Если есть аналитика, значит, и культура управления данными. Так ли это?
Но используют ли компании весь потенциал данных? Или ограничиваются простыми ежемесячными отчетами? О том, чем отличается культура управления данными и традиционная аналитика, подробнее поговорим в этой статье.
В чем разница между аналитикой и Data Culture?
В обычной аналитике информация собирается, чтобы ответить на вопросы о прошлом — например, сколько было продаж, где KPI отклонились от целевых значений, когда выросли или снизились конкретные метрики. Как правило, эти данные агрегируются вручную, обрабатываются в таблицах и визуализируются в виде статичных отчетов.
Например, аналитики собирают данные из CRM о регионах со сниженным спросом на товар, затем формируют эту информацию в сводные таблицы и направляют маркетологам для корректировки текущей стратегии.
Для традиционной аналитики характерны:
Эпизодическая отчетность. Информация анализируется редко или по требованию — например, во время ежемесячных отчетов или при оценке эффективности отдельных бизнес-процессов компании. В ежедневной работе данные не применяются.
Изолированные массивы данных. Обычно доступ к источникам информации есть только у руководителей или работников отдела, которые предоставляют данные для анализа — остальные подразделения компании видят только отчеты, не понимая на основании чего они создаются.
Минимальный уровень автоматизации. Чаще всего отчетность формируется вручную — например, с помощью Excel-таблиц. Инструменты, через которые можно обрабатывать данные в реальном времени (например, ETL и BI-системы), используются крайне редко. Вместо этого отделы компании готовят данные по конкретному запросу, сводят их в общий отчет и только затем информация попадает к руководителю для принятия решений.
Таким образом, традиционная аналитика помогает узнать: "Что произошло?" и "Как можно улучшить ситуацию?", но вопрос «Что к этому привело?» часто остается открытым.
В свою очередь, культура управления данными — это целая философия, которая подразумевает не только использование специальных инструментов, но и меняет сам подход к организации работы с информацией. Когда в компании есть развитая Data Culture, доступ к самым важным и основным данным получают все работники компании — независимо от их специализации и полномочий. Естественно к той части, которая влияет на работу и результат данных сотрудников. В этом случае вся команда понимает важность данных для бизнеса и знает, как их использовать для эффективного планирования своих действий, не дожидаясь дополнительных отчетов или одобрения сверху.
Например, через интерфейс BI-системы, которая визуализирует сводные данные всех отделов компании, менеджер может увидеть, что за последние две недели объемы продаж бытовой техники в определенном регионе снизились на 20%. Тогда работник фильтрует данные по всем магазинам компании и узнает, что падение произошло в двух конкретных торговых точках.
Дальше менеджер ищет причину проблемы и исследует взаимосвязанные показатели — данные о посещаемости, возвратах, скидках, а также доступности товаров на складах. Выясняется, что в этих двух магазинах отсутствует несколько популярных моделей холодильников — при этом, информация из системы складского учета показывает, что их не успели доставить из-за логистических проблем.
В итоге, менеджер передает эти данные в отдел логистики, чтобы специалисты оперативно исправили проблему, а также связывается с маркетологами — для активации локальной рекламы о появлении новых товаров и возврата части покупателей.
Это и есть пример эффективной работы культуры управления данными. В этом случае менеджер осознает важность исследования всей информации, имеет возможности поиска причины проблемы и самостоятельных шагов по ее исправлению. В традиционной аналитике эта ситуация всплыла бы только после планового отчета, а из-за ограниченного доступа к данным и затяжного взаимодействия между отделами решалась бы намного дольше.
Преимущества традиционной аналитики и Data Culture
По версии Data Ideology, компании с развитой культурой управления данными, привлекают в 23 раза больше новых клиентов, а также в 6 раз чаще удерживают существующих покупателей. И это неудивительно, ведь Data Culture помогает компаниям:
Сформировать объективную аналитику. Благодаря культуре управления данными можно избежать конфликта интересов между разными отделами, которые из-за отсутствия общей бизнес-картины могут предлагать кардинально разные стратегии развития компании.
Например, если маркетологи решат увеличить рекламный бюджет для продвижения нового продукта, не учитывая данные отдела продаж о реальных потребностях клиентов, это может привести к неэффективным расходам. Data Culture подразумевает внедрение BI-систем, которые визуализируют информацию о динамике продаж, предпочтениях покупателей и эффективности рекламных кампаний. С этими данными можно согласовать будущую стратегию, обеспечив сбалансированный подход к маркетингу и продажам.
Повысить скорость принятия решений. Data Culture помогает бизнесу обработать данные из разных источников за один раз — например, из CRM, ERP, онлайн-магазинов, складов, бухгалтерских систем или соцсетей.
Так, через ETL и BI-системы вся информация сводится в едином интерфейсе, где ее может мгновенно посмотреть и проанализировать любой сотрудник компании. Это ускоряет бизнес-процессы и помогает быстрее принимать более взвешенные решения.
Развить стратегическое мышление команды. После внедрения культуры управления данными аналитикам не придется постоянно формировать отчеты, а отделы будут реже запрашивать друг у друга информацию. Данные о всех бизнес-процессах можно будет посмотреть через графические дашборды BI-системы — например, остаток конкретного товара на складе, количество продаж за определенный период или уровень загрузки производственных мощностей. А как результат, большинство данных, на основе которых принимались бы четко определенные решения вообще можно перевести в автоматизированный на основе BPM процесса формат, еще больше повысив производительность труда. Это освободит сотрудников от большинства рутинных задач и поможет им сконцентрироваться на стратегическом планировании и принятии решений, основанных на доступной и детализированной информации.
Вместе с этим, свои плюсы имеет и традиционная аналитика. Вот некоторые из них:
Экономия. В обычной аналитике редко используются DWH, сложные BI-системы или другие дорогостоящие решения — особенно, при работе с небольшими объемами данных.
Поэтому мелкий и средний бизнес может легко обойтись более простыми и дешевыми вариантами — например, такими небольшими реляционными базами данных, как SQLite или Microsoft Access. Это поможет минимизировать затраты компании, не снижая эффективности базовых аналитических процессов.
Низкая зависимость от внешних факторов. Например, для формирования отчетности в Excel не нужно подключаться к интернету, сложным сервисным центрам или специализированным платформам — аналитикам достаточно компьютера или ноутбука с установленным ПО. Это снижает риски потери информации, связанные с неудачным обновлением внешних сервисов, ошибками резервного копирования данных, кибератаками и другими непредвиденными обстоятельствами.
Простота использования. Традиционную отчетность может сформировать любой сотрудник, который имеет доступ к данным и умеет пользоваться Excel или Google Sheets. Это избавляет бизнес от необходимости расширения штата и помогает быстро обучать и привлекать к аналитике других членов команды.
Таким образом, стандартная аналитика экономит деньги и ресурсы бизнеса, но, при этом, больше подходит для начинающих или небольших компаний. Применение философии Data Culture расширяет и оптимизирует отчетность крупных предприятий, но требует больше времени и ресурсов на внедрение.
Как аналитика и Data Culture влияют на разные аспекты бизнеса?
Традиционная аналитика и культура управления данными охватывают почти все стороны бизнеса — при этом, каждый метод имеет свои особенности и алгоритмы. Например:
Финансовый сектор. Внедрение Data Сulture делает управление бюджетом компании более гибким, точным и проактивным. С помощью интеграции данных из ERP, банковских систем, IT-инфраструктуры и других источников, бизнес может:
- Мгновенно выявлять отклонения в расходах, доходах или запланированных затратах.
Прогнозировать будущие расходы с помощью аналитических и предиктивных моделей.
Оптимизировать бюджетирование благодаря доступу к актуальным данным и возможности видеть их взаимосвязь.
Например, если в момент планирования бюджета IT-отдел понимает, что понадобится модернизация серверов и закупка нового ПО, то финансовый директор может моментально отследить это через BI-интерфейс. Система сразу проанализирует исторические затраты на IT и смоделирует, как обновление ПО и серверов повлияют на финансовые показатели компании. В этом случае могут сравниваться сценарии — реализация проекта в полном объёме, поэтапная модернизация или временный отказ от закупки.
В итоге финансовый директор и IT-отдел быстро получат готовый отчет и смогут оперативно согласовать с руководством компании приоритеты, перераспределение бюджета и оптимизацию расходов.
В случае с традиционной аналитикой проблема решается медленнее и более фрагментарно. Например, IT-департамент готовит отдельный отчёт о необходимых затратах, а финансовый отдел вручную сопоставляет эти данные с планируемым бюджетом через статичные таблицы и ретроспективные данные. В этом случае информация может быть неточной или неполной, что приведет к дополнительным пересмотрам и обсуждениям. Из-за такого затяжного анализа расходы на IT-отдел могут не попасть в будущий бюджет, что снизит производительность некоторых бизнес-процессов из-за устаревшего оборудования.
Операционная деятельность. При использовании традиционной аналитики могут возникать несоответствия между данными разных подразделений организации — например, при сведении управленческого и бухгалтерского отчетов. Первый ориентирован на прогнозирование, а второй показывает только фактическую финансовую деятельность бизнеса. Это создает разрывы между отчетами и может привести к принятию некорректных решений.
Внедрение культуры управления данными устраняет подобные несоответствия благодаря созданию единого информационного пространства, где данные собираются, структурируются и анализируются с учетом потребностей всех отделов компании. Сделать это можно с помощью ETL и BI-систем — например, по следующему алгоритму :
Сбор данных из 1С, ERP, CRM и других систем.
Трансформация полученной информации — например, для бухгалтерского отчета отбираются и классифицируются все транзакции по дебету и кредиту, а для управленческого — создаются прогнозы, основанные на продажах и маркетинговых расходах.
Формирование соответствий между категориями данных — например, «расходы на рекламу» в бухгалтерии и «затраты на маркетинг» в управленческом учете. Для этого используются справочники и классификаторы, которые накладывают информацию из разных систем друг на друга.
Приведение данных к одной шкале — например, если бухгалтерский отчет использует данные по месяцам, а управленческий — по кварталам, система будет конвертировать информацию для более корректного анализа.
После сбора и обработки данных в BI-системе можно посмотреть объединенную отчетность — например, не только по реальным, но и по прогнозируемым расходам, а также отобразить разницу между фактическими и планируемыми затратами.
Это минимизирует ошибки при интерпретации данных, синхронизирует информацию и выстраивает более прозрачную коммуникацию между подразделениями. В итоге компания сможет быстро упорядочить данные из разных отделов и получить более подробную картину работы бизнеса.
Стратегическое планирование. Data Culture помогает использовать информацию как стратегический ресурс для формирования долгосрочных целей, разработки планов и мониторинга прогресса. Это возможно благодаря синхронизации данных компании из всех возможных источников — как внутренних (например, CRM, ERP и WMS), так и внешних (например, Яндекс Директ и Google Analytics).
К примеру, для прогнозирования спроса на конкретные товары можно использовать данные из CRM, ERP и WMS, интегрированные в BI-систему. В этом случае:
- CRM отслеживает покупательское поведение и выявляет, какие товары пользуются большим спросом, а также как часто и в каком объеме их покупают.
ERP предоставляет данные о выполнении заказов, их оплатах и текущих продажах — это помогает оценить, сколько товара было реализовано за определенный период.
WMS информирует о текущих остатках на складе, а также прогнозирует, когда товар может закончиться (с учетом темпов продаж и текущих заказов).
Синхронизация и автоматическая обработка этих данных помогает не только оценить популярность конкретных продуктов по сезонности, региону и сегментам аудитории, но и спрогнозировать, сколько товара нужно заказать в ближайшее время, чтобы избежать его дефицита и излишков.
При этом система обновляет прогнозы в реальном времени с учетом изменения поведения клиентов, сезонности или состояния складских запасов. Например, если через CRM отслеживается повышенный спрос на конкретную продукцию, менеджеры могут оперативно сообщить об этом в отдел логистики — для пополнения запасов трендового товара. Это помогает компаниям планировать более гибкие стратегии, которые, благодаря анализу в реальном времени, можно быстро корректировать под меняющиеся события.
В стандартной аналитике используются исторические данные — без учета пользовательского поведения, резких изменений спроса, задержки в поставках и других переменных. Кроме того, традиционная отчетность создается за конкретный период — например, за месяц или квартал. Поскольку внутренняя и внешняя среды бизнеса постоянно меняются, такая информация уже через несколько дней может потерять актуальность, что сильно снизит эффективность стратегического планирования.
Таким образом, Data Culture значительно расширяет возможности использования данных в сравнении с традиционной аналитикой. С внедренной культурой управления данными компания может эффективнее оценивать риски, строить более достоверные прогнозы, а также оптимизировать скорость взаимодействия между отделами.
Недостатки Data Culture и традиционной аналитики
Несмотря на многие преимущества, внедрение культуры управления данными сопряжено с рядом рисков. Например:
Высокие затраты. Data Culture подразумевает наличие в компании больших массивов данных, для обработки которых необходимы ETL и BI-системы, объемные DWH, мощные серверы и другие дорогостоящие системы и оборудование.
При этом, часть IT-инфраструктуры нужно систематически обслуживать — это создает дополнительную нагрузку на бюджет компании.
Длительное внедрение. Культура управления данными охватывает всю инфраструктуру компании — от ERP до CRM и MES. Поэтому запустить такую сложную систему за несколько дней не получится.
Базовый алгоритм внедрения Data Culture состоит из создания новых должностей, перенастройки основных элементов операционной модели бизнеса и вовлечения в работу большей части команды. Это долгий и трудоемкий процесс, поэтому создавать культуру управления данными нужно постепенно — спринтами. Так можно плавно перестроить бизнес-процессы без потери их эффективности, а также дать работникам больше времени на освоение новых навыков.
Отторжение командой. Работники компании могут сетовать на отсутствие необходимых компетенций, непонимание миссии и целей культуры управления данными или просто переживать о раскрытии своей слабой продуктивности или злоупотребления полномочиями.
Это может обернуться попытками саботажа внедрения Data Culture, разногласиями в команде и повышением недоверия к руководству.
Традиционная аналитика также имеет ряд недостатков. Вот основные из них:
Низкое качество отчетности. Например, аналитики могут допускать опечатки, информация из Excel — дублироваться, а данные от разных отделов — противоречить друг другу. Все это снижает репрезентативность результатов аналитики.
Долгая обработка данных. В традиционной аналитике отчеты формируются разными отделами, поэтому их нужно постоянно перепроверять, а также вносить соответствующие правки и предложения. Учитывая, что такие сверки часто проводятся по 2-3 раза подряд, отчет может попасть к руководителю только через несколько недель, а это негативно повлияет на скорость принятия бизнес-решений.
Зависимость от отдельных специалистов. Например, если аналитик уйдет в отпуск или на больничный, процесс сбора и обработки данных может сильно замедлится, так как составлять его будет человек, не знакомый с нюансами этого процесса.
При этом, традиционная аналитика основана на прошедших событиях, что исключает возможность корректировать отчетность с учетом динамических изменений.
Заключение
Аналитика и Data Culture — это два разных понятия. Стандартный анализ сосредоточен на обработке статичных данных — чаще всего для ответа на конкретный вопрос или решения отдельной задачи. Обычно он ограничен историческими данными и предоставляет краткосрочные рекомендации без учета взаимосвязей между разными подразделениями бизнеса.
Культура управления данными, наоборот, пронизывает всю структуру компании. Здесь используются такие комплексные системы, как BI и ETL, которые помогают анализировать данные в реальном времени, выявлять закономерности внутри бизнес-процессов и оптимизировать взаимодействие между отделами. Это не только повышает точность отчетов, но и формирует в команде понимание важности работы с данными, что помогает бизнесу принимать более взвешенные и объективные решения.