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.

По нашим наблюдениям, ИТ-проекты обычно не стимулируют людей к поиску новых решений для старых проблем. Как правило, недостаток творческих идей объясняется близорукостью во взглядах на информацию и ее ценность для бизнеса. Некоторые организации борются с этим — например, с помощью мозгового штурма или тестирования гипотез. А сейчас в моде онлайновые форумы: всем сотрудникам предлагают делиться идеями о рынках, потребительских трендах, новых способах получения и использования информации.

3. Включайте в ИТ-проекты когнитивистов и бихевиористов

Большинство ИТ-специалистов по образованию инженеры, программисты или математики. По­этому нет ничего удивительного в том, что у них наиболее развит логический компонент мышления и думают они в первую очередь о технических решениях, а не о «скрытой» информации. Для таких задач, как финансовый трейдинг или автоматизация розницы, они подготовлены идеально. Но если цель — совершать маленькие открытия, их менталитет становится помехой.

Чтобы преодолеть сугубо технократический подход, многие компании в ИТ-проекты стали вводить людей из гущи бизнеса, а разработчиков-технарей погружать в реальную жизнь предприятий. Кроме того, нанимали новых и новых специалистов по обработке данных. Но этого мало. При работе с большими объемами данных можно найти статистически значимые корреляции между любыми переменными. И только знание реалий предприятия дает понимание того, что от чего зависит. Но одновременно это знание может ограничить полет мысли, и потому проектам, связанным с аналитикой и «большими данными», нужны специалисты, хорошо знающие когнитивистику и бихевиористику. Они знают, как люди воспринимают проблемы, используют и анализируют данные, когда от них требуется решение, новая идея или накопление опыта. Кстати, в самой экономической науке сейчас происходит сдвиг в сторону поведенческого подхода: все чаще применяются выводы социальной психологии, когнитивистики и бихевиористики.

В некоторых организациях в проекты, связанные с аналитикой и «большими данными», уже включают таких специалистов. Британская налоговая инспекция (HMRC) недавно набрала на работу организационных психологов, которые помогают группам аналитиков совершенствовать свои способности к интерпретации и, в частности, осознавать когнитивные ловушки — тенденции искать информацию и подбирать интерпретацию, подтверждая заранее составленное мнение. Например, налоговики предполагали априори, что определенные методы взыскания задолженностей сработают для тех или иных категорий налогоплательщиков.

Руководство налогового ведомства осознало: нужно не только разбираться в работе организации (например, знать, какие дела передаются в суд, что за этим следует и почему некоторые иски суд отклоняет), но и понимать образ мыслей коллекторов и должников (почему, скажем, одни копят свои налоговые долги, пока дело не передают в суд, а другие — нет). Здесь тоже пригодились организационные психологи. Кроме того, они работали на местах: с инспекторами, которые расследовали случаи нарушений, и с персоналом колл-центров, обзванивающих должников.

Организации, которые хотят, чтобы сотрудники исходили из объективных данных, должны учить их разбираться в том, когда и как вытащить нужные сведения, как ставить вопросы, формулировать гипотезы, проводить эксперименты и интерпретировать результаты.

4. Уделяйте большое внимание исследованию

Проекты «больших данных» и другие аналитические проекты похожи на научные исследования и клинические испытания. Они обычно начинаются с догадки о существовании особого «эффекта» — препятствия или, наоборот, коммерческой возможности. На следующем этапе, как правило, разрабатывается теория о некой взаимосвязи. Далее идут формулирование гипотез, поиск нужной информации и проведение экспериментов. Короче, подобного рода проекты — пути к открытиям.

Бывает, что этот цикл — обнаружение, анализ и открытие — повторяется многократно. Сами проекты могут продолжаться от нескольких часов до нескольких месяцев — все зависит от сложности рабочей проблемы, доступности и качества внешней и внутренней информации, характера экспериментов, применяемых аналитических методик и средств. Но в силу своей природы и сравнительно небольшой продолжительности эти проекты не так дороги, как ИТ-проекты, рассчитанные «на века».

Есть несколько способов сделать такие проекты инструментом обучения сотрудников навыкам работы с информацией.

Формировать культуру обмена информацией. В организациях люди узнают новое в основном в процессе взаимодействия с коллегами. Поэтому очень важно всячески поощрять культуру сотрудничества: прозрачность, доверие и обмен информацией мотивируют менеджеров и специалистов по анализу данных вносить вклад в общее дело. Среда, где нет свободного обмена информацией, а неудачи и ошибки принято скрывать, неблагоприятна для инициатив, призванных собирать информацию.

Выявляйте свои исходные допущения, когнитивные искажения и «белые пятна». Будьте готовы к пересмотру устоявшихся практик. Изучайте границы того, что знаете и чего не знаете, создавая и тестируя гипотезы.

Старайтесь показать причинно-следственную связь. Аналитика призвана выявить взаимосвязи и значимые паттерны и факторы. Поэтому важно не ограничиваться внешними признаками, а изучать такие, например, вопросы: «В чем состоит проблема, которую мы пытаемся решать? В чем основные причины? Какие факторы и как влияют на результат? Что мы можем делать иначе?»

Ежегодно Британская налоговая служба получает около 300 тысяч деклараций на бумажных бланках по наследственным делам, из которых примерно две трети указывают суммы ниже той границы, начиная с которой уплачивается налог на наследство. Из-за большого количества деклараций налоговой инспекции трудно было выявлять все случаи занижения суммы. И организации очень хотелось найти в данных признаки, которые помогли бы подобные искажения обнаруживать. Вернувшись к тем декларациям, которые ранее были отмечены как недостоверные, служащие HMRC выдвинули гипотезы по поводу сведений, которые заставляют заподозрить занижение. После многократных проб и ошибок налоговики пришли к выводу, что наиболее эффективно выявляет потенциальный обман комбинация данных о владении недвижимостью и операциях с ней, владении бизнесом, кредитах, счетах в банке, трудовой деятельности и налоговом учете. Из этих данных налоговая инспекция создала модель (которую продолжает совершенствовать), позволяющую предсказывать, на какую недвижимость может быть наложено налоговое взыскание. Объектам, которые задекларированы как «дешевые», но при этом обладают определенными признаками, уделяют самое пристальное внимание. В результате налоговые поступления существенно выросли.

Находите подходящие методики и средства. У аналитиков и специалистов по работе с данными есть любимые методики и источники информации. Менеджерам, которые пытаются справиться с потоком новой информации, надо уметь разбираться в достоинствах и недостатках этих методик и источников.

С такой проблемой столкнулась, в частности, фармацевтика, которая еще только начинает учиться использовать технологии контроля в целях снижения издержек и повышения качества испытаний лекарственных препаратов. Чтобы получить официальное разрешение, в США надо потратить чуть ли не $1 млрд и провести испытания с участием сотен, а то и тысяч пациентов. В прошлом участников испытаний периодически вызывали на прием к врачам, и в этом, в основном, и заключался контроль. Современные технологии — например, сенсорные датчики на теле пациента — дают возможность наблюдать за участниками испытаний круглые сутки и в режиме реального времени получать информацию о том, соблюдают ли они схему лечения, хуже им становится или лучше в результате приема препарата.

Но фармацевтическим компаниям непросто понять, как анализировать всю эту информацию и отделить полезные данные от шума. Для этого им придется создавать модели, в том числе имитационные, которые дадут надежные и научно обоснованные подтверждения эффективности препаратов, приемлемые с точки зрения надзорных органов.

Аналитические методики и управляемые эксперименты — всего лишь способы стимулировать мысль. Но мыслят и собирают информацию люди, так что менеджерам не избежать тяжелой работы — генерирования идей. Бывают моменты «эврики», когда идеи и озарения приходят быстро, но гораздо чаще менеджерам (а не только специалистам по данным и аналитикам) приходится переосмысливать проблему, проверять информацию и запасаться терпением.

5. Ставьте во главу угла не ИТ, а реальные проблемы бизнеса

Управляя обычным ИТ-проектом, люди стараются избегать рисков, сосредоточившись на нейтрализации всего, что может угрожать успешному внедрению новой системы. А проекты, призванные решать проблемы использования информации и «больших данных», наоборот, должны заниматься не столько снижением рисков, связанных с технологией, сколько решением проблем, стоящих перед бизнесом. Иными словами, главный риск, которого им надо избегать, — это риск не получить результат. Как мы уже отмечали, аналитические проекты намного менее масштабны и дороги, чем ввод в действие CRM или ERP. Приведем пример. Мы изучали деятельность европейского ритейлера, который торгует электротоварами. Фирма хотела всех продавцов в магазинах снабдить айпадами — чтобы видеть информацию о товаре, которая может оказаться полезной в процессе продажи. Одна из проблем, которую надеялись решить, — низкая эффективность продавцов при продвижении товаров в магазинах.

Повышать эффективность взаимодействия продавцов и покупателей можно было разными методами. Чтобы оценить варианты, ритейлер провел контролируемые эксперименты, в ходе которых торговый персонал использовал те или иные способы размещения информации о товарах и разные стили донесения информации до покупателей во время презентаций. Сначала эти эксперименты заставили отложить проект с айпадами, так что возник риск не уложиться в сроки и выйти за рамки бюджета, — а значит, пришлось бы ограничить масштабы проекта. Но зато ритейлер получил данные о том, какие способы размещения информации о товаре эффективнее, и это помогло снизить риск упущенных продаж.

Использовать информацию надо для обнаружения связей между поведением людей и событиями (к примеру, то, как представление товара продавцом воспринимается разными сегментами покупателей. Можно искать закономерности: например, как разные сегменты покупателей реагируют на конкретные сообщения о товаре. Да, важно знать, как правильно использовать в магазинах айпады, но главной целью проекта должно быть повышение продаж. Ради этого управленцев и продавцов стоит учить пользоваться информацией.

Организации давно уже рассчитывают на информационные технологии, чтобы управлять данными: автоматизируют транзакции, упорядочивают информационные потоки, хранят всякого рода сведения в компьютерах. И традиционные подходы к использованию ИТ здесь вполне себя оправдывают. Парадокс заключается в том, что те самые технологии, которые призваны помогать управлять данными, вызвали страшный информационный потоп. В своем стремлении найти применение внутренней и внешней информации организации норовят действовать традиционными методами, что рискованно, — тут нужен совершенно иной образ действий и мыслей.

Добиться, чтобы разные направления бизнеса создавали большую ценность на основе данных, вряд ли удастся, если просто дать в распоряжение сотрудников аналитический инструментарий. Нужны условия, в которых люди могли бы направлять полученные данные и собственные познания на улучшение текущей работы и стратегии фирмы. В этой новой парадигме главное для менеджера — совершать открытия, от которых выиграла бы его организация, и выявлять неизвестные ранее тенденции, которые могут представлять для нее угрозу.