29.08.2013 16:01
Преимущества использования больших данных уже не вызывают сомнений. Успешные практики свидетельствуют о том, что когда компании используют данные и аналитику в своей деятельности, они увеличивают производительность, а соответственно и прибыль. Однако сам процесс перехода к Big Data не так уж и прост. Он предполагает большой объем необходимых инвестиций, измеряющийся как в денежном эквиваленте, так и в приверженности руководства. ИТ-директора давят на необходимость переработки архитектуры данных и приложений. Внешние поставщики, являясь сторонниками модели «черного ящика», предпочитают использовать неструктурированные данные в поисках причинно-следственных связей. Менеджеры настаивают на том, что им необходимо заранее знать об окупаемости проекта и потенциально разрушительных организационных изменениях.
Решение проблемы, попросту говоря, заключается в том, чтобы разработать конкретный план. Это кажется очевидным, но, как показывает практика, большинству компаний не хватает решимости на то, чтобы потратить время на план, позволяющий видеть, как данные, аналитика, передовые инструменты и люди в комплексе создают ценность для бизнеса. План – это общий язык для всех категорий персонала: руководителей, технических специалистов, ученых по данным и менеджеров. С его помощью они могут понять, откуда поступают наибольшие доходы и с чего начинать работу с большими данными.
Здесь можно провести параллель со стратегическим планированием. Сорок лет назад только несколько компаний разработали хорошо продуманные стратегические планы. Некоторые из тех первопроходцев добились впечатляющих результатов. Сегодня вряд ли какая-либо компания запускает деятельность без стратегического плана. Точно также скоро большинство руководителей увидят необходимость в разработке плана по данным и аналитике.
Хороший стратегический план подчеркивает важные решения, плюсы и минусы. Согласно ему компания определяет инициативы, на которых необходимо сосредоточиться: например, на какие направления бизнеса должны идти основные суммы, независимо от того, акцентируете ли вы внимание на высокой прибыли или быстром росте, и что необходимо для достижения высокой эффективности. В первые дни планирования аналитики больших данных компаниям следует рассмотреть аналогичные вопросы: выбрать внутренние и внешние данные для интеграции; извлечь из длинного списка потенциальных аналитических моделей и инструментов те, которые будут наилучшим образом поддерживать их бизнес-цели; определить необходимые организационные возможности для использования этого потенциала.
Успешно разобраться со всеми плюсами и минусами планирования позволяет стратегический диалог с руководством компании, в том числе и для определения инвестиционных приоритетов, балансировки скорости и стоимости, а также для создания условий участия в процессе. План, который решает эти важнейшие вопросы, скорее всего, даст ощутимые результаты для бизнеса и сможет стать источником уверенности для руководителей высшего звена.
Что в плане?
Любой успешный план должен включать три основных элемента.
Данные
План для сбора и интеграции данных имеет большое значение. Компании похоронили себя в информации, которая часто разрознена горизонтально (по различным бизнес-подразделениям) или вертикально (по функциям). Важные данные могут находиться в ИТ-системах, которые охватили такие области, как обслуживание клиентов, ценообразование, поставки. Но осложняет процесс еще и тот факт, что важная информация часто находится вне компании, в неструктурированных формах, таких как обсуждения в социальных сетях.
Превращение этой информации в полезный и долгосрочный актив часто требует больших инвестиций в новые возможности больших данных. Планы могут подчеркнуть необходимость в грандиозной реорганизации архитектуры данных с течением времени: просеивании запутанных хранилищ данных (выделение транзакций из аналитических отчетов), создании точного источника данных, реализации стандартов, управляемых данными. В краткосрочной перспективе для некоторых компаний возможно упрощенное решение: передача проблемы на аутсорс специалистам по данным, которые используют программное обеспечение на основе облачных технологий, чтобы объединить данные для стартового использования.
Аналитические модели
Интеграция данных сама по себе не создает ценности. Расширение аналитических моделей требуется для управления оптимизацией с учетом данных (например, графиком работников или системой перевозки грузов) или прогнозирования (например, задержки рейса, ожидания клиентов с учетом истории покупок или их поведения на сайте). План определяет, где модели создадут дополнительную ценность для бизнеса, как избежать несоответствий и излишнего количественного роста, когда модели охватят всю организацию.
Компании будут стремиться к тому, чтобы связать эти модели вместе для решения более широкого круга вопросов по оптимизации функций и бизнес-единиц. План может потребовать создания целой «фабрики» аналитики для сбора ряда моделей из растущего списка переменных, а затем внедрения определенных систем. При этом важно удержаться от соблазна достичь совершенства в аналитике: огромное количество переменных создаст сложности с удобством использования и понимания моделей.
Инструментарий
Результат моделирования может быть поразительным, но он ценен только тогда, когда менеджеры и рядовые сотрудники понимают и используют его.
«Необходимы интуитивно понятные инструменты, которые интегрируют данные в ежедневные процессы и переводят результаты моделирования в практические действия бизнеса: например, создание понятного интерфейса для графика сотрудников, предоставление менеджерам по маркетингу возможности принимать решения о скидках в режиме реального времени. Многие компании не в состоянии сделать этот шаг в планировании»
Также важнейшим толчком к данным, моделям и инструментам должны стать организационные возможности. В некоторых случаях стратегические планы оказываются нереализованными, потому что организациям не хватает навыков для этого. Слишком большие планы относительно данных могут в итоге обмануть надежды, если организация не располагает необходимыми возможностями и правильными людьми. Компаниям для начала необходимо создать пул талантов, а после этого изложить планы относительно того, как можно вырастить специалистов по обработке данных, разработчиков аналитических моделей, рядовой персонал, который будет ориентироваться (и стремиться к лучшим результатам бизнеса) в среде, богатой новыми инструментами и данными.
Собрав отдельные строительные блоки, компании могут приступить к разработке комплексного плана по данным. Разумеется, детали планов (аналитические подходы, инструменты для поддержки принятия решений, источники ценности бизнеса) будут колебаться в зависимости от отрасли. Тем не менее, необходимо отметить важное структурное сходство в различных отраслях: большинству компаний необходимо будет планировать основные кампании по интеграции данных. Дело в том, что многие ценные модели и инструменты будут строиться с использованием внеочередного круга источников данных. Как правило, эти источники будут включать внутренние данные от клиентов, сделки, операции и внешнюю информацию от партнеров и др.
Пример из сферы оказания медицинских услуг
Успешное планирование данных сосредоточено на трех основных элементах.
Чтобы построить модель, которая оптимизирует режим лечения и госпитализации, компании, работающей в области здравоохранения, придется объединить широкий круг пациентов и их демографические данные, данные по эффективности препаратов, затраты на медицинские устройства, данные о затратах из больниц. Транспортная компания может объединить данные о тарификации в режиме реального времени, GPS и метеорологические данные, а также критерии производительности труда работников, чтобы прогнозировать, какие перевозки, какой транспорт и какая структура грузооборота приносят наибольшую прибыльность.
Три основные задачи планирования
Каждый план должен решать некоторые общие проблемы. Они требуют внимания со стороны высшего руководства и, вероятно, хорошо знакомы: определение инвестиционных приоритетов, распределение скорости и затрат, а также обеспечение вовлечения в процесс. Все это также является неотъемлемыми составляющими многих стратегических планов. Но есть и важные отличия в планах по данным и аналитике.
1. Соответствие инвестиционных приоритетов бизнес-стратегии
Допустим, в компании разрабатывают план по большим данным. Основная дилемма заключается в том, как интегрировать свои данные, например, по операциям, взаимодействию с клиентами. Интеграция всей этой информации может обеспечить компанию мощными идеями, но стоимость новой архитектуры данных и развития возможных моделей и инструментов может оказаться огромной, и это заставляет делать выбор. Планировщики одного бюджетного ретейлера с высокими объемами выбрали модели, использующие данные по продажам в магазинах для прогнозирования информации по непроданному товару и затрат на рабочую силу, чтобы держать цены на низком уровне. Другой ретейлер с высоким уровнем обслуживания выбирает модели, требующие больших инвестиций и агрегированных данных заказчика, чтобы расширить возможности программы лояльности, подтолкнуть клиентов к продукции, приносящей большую прибыль, и к индивидуальным услугам.
Это является с инвестиционной точки зрения приоритетной задачей: оба подхода правильные и, по сути, соответствуют бизнес-потребностям компаний. Легко представить себе, как эти подходы попадают в центр внимания других розничных торговцев. Но как сделать выбор между этими (или другими) возможностями в мире ограниченных ресурсов?
Ничто не заменит серьезное участие высшего руководства в определении приоритетов. Крупный банк сформировал команду из ИТ-директора, директора по маркетингу и руководителей бизнес-подразделений для решения маркетинговой проблемы. Банкиры были недовольны результатами прямых маркетинговых кампаний: расходы росли, а интерес к новым предложениям разочаровывал. Суть проблемы, которую обнаружили банкиры, состояла в разрозненности маркетингового подхода. Отдельные бизнес-единицы рассылали различные предложения по всей базе клиентов банка, независимо от их финансовых условий или предпочтений. Те, кто чаще нуждался в инвестиционных услугах, получал предложения по ряду депозитных продуктов, и наоборот.
Команда руководителей пришла к выводу, что решение проблемы потребует объединения данных в хранилище с данными об уровне доходов, истории продуктов, степени риска и др. Эта центральная база данных позволяет банку оптимизировать свои маркетинговые кампании, направляя людям продукты и услуги, в которых они, скорее всего, нуждаются, и повышая тем самым коэффициент попаданий и рентабельность кампаний. Надежный процесс планирования часто необходим для того, чтобы подчеркнуть инвестиционные возможности и стимулировать топ-менеджмент к участию в процессе.
2. Балансировка скорости, стоимости и одобрения
Естественный импульс для руководителей, которые «владеют» данными компании и стратегией аналитики, заключается в быстром переходе в режим действия. Когда уже определены некоторые инвестиционные приоритеты, нетрудно найти поставщиков программного обеспечения, разрабатывающих приложения и алгоритмические модели для решения аналитических задач. Эти пакеты услуг (охватывающие ценообразование, управление запасами, планирование труда и т.д.) могут быть эффективными с точки зрения затрат, проще и быстрее внедряться. Но им часто не хватает убийственных дополнений – таких, которые бы были созданы на основе реальных бизнес-кейсов и могли бы активизировать менеджеров. Отраслевые и специфические факторы бизнеса являются мощными инструментами реализации успешных усилий, связанных с данными.
Для того чтобы понять стоимость игнорирования этого этапа, рассмотрим опыт одного банка, пытающегося улучшить производительность отдела, занимающегося страхованием малого бизнеса. Надеясь на быстрые результаты, аналитическая группа разработала на лету модель без планирования процесса с участием ключевых заинтересованных сторон. Эта модель была отлично протестирована на бумаге, но не работала хорошо на практике, и компания, используя ее, постоянно увеличивала расходы. Руководство решило начать все сначала, с привлечения руководителей бизнес-подразделений, чтобы сдвинуть проблему со второй попытки. Обновленная модель, построенная на основе более полного набора данных, отражает разницу между различными сегментами клиентов, имеет большую прогностическую способность и в конечном итоге снижает расходы. Вывод: планирование с большими данными управленческая и техническая проблема, и не существует никакого другого рационального метода справиться с ней, кроме как напряженно работать и вовлекать в процесс бизнес-игроков и специалистов по данным.
В судоходной компании критический вопрос заключался в том, чтобы сбалансировать потенциальные выгоды от новых данных и аналитических моделей с бизнес-рисками. Руководителям высшего звена было удобно использовать существующие модели, ориентированные на операции, но возникла буксировка, когда стратеги по данным предложили ряд новых моделей, связанных с поведением клиентов, ценообразованием и планированием. Особую озабоченность вызывал тот факт, что дорогостоящие новые подходы, основанные на данных, могли перебить хорошо налаженные операции планирования. Специалисты по данным справились с этими проблемами путем запуска прототипа (в котором использовался меньший объем данных и первичная программа анализа) в одном регионе. Иногда такая тактика необходима для достижения правильного баланса, и она может быть частью общего плана.
В страховой компании ключевая задача состояла в том, чтобы развеять обеспокоенность среди внутренних заинтересованных сторон. Модель «черного ящика», предназначенная для выявления пациентов с хроническими заболеваниями с повышенным риском госпитализации, оказалась высокоточной при тестировании с использованием исторических данных. Однако руководители клинических программ поставили под сомнение способность непрозрачной аналитической модели выбирать, какие пациенты должны получать дорогостоящее профилактическое лечение. В итоге страховщик выбрал более простой и прозрачный подход на основе данных и аналитики, усовершенствов существующую практику, правда, принес в жертву некоторую точность, с вероятным результатом, согласно которому более широкий круг пациентов мог бы претендовать на дорогостоящее лечение. Взвешивание всех плюсов и минусов еще на этапе планирования данных помогает сэкономить время и позволяет избежать затратных тупиковых ситуаций.
Наконец, некоторые усилия по планированию требуют балансировки желания снизить затраты с необходимостью сочетания данных и подходов моделирования, которые отражают реалии бизнеса. Возьмем для примера сферу розничной торговли, где игроки обладают уникальной клиентской базой, способами установления цен для оптимизации продаж и прибыльности, а также структурами продаж и условиями для инвентаризации. Один ретейлер, например, быстро и недорого ввел в действие стандартную модель рекомендации товара на своем сайте (модель на основе алгоритма, которая анализирует историю покупок для прогнозирования следующего продукта или сервиса, который покупатель захочет приобрести; модель предоставляет конкретную рекомендацию). Но для создания более сложных моделей для прогнозирования регионального и сезонного поведения покупателя и оптимизации операций с цепочками поставок ретейлер должен был собрать неструктурированные данные по потребителю из социальных медиа, выбрать данные во внутренних операциях и настроить алгоритмы прогнозов. Сбалансированный план с большими данными подразумевает потребность в смешанных подходах.
3. Наведение фокуса на вовлечение линейного персонала и возможности
Даже после вложения значительных инвестиций в новый инструмент ценообразования одна авиакомпания обнаружила, что производительность аналитиков по управлению доходами по-прежнему осталась ниже ожиданий. В чем была проблема? Инструмент оказался слишком сложным, чтобы быть полезным. Другая проблема возникла в компании, занимающейся страхованием: врачи отклонили веб-приложение, разработанное для того, чтобы приблизить их к экономически более эффективным методам лечения. Врачи сказали, что они будут использовать его только для некоторых заболеваний, варианты лечения они посчитали важными для поддержания доверия пациентов.
Подобные проблемы возникают, когда компании пренебрегают третьим элементом планирования больших данных – одобрением, принятием. Как уже говорилось выше, при описании основных элементов плана процесс начинается с создания аналитических моделей, которые необходимо понимать менеджерам по работе с клиентами.
«Модели должны быть связаны с простыми в использовании средствами поддержки принятия решений и процессами, которые позволяют менеджерам применять свой собственный опыт и суждения»
Несмотря на то, что некоторые аналитические подходы (например, основное прогнозирование продаж) автоматические и требуют ограниченного участия менеджеров, львиная доля таких подходов все же оказывается провальной без сильной управленческой поддержки.
Вышеупомянутая авиакомпания переработала программный интерфейс инструмента ценообразования, чтобы в него были включены только 10-15 архетипов с наиболее важной информацией. Это во много упростило дальнейшую деятельность.
Однако планирование создания таких удобных для работников инструментов – только начало. Важно также сосредоточиться на новых организационных навыках, необходимых для эффективной реализации проекта.
«Многие компании считают, что 95% их инвестиций в аналитику должны быть потрачены на данные и моделирование. Но если они не развивают навыки и не готовят менеджеров, многие из которых не обладают аналитическими способностями, то эти инвестиции ничего не дадут. Хорошее правило для целей планирования – это 50X50: соотношение данных и моделирования к обучению»
Часть этих инвестиций может идти на обучение «бимодальных» менеджеров, которые хорошо понимают бизнес и имеют достаточно знаний о том, как использовать данные и инструменты, чтобы сделать решения лучше и аналитически более насыщенными. Компании также могут разрабатывать стимулы, которые перетягивают ключевых игроков бизнеса с аналитическими навыками на руководящие должности, связанные с данными, а затем поощряют взаимный обмен идеями между департаментами.
Заключение
При наличии плана исполнение становится легче: интеграция данных, организация пилотных проектов, а также создание новых инструментов и приложение усилий по подготовке кадров происходит в контексте четкого видения ценности бизнеса – видения, которое вряд ли столкнется с проблемами финансирования или организационной оппозиции. Со временем, конечно, первоначальные планы будут приспосабливаться. Но одно из ключевых преимуществ больших данных и аналитики заключается в том, что вы можете узнать о вашем бизнесе то, чего раньше не замечали.
Здесь тоже можно провести параллель со стратегическим планированием, которое со временем переросло во многих организациях от формального процесса, прописанного в книгах, к более динамичному. Планирование больших данных и аналитики также важно. Однако это все еще проблема завтрашнего дня, сегодня такие планы практически не создаются. Чем раньше руководители начнут менять ситуацию, тем больше шансов, что они превратят данные в реальный источник конкурентных преимуществ для своих организаций.
Перевод с английского Ивана Ильина
Копирование и любая переработка материалов с сайта neohr.ru запрещены
Комментарии
Комментариев пока нет
