Главное Авторские колонки Вакансии Образование
😼
Выбор
редакции
716 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

С чего начать, чтобы управлять данными

Компании, которые используют бизнес-аналитику и руководствуются данными, делают производительность и прибыль на 5-6% выше, чем в среднем на рынке. Расскажем, как составить план по внедрению данных в компанию.
Мнение автора может не совпадать с мнением редакции

Конечно, многие компании в погоне за первенством начинают путь к управлению данными, но немногие достигают цели. Удивительно, но многие компании пропускают основополагающий этап — планирование, и тратят деньги, время, силы и вдохновение впустую. Понятный и четкий план принципиально важен, поскольку выстраивает взаимопонимание среди команды: топ-менеджеры, технологи, аналитики и менеджеры действуют сообща и последовательно достигают поставленные цели.

Что должно быть в плане?

План по внедрению данных сосредоточен на трех элементах:

  • данные,
  • аналитические проблемы,
  • инструменты.

О данных

Компании тонут в потоках информации, следующих горизонтально по подразделениям и вертикально по функциям. Важно собрать и интегрировать корректные и необходимые данные.

Критически важные данные о работе с клиентами, ценообразовании и цепочках поставок хранятся в устаревших ИТ-системах. Такие системы способны сформировать простейшие отчеты и ответить на несложные вопросы. А вот предсказать, какие клиенты скоро уйдут к конкурентам или предложить рекомендации на основе истории покупок, они не могут. Такое программное обеспечение не поддерживает аналитические модели и ограничено использованием только структурированной информации. Проблема в том, что нужная информация зачастую хранится в неструктурированном виде, как то: диалоги в социальных сетях, переговоры по телефону. Сделать неструктурированную информацию ценным активом — трудно, долго, затратно, но невероятно полезно: именно эта информация содержит инсайты, способные стремительно вывести компанию вперёд других.

Данные должны быть готовы к использованию, и план фиксирует все требования к новым структурам данных, такие как:

  1. Отсутствие запутанных репозиториев: данные хранятся системно, разные классы данных не перемешиваются (транзакции отделены от аналитических отчетов);
  2. Использование однозначных данных, когда единица информации сохраняется только один раз и не дублируется;
  3. Использование стандартов управления данными.


Kaleidico on Unsplash

Еще в 2015 году в факторы математических моделей о благонадежности кредитора Сбербанк добавил данные от сотовых операторов. Большое число активных сим-карт и небольшое время их работы, мелкие и многочисленные пополнения счетов, подозрительная география звонков указывают на мошенничество и снижают вероятность одобрения кредитной заявки. Для розничных клиентов использование больших данных из других источников позволило заметно повысить качество скоринговых моделей.

Об аналитических моделях

Необработанный массив данных сам по себе не несет ценности. Важно то, как эти данные использовать. Эксперты McKinsey выделяют две расширенные аналитические модели для обработки данных:

  • Оптимизирующие, например, расписание сотрудников: рекомендуют оптимальное число работников на смене;
  • Прогнозирующие, например, будущие покупки клиентов на основе истории транзакций для формирования персонального предложения.

План определяет, как и где модели создадут дополнительную ценность для бизнеса, и как избежать несоответствий в данных и необоснованного распространения моделей при масштабировании по всему предприятию.

МТС с помощью больших данных может точно спрогнозировать, в какой момент конкретный клиент захочет сменить свой девайс на новый. Это позволяет быть первыми, кто сделал ему подходящее предложение. Для прогноза здесь используются три модели.

  1. Первая предсказывает вероятность смены устройства, анализируя скорость разрядки батареи, увеличение исходящего трафика в WhatsApp. Если клиент передает через мессенджеры тяжелые данные, например, фотографии — а на устройстве устаревшая камера, то вероятность покупки нового гаджета с камерой более высокого разрешения вырастает. Модель даже учитывает, менял ли гаджет кто-то из ближайшего окружения абонента в последнее время, получал ли клиент устройство в подарок на праздник или покупал сам. Также модель находит фанатов флагманов, которые всегда заранее заказывают топовые устройства конкретного бренда.
  2. Вторая модель определяет, какой бренд предпочитает человек. Она опирается на историю смен устройств у конкретного клиента и на тренды, которые происходят в целом по базе. По истории покупок девайсов конкретным пользователем, их стоимости и соцдем-характеристикам можно определить ценовой сегмент предпочитаемого устройства, а также степень привязки к определенному бренду. Учитывается вся экосистема устройств, которые были и есть у клиента, в том числе планшеты, смартфоны, фичерфоны, и его ближайшего окружения. Также учитываются приложения, которыми клиент чаще всего пользуется.
  3. Третья модель показывает, какую коммуникацию использовать для связи с конкретным абонентом (sms, звонок, digital-коммуникация) и какое предложение ему в итоге сделать — например, скидку, подарок или конкретный смартфон.

По примерным оценкам, такая система рекомендаций позволяет формировать дополнительную выручку от продаж в рознице до 30%.


William Iven on Unsplash

Инструменты

Результаты моделирования бывают невероятно полезными, однако они ценны только в случае, если менеджеры и «работники передового фронта» их понимают и применяют.

Слишком сложный вывод аналитической модели может только застопорить процесс принятия решения. Необходимы интуитивно понятные интерфейсы — инструменты, которые интегрируют данные в повседневные процессы, сделают результаты моделирования реальными бизнес-действиями. Например, понятный интерфейс для планирования работы сотрудников, детальные предложения по перекрестным продажам для операторов call-центра или дашборд о клиенте для маркетолога, позволяющий принимать решения о скидках в режиме реального времени.


Аналитика клиентов от Datmark.BI

Почему сложно разработать план?

Потому что нужно ответить на три ключевые вопроса планирования:

  1. как расставить инвестиционные приоритеты?
  2. как сбалансировать скорость внедрения и затраты на него?
  3. как обеспечить принятие управления данных со стороны команды?

1. Инвестиционные приоритеты и бизнес стратегия

По мере того, как компании разрабатывают планы внедрения больших данных, они приходят к одной общей дилемме: в какое направление бизнеса выгоднее прежде внедрить бизнес-аналитику. Во взаимодействие с клиентом? А может, в логистику товаров? Или в создание новых услуг?

Стоимость новой архитектуры данных и разработки аналитических моделей и инструментов может быть огромной. В мире ограниченных ресурсов компании должны выбирать, какое направление первым воспользуется преимуществами больших данных.

Рассмотрим на примере двух розничных торговцев.

Розничный магазин А нацелен на оптимизацию и экономию от масштаба, поэтому выбирает модели, использующие данные о продажах, для прогнозирования запасов и затрат на рабочую силу для поддержания низких цен.

Преимущество розничного магазина Б — клиентоориентированность, поэтому он использует модели для расширения программ лояльности, стимулирования клиентов к покупке более маржинальных продуктов и разработки новых услуг.

Это проблема приоритезации инвестиций: оба подхода кажутся разумными и, по сути, хорошо соответствуют потребностям бизнеса рассматриваемых компаний. Но сделать все сразу невозможно и приходится выбирать. Только топ-менеджмент, основываясь на стратегии бизнеса, может принять правильное решение: где начать внедрение больших данных в компании. Чем больше компания — тем больше бизнес-процессов и сложнее найти точки роста и усилить их управлением большими данными.


Jess Bailey on Unsplash

2. Сбалансировать скорость и стоимость внедрения

Как только инвестиционные приоритеты установлены, можно переходить к выбору поставщиков программного обеспечения и аналитики. И вот тут есть два варианта.

Вариант 1. Универсальные модели и приложения

Из плюсов можно выделить:

  1. относительно бюджетное решение
  2. достаточно эффективные для несложных задач и систем
  3. простые и быстрые в установке

Но и минусы существенные:

  1. не учитывают отраслевые факторы и особенности компании,
  2. очень обобщенные
  3. не всегда удобны к использованию
  4. не могут детально отразить положение дел в компании.

Вариант 2. Созданные по заказу аналитические архитектуры

Недостатки, или, вернее будет сказано, сложности, связанные с индивидуальными разработками:

  1. решение для «толстых кошельков»
  2. сложные и долгие для разработки и внедрения

Преимущества

  1. учитывают и внешние и внутренние факторы, особенности рынка и бизнес-процессов внутри компании
  2. именно индивидуальные разработки принесут бОльшую полезность компании и покажут действительное положение вещей.

3. Чтобы быть признанными, данные должны быть понятными

Стремясь к эффективному управлению данными не стоит забывать об их применимости. Самое важное — чтобы руководители и сотрудники «на передовой» понимали выводы аналитических моделей и на их основе принимали решения. Профессиональный опыт и здравый смысл они должны применять к любому аналитическому процессу, даже если он автоматизирован, как например, прогнозирование продаж.


Hello I’m Nik on Unsplash

Успешное применение данных зависит от удобных и понятных инструментов (дашбордов, приложений) и от навыков сотрудников. Распространённая ошибка, когда компания вкладывает 95% инвестиций в данные и модели, забывая при этом научить сотрудников пользоваться ими. Только когда работники приобретут навыки и аналитический опыт, эти инвестиции принесут результаты. Хорошее эмпирическое правило для успешного планирования — соотношение инвестиций в данные к обучению 50/50.

В конечном счете

Когда план готов, внедрение становится проще: интеграция данных, запуск пилотных проектов, создание новых инструментов и обучение персонала происходит в согласии с бизнес стратегией и повышает ценность бизнеса.

Проведём параллель со стратегическим планированием, которое со временем превратилось во многих организациях из формального, ежегодного процесса в динамичный, который постоянно корректируется и дополняется.

Вот и данные и аналитические планы слишком важны, чтобы оставлять их на полке. Но это проблема завтрашнего дня; сейчас планы по внедрению данных даже не создаются.

Одно из ключевых преимуществ больших данных и аналитики — это то, что вы можете узнать о бизнесе то, чего раньше просто не замечали.Чем скорее это поймет руководство, тем с большей вероятностью они сделают данные реальным источником конкурентного преимущества для своих организаций.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.