В статье рассматриваются проблемы использования ИТ-инструментов в аналитике крупных компаний и предлагаются пути решения.
Ключевые слова: ИТ-инструменты, аналитика, ИТ-системы, CRM-система, ИТ-проектные команды.
В своем стремлении извлечь информацию из огромных объемов данных, которые теперь доступны из внутренних и внешних источников, многие компании тратят значительные средства на ИТ-инструменты и нанимают специалистов по обработке данных. Тем не менее, большинство из них изо всех сил пытаются добиться достойной отдачи. Это потому, что они относятся к своим проектам в области больших данных и аналитики так же, как ко всем ИТ-проектам, не понимая, что это совершенно разные вещи.
Традиционный подход к ИТ-проекту, такой как установка ERP или CRM-системы, фокусируется на создании и развертывании технологии вовремя, в соответствии с планом и в рамках бюджета. Информационные требования и технологические спецификации устанавливаются заранее, на стадии проектирования, когда процессы подвергаются реинжинирингу. Этот подход прекрасно работает, если целью является улучшение бизнес-процессов и если компании эффективно управляют результатом организационных изменений.
Но даже когда такие проекты повышают эффективность, снижают затраты и повышают производительность, руководители все равно недовольны. Причиной этого выступает тот факт, что как только система заработает, никто не обращает никакого внимания на то, чтобы выяснить, как использовать генерируемую ею информацию для принятия более эффективных решений или получения более глубокого — и, возможно, непредвиденного — понимания ключевых аспектов бизнеса [1].
Например, система, которую страховая компания устанавливает для автоматизации процесса обработки претензий, может значительно повысить эффективность, но она также будет предоставлять информацию для целей, которые никто не сформулировал или не ожидал. Используя новые данные, компания может строить модели для оценки вероятности того, что претензия является мошеннической. И он может использовать данные о скорости водителей, прохождении поворотов, торможении и ускорении, собранные в режиме реального времени с датчиков, установленных в автомобилях, чтобы различать ответственных и менее ответственных водителей, оценивать вероятность аварий и соответствующим образом корректировать премии. Однако простое внедрение системы автоматически не поможет компании получить эти знания.
Опыт внедрения ИТ-систем в различных отраслях, подталкивает к использованию альтернативного подхода к проектам в области больших данных и аналитики, который позволяет компаниям постоянно использовать данные новыми способами. Вместо внедрения технологий необходимо фокусироваться на изучении информации. И вместо того, чтобы рассматривать информацию как ресурс, хранящийся в базах данных, что хорошо подходит для проектирования и внедрения обычных ИТ-систем, будет полезно рассматривает информацию как нечто ценное для самих людей.
Соответственно, крайне важно понимать, как люди создают и используют информацию. Это означает, что проектным командам нужны члены, хорошо разбирающиеся в когнитивных и поведенческих науках, а не только в инженерии, информатике и математике. Это также означает, что проекты не могут быть четко спланированы. Развертывание аналитических ИТ-инструментов относительно несложно. Понимание того, как они могут быть использованы, гораздо менее ясно. С самого начала никто не знает, какие решения будут поддерживаться инструментами и на какие вопросы, как ожидается, они помогут ответить.
Таким образом, проект больших данных или аналитики не может рассматриваться как обычный крупный ИТ-проект с его определенными результатами, требуемыми задачами и подробными планами их выполнения. Первая, скорее всего, будет гораздо меньшей и более короткой инициативой. По заказу для решения проблемы или возможности, которые кто-то почувствовал, такой проект формулирует вопросы, на которые данные могли бы дать ответы, разрабатывает гипотезы, а затем последовательно экспериментирует, чтобы получить знания и понимание. Таким образом необходимо выполнить следующее [2]:
1. В центр инициативы поставить людей.
Логика многих инвестиций в ИТ-инструменты и инициативы в области больших данных заключается в том, что более быстрое предоставление менеджерам более качественной информации улучшит их решения и поможет им решать проблемы и получать ценную информацию. При этом игнорируется тот факт, что менеджеры могут отбрасывать информацию, какой бы хорошей она ни была, что у них есть различные предубеждения, и что они могут не обладать когнитивной способностью эффективно использовать информацию.
Реальность такова, что многим людям, включая менеджеров, неудобно работать с данными. Любая инициатива, основанная на информации, должна признавать это. Она должна ставить пользователей — людей, которые будут создавать смысл из информации, — в центр своей деятельности. Это должно бросить вызов тому, как они используют или не используют данные при выводах и принятии решений, побуждая их полагаться на формальный анализ, а не на внутреннее чутье. И это должно поставить под сомнение их предположения о клиентах, поставщиках, рынках и продуктах.
Необходимо глубоко разобраться в том, на основании каких данных сотрудник принимает то или иное решение, а затем помочь улучшить способ доступа к данным и их использования. Для этого необходимо проследить за сотрудниками во время визитов к клиентам и поставщикам, чтобы узнать, какая информация использовалась в работе с клиентами, как она использовалась, где она была недоступна и где она помогала или препятствовала выполнению такой задачи, как ведение переговоров о продаже. Затем можно провести семинар с сотрудниками, работающими с клиентами, чтобы представить разработанную схему взаимодействия и предложить идеи по предоставлению улучшенной информации и получить обратную связь. Необходимо разработать прототипы различных информационных отчетов и опробовать их с бизнес-подразделениями. Учитывая, что мозгу легче обрабатывать информацию, если она представлена визуально, отчеты должны использовать графику, диаграммы и макеты экранов. Далее необходимо оценить насколько сотрудники усваивают информацию, какое поведение они демонстрируют и, в конечном счете, выигрывают ли они в бизнесе. Только на этом этапе — как только компания получила глубокое представление о том, как сотрудники используют информацию, — CRM-система может быть внедрена по всей организации.
У компании должно быть четкое понимание того, какая информация будет собираться и поддерживаться и как она будет применяться, сотрудники должны быть вовлечены в процесс разработки и внедрения с самого начала, чтобы они твердо согласились с необходимостью работать на основе фактических данных.
2. Выбрать способ извлечения пользы при использовании информации.
Инициативы, направленные на извлечение информации из существующих систем или новых источников данных, должны признавать, насколько беспорядочным и сложным является этот процесс. Люди не мыслят в вакууме; они осмысливают ситуации на основе своих собственных знаний, ментальных моделей и опыта. Они также используют информацию по-разному, в зависимости от контекста. Культура организации, например, может определять то, как люди принимают решения, сотрудничают и обмениваются знаниями. Более того, люди используют информацию динамически и итеративно. Этапы определения потенциальной проблемы или возможности, принятия решения о том, какая информация необходима, а затем ее сбора, организации и интерпретации происходят циклически.
Традиционный подход к разработке ИТ игнорирует эти реалии. При проектировании большинства ИТ-систем учитываются данные, которые были определены как важные и контролируемые. Абстрагируясь таким образом от сложности реального мира и создавая формальные логические правила для обработки данных, упрощается проектирование системы и обеспечиваете четко определенные результаты. Такой подход хорош для высоко структурированных видов деятельности, задачи которых могут быть точно описаны, таких как обработка заказов клиентов. Он идеально подходит для переноса информации из области человека в область технологий, чтобы организации могли использовать феноменальную вычислительную мощность компьютеров и по возможности исключить участие человека.
Проблема в том, что многие организации ошибочно применяют эту философию проектирования к задаче переноса данных из области технологий в область людей, чтобы их можно было превратить в полезную информацию, и в этих случаях подход обычно терпит неудачу. В случае с менеджерами это происходит потому, что их роли часто сложны и имеют слабую структуру. Даже когда организация пытается охватить свои информационные потребности, она может сделать только моментальный снимок, который никоим образом не отражает беспорядок в их работе. В какой-то момент менеджеру понадобятся данные для поддержки конкретного, ограниченного решения; на другом он будет искать закономерности, которые предполагают новые возможности для бизнеса или выявляют проблемы. Он должен быть способен накапливать оба вида знаний.
Менеджеры — не единственные, кому традиционный подход не подходит должным образом. То же самое верно для многих работников умственного труда. Например, инженер, работающий на производителя аэрокосмических двигателей, не может ожидать, что диагностическое программное обеспечение само по себе определит причины проблем, используя огромное количество данных о производительности двигателя, которые генерирует фирма. Скорее всего, инженер должен обладать значительным опытом и знаниями, чтобы выявлять взаимосвязи в данных и задавать вопросы о них, часто путем проверки гипотез. И при интерпретации результатов любого анализа он или она должны опираться на опыт, чтобы отсеять вводящие в заблуждение или ложные объяснения.
ИТ-проекты обычно не побуждают людей искать новые способы решения старых проблем. Аналитические проекты преуспевают, бросая вызов и совершенствуя способы использования информации, получения ответов на вопросы и принятия решений. Вот несколько способов сделать это:
— Задавать вопросы второго порядка. Вместо того чтобы стремиться создать систему, которая поможет специалистам по продажам легко ответить на вопрос: «Какие товары мы должны разместить на полках сегодня?», инициатива может начинаться с вопроса: «Есть ли лучший способ решить, как мы пополняем запасы?» Задавая вопросы второго порядка, то есть вопросы о вопросах, проект предполагает, что лица, принимающие решения, могли бы улучшить то, как они работают.
— Установить, какие данные уже имеются и какие отсутствуют. Необходимо избегать ограничений легкодоступными данными и системами, которые основаны на определенных предположениях и логике относительно того, как должен вестись бизнес. Хотя в прошлом они, возможно, были правильными, эти системы, скорее всего, не поспевали за постоянно меняющейся деловой и конкурентной средой. И есть вероятность, что огромное количество данных, запертые в изолированных подразделениях, таких как исследования и разработки, инжиниринг, продажи и сервисные операции, не используются. Например, во многих финансовых учреждениях различные направления бизнеса не обмениваются данными, что мешает компаниям формировать целостное представление об отдельных клиентах и понимать портфели клиентов в соответствии с тенденциями рынка.
— Предоставить ИТ-проектным командам свободу переосмыслять бизнес-проблемы. Открытость к новому взгляду на проблемы привела к тому, что центральные банки в таких странах, как Великобритания и Израиль, обнаружили сильную корреляцию между общими экономическими тенденциями и запросами потребителей в Google о стиральных машинах, занятиях аэробикой, автомобилях и других предметах роскоши. Идея искать эту взаимосвязь возникла как догадка в штаб-квартире Google, где штатный экономист начал изучать, могут ли определенные ключевые слова предвосхищать результаты традиционных экономических отчетов. Итоговый документ был распространен среди экономистов центрального банка, вызвав их интерес.
Стоит отметить, что ИТ-проекты обычно не побуждают людей искать новые способы решения старых проблем. Этот недостаток креативности часто обусловлен близоруким взглядом на данные и их ценность для бизнеса. Чтобы бороться с таким отношением, некоторые организации применяют такие методы, как мозговой штурм, выявление и тестирование предположений. Мы все чаще видим онлайн-форумы по поиску информации, на которых сотрудникам всей компании предлагается поделиться идеями о рынках, которые будут обслуживаться, новых тенденциях для клиентов и новых способах использования этих знаний.
3. Ввести в команды ИТ-проектов ученых-когнитивистов и поведенческих специалистов.
Большинство ИТ-специалистов имеют опыт работы в области инженерии, информатики и математики. Неудивительно, что они, как правило, очень логичны и хорошо мыслят процессами, и они склонны меньше сосредотачиваться на «И» и больше на «Т» в ИТ. Для таких задач, как обработка финансовых сделок или розничных транзакций, это идеальные навыки. Однако если цель состоит в том, чтобы поддержать открытие знаний, они становятся помехой.
Чтобы решить эту проблему, многие компании добавляют людей с глубокими знаниями бизнеса в команды ИТ-проектов, чтобы те ознакомили ИТ-специалистов со сложными бизнес-проблемами, а также нанимают больше специалистов по обработке данных. Знание бизнеса также может ограничить сферу мышления. По этой причине большие данные и другие аналитические проекты требуют людей, разбирающихся в когнитивных и поведенческих науках, которые понимают, как люди воспринимают проблемы, используют информацию и анализируют данные при разработке решений, идей и знаний. Этот сдвиг отражает сдвиг в экономике в сторону поведенческой экономики, которая применяет знания из областей социальной психологии, когнитивных и поведенческих наук для разработки нового понимания того, как люди думают и ведут себя на рынках и в экономике.
Сегодня в некоторых организациях в проектах по обработке больших данных и аналитике уже задействованы люди с опытом работы в этих областях. Организации, которые хотят, чтобы сотрудники в большей степени ориентировались на данные в своем мышлении и принятии решений, должны обучать их тому, когда использовать данные и как формулировать вопросы, строить гипотезы, проводить эксперименты и интерпретировать результаты. В настоящее время в большинстве бизнес-школ этому не учат. Это должно измениться.
4. Уделять особое внимание обучению.
Большие данные и другие аналитические проекты больше похожи на научные исследования и клинические испытания, чем на ИТ-инициативы. Обычно они начинаются с ощущения проблем или потенциальных возможностей, которые изначально могут быть просто чьим-то предчувствием. Затем они часто переходят к разработке теорий о существовании конкретного результата или эффекта, выдвигают гипотезы, идентифицируют соответствующие данные и проводят эксперименты.
Цикл восприятия, анализа и открытия может повторяться много раз. Следовательно, проекты могут длиться от нескольких часов до более чем шести месяцев, в зависимости от сложности бизнес-задач, доступности и качества внешних и внутренних данных, характера экспериментов и используемых аналитических методов и инструментов. Но эволюционная, циклическая структура и относительно короткая продолжительность значительно облегчают контроль затрат на эти проекты, чем на традиционные ИТ-проекты.
Организациям для того, чтобы сделать обучение центральным направлением проектов в области больших данных и аналитики, необходимо:
— Поощрять и облегчать культуру обмена информацией.Большая часть обучения в организациях происходит в командах и во взаимодействии между коллегами. Поэтому крайне важно развивать культуру сотрудничества, в которой прозрачность, доверие и обмен информацией мотивируют менеджеров и специалистов по обработке данных делиться своими лучшими идеями и знаниями. Среда, в которой информация не распространяется свободно, а сбои и ошибки скрываются, не имеет места в инициативах по генерированию знаний.
Например, если компания, предоставляющая финансовые услуги, создаст «лабораторию данных», чтобы объединить менеджеров из разных подразделений, а также специалистов по обработке данных для работы над конкретными проблемами в среде открытий и обучения, свободной от обычного давления повседневной работы. Это позволяет новым интерпретациям данных и бизнес-идеям появляться в результате откровенных бесед в разных дисциплинах.
— Раскрывать свои предположения, предубеждения и слепые зоны. Необходимо быть готовыми переосмыслить «почему», «что» и «как» в своей общепринятой деловой практике. Разрабатывать и проверять гипотезы, чтобы исследовать границы того, что знакомо, а что нет.
— Стремиться продемонстрировать причину и следствие. Аналитика — это поиск взаимосвязей и значимых закономерностей в данных, таких как факторы, которые, по-видимому, вызывают определенные результаты или связаны с ними. Поэтому важно выйти за рамки симптомов и вместо этого обратиться к таким вопросам, как: В чем проблема, которую мы пытаемся решить? Каковы его первопричины? Какие факторы, по-видимому, способствуют конкретным результатам? Что мы можем сделать по-другому?
— Определить соответствующие методы и инструменты. Специалисты по обработке данных и аналитики имеют свои собственные излюбленные методы и источники данных. Менеджеры должны понимать сильные и слабые стороны этих компаний, когда они решают, как справиться с потоком новых доступных данных.
Аналитические методы и контролируемые эксперименты — это инструменты для мышления. Но именно люди на самом деле думают и учатся, поэтому менеджерам следует ожидать, что они испачкают руки во время итеративного процесса получения бизнес-информации. Хотя могут быть моменты озарения, тогда идеи появляются быстро, будет гораздо больше случаев, когда менеджеры — а не только специалисты по обработке данных и аналитики — должны переосмыслить проблему, бросить вызов данным и отбросить свои ожидания.
5. Необходимо больше уделять внимания решению бизнес-проблем, чем о внедрении технологий. Традиционное управление ИТ-проектами не склонно к риску. Она концентрируется почти исключительно на нейтрализации угроз успешному внедрению новой системы. Напротив, проекты, связанные с использованием информации и больших данных, должны быть сосредоточены не столько на управлении рисками, связанными с внедрением технологий, сколько на решении бизнес-проблем — или, другими словами, эти проекты должны стремиться избежать риска недостижения успешных бизнес-результатов. Такой акцент является разумным, поскольку, как мы уже отмечали, аналитические проекты далеко не так масштабны или дороги, как развертывание ERP или CRM-системы.
Организации уже давно обращаются к ИТ, чтобы взять данные под контроль путем автоматизации транзакций, оптимизации информационных потоков и хранения данных для последующего отзыва. Традиционные подходы к развертыванию ИТ хорошо помогают в достижении этой цели. Парадокс заключается в том, что технологии, которые должны были помочь управлять данными, теперь вызывают массовый потоп. Поскольку организации стремятся использовать внутренние и внешние данные, они рискуют применять традиционные методы, когда вместо этого им нужен принципиально иной подход и мышление.
Для улучшения того, как предприятия извлекают выгоду из данных, требуется нечто большее, чем аналитические инструменты. Это предполагает создание среды, в которой люди могут использовать данные компании и свои собственные знания для улучшения операционных и стратегических показателей фирмы. В этой новой парадигме приоритетом менеджера является совершение открытий, которые могут принести пользу организации, и выявление неизвестных факторов, которые могут подвергнуть ее риску.
Литература:
- Evans B. J. A Simple Guide to Technology and Analytics. — Chapman and Hall/CRC, 2021.
- Marchand Donald A., Peppard J. Why IT Fumbles Analytics // Harvard Business Review, № 1. — 2013.
