Для многих компаний сильная культура, управляемая данными, остается труднодостижимой, а данные редко являются универсальной основой для принятия решений. Почему это так сложно? Наша работа в различных отраслях показывает, что самые большие препятствия на пути создания бизнеса, основанного на данных, не технические, а культурные. Мы вывели 10 заповедей работы с данными, которые помогут создать и поддерживать культуру, в основе которой лежат данные: Культура работы с данными начинается с самого верха; выбирайте метрики с осторожностью - и хитростью; не загоняйте своих специалистов по работе с данными в силос; быстро решайте базовые проблемы доступа к данным; количественно оценивайте неопределенность; делайте доказательства концепции простыми и надежными; предлагайте специализированное обучение, когда это необходимо; используйте аналитику для помощи сотрудникам, а также клиентам; будьте готовы обменять гибкость языков программирования на последовательность в краткосрочной перспективе; возьмите за привычку объяснять аналитические решения.
Растущие объемы данных способны дать толчок новой эре инноваций в корпорациях, основанных на фактах и подкрепляющих новые идеи убедительными доказательствами. Воодушевленные надеждами на лучшее удовлетворение потребностей клиентов, оптимизацию операций и уточнение стратегии, компании в течение последнего десятилетия накапливали данные, инвестировали в технологии и платили большие деньги за талант аналитика. Однако для многих компаний сильная культура управления данными остается труднодостижимой, а данные редко становятся универсальной основой для принятия решений.
Почему это так сложно?
Наша работа в различных отраслях показывает, что самые большие препятствия на пути создания бизнеса, основанного на данных, носят не технический, а культурный характер. Достаточно просто описать, как внедрить данные в процесс принятия решений. Гораздо сложнее сделать это нормальным, даже автоматическим, для сотрудников - изменение менталитета представляет собой сложнейшую задачу. Поэтому мы вывели 10 заповедей работы с данными, которые помогут создать и поддерживать культуру, в основе которой лежат данные.
1. Культура работы с данными начинается с самого верха. Компании с сильной культурой работы с данными, как правило, имеют топ-менеджеров, которые ожидают, что решения должны быть основаны на данных, что это нормально, а не новизна или исключительность. Они подают пример. В одном розничном банке руководители высшего звена вместе изучают данные контролируемых рыночных испытаний, чтобы принять решение о запуске продукта. В ведущей технологической компании руководители высшего звена тратят 30 минут в начале совещаний на чтение подробных резюме предложений и подтверждающих их фактов, чтобы они могли принять меры, основанные на фактах. Такая практика распространяется вниз, поскольку сотрудники, которые хотят, чтобы их воспринимали всерьез, должны общаться с высшими руководителями на их условиях и на их языке. Пример, поданный несколькими руководителями, может стать катализатором существенных изменений в нормах, принятых в компании.
< <
Insight Center
-
The Data-Driven Mindset
Sponsored by Splunk Использование возможностей данных вашей компании.
2. Выбирайте метрики с осторожностью - и хитростью. Руководители могут оказывать мощное влияние на поведение, искусно выбирая, что измерять и какие метрики они ожидают от сотрудников. Предположим, компания может получить прибыль, предвидя изменения цен конкурентов. Для этого существует метрика: точность прогнозирования во времени. Поэтому команда должна постоянно делать четкие прогнозы относительно величины и направления таких изменений. Она также должна отслеживать качество этих прогнозов - оно будет неуклонно улучшаться!
Например, ведущий оператор связи хотел убедиться, что его сеть предоставляет ключевым клиентам наилучший возможный пользовательский опыт. Но он собирал только агрегированную статистику о производительности сети, поэтому мало что знал о том, кто и что получает и какое качество услуг испытывает. Создав подробные метрики о впечатлениях клиентов, оператор смог провести количественный анализ влияния модернизации сети на потребителей. Для этого компании просто необходимо было гораздо жестче контролировать происхождение и потребление своих данных, чем это обычно бывает", и именно в этом и заключался смысл.
3. Не загоняйте своих специалистов по анализу данных в угол. Специалисты по анализу данных часто замкнуты в рамках компании, в результате чего они и бизнес-лидеры слишком мало знают друг о друге. Аналитика не может выжить или обеспечить ценность, если она работает отдельно от остального бизнеса. Те, кто успешно справился с этой проблемой, обычно делают это двумя способами.
Первая тактика заключается в том, чтобы сделать любые границы между бизнесом и специалистами по анализу данных очень прозрачными. Одна ведущая мировая страховая компания ротирует сотрудников из центров передового опыта на линейные должности, где они расширяют масштабы доказанной концепции. Затем они могут вернуться в центр. Глобальная компания по торговле сырьевыми товарами разработала новые роли в различных функциональных областях и направлениях бизнеса для повышения аналитической сложности; эти роли имеют точечные связи с центрами передового опыта. В конечном счете, детали имеют меньшее значение, чем принцип, который заключается в том, чтобы найти способ объединить знания о сфере деятельности и технические ноу-хау.
Компании, занимающие передовые позиции, используют другую тактику. Помимо того, что они приближают науку о данных к бизнесу, они подтягивают бизнес к науке о данных, в основном настаивая на том, чтобы сотрудники были грамотными в коде и концептуально свободно разбирались в количественных вопросах. Старшим руководителям не нужно перерождаться в инженеров машинного обучения. Но лидеры организаций, ориентированных на данные, не могут оставаться в неведении относительно языка данных.
4. Быстро решайте основные проблемы с доступом к данным. Самая распространенная жалоба, которую мы слышим, заключается в том, что люди в разных подразделениях компании с трудом могут получить даже самые необходимые данные. Любопытно, что такая ситуация сохраняется, несмотря на многочисленные усилия по демократизации доступа к данным внутри корпораций. Испытывая дефицит информации, аналитики не проводят большого объема анализа, и культура, основанная на данных, не может укорениться, не говоря уже о процветании.
Для преодоления этого затора ведущие компании используют простую стратегию. Вместо грандиозных - но медленных - программ по реорганизации всех данных они предоставляют всеобщий доступ лишь к нескольким ключевым показателям за один раз. Например, ведущий мировой банк, который пытался лучше предвидеть потребности в рефинансировании кредитов, создал стандартный слой данных для своего отдела маркетинга, сосредоточившись на наиболее важных показателях. В данном случае это были основные данные, относящиеся к условиям кредитования, остаткам и информации о собственности; данные маркетинговых каналов о том, как выдаются кредиты; и данные, характеризующие широкие банковские отношения клиентов. Независимо от конкретной инициативы, разумным выбором первых данных для обеспечения доступности будет выбор тех показателей, которые стоят на повестке дня руководства компании. Требование, чтобы другие показатели в конечном итоге были связаны с этим источником данных, может значительно стимулировать его использование.
5. Количественная оценка неопределенности. Все признают, что абсолютная уверенность невозможна. Однако большинство руководителей продолжают требовать от своих команд ответов без соответствующей меры уверенности. Они упускают один прием. Требование к командам четко и количественно выражать уровень неопределенности имеет три мощных эффекта.
Во-первых, это заставляет лиц, принимающих решения, напрямую бороться с потенциальными источниками неопределенности: надежны ли данные? Не слишком ли мало примеров для надежной модели? Как можно учесть факторы, если для них нет данных, например, возникающую динамику конкуренции? Одна розничная компания обнаружила, что очевидное снижение коэффициентов выкупа в рамках ее моделей прямого маркетинга было вызвано все более устаревающими адресными данными. Обновление, а также процесс поддержания данных в свежем состоянии устранили проблему.
Во-вторых, аналитики получают более глубокое понимание своих моделей, когда им приходится строго оценивать неопределенность. Например, у одного британского страховщика основные модели рисков не смогли адекватно адаптироваться к рыночным тенденциям. Поэтому компания создала систему раннего предупреждения, которая учитывает эти тенденции и выявляет случаи, которые в противном случае были бы пропущены. В результате компания избежала убытков из-за внезапных всплесков претензий.
И наконец, акцент на понимании неопределенности подталкивает организации к проведению экспериментов. "В большинстве мест "тестировать и учиться" на самом деле означает "думать и надеяться", - заметил однажды главный торговец розничной сети. В его компании команда количественных аналитиков в паре с категорийными менеджерами проводила статистически точные контролируемые испытания их идей, прежде чем вносить широкомасштабные изменения.
6. Делайте доказательства концепции простыми и надежными, а не вычурными и хрупкими. В аналитике перспективные идеи значительно превосходят практические. Часто разница становится очевидной только тогда, когда компании пытаются внедрить пробные версии концепций в производство. Одна крупная страховая компания провела внутренний хакатон и назвала победителя - элегантное улучшение онлайн-процесса, - но затем отказалась от этой идеи, поскольку она требовала дорогостоящих изменений в базовых системах. Уничтожение хороших идей таким образом может деморализовать организации.
Более эффективный подход заключается в разработке доказательств концепции, где основной частью концепции является ее жизнеспособность в производстве. Один из хороших способов - начать строить что-то промышленное, но тривиально простое, а затем повышать уровень сложности. Например, для внедрения новых моделей риска на большой распределенной вычислительной системе компания по производству продуктов данных начала с реализации чрезвычайно простого процесса, который работал из конца в конец: небольшой набор данных правильно поступал из исходных систем и проходил через простую модель, а затем передавался конечным пользователям. Как только это было сделано, и компания знала, что целое по-прежнему целостно, она могла совершенствовать каждый компонент независимо: увеличивать объемы данных, создавать более экзотические модели и повышать производительность во время выполнения.
7. Специализированное обучение должно проводиться своевременно. Многие компании вкладывают средства в "масштабное" обучение, но сотрудники быстро забывают полученные знания, если не применяют их сразу же. Поэтому, хотя базовые навыки, такие как кодирование, должны быть частью фундаментального обучения, более эффективно обучать сотрудников специализированным аналитическим концепциям и инструментам непосредственно перед тем, как они понадобятся, скажем, для проверки концепции. Одна розничная компания ждала незадолго до первого рыночного испытания, прежде чем обучить своих аналитиков службы поддержки тонкостям разработки эксперимента. Знания закрепились, и некогда чуждые понятия, такие как статистическая достоверность, теперь стали частью языка аналитиков.
8. Используйте аналитику для помощи сотрудникам, а не только клиентам. Легко забыть о потенциальной роли свободного владения данными в том, чтобы сделать сотрудников счастливее. Но если дать сотрудникам возможность самим работать с данными, это может сделать их счастливее, так как позволит им следовать советам из книги по программированию с запоминающимся названием: Automate the Boring Stuff with Python. Если идея освоения новых навыков для более эффективной работы с данными представлена в абстрактном виде, немногие сотрудники будут достаточно воодушевлены, чтобы проявить настойчивость и переделать свою работу. Но если непосредственные цели приносят им прямую пользу - экономят время, помогают избежать переделок или получить часто необходимую информацию - тогда рутина становится выбором. Много лет назад команда аналитиков одной из ведущих страховых компаний обучилась основам облачных вычислений, чтобы иметь возможность экспериментировать с новыми моделями на больших массивах данных, не дожидаясь, пока ИТ-отдел удовлетворит их потребности. Этот опыт оказался основополагающим, когда ИТ-отдел, наконец, перестроил техническую инфраструктуру компании. Когда пришло время набросать требования к платформе для продвинутой аналитики, команда смогла не просто описать ответ. Они смогли продемонстрировать работающее решение.
9. Будьте готовы обменять гибкость на последовательность - по крайней мере, в краткосрочной перспективе. Во многих компаниях, зависящих от данных, существуют различные "племена данных". У каждого из них могут быть свои предпочтительные источники информации, собственные метрики и любимые языки программирования. В масштабах организации это может стать катастрофой. Компании могут тратить бесчисленные часы на согласование различных версий метрик, которые должны быть универсальными. Несоответствия в том, как моделисты выполняют свою работу, тоже сказываются. Если стандарты кодирования и языки различаются в разных компаниях, то каждый переезд аналитиков влечет за собой переобучение, что затрудняет их перемещение. Кроме того, обмен идеями внутри компании может быть непомерно обременительным, если они постоянно требуют перевода. Вместо этого компаниям следует выбрать канонические метрики и языки программирования. Один ведущий мировой банк так и поступил, настояв на том, чтобы его новые сотрудники, нанимаемые в инвестиционно-банковскую сферу и управление активами, знали язык программирования Python.
10. Приобретите привычку объяснять аналитические решения. Для большинства аналитических задач редко существует единственный правильный подход. Вместо этого ученые, изучающие данные, должны делать выбор с различными компромиссами. Поэтому хорошей идеей будет спросить команды, как они подошли к решению проблемы, какие альтернативы они рассматривали, какие компромиссы они понимали, и почему они выбрали один подход, а не другой. Если делать это в обязательном порядке, то это даст командам более глубокое понимание подходов и часто побудит их рассмотреть более широкий набор альтернатив или переосмыслить фундаментальные предположения. Одна глобальная финансовая компания сначала предположила, что довольно обычная модель машинного обучения для выявления мошенничества не может работать достаточно быстро, чтобы использовать ее в производстве. Но позже она поняла, что модель можно сделать молниеносно быстрой с помощью нескольких простых настроек. Когда компания начала использовать эту модель, она добилась поразительных успехов в точном выявлении мошенничества.
Компании - и входящие в их состав подразделения и отдельные люди - часто полагаются на привычку, поскольку альтернативные варианты выглядят слишком рискованными. Данные могут служить доказательством гипотез, давая менеджерам уверенность в том, что они могут перейти к новым областям и процессам, не совершая прыжок в темноту. Но просто стремиться быть управляемой данными недостаточно. Чтобы стать движимыми данными, компаниям необходимо создать культуру, в которой этот образ мышления будет процветать. Лидеры могут способствовать этому сдвигу своим примером, практикуя новые привычки и формируя ожидания в отношении того, что на самом деле значит принимать решения на основе данных.
Об авторе
Дэвид Уоллер - партнер и руководитель направления Data Science и аналитики в Oliver Wyman Labs.
- Hbr.org
Поделиться
