Как компании в 19 раз повысить свои шансы остаться прибыльной? Использовать подход data-driven

Редакция IT Manager портала IT-World вместе с экспертами разбирается, как подход data-driven работает в России, какие задачи он решает и почему его значение продолжает расти, несмотря на санкционные вызовы и необходимость адаптации к новым условиям.

У компаний, которыми управляют на базе аналитики данных, а не по наитию, в 23 раза больше шансов обойти конкурентов, в 19 раз больше шансов остаться прибыльной и в 7 раз больше шансов удержать клиентов.

И это еще не все преимущества. Компании, которые управляются на основе аналитики данных, лучше оптимизируют свою деятельность и снижают затраты, к ним охотнее идут работать сотрудники и реже увольняются, и это объяснимо — больше объективности, меньше самодурства. В мировом масштабе свыше 90% компаний заявляют, что внедрение инструментов бизнес-аналитики — их основная задача.

Редакция IT Manager портала IT-World вместе с экспертами разбирается, как подход data-driven работает в России, какие задачи он решает и почему его значение продолжает расти, несмотря на санкционные вызовы и необходимость адаптации к новым условиям.

Внедрение решения для бизнес-аналитики — непростая задача, требующая участия большого количества специалистов, а также организации функционирования баз данных и аналитических инструментов. Также нужно определиться, ответы на какие вопросы должна дать внедряемая система бизнес-аналитики, например, «сколько инженеров нам понадобится в течение ближайших пяти лет для решения наших задач». Помимо этого, необходимо определиться с источником данных и с контролем их качества, а также тщательно выбрать подрядчиков, если они необходимы, консультантов и инструменты. Все это в случае удачной реализации позволит выявлять закономерности, тренды и слабые места, работу над которыми можно использовать для повышения эффективности функционирования бизнеса. Подобные решения могут применяться для ответа на вопросы «что, если», не проводя над компанией натурные дорогостоящие эксперименты.

Отметим, что в 2023 году 41% российских компаний увеличили объем заказов на аналитические исследования. Это стало ответом на возрастающие требования рынка к точности и оперативности в принятии решений.

Data-driven-подход включает несколько этапов: первый и основной — организация сбора данных из разных источников. Данные — ключевой ингредиент всего процесса, без которого дальнейшие шаги не имеют смысла. В книге «Creating a Data-Driven Organization» сказано, в частности, что организация сбора своевременных, точных и заслуживающих доверия данных занимает в процессе создания data-driven-бизнеса 80% времени и усилий. И только 20% тратится на создание моделей, визуализацию и подготовку выводов из этих данных.

Аналитика данных стала неотъемлемой частью работы не только в частном секторе, но и в госсекторе. Органы власти на федеральном и региональном уровнях нуждаются в оперативных данных для быстрого реагирования, особенно в кризисные моменты. Яркий пример — пандемия 2020 года, когда остановка работы множества компаний поставила под удар региональные экономики. Госструктуры запросили у бизнеса данные, которые позволяли бы оперативно оценивать состояние бизнеса по регионам. Это помогло властям адаптировать меры поддержки в реальном времени, предоставляя еженедельные отчеты по состоянию экономики, в то время как традиционная статистика не успевала за быстрыми изменениями.

В условиях санкций и ухода западных ИТ-решений российский рынок оказался перед необходимостью активного импортозамещения и разработки собственных аналитических платформ. Порог входа для многих компаний возрос: приходится не только приобретать лицензии на новые системы, но и обучать сотрудников. Это особенно ощутимо для среднего и малого бизнеса, который еще только начинает внедрять системы управления данными. Однако крупные игроки уже адаптируются, используя собственные разработки для анализа и визуализации данных.

Аналитика играет ключевую роль, в частности, в банковском деле и в розничной торговле. В банковской сфере финансовые организации учатся предугадывать запросы клиентов, собирая массив данных о каждом. В качестве источников берутся транзакции по карте, посещения мобильного приложения, список наиболее востребованных услуг, истории взаимодействия с поддержкой, реакции на предлагаемые банком промокампании. Эти данные объединяются в карты финансового поведения клиента, где учитываются его привычки, предпочтения и потенциальные желания. Если аналитика данных показывает аномальную активность, банк может оперативно отреагировать. Карты финансового поведения клиента не статичны, они постоянно пополняются.

В сфере же торговли применяются такие инструменты, как чековая аналитика, анализ маржинальности, контроль прайсинга, анализ конверсии посетителей (включая и интернет-магазины), анализ товарного запаса. Только один гипермаркет в день обрабатывает данные от тысяч транзакций, что делает этот сектор хорошей площадкой для применения data-driven-подходов. Компании используют геоаналитику для выбора местоположений новых торговых точек, учитывая социально-демографические характеристики районов. Прогнозируемая точность таких решений достигает 90%, что помогает компаниям добиться ожидаемого роста выручки в 80% случаев. Кроме того, аналитика позволяет лучше управлять ассортиментом, повышая удовлетворенность клиентов и увеличивая доходы.

Госсектор использует аналитику для решения масштабных задач — от планирования транспортных маршрутов до развития внутреннего туризма. После того как внутренний туризм стал более востребованным в России, государственные органы запросили данные о предпочтениях туристов, маршрутах и тратах. Это позволило региональным властям точнее планировать инфраструктуру и стимулировать развитие гостиничного бизнеса. Также аналитика помогает и в управлении миграционными потоками внутри страны, способствуя оптимизации городского планирования и транспортных услуг.

Промышленность не отстает в применении data-driven-подходов. Сбор и анализ данных с производственного оборудования помогают компаниям предсказывать поломки и планировать ремонтные работы, снижая затраты на обслуживание. Промышленные компании могут прогнозировать спрос, управлять запасами и оптимизировать графики обслуживания оборудования, что снижает риск простоев и помогает адаптироваться к изменчивым условиям рынка.

Ошибки в сборе и анализе данных могут дорого обходиться, более того, это и вовсе может сделать процесс бессмысленным. По сведениям консалтинговой компании Gartner, крупные корпорации в среднем теряют миллионы долларов ежегодно из-за некачественных данных.

Отметим, что рынок труда чутко реагирует на запросы: в 2023 году количество резюме соискателей в области аналитики данных увеличилось на 105%, что говорит о растущем спросе на экспертов, которые помогут бизнесу максимально эффективно использовать данные.

В условиях ухода с российского рынка крупных зарубежных игроков и увеличения роли отечественных решений data-driven становится важным инструментом для достижения технологической независимости. Это не просто возможность для компаний адаптироваться к изменениям, но и способ получить конкурентное преимущество. Российский бизнес и государственные структуры учатся использовать данные не только для анализа прошлого, но и для построения стратегий на будущее.

Сегодня data-driven-подход — это уже больше, чем просто сбор данных. Это культура принятия решений, которая помогает компаниям и государству адаптироваться к вызовам времени, развивать новые направления, оптимизировать внутренние процессы, снижать затраты и удерживать клиентов и персонал.

Редакция IT Manager портала IT-World задала несколько вопросов экспертам, работающим в этой области и занимающимся строительством data-driven-компаний.

Это приводит к наиболее частым причинам провалов при внедрении data-driven-подхода: неправильный сбор или ошибки «ручного» сбора данных и неавтоматизированная агрегация данных из разных источников. Также к характерным причинам неудач можно отнести недостаточную квалификацию «внутренних» специалистов по анализу данных и высокую загруженность ИТ-подразделений бизнеса в части анализа и обработки данных.

Две первые причины устраняются за счет комплексной автоматизации — зачастую для этого нужны не столько глубокие знания производственной специфики, сколько знания методологии внедрения. Чем выше уровень цифровизации бизнеса, тем меньше вероятность допустить ошибку первичного сбора и обработки данных. Что касается квалификации специалистов, не все компании могут корректно определить квалификацию специалиста.