Интернет заполнен ошеломляющими кейсами, успешными примерами, графиками кратного роста всех возможных KPI. Складывается впечатление, что решения, основанные на данных, — панацея от всех ошибок и проблем. Данные трансформируют потаенную мечту любого бизнеса в реальность: никакой неопределенности, все решения принимаются сами собой и приводят к наилучшим результатам. Можно сосредоточиться на творческой части процесса.
Data-driven подход — это стратегия управления, основанная на данных.
Суть подхода: принятие любого решения должно быть обосновано влиянием на бизнес-цели компании и аргументировано цифрами.
Казалось бы, о чем тут говорить? Еще 100 лет назад любой лавочник принимал решения, основываясь на конкретных цифрах о доходах и расходах.
Традиционно принятие решений во многом основывается на экспертной оценке: мнении руководства, сложившихся в компании традициях, рекомендациях приглашенных экспертов, предыдущем успешном опыте и многих других факторах.
Data-driven подход, напротив, ставит данные во главу угла любого принимаемого решения.
История появления
Впервые термин data-driven упоминается в 90-х. На тот момент такой подход стал альтернативой функциональному или объектно-ориентированному программированию. Информационное поле трансформировалось, рынок digital набирал обороты, появлялись все более доступные вычислительные мощности. Идея data-driven преобразовалась и нашла применение в маркетинге и менеджменте.
Data-driven менеджмент
Менеджмент, основанный на данных, выполняет несколько важных функций:
1. Максимизация эффективности вложений в бизнес. Микросегментация, управление количеством касаний, привлечение новой аудитории с учетом изменения пользовательского опыта и многое другое повышают эффективность вложений начиная от логистики и заканчивая кадровой политикой.
2. Сокращение маркетинговых издержек. Рекламные кампании поддаются анализу вплоть до оценки эффективности конкретного рекламного объявления с учетом LTV привлеченных пользователей.
3. Максимальная клиентоориентированность. Детальный анализ целевой аудитории, персональная коммуникация с клиентом, мониторинг отзывов, оценки удовлетворенности клиентов, проведение опросов, -- все это извлекается из данных.
4. Оперативная реакция на изменения рынка. Отслеживание данных в режиме реального времени уже никого не удивляет, а грамотно настроенный мониторинг позволяет принимать решения молниеносно.
5. Максимизация прибыли за счет всего вышеперечисленного.
В качестве примера рассмотрим крупнейшую в мире оптово-розничную сеть Walmart. 12 000 торговых точек, 2 миллиона сотрудников — без больших данных этого гиганта ждала бы участь динозавров. Однако у Walmart все хорошо. Компания отслеживает ситуацию во всех торговых точках, использует 200 внутренних и внешних источников информации и обрабатывает 2,5 петабайт данных в течение часа. Walmart оперативно корректирует цены на товары в соответствии с изменениями в поведении покупателей.
Какие задачи решает data-driven подход?
На этапе создания нового продукта (сайта, приложения, нового функционала в имеющемся проекте) принимается масса решений: каким именно он будет, для какой целевой аудитории, как будет выглядеть и нужен ли вообще.
Решения принимаются командой экспертов: владельцами бизнеса, маркетологами, дизайнерами, разработчиками. Этот момент — лучшее время применить data-driven подход.
В результате получаем ответы на важные вопросы:
· Какую долю целевой аудитории продукта составляет тот или иной сегмент?
· Какую прибыль принесет этот сегмент?
· Какие задачи пользователя решит продукт?
· Какой функционал будет востребован и насколько?
· Каким количеством пользователей?
· У каких конкурентов есть похожие реализации?
После необходимых исследований и анализа результатов получаем массу неожиданных инсайтов. Приходит понимание того, зачем создавать ту или иную фичу, какую цель она преследует и какой результат принесет.
Решение о редизайне или доработке имеющегося продукта также следует принимать, основываясь на данных.
В первую очередь нужна объективация ситуации, подтвержденная цифрами. В зависимости от специфики бизнеса, метрики, отражающие реальную картину, могут быть разными, но они должны быть. На этом же этапе оценивают степень удовлетворенности клиентов.
Узнают, как именно они пользуются продуктом, какой функционал наиболее востребован, с какими проблемами сталкиваются, что хотели бы улучшить.
Гипотезы, появившиеся после обработки данных предыдущего этапа, нужно подтверждать цифрами с помощью количественных исследований.
Желание улучшить продукт или повысить конверсию приводит к разнообразным гипотезам. Решение об их внедрении принимают на основании данных. К таким данным относится информация о покупательском поведении имеющихся клиентов, совершенных покупках, составе заказов, среднем чеке и периодичности покупок. Анализ отзывов, жалоб, писем в клиентскую службу и техподдержку -- данные, из которых тоже можно получить важные инсайты.
Выстраивая эту информацию в единую картину, мы получаем точный и полный портрет каждого клиента. Грамотно выстроенная коммуникация — это максимальное удобство клиента и максимальная прибыль бизнеса.
Самые яркие и интересные решения data-driven подхода — в кейсах Яндекса и на портале Think With Google.
Недостатки data-driven подхода
Самый главный недостаток — данные не будут принимать решения за вас.
Первое решение, которое нужно принять, — нужен ли вашему бизнесу data-driven менеджмент.
Учитывайте нюансы:
· Просто собирать данные недостаточно. Нужна инфраструктура сбора данных, их структуризация, систематизация и своевременная передача нужным людям в нужное время.
· Эта инфраструктура требовательна к человеческому ресурсу. Сотрудников нужной квалификации искать сложно, и стоить они будут дорого.
Специалисты, которые работают с данными, умеют задавать правильные вопросы и отвечать на них, генерировать гипотезы, давать рекомендации и убеждать руководителей в том, что их гипотезы верны.
· Чтобы делать все это, сотрудникам необходимы соответствующие навыки, обучение и поддержка.
· Помимо инфраструктуры сбора данных, есть требования и к структуре самой организации. Общие цели и задачи, тесная взаимосвязь между бизнес-подразделениями, а также централизованная поддержка в обучении и формировании стандартов.
· Чем больше данных собираем, тем больше времени тратим на их обработку. Тем труднее отделить значимые факты от незначимых и тем больше ресурсов тратится на проверку гипотез.
Если количество данных превышает способность менеджмента к их обработке и принятию решений, их ценность автоматически снижается до нуля.
· Полученные данные, даже очень полные и очень точные, описывают прошлое. На основании таких данных строят предиктивные модели, но нельзя забывать, что в любой момент может прилететь «черный лебедь».
· Для оценки нового функционала или инновационного продукта, которого раньше не существовало, data-driven подход неприменим.
· Результаты внедрения data-driven подхода будут видны не сразу. К этому нужно быть готовым и не ждать чудес.
· Пути назад нет. Если компания принимает решения, основываясь на данных, все остальные факторы (прошлый опыт, экспертное мнение, прочитанный в интернете кейс и т. д.) играют роль только на этапе формирования гипотез.
Резюме
В нашем поганом мире гарантии отсутствуют.
Профессионалы оперируют вероятностями.
Генерал Дж. С. Паттон
Так стоит ли ввязываться в сложное и затратное внедрение data-driven?
Однозначно стоит. Рынок не стоит на месте, пользователи становятся более требовательными, технологии сильнее проникают в жизнь каждого человека, и странно не пользоваться этими преимуществами.
Сбор данных — только первый этап. Далее следует их интерпретация, затем — принятие решений и корректировка стратегии бизнеса.
Важно, чтобы решения, основанные на данных, не привели к датацентричности, о которой предупреждает история дизайнера Google. Он покинул команду из-за чрезмерного «датацентризма». Вот как он прокомментировал свой уход:
Когда компания наводнена инженерами, они стараются любое решение сузить до одной логической задачи. Удалить всю субъективность и просто взглянуть на данные. Когда команда Google не могла выбрать между двумя оттенками синего, они проводили тестирование 41 оттенка, чтобы увидеть, какой работает лучше. Недавно я спорил о том, какой должна быть обводка в толщину: 3, 4 или 5 пикселей, и меня попросили подкрепить мое мнение данными. Буду скучать по работе с невероятно талантливыми и умными людьми, но не по дизайн-философии, которая пала от меча под названием «Данные».
С чего начинать внедрение?
Собрать команду.
· Начать собирать данные из максимального количества источников (продукт, рекламные кабинеты, CRM/ERP система и т. д.).
· Спроектировать архитектуру структуры данных, необходимых для принятия решений на всех этапах.
· Наладить процесс передачи нужных данных нужным людям в нужное время. КАК???
· Визуализировать данные.
· Использовать!
Когда не работает количественный подход, применяйте качественные исследования, общайтесь с пользователями и просто включайте здравый смысл.
Важно понимать суть каждого подхода, возможности и применимость к конкретной ситуации. Когда вы работаете над чем-то, у вас есть видение того, к чему вы хотите прийти. Данные нужны, чтобы корректировать направление движения.
Например, с помощью HADI-циклов:
![](https://static.tildacdn.com/tild6162-3536-4131-b363-623563373638/scale_1200.png)
Собранные данные — источник гипотез. На основании гипотез проводят исследования, результаты проверяют с помощью данных, после чего делают выводы. Весь этот цикл направлен на решение задач бизнеса и получению наилучших результатов.
Елена Герасимова, руководитель направления Data Science и эксперт курса «Аналитика для руководителей» в «Нетологии», рассказала, на чем основывается подход data-driven, как он используется в современных компаниях и что нужно делать руководителю, чтобы успешно внедрить культуру принятия решений на основе данных.
Термин data-driven появился на стыке девяностых и двухтысячных. Именно тогда бизнес-среда стала говорить о новом подходе в маркетинге, который позволял принимать решения на основе собранных данных.
Сегодня в дефиците не только технические специалисты, способные организовать работу с данными и устройствами, но и менеджеры, понимающие, как интегрировать Data Science и новейшие технологии в бизнес-процессы, правильно нанимать специалистов, ставить им задачи и организовывать их работу.
Менеджмент data-driven — это культура принятия стратегических решений на основе данных с интеграцией аналитических отчетов в ключевые бизнес-процессы компании.
Учитывая растущее количество кросс-компетентных ролей в компаниях, появляется все больше принципиально новых позиций, которые занимаются работой с аналитикой в разном виде: CDO (Chief Data Officer); CAO (Chief Analytics Officer); CPO (Chief Privacy Officer); CAIO (Chief Artificial Intelligence Officer); CGO (Chief Growth Officer).
Каждая из этих позиций предполагает выступление ролевой моделью инфраструктурных изменений и трансформацию существующей в компании культуры, стратегии, видения и методики принятия решений.
При этом нередко переход к data-driven подразумевает не столько технологическую трансформацию, сколько изменение бизнес-модели компании. При таком подходе вы отбрасываете все, кроме численных данных, в целостности и актуальности которых уверены.
В каждой из новых перечисленных ролей на первый план выходят:
· понимание множества окружающих функций и процессов;
· «насмотренность», опыт и компетенции в каждой из затронутых в трансформации областей;
· способность связать воедино собственный опыт и видение остальных участников С-уровня;
· желание преодолевать сопротивление «делать, как всегда делали», исследовать и быть готовым принять культуру работы с данными.
Роль данных в принятии решений
С руководителями мы разобрались — от данных им никуда не деться. Какую же роль играет аналитика для принятия решений?
Подход data-driven демонстрирует видение того, как компания, использующая данные для принятия решений, выглядит в реальности (совершенно необязательно иметь для этого цифровой продукт)
Помимо этого, он помогает уточнить формулировку миссии бизнеса и получить выводы, которые делают аналитику и данные ощутимыми (реальными) для людей без опыта анализа. Передовые технологии обработки данных через ИИ и машинное обучение становятся понятными более широкому кругу, когда используются для предиктивного анализа продаж, износа оборудования и риска вложений в активы.
Таким образом культура работы с данными помогает сделать очевидными практические бизнес-результаты от анализа данных и понимание текущего состояния, фокуса и намерений бизнеса.
Как стать data-driven?
Сама культура принятия решений, основанная исключительно на данных, может выглядеть простой с точки зрения внедрения, но руководителю и всей команде необходимо пройти определенные шаги и разобрать важные вопросы.
· Четко опишите свои бизнес-данные и аналитическую стратегию.
· Что собираем? Где храним? Сколько храним? Сколько это стоит? Какой результат нам даст?
· Не страшно, если компания решит начать с небольшого проекта. Только такие гиганты, как Facebook или Amazon, могут себе позволить хранить все подряд постоянно и без потерь.
· Оцените стоимость информационно-технической экосистемы, позволяющей получать доступ к данным, и количество ее пользователей.
· Сейчас всю обработку данных можно доверить облакам, так вам не нужно будет капитально вкладываться в оборудование, которое может устареть быстрее, чем трансформируется культура компании.
· Распишите план действий по переходу от бизнес-отчетности к глобальной аналитике: отчетность — результат, аналитика — процесс, хотя и там, и там заказчик — бизнес.
· Актуализируйте курс и скорость трансформации раз в квартал: нужно, чтобы все сотрудники компании жили ею, а не просто смотрели на цифры в формальных документах.
· CDO берет на себя роль центра всей «аналитики»: создает для каждого из потребителей данных в компании инфраструктуру самостоятельного доступа.
· Объедините всех единой целью изменения культуры работы с данными: необходимо тесно взаимодействовать с ИТ-специалистами и другими участниками С-круга вашей компании.
Учитывая все вышесказанное, можно сделать вывод, что переход к культуре data-driven необходим не всем.
Например, компании, основанные на сильном брендинге в качестве источника основного дохода, могут не видеть особой ценности в том, чтобы стать data-driven, поскольку решения по брендингу не требуют большого количества данных.
Отличным примером применения трансформации data-driven на уровне всей компании является Uber: обширно используются данные, которые компания получает от пассажиров и водителей.
Алгоритмы Uber рассчитывают стоимость поездки, оценивают потоки людей, меняют цены, дают рекомендации водителям, как больше заработать, основываясь на собранных данных.
В компании такого уровня вся работа с данными требовала бы найма огромного штата дата-сайентистов и их погружения в бизнес-контекст. Вместо этого компания пошла по пути построения платформы управления данными, которая позволила использовать продвинутые аналитические инструменты широкому кругу пользователей.
Но стоить помнить, что и к сотрудникам, даже высокоуровневым, в таких условиях предъявляются высокие требования. Как минимум ожидается владение базовым инструментарием аналитика:
· SQL;
· основы Python;
· BI-инструментов.
Подводя итог, можно сказать, что руководителям, «пощупавшим» данные, гораздо проще находить со своими аналитиками общий язык в дальнейшем.
Аналитик данных — это одна из важнейших ролей в компании. Глаза, ум и здравый смысл бизнеса.
Аналитик обязан «видеть цифру за каждым человеком, и человека за каждой цифрой», а также уметь продать свое видение коллегам, которые могут иметь очень разный опыт и отношение к аналитике в целом. Эта роль даже в продуктовой компании предполагает максимальное количество общения с неаналитиками.
Именно культура работы с данными помогает договориться о правилах игры, терминах, визуализации метрик, выводах и дальнейших рекомендациях. Но руководителю нужно учиться пониманию роли аналитики и ее результатов в бизнес-процессах компании.
Это будет происходить небыстро, даже если, на первый взгляд, культура data-driven близка компании. Менеджерам необходимо понимать, как интерпретировать данные в стратегии, строить работающие гипотезы на их основе и при этом контролировать работу специалистов по аналитике.