Компани, которые обеспечиваю эффективную работу за счет лучшего удовлетворение потребностей клиентов, оптимизацию операций, ясной и точной стратегии. Это те компании, которые за последнее десятилетие накопили данные, инвестировали в технологии и аналитический штат сотрудников. Тем не менее для многих компаний сильная культура, основанная на данных, остается труднодостижимой, а данные редко являются универсальной основой для принятия решений.
Почему это так сложно?
Наш опыт работы в ряде отраслей показывает, что самые большие препятствия для создания бизнеса основанного на данных, не технические, а культурные. Мы выделили 10 основ, которые помогут создать и поддерживать культуру управления основе данных:
Культура, основанная на данных, начинается (с самого) верха.
В компаниях с сильной культурой, ориентированной на данные, как правило, есть топ-менеджеры, которые ожидают, что решения должны основываться на данных — что это нормально, а не новшество или исключение. Они показывают это на собственном примере.
Например, в одном розничном банке руководители высшего звена вместе анализируют данные контролируемых рыночных испытаний, чтобы принять решение о запуске продукта. В ведущей технологической фирме руководители высшего звена в начале встречи тратят 30 минут на чтение подробных резюме предложений и подтверждающих их фактов, чтобы они могли принять решение основанные на фактических данных. Эти практики распространяются вниз, поскольку сотрудники, которые хотят, чтобы их воспринимали всерьез, должны общаться с высшим руководством на их условиях и на их языке. Пример, поданный несколькими руководителями, может стать толчком для существенных сдвигов в общекорпоративной культуре.
Интеллектуальный и практический отбор важных метрик для анализа
Вы как руководитель можете существенно повысить эффективность правильно выбирая, что измерять и какие показатели вы ожидаете от сотрудников. Предположим, что компания может получить прибыль, предвидя изменения цен конкурентов. Что ж, для этого есть метрика: точность прогнозирования во времени. Таким образом, команда должна постоянно делать прогнозы относительно величины и направления таких изменений у конкурентов, а также отслеживая качество этих прогнозов, которое будет улучшаться с каждым разом. Или к примеру, ведущий телекоммуникационный оператор хотел, чтобы его сеть предоставляла ключевым клиентам наилучший уровень качества связи. Но он собирал только сводные статистические данные о производительности сети, поэтому мало что знал о том, кто что получает, и о качестве связи, которое получали ключевые клиенты. Создав подробные показатели качества услуг связи у ключевых клиентов, оператор смог провести количественный анализ влияния обновлений сети на потребителей.
Совместная работа специалистов по подготовке данных и анализу данных;
Специалисты по данным часто изолированы внутри компании, в результате чего они и бизнес-пользователи слишком мало знают друг о друге. Аналитика не может существовать и приносить пользу, если она работает отдельно от остального бизнеса. Успешные компании делали это двумя путями.
Одни, чтобы сделать убрать границы между бизнесом пользователями и специалистами по данным, переводили сотрудников с руководящих позиций на рядовые должности аналитиков, где они развивали свои компетенции по анализу данных. Затем они возвращались на свои рабочие места. Одна международная компания по торговле сырьевыми товарами разработала новые роли и должности аналитиков в различных функциональных подразделениях своего бизнеса, чтобы повысить аналитические компетенции. Что помогло объединить знания в предметной области и возможности применения аналитики.
Современные data driven компаний бизнесе и наука о данных должны работать вместе. Бизнес пользователи не должны становиться специалистами по машинному обучению и разбираться в программном годе, но они должны понимать численных методов, основы аналитики и «язык» данных и использовать аналитический подход для принятия оперативных и стратегических решений.
Быстрый доступ к данным;
Безусловно, самая распространенная жалоба, которую мы слышим, заключается в том, что люди в разных сферах бизнеса изо всех сил пытаются получить даже самые основные данные. Любопытно, что эта ситуация сохраняется, несмотря на ряд усилий по демократизации доступа к данным внутри корпораций. Из-за нехватки информации аналитики не проводят много анализа, и культура, основанная на данных, не может укорениться, не говоря уже о том, чтобы процветать.
Ведущие компании используют простую стратегию, чтобы выйти из этого тупика. Вместо грандиозных — но медленных — программ по реорганизации всех своих данных они предоставляют универсальный доступ всего к нескольким ключевым показателям одновременно.
Например, ведущий мировой банк, который пытался лучше прогнозировать потребности в рефинансировании кредитов, создал стандартный уровень данных для своего отдела маркетинга, сосредоточив внимание на наиболее важных мерах. В данном случае это были основные данные, касающиеся условий кредита, остатков и информации об имуществе; данные маркетинговых каналов о том, как были выданы кредиты; и данные, характеризующие широкие банковские отношения клиентов.
Независимо от конкретной инициативы, разумный выбор для первых данных, которые будут доступны, — это те показатели, которые стоят на повестке дня высшего руководства. Требование, чтобы другие числа в конечном итоге были привязаны к этому источнику данных, может значительно стимулировать его использование.
Определить зоны неопределенности;
Количественная оценка неопределенности. Все признают, что абсолютная уверенность невозможна. Тем не менее, большинство менеджеров продолжают спрашивать у своих команд ответы без соответствующей меры уверенности. Им не хватает трюка. Требование от команд четкого и количественного определения уровней неопределенности имеет три мощных эффекта.
Во-первых, это заставляет лиц, принимающих решения, непосредственно бороться с потенциальными источниками неопределенности: Надежны ли данные? Не слишком ли мало примеров для надежной модели? Как могут быть учтены факторы, если для них нет данных, таких как формирующаяся конкурентная динамика? Один ритейлер обнаружил, что очевидное снижение показателей выкупа по сравнению с его моделями прямого маркетинга было вызвано все более устаревшими адресными данными. Обновление, а также процесс обновления данных устранили проблему.
Во-вторых, аналитики получают более глубокое понимание своих моделей, когда им приходится строго оценивать неопределенность. Например, модели основных рисков британской страховой компании не смогли должным образом адаптироваться к рыночным тенденциям. Поэтому компания создала систему раннего предупреждения, чтобы учитывать эти тенденции и выявлять случаи, которые в противном случае были бы упущены. В результате удалось избежать убытков из-за внезапных всплесков претензий.
Наконец, упор на понимание неопределенности подталкивает организации к проведению экспериментов. «В большинстве случаев «испытывать и учиться» на самом деле означает «возиться и надеяться», — заметил однажды главный продавец одной из розничных сетей. В его фирме команда количественных аналитиков объединилась с менеджерами по категориям для проведения статистически строгих контролируемых испытаний своих идей, прежде чем вносить широкомасштабные изменения.
Простые и надежные обоснования концепций;
Делайте доказательства концепции простыми и надежными, а не причудливыми и хрупкими. В аналитике многообещающих идей намного больше, чем практических. Часто разница становится очевидной только после того, как фирмы попытаются внедрить в производство доказательства концепции. Одна крупная страховая компания провела внутренний хакатон и назвала его победителя — элегантное усовершенствование онлайн-процесса — только для того, чтобы отказаться от этой идеи, поскольку казалось, что она требует дорогостоящих изменений в базовых системах. Отбрасывание хороших идей таким образом может деморализовать организации.
Лучшим подходом является разработка доказательств концепции, где основной частью концепции является ее жизнеспособность в производстве. Один из хороших способов — начать создавать что-то промышленного уровня, но тривиально простое, а затем повысить уровень сложности. Например, для внедрения новых моделей риска в большой распределенной вычислительной системе компания, занимающаяся продуктами данных, начала с реализации чрезвычайно простого процесса, который работал от начала до конца: небольшой набор данных правильно перетекал из исходных систем через простую модель и затем передаются конечным пользователям. Как только это было сделано, и зная, что все по-прежнему согласованно, фирма могла улучшать каждый компонент по отдельности: большие объемы данных, более экзотические модели и лучшая производительность во время выполнения.
Организовать специализированное обучение по управлению данными;
Своевременно следует предлагать специализированное обучение. Многие компании инвестируют в обучение «большим взрывом» только для того, чтобы сотрудники быстро забывали то, чему они научились, если они не применили это сразу. Таким образом, хотя базовые навыки, такие как кодирование, должны быть частью фундаментального обучения, более эффективно обучать персонал специализированным аналитическим концепциям и инструментам непосредственно перед тем, как они потребуются, например, для проверки концепции. Один ритейлер незадолго до первого рыночного испытания подождал, прежде чем обучить своих аналитиков тонкостям экспериментального дизайна. Знания прижились, и когда-то чуждые концепции, такие как статистическая достоверность, теперь стали частью жаргона аналитиков.
Используйте бизнес аналитику;
Используйте аналитику, чтобы помочь сотрудникам, а не только клиентам. Легко забыть о потенциальной роли беглости данных в том, чтобы сделать сотрудников счастливее. Но предоставление сотрудникам возможности самостоятельно обрабатывать данные может сделать это, поскольку это позволяет им следовать совету из книги с запоминающимся названием по программированию: «Автоматизация скучных вещей с помощью Python». Если идея обучения новым навыкам для более эффективной обработки данных представлена в абстрактном виде, немногие сотрудники будут достаточно увлечены, чтобы продолжать и улучшать свою работу. Но если непосредственные цели приносят им непосредственную пользу — экономя время, помогая избежать повторной работы или получая часто необходимую информацию — тогда рутинная работа становится выбором. Несколько лет назад команда аналитиков ведущей страховой компании изучила основы облачных вычислений просто для того, чтобы экспериментировать с новыми моделями на больших наборах данных, не дожидаясь, пока ИТ-отдел догонит их потребности. Этот опыт оказался основополагающим, когда, наконец, ИТ переделали техническую инфраструктуру фирмы. Когда пришло время набросать требования к платформе для расширенной аналитики, команда смогла сделать больше, чем просто описать ответ. Они могли бы продемонстрировать работающее решение.
Пожертвовать гибкостью языков программирования
быть готовым пожертвовать гибкостью языков программирования ради согласованности в краткосрочной перспективе;
Будьте готовы променять гибкость на последовательность — по крайней мере, в краткосрочной перспективе. Во многих компаниях, которые зависят от данных, живут разные «племена данных». У каждого могут быть свои предпочтительные источники информации, индивидуальные показатели и любимые языки программирования. Для организации это может стать катастрофой. Компании могут потратить бесчисленное количество часов, пытаясь согласовать слегка отличающиеся друг от друга версии метрики, которая должна быть универсальной. Непоследовательность в том, как моделисты выполняют свою работу, также сказывается. Если стандарты кодирования и языки различаются в зависимости от бизнеса, каждый шаг аналитического таланта влечет за собой переподготовку, что затрудняет их распространение. Также может быть непомерно обременительно обмениваться идеями внутри компании, если они всегда требуют перевода. Вместо этого компаниям следует выбирать канонические метрики и языки программирования. Один ведущий глобальный банк сделал это, настаивая на том, чтобы его новые сотрудники в инвестиционно-банковской сфере и управлении активами знали, как программировать на Python.
Привычка объяснять решения на основе аналитики.
Возьмите за привычку объяснять аналитический выбор. Для большинства аналитических задач редко существует единственный правильный подход. Вместо этого специалисты по данным должны делать выбор с различными компромиссами. Поэтому хорошей идеей будет спросить у команд, как они подошли к проблеме, какие альтернативы рассматривали, в чем, по их мнению, заключались компромиссы и почему они предпочли один подход другому. Само собой разумеется, что это дает командам более глубокое понимание подходов и часто побуждает их рассматривать более широкий набор альтернатив или переосмысливать фундаментальные предположения. Одна глобальная финансовая компания сначала предположила, что довольно обычная модель машинного обучения для выявления мошенничества не может работать достаточно быстро, чтобы ее можно было использовать в производстве. Но позже выяснилось, что модель можно сделать невероятно быстрой с помощью нескольких простых настроек. Когда компания начала использовать эту модель, она добилась поразительных улучшений в точном выявлении мошенничества.
Компании, а также подразделения и отдельные лица, входящие в их состав, часто прибегают к привычке, потому что альтернативы выглядят слишком рискованно. Данные могут служить своего рода доказательством для поддержки гипотез, давая менеджерам уверенность в том, что они могут переходить к новым областям и процессам, не совершая скачка в темноте. Но просто стремиться к управлению данными недостаточно. Чтобы руководствоваться данными, компании должны развивать культуру, в которой этот образ мышления может процветать. Лидеры могут продвигать этот сдвиг своим примером, практикуя новые привычки и формируя ожидания относительно того, что на самом деле означает принятие решений на основе данных.
