Читать книгу Секреты аналитики, или Аналитика без секретов - - Страница 9

Глава, которую вы, если перед вами не стоит цель внедрения в компанию аналитической культуры, можете не читать.

Когда я стала работать руководителем отдела развития и повышения эффективности в крупной фармкомпании, передо мной часто вставали задачи «управления данными» или внедрения «цифрового подхода». Ни разу эти задачи не оказались легкими или тривиальными. Каждый раз возникали новые сложности.

Поэтому я решила привлечь диагностическую аналитику и разобраться в причинах возникающих сложностей.

Начала, как всегда, с основ. Вообще популярный сегодня подход «назад к основам» (back to basics) меня ни разу не подводил.

Итак, что такое «управление данными» (data-driven) и «цифровой подход» (digital)?

Эти понятия были предложены IT-специалистами, занимающимися созданием IT-программ и написанием программных кодов.

Именно они создали код, который изменялся в зависимости от исходных данных, становясь по своей сути «data-driven», т. е. в буквальном смысле слова «движимым данными».

Поэтому не удивительно, что именно IT-специалисты и стали движущей силой, пытающейся внедрить «data-driven» в компаниях, развивая мощность серверов, создавая специальные платформы и множество программных продуктов. Они же создали и техническую возможность сбора и обработки данных, практически вне зависимости от их структуры и количества8.

Их труд и энергия безусловно заслуживают самой высокой оценки и искреннего восхищения. Более того, они смогли успешно «продать» свои идеи и продукты высшему менеджменту крупных компаний, вселив в последних твердую уверенность: «IT придет и все Вам сделает!»

Увы, на практике все оказывается гораздо сложнее.

Так в чем же основные сложности, с которыми сталкиваются компании при внедрении data-driven и digital трансформации?

Я могу выделить 3 основных трудности:

1. Уже упомянутый миф «IT придет и все Вам сделает».

2. Неготовность бизнеса или наличие «эффекта» ареола, иногда называемого HIPPO (Highest Paid Person Opinion, что буквально переводится как «Мнение самого оплачиваемого сотрудника»). То есть компания полагается не на четкие данные, а на чей-то авторитет, поддерживаемый его опытом и стажем работы в компании.

3. Неготовность самих аналитиков и аналитических подразделений.

Причем при отсутствии минимальной готовности на каждом из этих уровней так необходимая трансформация будет внедряться в компании в лучшем случае долго, в худшем – не внедрится никогда.

Большой разницы между этими двумя сценариями для компании нет, так как по итогам любого из них компания не сможет стать «Аналитическим конкурентом» или даже «Аналитической компанией».

Итак, рассмотрим последовательно каждый из этих камней преткновения или «мифов»:

Миф «IT придет и все Вам сделает»

Как мы уже сказали, роль IT-подразделений в развитии культуры управления данными сложно переоценить. Безусловно, цифровая трансформация («Digital transformation») невозможна без развития IT-технологий. Однако и преувеличение роли IT часто приводит к неуспеху проекта.

Основные причины я вижу в том, что:

Во-первых, у сотрудников IT-подразделений отсутствует вовсе или недостаточно глубокое понимание бизнеса, его движущих сил. Тогда все самые лучшие прогностические модели, созданные IT-специалистами на R или Python9,остаются не более, чем красивыми теоретическими выкладками.

Во-вторых, обнаруживается различное видение идеалов у IT и бизнеса. Идеал IT – система, раз создав которую, нужно просто поддерживать процесс, периодически (как можно реже) исправляя возникающие недочеты. А вот идеал бизнеса – система, в которую можно вносить любые изменения каждый день.

В-третьих, неумение IT говорить на простом языке, понятном бизнесу.

Неготовность самого бизнеса принимать решения на основе данных:

Здесь также можно выделить три основные причины: две из них лежат в области парадигм принятия стратегических решений, а третья – в области знаний основ анализа.

Если говорить о парадигмах принятия решений, то они как правило сводятся к:

Первая: HIPPO (High Paid Person Opinion), иными словами, эффект ореола первого лица. Кстати, если генеральный директор увлечен аналитикой, успешная полоса в развитии компании также может определяться любовью и глубоким «единоличному мнению» (Personal Opinion) или его «первоначально-единоличным увлечением» аналитикой10. Увы, фраза, которую периодически приходится слышать на совещаниях при обращении к начальству: «Как Вы скажете, так и сделаем», так хорошо знакома многим из нас.

Вторая: Наш личный прошлый опыт. Увы, первые лица компаний не одиноки в своих желаниях принимать решения на основе собственного опыта. Как часто мы сами, следуя их примеру, отвергаем или проявляем скептицизм при внедрении инноваций, говоря: «Мы много раз делали так, и это всегда приводило нас к успеху. Зачем нам что-то менять?»

Особенно велико желание привести обоснование из прошлого опыта, когда выводы и рекомендации, основанные на цифрах, нам не слишком нравятся, говорят о нашей недостаточной эффективности или результативности. В этом случае мы охотно следуем принципам иррациональной логики: «Если из А следует В, и В неприятно, то А – неправильно». То есть если полученные в результате анализа цифры и выводы нам не нравятся, мы пытаемся всеми силами доказать, что они неправильные.

Наконец, третьей причиной является сложность для бизнеса в понимании «элегантных» математических выкладок или принципов работы статистических моделей. Все эти цифры, полученные на основе работы моделей, представляются бизнесу «магией», в которую он не готов просто верить.

И, наконец неготовность самих аналитических подразделений или аналитиков

Первая причина здесь очень похожа на происходящее в ИТ-подразделениях: недостаток глубокого понимания бизнеса, которое необходимо, чтобы предложить бизнесу лучшие способы проведения анализа с учетом контекста11.

Вторая причина связана с привычкой держать основной фокус в работе на сборе и обработке данных, а не на подготовке рекомендаций на основе анализа и предложении бизнесу конкретных решений.

Наконец, третья причина – взгляд на мир через «таблицы Excel», неумение просто и понятно для бизнеса представить результаты анализа, поговорить с бизнесом на его языке, посмотреть на мир его глазами12.

Итак, если подвести небольшой итог этой главы, есть нечто общее во всех этих «мифах»: три ключевые стороны, ответственные за успех «цифровой трансформации», не понимают друг друга, не умеют говорить на одном языке.

На основании своего опыта, в частности создания «Международного аналитического клуба», в котором эта проблема была решена на уровне крупной фармкомпании, могу сказать, что таким единым языком может и должен стать язык «аналитический». Его мы также будем осваивать в этой книге.

Выводы по разделу (из записной книжки автора):

1. Заниматься анализом нужно и можно всем, вне зависимости от того, «физик ты или лирик».

2. Лучший день начать – СЕГОДНЯ, если вы еще не начали этим заниматься вчера. Все необходимое для этого у Вас под рукой: книги, фильмы, рабочие задачи и эта книга.

3. Анализ и аналитика одинаково применимы и в личной жизни, и на работе.

4. Не все можно запомнить, но все можно понять: «Знание закономерностей освобождает от необходимости знания многих фактов» (Гельвеций)

5. Заниматься анализом не только просто, но и приятно. В этом мы попрактикуемся при выполнении практических заданий в книге. А пока просто вспомните рассказы о мистере Шерлоке Холмсе.

6. Аналитика – это не только модно, но и в первую очередь практично!

7. Трансформировать бизнес без активной вовлеченности всех сотрудников компании невозможно. Успешной трансформация становится в тот момент, когда каждый сотрудник компании каждый день принимает решения, основываясь на цифрах. Эти решения затем ложатся в основу стратегических и тактических планов действий и претворяются в жизнь, создавая компании конкурентное преимущество.

8. В личной жизни предыдущий пункт можно перефразировать как «создание личных конкурентных преимуществ за счет использования анализа».

А что к комментариям автора добавили бы вы, уважаемые читатели?

8

Например, «озеро данных» (Data Lake) – место для хранения данных, которое может вмещать их большой объем в исходном необработанном формате.

9

R и Python – языки программирования, часто используемые для создания прогностических моделей

10

В книге Тома Дэвиса и Джоан Харрис «Аналитика, как конкурентное преимущество» приведено множество примеров, когда успех компании начинался с увлечения аналитикой ее первого лица. В последующем это увлечение приводило к использованию анализа для принятия управленческих решений на всех уровнях компании.

11

Контекст -внешняя и внутренняя среда, в которой работает бизнес.

12

Здесь мне вспоминается фильм «Весна на Заречной улице», режиссеров Феликса Миронера и Марлена Хуциева, где главная героиня – молодая учительница русского языка и литературы не понимала своих учеников -рабочих металлургического завода, пока не увидела их в рабочей обстановке.