Повсеместная цифровизация приводит к тому, что предприятия генерируют и накапливают огромные массивы данных, однако данные, как и золото, всего лишь ресурс, ценность которого определяется конечным продуктом. В ходе «производственного цикла» аналитики этот ресурс проходит две стадии: сначала преобразуется в знания, а затем — в бизнес-действие. Как следствие, успех монетизации аналитических проектов определяется не только объемом и качеством данных, но и эффективностью организации самого «производственного процесса». Только те компании, которым удается извлекать пользу из вселенной цифр, вправе считаться управляемыми данными (data-driven). Это не только почетный статус, но и конкурентное преимущество: такие компании быстрее, умнее и сильнее своих соперников.

Путь на эту вершину нельзя назвать легким, но преодолеть его под силу любой организации при условии правильно построенного маршрута. Зададимся целью проложить его, акцентировав внимание на основных составляющих успеха и признаках провала.

Данные не самоцель, но заявить то же самое об аналитике преждевременно: она не может существовать сама по себе, а должна быть встроена в конкретный бизнес-процесс. В продолжение аналогии с производством это можно рассматривать как пример вертикальной интеграции промышленных предприятий: продукция аналитики используется в последующих звеньях производственной цепочки — например, в отделах, занимающихся непосредственным принятием решений.

Первое, что нужно понять, — особенности инвестиционного цикла этого «предприятия». Для любого аналитического проекта естественна ситуация, когда поначалу он приносит лишь убытки. Это характерно для начального, самого длительного этапа — подготовки данных, когда собираются и трансформируются все релевантные сведения. Только после этого наступит этап самого анализа, в ходе которого можно получить результаты, но обычно не сразу — лишь после череды неудач. Предвидеть судьбу проекта невозможно, поэтому нет смысла душить его преждевременно — нужно ждать и «держать руку на пульсе». Тем не менее часто руководителям просто не хватает терпения, и они закрывают проект, не дожидаясь отдачи.

Кроме того, часть аналитических проектов обязательно закончатся провалом (не везде имеются зависимости, процесс предсказуем, имеются и организационные преграды), но те, что окажутся успешными, покроют издержки. Поэтому целесообразно пробовать закрывать лишь действительно бесперспективные проекты (нет коммуникации с заказчиком, долгое неуспешное исследование). Инновации всегда сопряжены с риском, но потенциальная доходность его оправдывает. Риск провала можно снизить без существенного сокращения потенциальных доходов — для этого необязательно на корню закрывать каждый второй проект, достаточно лишь соблюдать несколько простых правил.

Прежде всего необходимо обеспечить правильную постановку задачи. Невозможно дать содержательный ответ на глупый вопрос, а в аналитических проектах поиск ответа требует больших затрат. Так как заказчик (бенефициар аналитического проекта, бизнес или владелец процесса), как правило, хорошо осведомлен в тонкостях бизнес-процесса («что нужно сделать»), а команда разработчиков и аналитиков — в технических нюансах («что можно сделать»), наиболее правильная постановка будет плодом совместных усилий. Актуально правило: «решение кроется в правильно сформулированной постановке задачи».

Хорошей практикой является фокус на «быстрых победах», то есть на относительно простых в реализации проектах. Их успешная монетизация заложит финансовый и профессиональный фундамент для будущих проектов и укрепит веру руководства в пользу аналитики для бизнеса. Напротив, амбициозный курс на реализацию только больших, рискованных проектов, особенно для нового, незрелого аналитического центра, чреват колоссальными невозвратными издержками.

Не стоит забывать о том, что проект выполняют люди, эффективность работы которых напрямую зависит от их навыков и организованности деятельности. Команда, работающая над аналитическим проектом, должна иметь компетенции в науке о данных, инженерии данных и управлении ими. Все это — необходимое, но недостаточное условие: важно также то, как будет организована работа. Максимальной эффективности можно достичь, создав единый центр аналитической компетенции на базе кросс-функциональных команд, способных оперативно, беспрепятственно взаимодействовать с бизнес- и ИТ-подразделениями. Преимущества такого подхода перед более распространенным — созданием аналитического отдела внутри каждого бизнес-подразделения — обусловлены тем, что все аналитические проекты в организации имеют много общего: источники данных, принципы их обработки, методы анализа, части исходного кода и т. д. Зачем изобретать велосипед? Зачем нанимать избыточное количество дорогих специалистов, работа которых частично дублируется? Зачем каждый раз налаживать коммуникацию этих специалистов с сотрудниками ИТ-подразделения?

Синергия усилится, если одна и та же команда будет заниматься всеми стадиями аналитического проекта: разработкой, вводом в эксплуатацию и поддержкой. Ведь тогда экспертиза, полученная на одной стадии, будет автоматически передаваться на следующую, что повысит скорость и качество выполнения проекта. Кросс-функциональность команды обеспечивает ее компетентность на каждой стадии.

Со стороны руководства предприятия и его бизнес-подразделений требуются совместное видение аналитической функции и готовность активно поддерживать проникновение аналитической культуры на все уровни организации. Без этой ключевой составляющей любые инновации неминуемо будут встречены сопротивлением, которое в конце концов их погубит.

Наконец, нельзя недооценивать роль инвестиций в инфраструктуру и технологии. Команда блестящих профессионалов без инструментов сбора, профилирования и аналитики данных — как без рук.

До этого речь шла о «профилактике» возможных болезней, а теперь обратимся к выявлению уже активно развивающихся недугов, к тревожным симптомам, на которые нужно обращать внимание.

Во-первых, отсутствие веры в силу аналитики часто вытекает из отсутствия понимания разницы между традиционной аналитикой (бизнес-аналитика, отчетность) и продвинутой аналитикой (прогнозирование, предписание). Если руководство скептически относится к потенциалу аналитических проектов, то высоки шансы не увидеть необходимой поддержки.

Второй тревожный знак — опора бизнес-лидеров на интуицию и традиционную практику принятия решений, что тоже означает недоверие к продвинутой аналитике и возможное сопротивление изменениям.

Следующее, что должно насторожить, — стремление руководства владеть технологиями, а не решить задачу. Ни данные, ни аналитика, ни большие вычислительные мощности не должны быть самоцелью.

Крайне вредна иллюзия относительно того, что искусственный интеллект подобен волшебной палочке, способной мгновенно решить любую задачу. Это опьяняющее заблуждение не дает трезво оценить выгоды и издержки — базис для принятия рациональных решений.

Симптомом надвигающегося провала является и банальное отсутствие оценки финансового эффекта аналитической инициативы. В этом случае выгоды и издержки остаются без внимания либо намеренно, либо из-за небрежности.

Если от аналитиков поступают жалобы на некачественные данные, то не стоит откладывать «поход к врачу». Нехватка и однобокость данных, неучтенная динамика, проблемы интеграции данных и пренебрежение неструктурированными данными — вот перечень симптомов очень серьезных проблем проекта в ближайшем будущем.

Мы уже указывали на необходимость устранения барьеров в коммуникации между центром аналитической компетенции и бизнес-подразделениями, а теперь взглянем с другой стороны: что будет, если оставить эти барьеры? Возможны, например, ситуации, когда в команде отсутствует бизнес-аналитик или специалист по монетизации, гармонизирующий взаимодействие заказчика и аналитиков данных. Результат — медлительность и ошибки из-за трудностей в коммуникации. Помимо прочего, барьеры ограничивают доступ математиков к предметной области, что делает их разработки оторванными от реальности. Если же оказывается, что аналитические модели не востребованы заказчиками, то «больного» нужно срочно «госпитализировать».

Термин «аналитическая культура» может вызвать вопросы, однако именно его подробное разъяснение добавит важные финальные штрихи траектории к статусу «data-driven». Под аналитической культурой следует понимать знания, навыки, умения и взгляды, позволяющие сотрудникам организации использовать аналитику в своей работе. Понимание преимуществ продвинутой аналитики перед привычными методами работы и желание ее активно использовать — основная цель внедрения аналитической культуры в организации.

Внедрение подходов к принятию решений на основе данных — серьезное испытание для организации, пройти через которое быстро и безболезненно, скорее всего, не получится. Добровольное и осознанное принятие аналитической культуры — редкость, чаще для этого необходимы давление сверху или требования рынка. Здесь приходится руководствоваться принципом «цель оправдывает средства», потому что сопротивление новому и непонятному чаще противоречит интересам организации. Но если топ-менеджмент заинтересован в инновациях, то сотрудники осознают, что инновации будут внедряться неизбежно — с ними или без них. Говоря об инновациях, следует подчеркнуть, что важны их результаты (финансовые показатели и т. д.), а не масштаб преобразований как таковых.

Тем не менее конечный итог внедрения новации будет зависеть от скорости. Не секрет, что тот, кто внедряет новацию первым, получает временное конкурентное преимущество. Тот же, кто идет по стопам конкурентов, со всем рынком, получает лишь возможность сохранить свою долю. Ну а тот, кто приходит последним или вовсе отказывается от внедрения, проигрывает.

***

Стать «data-driven-компанией» непросто — для этого требуются терпение, непредвзятость и готовность рисковать. Того, кто одержим желанием победить в конкурентной борьбе и не страшится тернистого пути к цифровому превосходству, можно снабдить в дорогу памяткой: опасайтесь бесцельной «игры в игрушки», четко ставьте задачи и следите за финансовым результатом; не ищите универсальную панацею; сосредоточьте аналитическую компетенцию в подразделении, специализирующемся на аналитических проектах, и наделите его возможностью свободно взаимодействовать с бизнес- и ИТ-подразделениями; насаждайте и поддерживайте аналитическую культуру, если потребуется — силой. И тогда все у вас получится.

Юрий Сирота ( SirotaYN@uralsib.ru )  —  старший  вице-президент,  руководитель дирекции искусственного интеллекта и анализа данных, центра компетенций BI; Андрей Шишов ( ShishovAE@uralsib.ru )  —  аналитик данных дирекции искусственного интеллекта и анализа данных, банк  «Уралсиб»  (Москва).