Сегодня практически не осталось компаний, в которых нет хотя бы одного инструмента бизнес-анализа, однако часто такие средства применяются не лучшим образом. На практике компании — пользователи таких систем можно разделить на две группы. В первой, самой многочисленной, системы бизнес-аналитики используются для иллюстрации состояния бизнеса: руководители таких (часто очень крупных) российских компаний крайне редко работают непосредственно с такими системами, даже несмотря на то, что в них были инвестированы значительные средства.
«Я иногда смотрю рассылку, которая приходит. Мне хватает. Остальной анализ делать смысла нет» — примерно такими словами генеральные директора объясняют данное положение дел. Действительно, они ежедневно получают несколько страниц отчетов, где собраны общие цифры по сборам и два KPI по средней эффективности основного процесса, — и этого достаточно. Есть ли вообще среди руководителей высшего и среднего звена те, кто действительно заходит в OLAP-кубы, что-то пытается понять, оптимизировать, запустить кластеризацию (разбиение на группы) и сделать выводы на основе, например, потоковой диаграммы об изменении статуса объектов в бизнес-процессе?
Оказывается, таких менеджеров почти нет, разве что сами аналитики иногда что-то «крутят», причем не в рабочее время. Вместе с тем многие применяют классические алгоритмы деревьев решений (скажем, проверенный временем пакет SPSS Statistics), решая такие задачи, как определение аудитории маркетинговых кампаний. Что-то еще требуется редко, поскольку, как правило, компании уже опробовали ряд методов и убедились в том, что их эффективность не стоит перестройки бизнес-процессов.
Однако в компаниях второй группы не мыслят своего развития без аналитики бизнес-процессов — онлайн-отчетности по каждой стадии процесса работы со своими клиентами с возможностью строить и менять на лету любые KPI. Руководители особое место в стратегии развития отводят бизнес-аналитике для определения, например, направлений проникновения предлагаемых услуг для потенциальной аудитории в своей стране и смежных государствах. Примечательно, что в таких организациях, особенно финансовых, уже имеется весь «джентльменский набор» в виде маркетинговых инструментов от SAS, бизнес-отчетности от Qlik и визуализации от Tableau, однако на практике применяется совсем другая аналитика. Какая?
Сами по себе аналитические технологии денег не зарабатывают — их зарабатывает бизнес, и, как правило, транзакционный: банковский, финансовый, розничный, логистический. Аналитика, да и любой другой непрямой инструмент бизнеса, может лишь дать дополнительную выручку:
- добавить прибыль от транзакций существующих клиентов, которые потратят больше денег, чем собирались;
- создать прибыль от транзакций вновь привлеченных клиентов, которые не собирались тратить деньги, но их потратили;
- сократить расходы от транзакций — те же клиенты потратили те же деньги, но быстрее, чем раньше;
- сократить расходы на привлечение новых клиентов.
Все эти способы увеличения выручки справедливы и для других инструментов развития бизнеса: рекламы, конференций, выездов с клиентами, найма новых сотрудников, оптимизации бизнес-процессов, перепозиционирования и выпуска принципиально новых продуктов и услуг. Таким образом, аналитика как инструмент конкурирует с другими средствами, но далеко не для любого руководителя именно она становится номером один в решении всех проблем. В компаниях со сложной оргструктурой внутренняя реорганизация и оптимизация процессов могут иногда дать гораздо больший и более долгоиграющий эффект, чем ежедневные рассылки стандартных отчетных форм, поэтому система бизнес-аналитики в ее текущем виде неинтересна генеральному директору.
Аналитика — удовольствие не из дешевых. С переходом ведущих вендоров на оплату по подписке пятилетнее использование такой системы в масштабах сотен и тысяч пользователей подорожало с 2010 года на 75% и достигло в среднем 6,6 тыс. долл. в расчете на одного пользователя. Если личная беседа с клиентом в неформальной обстановке наверняка приведет к новым контрактам, то дорогое внедрение аналитической системы не всегда и не сразу означает получение выгоды для организации. Как показывает опыт, 60% внедрений систем бизнес-аналитики можно считать неуспешными, поскольку заявленные цели не были достигнуты, что не добавляет оптимизма потенциальным пользователям таких решений, особенно из числа среднего и малого бизнеса. Цели при этом формулируются достаточно простые: общая точка доступа к информации, единая версия правды на основе выверенных исходных данных.
Но иногда без внедрения системы бизнес-аналитики обойтись нельзя. Среди сотни проектов внедрения таких систем в России и других странах, в которых мне довелось принимать участие, подавляющее большинство было вызвано технологической необходимостью: в организации имелся поток данных, которые нужно визуализировать, а возможностей Excel и головы руководителя становилось уже недостаточно. «У нас есть данные. Нам нужна отчетность, сложные отчеты (с ежедневными рассылками, системой прав доступа, на продажу, интерактивные и т. д). Найдите инструмент» — примерно так выглядит формулировка задачи от руководителя. Это задание направляется ИТ-отделу или аналитикам, а уже результат: бесплатная библиотека, продукт одного из лидеров рынка (Power BI, Tableau, Qlik и др.), его локальная замена или сложная «бесплатная» система на компонентах open source — определяется опытом, предпочтениями и интересами исполнителей.
Как правило, отчетность бизнес-аналитики возникает на самой последней стадии бизнес-проекта, когда данные уже получены, — организации нужно знать хоть что-то о себе в понятных численных показателях или графиках. Внедряя систему бизнес-анализа, компании ошибочно считают, что такая система — это «вершина» всех ИТ-систем предприятия, объединяющая все доступные данные и формирующая ту самую единую версию правды. В реальности такая система оказывается развернутой лишь «для галочки» и в ней нет необходимости для бизнеса, а часто — это лишь удобство, ведь коммерческий директор все равно проверяет данные из системы бизнес-аналитики в своей CRM-системе, отдел закупок — в ERP, а финансисты — в своей финансовой программе. Отчитываться перед руководством на совещаниях все подразделения будут по собственным отчетам, а поскольку каждая исходная система живет своей жизнью со своими хозяевами, то объединение данных для построения интегрированной отчетности становится почти неразрешимой задачей — отсюда 60% провалов проектов внедрения систем бизнес-аналитики.
Итак, ошибочно считать систему бизнес-аналитики конечной точкой процесса обработки данных: путь выявления ошибки или разбора проблемы (то есть путь назад — до первоисточников данных) будет не только по-прежнему длинным, но и гораздо сложнее, потому что придется «плыть против течения» информации, рискуя к тому же его нарушить.
Представим себе достаточно простое непрерывное производство — например, изготовление различных напитков из сырого молока, характеризуемое несколькими так называемыми переделами: сепаратор, котел, бассейн или крекинговая башня, куда сырье постоянно поступает, «варится» и преобразуется в полуфабрикат, причем полуфабрикат могут снова подать на вход котла, чтобы получить готовую продукцию нужного качества. Остановить такое производство невозможно (нужно будет уничтожить все, что находится на всех переделах), в нем всегда присутствуют и сырье, и полуфабрикаты всех стадий, и готовая продукция, отделяемая на финальном этапе. Каждый передел напичкан сенсорами и измерительными приборами, непрерывно сигнализирующими о характеристиках входа, выхода и собственно процесса производства. Руководители постоянно в курсе того, что происходит (увеличился ли выход брака или замедлилась выварка), и могут предположить, каким будет выход готовой продукции во всех ее разновидностях. Единственное, чего они пока не знают, — это конечная себестоимость готовой продукции, которая может быть рассчитана только по итогам периода с помощью специальных алгоритмов со сходящимися циклами.
Любой транзакционный бизнес — это аналог непрерывного производства.
Сырье, полуфабрикаты и готовая продукция для транзакционного бизнеса — это клиенты, приносящие свою долю прибавленной стоимости, со своим объемом потребленных товаров и услуг, историей взаимоотношений, претензиями и эмоциями. Основное отличие от простого непрерывного производства состоит в том, что каждый клиент уникален «на входе в компанию», в ее «процесс производства», поэтому качественная оценка входящих клиентов чрезвычайно важна, иначе информационные «трубы» быстро забьются претензиями. При этом чем продолжительнее история взаимоотношений с клиентом, чем больше о нем известно, тем выше вероятность того, что имеющиеся знания о нем позволят выбрать оптимальный процесс и продукт именно для него.
Стадией переработки, «переделом» в этом случае являются статусы и другая информация о клиентах, приобретенная либо в ходе анализа и внешнего обогащения данных, либо в ходе выполнения бизнес-процессов в компании: купил страховку или бытовой прибор, обратился в ремонт или со страховым случаем, похвалил или обругал компанию в социальных медиа, привел еще одного клиента или сам ушел к конкуренту. Все это суть разные статусы, признаки, связанные продукты, услуги или люди, которыми «обрастает» клиент во время каждого «передела». С точки зрения информатики клиент — это узел характеристик и отношений со временем, пространством, продуктами, услугами и другими людьми, в том числе сотрудниками компании. Его невозможно описать в стиле «один ко многим», это скорее узел графа переменной связности, постоянно увеличивающий свою сложность. Каждая стадия процесса дает этому цифровому двойнику клиента новый признак (например, частично прошел регистрацию) или новые признаки его отношения к товарам («из трех продуктов оставил один — но выбирал-то из трех!») или к людям («не воспользовался выгодным предложением конкретного продавца-консультанта»).
Где же разместить аналоги датчиков и измерителей, которые на настоящем производстве стоят на оборудовании? И что они означают на языке бизнес-аналитики?
Первое, что лежит на поверхности, — измерять количество клиентов, перешедших определенную стадию бизнес-процесса компании (они приобрели новые признаки и статусы), и тех, кто ее не перешел (признаки и статусы либо новичков, либо клиентов с предыдущей стадии), добавляя аналитику по стадиям, признакам и статусам. Это не просто конверсия (из 100% всех пришедших на сайт компании лишь 40% открыли страницу продукта, а 15% положили его в корзину), это аналитика, позволяющая, например, понять, что мужчины 25–35 лет по вечерам чаще кладут в корзину наушники, а замужние женщины 28–37 лет подают заявку на ипотеку в 65% случаев только с третьей попытки, причем в 80% случаев указывают основным заемщиком не себя. Признаков и разрезов аналитики в реальных случаях будет гораздо больше, и все они работают на то, чтобы подстроить бизнес-процесс под ту целевую аудиторию, которую в компании считают для него оптимальной, и при этом оставить его гибким и подходящим для остальной аудитории.
Второе, далеко не очевидное действие — присвоить стоимость каждому клиенту и каждой стадии. Здесь надо вспомнить, что подсчитать фактическую себестоимость готовой продукции непрерывного производства сразу невозможно и что вместо этого оперируют плановой себестоимостью и «дельтой», которую рассчитывают в конце периода. В случае непрерывного бизнес-процесса создания и анализа знаний о клиентах стоимость стадии теоретически можно оценить достаточно точно, а вот стоимость потенциального клиента — только приближенно. И это не должна быть неизменная величина! Она также находится в зависимости от того, какой клиент нужен и насколько каждый конкретный клиент отличается от идеала. Фактически каждый клиент, находящийся в начале каждой стадии процесса, имеет оценку своего потенциала; каждая стадия может быть оценена с помощью такого же матричного принципа оценки. Таким образом, можно посчитать количественную и денежную эффективность, потенциальную и фактическую прибыль каждой стадии процесса в разрезе всех признаков и статусов клиентов. Затем надо отобразить эту информацию на графиках, таблицах, картах и прочих виджетах, допускающих гибкую работу со структурой исходных данных и перестройку на лету.
Только после выполнения всей этой работы аналитика станет важной и неотъемлемой частью бизнес-процесса. Попробуйте отключить датчики производственных линий и успеть после этого убежать от гнева руководителей производства!
Скорость обновления и расчетов подобной аналитической системы должна быть выше скорости обновления источников данных, поскольку системе надо проделать больше работы — обновить свои справочники, агрегаты, модели и представления. Источниками данных в большинстве случаев являются транзакционные СУБД, поскольку на них построено сегодня большинство бизнес-приложений, хотя их и теснят NoSQL-решения.
Другая проблема — сквозная идентификация клиентов, пользователей и прочих объектов, по которым нужно получать непрерывную аналитику. Получается, что входящий идентификатор, который получил клиент, например, при неудачной попытке регистрации на сайте, должен остаться с ним навсегда в рамках данной компании и обрасти деревом признаков и свойств. Поскольку JSON-нотация в принципе несовместима с моделью традиционных СУБД, возникает вопрос: как совместить данные в условиях взрывного роста их сложности?
Возьмем, например, аналитику по доставке грузов фурами. В этом случае обычных клиентов еще нет: объектами, по которым нужно накапливать информацию в разрезе процесса, являются и водители фур, и сами фуры, и точки заказа продукции с их будущим возможным дефицитом, и конкретная партия заказанного товара. Информацию об объектах накапливают разные по своей природе системы. При этом директору по логистике нужно видеть, например, количество SKU (Stock Keeping Unit — «товарный артикул») в статусах «Отгружено — в пути» (как указано в одной системе), «Отгружено — на распределительном складе» (в другой) в отношении к статусу «Заказано — подтверждено» (в третьей системе). Кроме того, ему надо контролировать, не превысили ли текущие расходы на доставку установленную дельту к плановой себестоимости (четвертая учетная система), а там, где грозят превысить, нужно обеспечить немедленный вывод предупреждений.
Для реализации подобной аналитики нужно изначально создать и поддерживать систему сквозной идентификации всех объектов во всех задействованных системах, что для унаследованных, давно работающих в компании систем сделать непросто. Зато директор по логистике, увидев нужный результат на экране, будет убежден в том, что это и есть его процесс. При такой аналитике он сможет оперативно принимать решения и что-то менять непосредственно в ходе доставки и видеть результат своих решений. А теперь сравним это с ситуацией, когда при стандартном внедрении бизнес-аналитики он увидит свою витрину данных только на совещании всех руководителей разных подразделений и будет спрашивать его автора, откуда взялись такие показатели. Отсюда следует ценность именно непрерывной аналитики процесса по сравнению со стандартной визуализацией по факту.
Естественное направление анализа — это сегментация клиентской базы во всем многообразии ее признаков и статусов (микросегментация, предоставление персонализированных предложений). Управление признаками, подстройка предложений, оценка конверсии и получение большей прибыли в результате непрерывного аналитического взаимодействия с клиентской информацией и должны стать основой стратегии развития предприятия. В таком случае удастся даже рассерженного клиента снова «подать на вход» процесса как вид полуфабриката со сложной историей и получить из него неплохую «готовую продукцию».
Однако, чтобы руководитель с одного взгляда сориентировался в представлении процесса на экране, да еще и в динамике, нужно использовать специальные средства.
Классические графики, виджеты, витрины и прочие средства визуализации созданы для замены таблиц и столбцов чисел с целью ускорить понимание ситуации человеком. Обычно столбец показывает одну категорию понятий с промежуточным итогом и общей суммой, а классические графики — одну категорию понятий или один показатель в динамике либо его распределение по объектам. Как подтверждают многочисленные опросы, многие люди испытывают стресс даже при незначительном изменении графика на экране: был линейный, а стал точечный, хотя всего-то была нажата кнопка «Оставить выделенные». Глаз и система зрения человека формировались миллионы лет и не привыкли к быстрым изменениям объектов, что приходится учитывать при разработке систем бизнес-аналитики, и непрерывная аналитика не является исключением. Тем не менее имеются некоторые виды визуализации, хорошо демонстрирующие переходы объектов и приобретение ими новых признаков: например, диаграмма потока достаточно наглядно показывает количественные характеристики процесса при изменениях стадий (рис. 1), а карта связей (рис. 2) визуализирует процесс приобретения новых связей объектов в течение стадии процесса и построение этих связей на лету.
.jpg) |
| Рис. 1. Диаграмма потока — перетекание покупателей во вновь открывшиеся магазины |
.jpg) |
| Рис. 2. Карта связей — поиск похожих покупателей через промежуточную таблицу товарных групп |
Подобные способы представления информации вместе со средствами управления и изменения отличаются от классических, что позволяет настраивать пользователя на новый способ применения аналитики.
***
Чем больше любой бизнес становится цифровым, тем больше данных он потребляет и сам генерирует в процессе взаимодействия с клиентами. Работа любого управленца связана с принятием решений по изменению рабочего процесса, что в условиях роста объемов разнообразных данных становится все сложнее. Но если он воспринимает непрерывную аналитику как отображение реального процесса, то она и будет для него средством исследований и проверки новых решений и гипотез. Что будет, если мы уберем мешающее поле? Когда вместо бота в чат следует подключать оператора-человека? Если мы уберем лишний выбор у клиентов, насколько это ускорит процесс и увеличит выручку за день?
Хорошая непрерывная аналитика — это поле постоянного совершенствования рабочего процесса, придумывания новых методов ведения бизнеса и предварительной оценки результатов этих решений. Такая аналитика отображает историю накопления признаков объектов в процессе взаимодействия с компанией во всем их богатстве и полноте, поэтому она должна предоставлять инструменты их изменения, выполнения запросов «что-если» и других способов исследования объектов в реальном времени.
Роман Раевский (romanraevsky@gmail.com) — независимый эксперт (Москва). Статья подготовлена на основе материалов доклада на форуме «Управление данными — 2020».
