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?

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.

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.

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.

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.