Разгадывая секрет успеха управленцев, стоит смотреть не на решение, а на способ, который позволил к нему прийти. Джастин Менкес

Меня зовут Андрей Коптелов, я бизнес‑архитектор и преподаватель курсов OTUS (Enterprise Architect, Togaf 10, Бизнес‑аналитик в IT), хочу рассказать про data‑driven подход в принятии решений и проблемы при его отсутствии.

Интуиция менеджера или аналитика?

Вспоминаю один случай, когда процесс подготовки коммерческого предложения в крупной коммерческой организации, в котором более десяти экспертов разного профиля делали оценку предлагаемого заказчику проекта. Этот процесс был автоматизирован в workflow — системе, а в результате оценки формировалась отчетная форма в системе, в которой была суммарная оценка всех участников в виде красивых светофоров. Но самое занимательное, что несмотря на все эти старания, топ‑менеджер, не глядя на все эти светофоры, принимал решение «пальцем в небо» полагаюсь на свою интуицию. При этом никто даже не задумывался оценить правильность принятых решений через экспертную оценку и на основании интуиции менеджера. И думаю таких историй много в копилке каждого консультанта.

Проблема управленческих решений, заключается в том, что мир становится все сложнее, а постоянные изменения приводят к быстрому устареванию ранее удачных паттернов принятия решений. По мне, так альтернативы для менеджеров нет, придется принимать решение по‑новому, используя в качестве основы данные, а также постоянный цикл проверки гипотез через регулярную обратную связь для оценки качества решений. Если говорить простыми словами, то именно в этом и заключается ключевой принцип data‑driven подхода, о котором мы и поговорим.

Немного определений

Data‑driven management — это концепция управления, базирующаяся на применении данных во всех процессах организации. В отличие от традиционных подходов к управлению, данные тут выступают ключевым инструментом решения задач организации. На основе анализа данных принимаются управленческие решения на разных уровнях управления.

Можно сказать, что data‑driven management является продолжением традиционного подхода, который в шутку называют Highest Paid Person«s Opinion (HiPPO), в котором решение основывается на субъективном мнении или опыте менеджмента. При data‑driven подходе фокус с „принятия решений на основе убеждения и власти“ смещается на „принятие решений на основе фактов и экспериментов“.»

Поднимаемся на уровень всей организации и видим, что есть определение Data‑driven company — это компания, в которой руководители принимают управленческие решения, опираясь на основании анализа данных, а сквозные процессы построены с учетом интеграции информационных потоков для организации прогнозной и предиктивной аналитики. Ключевым признаком такой организации является то, что собранные данные превращаются в отчеты, используемые руководителями для принятия решений. Фактически, быть data‑driven организацией означает относиться к данным, как к стратегическому активу, и создавать возможности для использования этого актива для принятия решений на всех уровнях управления.

Если простыми словами, то Data‑driven подход — это метод принятия решений, основанный на анализе данных, а не на интуиции или личном опыте. Главный принцип — решения должны основываться на фактических данных и их анализе, при этом данные должны быть качественными и актуальными.

Какую проблему решаем

Тема data‑driven появилась из понимания того, что очень часто решения руководителей, принимаемые на основе мнений, экспертных суждений, прошлого опыта и «очевидных» паттернов бывают ошибочными. В одном из споров при принятии стратегического для организации решения, мне привели довод, что если человек заработал на своем веку уже очень много денег, то его решение правильное, я чуть не упал со стула от этих слов. И да, его решение была выбрано, несмотря на мои возражения, и впоследствии это решение было признано ошибочным. Проблема даже не в том, что эксперт ошибается, просто есть высокая вероятность, что его опыт уже устарел, и управленческий шаблон из прошлого уже не работает.

Поэтому, вместо слепого доверия «экспертному мнению» — проверка данными и принятие решений на основе аналитики — это новая реальность. Часто на уровне принятия решений «детали» не видны, а именно через данные можно увидеть скрытые тенденции, что часто выявляет неочевидные зависимости и факторы, которые невозможно определить «на глаз», что и позволяет сделать обоснованный выбор на очередной управленческой развилке.

У меня в памяти есть куча примеров, когда инвестиции идут в продукты, которые уже никому не нужны на рынке, и это только из‑за ошибочных решений руководства, поэтому аналитика данных помогает сконцентрироваться на решении реальных, а не мнимых проблем, экономя время и бюджет.

Суть подхода

Итак, в data‑driven организации принятие любого решения должно быть обосновано влиянием на бизнес‑цели и аргументировано цифрами. Это позволяет повысить эффективность и объективность процессов.

Сформулирую основные принципы data‑driven подхода:

• все решения должны основываться на достоверной и значимой информации

• данные должны быть собраны корректно и без ошибок

• методология принятия решений должны быть сформулирована и согласована

• важно формулировать и тестировать гипотезы при принятии решений

• постоянный сбор и анализ данных позволяют учитывать происходящие изменения

Из чего состоит внедрение data‑driven подхода на практике?

• сначала описали бизнес задачу, ведь любое исследование потребляет ресурсы, поэтому уточняем задачу, чтобы инвестиции в данные и их анализ принесли результат

• далее собирали данные и подготовили аналитику, ведь нужно понять есть ли необходимые данные в нужном объеме и требуемом качестве

• после получили подтвержденные результаты исследований, проанализировали их и приняли решение

• впоследствии оценили правильность принятого решения, получаемые выгоды, экономию или другие эффекты, после чего сравнили со стоимостью исследования

• в случае успеха, составили план внедрения data‑driven подхода в регулярную деятельность

Data‑driven — это про качество решений, в результате чего будут:

• снижаться риски принятия неверных решений

• повышаться обоснованность и прозрачность решений

• возрастать понимание ценности данных и аналитики для бизнеса

В качестве примера

В качестве примера, могу привести следующие кейсы (гипотеза и подтверждение) из собственного опыта в бизнесе асинхронного online обучения:

• Гипотеза: качество интерфейсов учебной платформы сделает обучение лучше. После исследования: изменение интерфейса учебной платформы повысило удовлетворенность слушателей обучением с 4,5 до 4,7 и повысило доходимость слушателей до конца курса на 6%.

• Гипотеза: положительные отзывы клиентов, размещенные на странице продаж курса, увеличат продажи. После исследования: размещение отзывов не увеличило конверсию в продажи на страницах курсов.

• Гипотеза: геймификация (интерактивный калькулятор эффекта от оптимизации процессов) на странице курса увеличит конверсию в продажи. После исследования: геймификация на странице курса не увеличила конверсию в продажи.

• Гипотеза: если мы настроим рекламу в известном сервисе, то продажи вырастут. После исследования: настройка рекламы не принесла эффекта, затраты на маркетинг очень высоки для данной бизнес‑модели.

• Гипотеза: если мы снизим среднюю стоимость курса, то количество чеков вырастет — выглядит вполне логично. После исследования: при снижении стоимости курса количество чеков не растет, снижение цены не приводит к увеличению объема продаж.

• Гипотеза: если напоминать слушателю об обучении, то доходимость слушателей до конца курса увеличится. После исследования: еженедельные напоминания увеличили доходимость слушателей на 9%.

• Гипотеза: тема нового курса точно зайдет в нашу клиентскую аудиторию. После исследования: тема курса не зашла, спрос минимальный, новый курс для этой аудитории можно не создавать.

Еще один пример аналитики по показателям из процесса создания новых продуктов, который я применяю на практике. Все предельно просто — необходимо распределить бюджет на создание новых курсов обучения на плановый период. Для этого необходимо проанализировать следующий набор показателей:

1. Востребованность тем обучения со стороны потенциальных покупателей (например, поисковые запросы в интернете, исследования в профильных чатах, анализ сайтов конкурентов, анализ рекламных предложений и так далее)

2. Активность конкурентов (есть ли аналогичные курсы у ведущих игроков рынка, как часто идет набор групп, если есть возможность, получить оценку количества выпускников в группе)

3. Текущая стоимость курсов на рынке у конкурентов

4. Предпочитаемый формат обучения со стороны слушателей (синхронное, асинхронное, смешанное)

5. Предпочитаемое время (рабочее время, вечернее, выходные)

6. Себестоимость создания курса, срок устаревания материалов курса

7. Срок окупаемости инвестиций в создание курса

8. И так далее

Все это показатели собираются в экономическую модель, что позволяет принять решение об инвестировании в наиболее выгодные направления.

И да, data‑driven подход может не спасти создаваемый продукт от краха, но количество не взлетевших продуктов может уменьшить в разы, но это только в том случае, если при негативных кейсах анализировать какие данные не были учтены, и где возникла ошибка. При таком подходе через несколько «ошибок» качество решений однозначно повысится.

Помимо своего опыта позволю привести цитаты, например, McKinsey утверждает, что «data‑driven организации в 23 раза чаще привлекают клиентов, в шесть раз чаще удерживают их и в 19 раз чаще получают прибыль».

Характеристики data-driven организации

Какие же ключевые характеристики определяют у data‑driven организации известные консультанты:

1. Принятие решений на основе данные внедряются в каждый процесс.

2. Данные предоставляются в режиме времени близком к реальному.

3. Хранилища данных предоставляют готовые к использованию данные.

4. В организации данные рассматриваются как продукт.

5. Роль директора по управлению данными заключается в генерации ценности.

6. Развернута платформа для обмена данными.

7. Управление данными является приоритетным.

Если упрощать, то все начинается с описательной аналитики, понимаем, что происходит сейчас на основе аналитического отчета в виде дашборда. Например, среднее время обучения, количество слушателей по курсам и так далее

Далее переходим к прогнозной аналитике, прогнозируем, что может случиться на основании прогнозной модели. Например, какие курсы какие курсы будут востребованы на целевом горизонте планирования.

Дальше переходим к предписывающей аналитике, понимаем, что мы должны сделать на основании прогнозной модели с оценкой вариантов действий. Например, что какие продукты нужно создать, какие изменить, какие продукты снять с продаж.

Ну и в будущем тренируем AI‑агентов, которые будут принимать решения за нас, но это не сразу, ведь прежде, чем отдать работу AI‑агенту нужно проработать руками все алгоритмы принятия решений и накопить необходимые объемы данных для их работы.

Аналитики компании Гартнер, еще в 2017 году определили 5 уровней зрелости (от базового до трансформационного) в развитии работы с данными — Maturity Model for Data and Analytics — она показывает, какие этапы технологически и организационно должна пройти компания, чтобы стать по‑настоящему data‑driven.

Ложка дегтя в бочку меда

В data‑driven подходе вроде все красиво, но есть и «нюансы», которые могут превратить данную «карету» в «тыкву»:

• недоступность данных, например, нам нужен возраст клиента для построения аналитики, но такого атрибута в системе нет и собрать его затруднительно

• недостаточное качество данных, например, нам нужно видеть регион клиента, но в справочнике менеджеры по продажам ставят прочерк, не желая запрашивать у клиента эти данные

• ну и конечно основная проблема — это зрелость руководителей, на примере внедрения в крупной организации BI‑решения, только 15% менеджеров стали ее применять в своей работе, остальные предпочитали работать по старинке

Но все «нюансы» можно преодолеть, тут главное идти поступательно, внедряя data‑driven подход на практике в ключевые бизнес‑процессы. Так или иначе в рамках века цифровизации управление данными и аналитика становятся ключевой способностью организации, проникая в операционные и стратегические процессы.

Научиться внедрять data‑driven подход можно на практическом курсе под руководством экспертов. Вы разберете Excel/Sheets, дашборды и BI, юнит-экономику, воронки и когорты, плюс применение AI в аналитике — чтобы быстрее находить точки потерь и ставить задачи аналитикам. Чтобы узнать больше о формате обучения и познакомиться с преподавателями, приходите на бесплатные демо-уроки:

• 5 марта 20:00. «Почему хорошие менеджеры принимают плохие решения или как данные помогают перестать строить бизнес на интуиции». Записаться

• 18 марта 20:00. «Как построить аналитическую функцию в компании». Записаться

Еще больше бесплатных уроков от преподавателей курсов можно посмотреть в календаре мероприятий.