она оставалась с недоукомплектованным штатом.

Ей приходилось тратить большие суммы на оплату сверхурочных и трудно было обеспечить точное соблюдение рабочего графика. Специально созданная группа аналитиков и ИТ-программистов разработала ряд прогностических моделей, позволявших предсказывать доступность рабочей силы на основании таких факторов, как время отпусков, прогулы и правила внутреннего трудового распорядка, зафиксированные в трудовых договорах.

Эти модели учли миллионы «замеров» нового типа по тысячам сотрудников, работающих на десятках предприятий компании. Но, чтобы не забивать менеджерам голову большими объемами информации и сложными моделями, разработчики создали простой интерфейс: предполагаемые потребности в рабочей силе и необходимые действия наглядно высвечивались. В итоге компания стала гораздо лучше планировать количество персонала. К тому же оказалось, что новых сотрудников и сверхурочной работы на самом деле нужно меньше.

Нужно учить людей работе с «большими данными». Даже организациям, у которых есть простые и практичные модели, нужно повышать квалификацию и грамотность персонала в области аналитики. Важно, чтобы аналитика стала частью повседневной работы менеджеров. Конкретные меры будут зависеть от задач компании и сроков. Когда учатся взрослые, им, как правило, больше всего подходит метод коллективного погружения, то есть они учатся, участвуя в принятии реальных решений. Компания, оказывающая производственно-технические услуги, поставила себе целью научить 200 своих менеджеров по продажам работать с основными аналитическими инструментами.

Подготовка началась с практического задания: каждый должен был прочитать небольшой документ и извлечь из него основные данные о рынке. Затем менеджеры посещали коллективные занятия, на которых они узнавали, как увеличивать объемы продаж, пользуясь новыми инструментами и данными о рынке. После этого менеджеры возвращались к своей работе и применяли полученные знания на практике, а через несколько недель их собирали снова. С ними обсуждали, как идут дела, им давали советы и рассказывали, что такое анализ второго порядка. Так постепенно все сотрудники подразделения продаж освоили новую науку. Чтобы изменить корпоративную культуру и мировоззрение людей, нужно подходить к делу целостно: необходимы и обучение, и пример руководства, и системы поощрений, и показатели, закрепляющие определенные нормы.

Именно так действовала крупная компания, производящая товары массового спроса. Вместе со своими партнерами — розничными сетями она разработала сложную программу повышения рентабельности инвестиций в рекламу. Программа предусматривала обучение торговых представителей, в том числе новым методам анализа эффективности рек­ламных мероприятий — за это отвечало руководство компании. Но бурная деятельность продолжалась недолго, интерес к программе и новым инструментам быстро угас. Дело, как выяснилось, было в том, что, отчитываясь, менеджеры по продажам указывали не прибыль, а объем продаж и его увеличение. На эти же показатели была настроена система поощрения. А по мнению менеджеров, ориентированная на прибыль программа была чистой воды бюрократической принудиловкой, не имевшей никакого отношения к основным целевым показателям продаж. Проведя ряд совещаний с менеджерами, руководство компании перезапустило программу, утвердило новую систему вознаграждения — теперь его давали за повышение прибыли — и изменило принцип отчетности, сделав упор на данные по прибыли. Пришлось запустить новые системы обучения и коучинга, но мало-помалу поворот в умах произошел, и теперь анализ рентабельности инвестиций в рекламу помогает решать общую задачу повышения прибыльности.

Наступила эра «больших данных», и, как нам подсказывает опыт, большинству компаний пора перестраиваться. Это не означает, что надо проводить основательную реорганизацию, нужны конкретные, целенаправленные усилия по поиску данных, их моделированию и преобразованию корпоративной культуры. Именно это поможет компаниям обрести большую маневренность. Важно не зевать, тем более что сама по себе информация (равно как и технологии ее организации и анализа) будет постоянно совершенствоваться, открывая перед предприятиями новые возможности. Скоро все больше компаний освоит азы работы с «большими данными» и мастерство в этой работе станет самым ценным конкурентным активом.

* принадлежит Meta, которая признана в России экстремистской и запрещена