Пора внедрять: как избежать ошибок при переходе на data-driven подход

В мире ежедневно генерируется примерно 402,74 миллиона терабайт данных. Это число можно представить как единицу с восемнадцатью нулями — миллиард миллиардов или миллион триллионов. Из-за роста объёма данных компаниям становится всё сложнее извлекать из них полезную информацию, и здесь на помощь приходит аналитика данных.

Опрос, проведённый NewVantage Partners, показал, что в 2019 году только 28,3% руководителей сформировали культуру, основанную на данных. Сегодня же, по данным консалтинговой компании Wavestone, это число выросло до 42,6%. Такие изменения происходят постепенно: на переход к новой модели управления бизнесом может потребоваться несколько лет. По прогнозам Gartner, уже к 2026 году 65% организаций будут ориентироваться на данные для обеспечения максимальной производительности.

Однако превращение организации в настоящую data-driven компанию — сложный и многогранный процесс, который зачастую сопровождается рядом серьёзных ошибок, каждая из них может существенно повлиять на успех вашей инициативы.

Ошибки при переходе на data-driven подход

1. Отсутствие чёткой стратегии использования данных.

   Рост популярности парадигмы Data Lake¹ привёл к тому, что бизнес зачастую действовал бездумно, исходя из принципа, что данные нужно добыть и сохранить, а что из них потом получится сделать, — узна́ем в будущем. Появилось даже понятие Data Swamp — «болото данных», в котором можно увязнуть. Сейчас крупный бизнес в России от бездумного хранения петабайт данных приходит к их систематизации.

   Однако многие компании продолжают собирать данные, не имея строгого плана их применения. Без чёткой стратегии данные остаются разрозненными и не интегрируются в процессы принятия решений. Например, розничная сеть, которая не определила стратегию использования собранных данных о продажах, может столкнуться с проблемой неправильной сегментации своих клиентов. В результате маркетинговые кампании нацеливаются на неподходящую аудиторию, что значительно снижает их эффективность и увеличивает затраты.

2. Недостаточное внимание к качеству данных.

   Качество данных — фундамент для принятия решений. По результатам недавнего исследования HFS и Syniti, 85% топ-менеджеров крупных международных компаний осознаю́т, что данные — важное условие для качественного функционирования бизнеса и успеха компании. Однако только треть из них довольна качеством данных, а 40% всей накопленной информации, по мнению опрошенных, не может быть использовано. Если данные содержат неточности, компания будет делать ошибочные выводы.

   Например, на предприятии разные подразделения могут вести учёт себестоимости в различных единицах измерения: одно — в миллионах рублей на тонну продукции, другое — в тысячах рублей на баррель. Когда такие показатели собираются в сводном отчёте без приведения к единой размерности, это приводит к хаосу. Это особенно критично, если на основе этих данных формируются, например, резервы сырья. В таком случае планы могут быть составлены некорректно, что влечёт за собой серьёзные нарушения во всех процессах предприятия. Важно, чтобы в условиях такой сложности соблюдались чёткие стандарты и единообразие в расчётах.

3. Силосный подход к данным

   При силосном подходе информация компании хранится и обрабатывается в отдельных «силосах» — изолированных сегментах, что мешает её свободному обмену между отделами и системами компании. Один из примеров такого подхода — концепция Data Mesh². Её приверженцы утверждают, что каждый департамент может рассматривать данные как товар и предоставлять их другим подразделениям. Однако на практике этот метод имеет ряд недостатков: отсутствие единых стандартов усложняет интеграцию, а разные способы сбора данных могут приводить к несоответствиям и проблемам в их анализе. Gartner отмечает: уже можно считать, что Data Mesh не прошёл проверку реалиями, и многие компании не добились успеха из-за сложности координации между подразделениями.

   Так, в крупном корпоративном бизнес-блоке банка «клиент» может означать одну сущность, а в отделе кредитования малого и среднего бизнеса — совсем другую. И когда эти отделы хотят обменяться данными, происходит реконструкция истории про Вавилонскую башню — они не смогут использовать данные друг друга из-за того, что предъявляют к ним разные критерии состава и качества.

4. Пренебрежение культурными изменениями.

   Трансформация компании в data-driven требует глубоких культурных изменений. Сотрудники должны осознать ценность данных и внедрить их использование в ежедневные рабочие процессы.

   Нередки ситуации, когда начальник производственного отдела, уверенный в правильности своего подхода, продолжает заказывать запасные части по собственным соображениям, игнорируя аналитические прогнозы. В результате система прогнозирования спроса, предназначенная для оптимизации управления запасами, не используется, а склад пополняется ненужными комплектующими. Даже самые современные технологии остаются неэффективными, если не сопровождаются изменениями в корпоративной культуре и готовностью сотрудников использовать данные для принятия решений.

5. Игнорирование вопросов безопасности и конфиденциальности.

   Сегодня последствия утечек персональных данных становятся ещё более критичными из-за использования биометрии и поведенческих паттернов, которые могут применяться для идентификации. Например, можно довольно точно узнать человека по тому, как сильно раскачиваются его плечи при ходьбе. Если супермаркет хочет определить конкретного покупателя для персонализированного предложения, имея только последние 4 цифры дебетовой карты, то даже такого признака должно хватить для однозначной идентификации среди тех покупателей, у кого эти цифры совпадают.

   Кроме того, развитие ИИ-агентов значительно повысило риски: алгоритмы способны быстрее любого хакера находить и использовать уязвимости для взлома систем, что может привести к массовым утечкам данных. Это особенно опасно для data-driven компаний, работающих с большими объёмами данных, поскольку последствия таких инцидентов могут включать как крупные финансовые потери, так и существенное падение доверия клиентов.

6. Устойчивость цифровых систем к аналоговым событиям.

   Устойчивость и эффективность технологий должны быть проверены в реальных условиях, где присутствует влияние внешних, нецифровых факторов.

   Например, в логистической компании могут использовать систему оптимизации маршрутов на основе AI. Система должна эффективно анализировать трафик, погодные условия и другие факторы. Однако возникает нештатная ситуация, например, массовая забастовка водителей. Такое вмешательство аналогового события может парализовать процесс доставки, если система не умеет адаптироваться к подобным неожиданным ситуациям. В результате компания рискует понести значительные убытки из-за невыполнения обязательств перед клиентами.

7. Недостаток квалифицированных специалистов.

   Чтобы эффективно работать с данными, компании нужны специалисты с широким спектром навыков. Многие компании недооценивают сложность привлечения и удержания таких кадров и часто не учитывают экономический эффект, который эти специалисты могут принести. При установлении лимита оклада по вакансии владельцы бизнеса нередко упускают из виду не только рыночную компенсацию, но и конъюнктуру конкретного проекта, в результате ускоренного старта которого может быть получен значимый экономический эффект, кратно перекрывающий затраты на ФОТ и прочие расходы.

Как избежать ошибок

Избежать этих ошибок возможно, если придерживаться нескольких принципов:

1. Разработка чёткой стратегии. Сделайте свои бизнес-цели измеримыми и определите, какие данные вам нужны. Подумайте, какие метрики помогут отслеживать ваш прогресс, и установите конкретные KPI. На основе этих целей создайте дорожную карту внедрения, чтобы чётко понимать последовательность шагов и сроки достижения ваших целей.
2. Повышение качества данных. Создайте систему для непрерывного контроля качества данных. Сформируйте для себя карту значимости источников данных для каждого из бизнес-процессов, и установите приоритеты разработки правил контроля качества в соответствии со значимостью источников.
3. Кросс-функциональная интеграция данных. Стремитесь к устранению «силосов» и создавайте платформы, которые позволят всем подразделениям свободно обмениваться данными.
4. Формирование data-driven культуры. Обучайте сотрудников основам аналитики и демонстрируйте, как использование данных помогает в решении реальных бизнес-задач: делайте публичными примеры успеха во внутренних и внешних новостных рассылках, обеспечивайте доступ к обучающим материалам и внедряйте программы менторства. Создавайте условия, чтобы данные стали неотъемлемой частью процесса принятия решений для каждого сотрудника.
5. Обеспечение устойчивости технологий. Планируйте возможные сценарии, в которых система должна реагировать на внешние, нецифровые факторы (забастовки, погодные условия, сбои в поставках), и внедряйте механизмы адаптации, чтобы минимизировать влияние таких событий. Это может быть разработка резервных сценариев, использование альтернативных источников информации, а также внедрение алгоритмов, способных оперативно перестраивать процессы в случае непредвиденных обстоятельств.

Важно понимать, что data-driven подход — это не разовая инициатива, а постоянное развитие. Компании, которые смогут не просто собирать данные, но и грамотно их использовать, останутся конкурентоспособными на быстро меняющемся рынке. Это требует готовности адаптироваться, корректировать стратегии и не бояться учиться на ошибках. Однако организации, которые уже сегодня эффективно используют данные, имеют больше шансов на успех в будущем.

^{1. Data Lake — концепция хранения и управления данными, которая позволяет организациям собирать, хранить и анализировать большие объёмы как структурированных, так и неструктурированных данных в их исходном виде.}

^{2. Data Mesh — это децентрализованный гибкий подход к работе распределённых команд и распространению информации.}

Автор статьи:

Антон Балагаев

Директор по ИИ и экспертным решениям Arenadata