Когда цифры меняют решение: почему все обращаются к управлению на основе данных

Компания может хранить терабайты информации и по-прежнему принимать решения по привычке или основываясь на когда-то успешном опыте. Концепт Data-driven начинается с момента, когда цифры способны изменить выбор — и компания готова проверить последствия этого выбора.

Начнем с примера. Страховая компания замечает, что срок урегулирования убытков вырос. Почему? Непонятно. Руководитель может добавить людей в отдел, опираясь на первое правдоподобное объяснение. А может выяснить, на каких обращениях возникает задержка, где они возвращаются назад и чего именно ждут. Данные есть в обоих случаях, только во втором они участвуют в принятии решения.

Так работает Data-driven — подход, при котором решения опираются на собранные и проанализированные факты, а не только на интуицию или опыт. При этом данные не отменяют экспертное суждение и не выносят решение сами. Они позволяют проверить предположение, сравнить варианты и увидеть, сработало ли выбранное действие.

От наблюдения к действию

Вернёмся к нашим убыткам. Средний срок обработки мало что говорит сам по себе: быстрые типовые обращения могут скрыть небольшую группу случаев, которые неделями переходят между сотрудниками. Поэтому компания разбирает путь каждого обращения: когда оно поступило, какие проверки прошло, сколько раз возвращалось, каких документов не хватало и где возникало ожидание.

Допустим, анализ показывает, что основная задержка связана не с общей загрузкой отдела, а с повторным запросом документов по обращениям определённого типа. Тогда вместо расширения штата компания уточняет требования при подаче заявления или добавляет предварительную проверку комплекта документов. После этого она снова измеряет сроки и долю возвратов. Если показатели не изменились, гипотезу приходится пересматривать.

Именно замкнутый контур «вопрос — данные — решение — проверка результата» отличает Data-driven от обычной отчётности. Дашборд показывает, что произошло. Подход требует определить, какое действие последует за сигналом и по какому показателю будет оценён эффект.

Почему большого массива данных недостаточно

Самая частая ловушка — принять техническую зрелость за управленческую. Корпоративное хранилище, BI-система или модель машинного обучения расширяют возможности анализа, но не гарантируют, что вывод попадёт в рабочий процесс.

Данные могут запаздывать, содержать пропуски или по-разному трактоваться подразделениями. Среднее значение способно скрыть крайние случаи, а совпадение двух показателей — создать ложное впечатление причинной связи. Аналитика также ничего не меняет, если сотрудник видит проблему, но не имеет полномочий действовать.

В Альфа-Банке data-driven связывают не только с решениями человека, но и с развитием ИИ-агентов. На ProcessTech Иван Иванов, директор по стратегии цифровой трансформации, отмечал: для автономных систем важно моделировать процессы, находить узкие места и учитывать действия пользователей.

Не культ цифр, а проверяемые решения

При этом надо понимать — Data-driven не означает, что абсолютно каждое действие нужно поручить алгоритму. В том же страховании цена ошибки, требования к защите данных и сложность отдельных случаев оставляют важную роль человеку. Задача подхода — сделать основание решения видимым и проверяемым.

Компания действительно управляет на данных, когда может ответить на три вопроса: какой факт повлиял на выбор, какое действие он вызвал и что изменилось после. Всё остальное — пока лишь инфраструктура вокруг данных.