Все говорят, что они data-driven. Но почему решения всё равно принимаются на ощущениях?

1. Data-driven часто существует только в презентациях

Я часто и часто вижу одну и ту же картину.
Недельный или месячный срез. Десятки слайдов — CAC, ROMI, retention, воронки, когорты.
Всё выглядит глубоко. Всё выглядит профессионально.

Но конце CEO задаёт простой вопрос: Что именно мы будем менять в следующем месяце?
И именно в этот момент данные обычно исчезают из разговора. Потому что отчёты объяснили прошлое, но не дали готовое решение. И в этот момент люди возвращаются к интуиции.

2. Много метрик. И очень мало ответственности

В другом стратапе, который я консультировала, была классическая схема

— маркетинг оптимизировал CAC

— продуктовая команда работала над ретеншен

— финансы следили за маржинальностью.

По отдельности все метрики улучшались или находились в пределах бенчей. Но бизнес не рос. Потому, что никто не нёс ответственность за итоговое решение. Каждая функция была data-driven по-своему. Но самой growth системы не было. А без нее данные превращаются просто в красивые таблицы и дашборды.

3. Когда данных слишком много, побеждает интуиция

Это звучит парадоксально, но на практике происходит постоянно. Чем больше дашбордов и KPI у команды, тем выше вероятность, что решения будут приниматься на основе опыта. Причина проста. Если данные не дают чёткого ответа на вопрос «что нам делать дальше?», то люди возвращаются к знакомым паттернам. А именно — к предыдущему опыту или интуиции. В этом контексте интуиция — это реакция на данные, которые не готовы к принятию решений.

4. Data-driven часто путают с автоматизацией

Ещё один распространённый сценарий. Компания инвестирует в аналитику, attribution-модели, predictive-инструменты. Инструменты становятся сложнее. А впечатляющих результатов нет. Потому что вроде автоматизировали операционку и базу, а процесс принятия решений остался прежним. Его просто окружили более красивыми цифрами.

Важно понимать, что любые даже самые безупречные данные не работают, когда:

1. Не определены решения, которые они должны поддерживать

2. Заранее не согласованы критерии успеха

3. Никто не несёт ответственность за изменение курса, если сигналы негативные.

5. Реальный кейс: отличные дашборды, плохие решения

Один старт-ап, которому я помогала, имел одну из лучших аналитических систем, которые я видела: дашборды практически в режиме реального времени, когортный анализ, полная атрибуция каналов. Но решения всё равно принимались, исходя из того, что «кажется рискованным» или «работало в прошлом году».

Почему?

Потому что ни один дашборд не был связан с конкретной логикой принятия решений. Данные существовали, а логика решений нет. В итоге компания сократила объём отчётности вдвое и оставила только те метрики, которые отвечали на главный вопрос: какое конкретное решение мы примем иначе, если это число изменится?
Только после этого компания начала использовать данные для действий, а не для презентаций.

6. Пример на уровне рынка: почему это происходит повсеместно

Это не единичный случай. Если посмотреть шире, становится видно одну и ту же картину.

Маркетинг оптимизирует свои performance-метрики. Продуктовая команда работает над вовлечённостью. Финансы следят за эффективностью и маржинальностью. Каждая команда делает свою работу хорошо. Их показатели действительно улучшаются.

Но бизнес не является набором отдельных метрик, так как это единая система. Когда каждая функция оптимизирует свою часть, но никто не отвечает за итоговый результат, возникает парадокс. Метрики растут, а сам бизнес остаётся на месте.

Не потому, что данных недостаточно, их часто даже более чем достаточно. А потому, что данные не становятся основой для конкретных решений.

Именно поэтому data-driven подход не дал того преимущества, на которое рассчитывали многие компании.

Проблема не в аналитике. Проблема в том, как принимаются решения.

7. Проблема не в интуиции. Проблема в подмене

Это важный момент. Интуиция не должна исчезнуть. В сложных системах она всегда будет играть роль. Проблема начинается тогда, когда интуиция заменяет данные, вместо того чтобы работать вместе с ними. Когда данные используются, чтобы оправдать уже принятое решение. Или игнорируются, потому что «мы и так понимаем рынок». Настоящий data-driven подход возникает там, где встречаются данные и интуиция.

Почему это так сложно для бизнеса

Потому что настоящий data-driven подход требует довольно неприятных вещей:

— формулировать гипотезы до запуска, а не после

— на берегу договориться, какие данные считаются истиной

— быть готовыми менять решения, а не только отчёты

А это уже вопрос управления.

Итог

Компании полагаются на интуицию не потому, что не доверяют данным, а потому, что данные редко встроены в сам процесс принятия решений. Пока цифры не будут отвечать на главный вопрос «что мы делаем дальше?» интуиция будет побеждать.
И иногда вполне справедливо.