Эволюция аналитики данных — почему еще не все компании «вышли на сушу»

Аналитика данных давно стала важной, если не жизненно необходимой, частью бизнеса. Именно поэтому каждое утро менеджера в идеальном мире начинается с просмотра свежей отчетности о деятельности компании, а все решения принимаются на основе детального анализа полученных данных. Тем не менее, на сегодняшний день жидкое золото в виде аналитических данных буквально утекает из рук российских компаний – управленческие решения по большей части подкреплены интуитивными догадками. Почему это путь в никуда, и как подружиться с аналитикой данных, разбираемся вместе.

Объем информации растет ежеминутно, так, по прогнозам аналитиков IDC, объем данных достигнет 175 зеттабайтов (ЗБ) к 2025 году. Для представления 1 зеттабайт равен примерно 1 миллиарду гигабайтов. Только подумайте, что всеми этими данными можно управлять парой кликов.

Но так было не всегда. Развитие аналитики данных можно сравнить с зарождением жизни на земле. То есть прежде чем выйти на уровень сверхразума, каждой компании надо пройти весь цикл развития, начиная с состояния одноклеточного. Когда компания только начинает свой путь, вокруг нее гигабайты разных данных, которые проплывают мимо нее. Со временем все полученные данные становится тяжело держать в голове, и аналитики создают для этого таблицы Excel. На этом этапе собранные сухие данные любого порядка превращаются в плоский отчет, но дальнейшая судьба этих отчетов неизвестна никому. Чаще всего потому, что в компании не знают, что делать дальше с таблицей, набитой статистическими данными. Так, либо теряются сами файлы, и весь процесс начинается заново, либо они теряют свою актуальность.

«Съев» достаточно данных и переварив их в Excel таблицу, аналитики могут считаться полноценным организмом. Но даже если плоские Excel-отчеты постоянно обновляются, данные всегда предстают перед аналитиком в одном и том же свете. Чтобы рассмотреть их с разных углов, необходимо комбинировать данные из разных источников. С этой задачей справляются BI-системы, имеющие одну точку входа для всех взаимосвязанных данных из Excel-файлов, CRM-системы и т.д. Далее аналитики не просто автоматически выстраивают графики на основе полученных данных, а пытаются понять, как эти цифры взаимосвязаны. В этом процессе соединения точек на карте (да, вы правильно представили картину из детективного сериала) аналитик подходит к ретроспективному анализу. При ретроспективной аналитике можно отследить причины того, что пошло не так, например, в процессе закрытия сделки или почему продажи выросли/упали на X%. Чаще всего ответы лежат на графике.

Прошлое остается в прошлом, а компаниям нужно двигаться дальше и влиять на развитие в будущем. Так, чтобы компания «вышла на сушу», необходимо научиться строить зависимости. В этом случае аналитик сможет заранее предсказать, какова вероятность выигрыша или проигрыша сделки, а также, с какими рисками можно столкнуться по пути. Этот этап называется предиктивной аналитикой. Если возвращаться к примеру сделки, нужно заново пройти все этапы общения с клиентом, чтобы связать действие с результатом и тем самым выявить зависимости, – проследить, что отвечал клиент, на каком этапе сделки были подключены дополнительные силы и какие и т.д. Собранные зависимости дают инсайты - данные, которые помогают конкретнее понять ситуацию или проблему в разрезе нынешнего положения дел. Благодаря инсайтам впоследствии компании могут вовремя переориентироваться и закрыть пробоины, а также обнаружить точки потенциального роста.

Выйдя на сушу, нужно соорудить лук и добыть еду для своего племени, то есть обработать большой объем данных в кратчайшие сроки. Для этого нам понадобится, сюрприз-сюрприз, ML-модель. Такие классические подходы, как, например, сбор данных SQL запросами, просто не тянут объем данных корпораций. Только представьте сколько информации необходимо обработать представителю большой четверки операторов – минуты, мегабайты, SMS и многое другое. ML-модель позволяет получать не только инсайты, но и обратную связь по ним – как с ними можно работать, а также куда двигаться дальше. Но не поддавайтесь утопичной идее, в которой модель полностью заменяет человека и работает без нее. Любая технология требует контроля.

Также надо понимать, что до Big Data и машинного обучения необходимо дорасти. Ни одна компания не может перепрыгнуть какую-либо из описанных ступеней развития. Сами посудите, о какой Big Data может идти речь, если вы закрываете две сделки с год.

Свою лепту вносит и вечный кризис, который заставляет компании повышать свою эффективность: мгновенно адаптироваться под запросы рынка, быстрее принимать решения, сокращать неэффективные расходы. Средства бизнес-аналитики позволяют наглядно увидеть «узкие» места, например, нестыковки в процессе согласовании документов или ошибки в документах и при выполнении задач. Но если, как кажется, без аналитики не обойтись, почему большая часть компаний по собственному желанию остается под водой?

• Дорого

При использовании любого нового для компании решения ключевым камнем преткновения всегда является стоимость. Чаще всего миф о стоимости рождается в результате поверхностного знакомства с предложениями на рынке. Вы наверняка знаете, что поисковая система Google с радостью предложит сначала инструменты западных коллег стоимость которых, очевидно, выше из-за разницы в покупательской способности, избыточного функционала и другой структурой затрат на поддержание этого решения.

Тем не менее, российские технологии ничем не уступают западным конкурентам, и совсем не потому, что выбора сейчас нет. Например, на основе Контура можно разработать аналитическую систему за 50-70 тыс.рублей. Подобные коробочные решения могут позволить себе как малый, так и средний бизнес, а стоимость можно снижать в зависимости от пула задач, которые она должна решать.

• Еще дороже, а точнее дорогие кадры для поддержания работы системы

Если разработать и настроить систему можно с помощью специалистов извне, то кто будет следить за корректностью работы по мере развития компании?

Давайте не будем ходить вокруг да около, а просто признаемся друг другу в том, что безопаснее пройти весь путь с опытным человеком, который уже совершил все классические ошибки, но не в вашей компании и не за ваши деньги. Точка.

• Недоверие к технологиям

В особенностях нашего менталитета в большинстве своем (вы уж простите) заложено неумение признавать ошибки. Если система подсвечивает некоторое несоответствие данных или выявляет ошибку, мы постараемся убедить каждого сотрудника компании в том, что неправа именно система, несмотря на точность 98%. Каждый раз оказываясь в подобной ситуации, помните, что это вы продиктовали машине правила, на основе которых она выдала результат. И пока аналитик внутри компании еще раз не пройдет путь от настройки системы до получения результатов, виновата может оказаться даже консьержка тетя Таня.

• Когда и так все ясно

Многие компании не видят смысла в анализе собственной деятельности, потому что, кажется, что все и так понятно – вот рынок сбыта, вот целевая аудитория, а в продажах просели, потому что конкуренты быстрее рекламу запустили в Одноклассниках. Однако удерживать в голове всю линейку продуктов, сопоставлять в уме цифры о продажах тысячи позиций просто невозможно. Чтобы держать руку на пульсе, необходимо постоянно получать и анализировать данные из нескольких отделов одновременно. И если, как мы помним из прошлого пункта, вы не доверяете системе, позвольте ей хотя бы просто облегчить вашу жизнь и построить очевидные взаимосвязи между полученными данными.

Растущую важность бизнес-аналитики подчеркивают реальные бизнес-кейсы. Вы наверняка помните Uber, который генерирует цены на такси не по велению небесной канцелярии, а с помощью аналитики спроса в том или ином районе. Накопленный опыт кричит вам – не бойтесь нового, используйте его для своего удобства и развития, иначе рискуете остаться за бортом рынка.