Data-Driven на практике. Как избежать ловушек
Изображение создано нейросетью на shutterstock.com
В основе data-driven подхода лежит принятие решений на основе данных. Современный тренд на всеобщую цифровизацию неизменно влечет за собой необходимость анализа собираемых данных, и принятие решений на их базе.
Основные недостатки и ограничения data driven похода
Но, к сожалению, все не так просто. Внедрение data-driven подхода не всегда успешно, поскольку это не только некая информационная система, но и в культура принятия решений и контроля данных в компании. Основные общие ошибки, как правило, заключаются в следующем:
- Отсутствует культура мониторинга и обоснования результатов на основе данных на систематической основе. Например, аналитика существует, но ее использование носит факультативный характер. Правильным является внедрение обязательной отчетности на периодической основе (например, еженедельный краткий отчет/ежемесячный детальный и т.п.). В перспективе это также формирует правильную привычку по работе с данными у сотрудников.
- Уровень обобщения или детализации данных не позволяет принимать решение. Это очень часто встречающаяся ошибка, когда система анализа данных вроде как есть, но никаких конкретных решений сотрудники на основе данных принять не могут. Например, в филиальной сети видна только общая динамика продаж за определенный промежуток времени, но отсутствует продуктовая детализация. Т.е. можно с некоторой натяжкой судить об успехах/неуспехах продаж, но какое именно конкретное решение следует принять для исправления ситуации, совершенно непонятно. Поэтому очень важно концентрироваться не только на охвате показателей, но и понимать, какие на базе этих показателей должны и могут приниматься решения.
- Наличие «эксклюзивности» у инструмента анализа. Доступ к системе имеется только у топ-менеджмента, из-за чего возникает логический разрыв – руководители оперируют одним объемом и агрегацией данных, сотрудники – другим. Правильным подходом является сквозное внедрение подхода, но с ограничением доступа к данным и анализам.
Также, ввиду своей специфики, data-driven подход обладает следующими архитектурными ограничениями:
- Это всегда анализ данных на основе уже произошедших событий. Математическое прогнозирование, каким сложным бы оно не было, не сможет учесть те события, которые происходят на наших глазах, но еще пока не нашли отражения в данных. Например, Вы знаете, что на рынке у Вашего конкурента появилась продукция, существенно более выигрышная по цене, с сильным продвижением. Аналитика по данным будет показывать, что у вас все хорошо, пока это не начнет явным образом влиять на данные по продажам.
- Сложно использовать в турбулентной среде. data-driven подход. прекрасно демонстрирует результативность использования на уже устоявшихся рынках, со стабильными игроками и устоявшимися правилами. В наше время санкций многие рынки радикально перестраиваются, появляются новые игроки и исчезают старые, меняются в целом «правила игры». В этом случае data-driven подход можно использовать только на верхнем уровне, для определения общей динамики бизнеса, но никак не для принятия каких-то определенных решений только на основе полученных данных.
- Как следствие предыдущих пунктов - data-driven подход может использоваться как полезный, но вспомогательный инструмент для принятия решений.
- Устаревание данных и наличие существенного «зашумления» данных. Так, для анализа в одном проекте мы были вынуждены исключить существенные периоды из рассмотрения, поскольку они были связаны с внешними факторами (например, в КОВИД не характерно изменилась сезонность бизнеса; в момент начала СВО – старт санкций, в некоторых сегментах рынка кратко увеличились продажи).
- Ограниченность данных. Мы можем получить ответы только на те вопросы, которые были нами заложены на начальном этапе. Новый взгляд/альтернативная компоновка данных приведут к необходимости доработки аналитической системы, а может быть и существенной переработки ядра данных.
Логика внедрения data driven похода
Исходя из описанных выше ограничений, мы выработали для себя следующие принципы по внедрению data-driven подхода в организациях. Начальный этап - разбиение проекта на конкретные функциональные блоки, или реже – на конкретные процессы, и последовательность внедрения в организации. Например, продажи, финансы, закупки и логистика. На данном этапе мы также определяем общие цели, преследуемые при внедрении data-driven подхода в конкретном функциональном блоке. Команда на верхнем уровне определяет вероятные сроки проекта, и основные необходимые ресурсы.
Далее используются гибкие Agile методологии: по каждому из функциональных блоков выполняются следующие задачи:
- Определяются все необходимые показатели, возможные решения, которые могут приниматься на базе показателей, и метрики (нормирование показателя – какое значение является нормативным, какое не удовлетворительным и т.п.). Также на данном этапе необходимо определить источники данных – как внутренних (информационные системы компании), так и внешних (если предполагается бенчмаркинг с конкурентами или любое сопоставление внутренних показателей с внешними). Учитывая турбулентность современного мира, по возможности разработать триггеры наступления неблагоприятных событий – резкое отклонение одного или нескольких показателей, свидетельствующих о необходимости подключения экспертов для определения причин существенной негативной или позитивной динамики.
- Разрабатываются прототипы рабочих мест с визуализацией. Например, для направления продаж нужно разработать рабочее место специалиста по продажам, руководителя подразделения, топ-менеджера, собственника. Каждое рабочее место должно преследовать свои конкретные цели, и содержать данные, необходимые для принятия ранее проработанных решений. На данном этапе также определяется MVP рабочих мест (минимально жизнеспособный продукт для передачи в эксплуатацию), т.е. блок реализован в достаточной степени, для принятия решений, основанных на данных. Также формируется подход по бизнес-практике – где и как используются рабочие места, встраиваются в отчетность, и т.п.
- Разработка и опытная эксплуатация рабочих мест аналитической системы. На этом этапе, как правило, появляются запросы на новые показатели, формируются новые гипотезы, для анализа которых требуется расширение модели данных. После окончательного запуска рабочих мест мы переходим к следующему функциональному блоку.
Data driven vs Data informed vs Data Inspired
В связи с некоторой ограниченностью data-driven подхода, появились дополнительные вариации подходов, позволяющие компенсировать его недостатки: Data informed. Подход, комбинирующий данные с экспертным мнением специалистов. Существенно более сложный подход в части проектирования (начинаем комбинировать качественные и количественные показатели), но уменьшающий количество «слепых зон» data-driven подхода. Как правило используется либо в решении узкоспециализированных задач (например, формирование ассортимента, когда количество параметров и их вариативность ограничена), либо конкретных проектов.
Data Inspired/Awared. Еще более оторванный от данных подход. Фактически, является разновидностью форсайт метода – метода формирования образа будущего в той или иной области, отталкиваясь от анализа данных, полученных на этапе data-driven подхода.
В заключение я бы хотел отметить, что несмотря на все недостатки data-driven подхода, он является одним из немногих инструментов, обеспечивающих возможность оперативного управления компанией с учетом изменяющихся обстоятельств.
Опубликовано 08.11.2024
