Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики - Билл Фрэнкс

Здесь крайне важно видеть перспективу. Нам не нужны все данные за все годы эксплуатации по каждому элементу оборудования, чтобы определить возможности предупредительного техобслуживания. Что нам нужно, так это достаточное количество данных за достаточный период времени по достаточному количеству элементов оборудования, чтобы выявить шаблоны и оценить общую амплитуду этих возможностей. Вместо того чтобы начинать с масштабного проекта, начните с пилотного или проверьте концепцию на подмножестве данных. Это позволит вам доказать, что идея жизнеспособна и может принести доход. Одновременно выстраивайте окончательный бизнес-кейс по мере того, как будете узнавать о действиях, которые нужны для создания окончательного операционного процесса, и о проблемах с данными и процессом, которые придется принять во внимание. Все это поможет вам разработать грамотное инвестиционное предложение. Используйте результаты пилотного проекта для обоснования более крупных инвестиций. Только не позволяйте своему разуму попасть в ловушку якорения на чем-то очень масштабном.

Смиритесь с некоторой неопределенностью

При вступлении в новые области, такие как большие данные и операционная аналитика, вам придется столкнуться с гораздо большим количеством неведомого, чем при развитии бизнес-кейса. Кроме того, при реализации новой инициативы в масштабах операционной аналитики вам придется опираться на множество предположений. Они включают как очевидные, например насколько хорошо будет работать аналитика или насколько точными будут данные, так и менее очевидные, например насколько эффективно результаты аналитики будут внедрены в деятельность организации и восприняты ею. Скажем, если степень сопротивления на уровне корпоративной культуры окажется выше или ниже, чем вы предполагали, это может значительно сказаться на конечном воздействии операционной аналитики.

Вспомните, как в первой главе мы обсуждали пример использования сложной аналитики с целью оптимизации ежедневных маршрутов для водителей. Если водители примут эти изменения и скорректируют свои привычные маршруты, чтобы экономить несколько миль ежедневно, то отдача будет весомой. Но если водители станут сопротивляться и выполнять лишь небольшую часть рекомендаций, то отдача будет гораздо меньше возможной. Заметьте, что отсутствие воздействия никак не связано с мощностью, точностью и потенциалом собственно аналитического процесса. Просто водители решили не пользоваться рекомендациями. Это уже вопрос соблюдения корпоративной культуры. Подробнее мы обсудим его в девятой главе.

Очень важно, чтобы организация понимала все предположения, на которые ей приходится опираться, и учитывала все риски, которые могут не поддаваться количественной оценке или плохо определяться. В такой новой области, как операционная аналитика, зачастую невозможно оценить все предположения с такой же точностью, как в других бизнес-кейсах. Во многих бизнес-кейсах за основу берется типичная ситуация, с которой уже не раз сталкивались в прошлом и которая поэтому хорошо понятна. Например, представьте, что вам нужно разработать предложение о вложении инвестиций в новый производственный процесс, предназначенный для производства 50-й по счету модификации какого-либо продукта. В этом случае вы будете вполне уверены в предположениях о том, как будет работать оборудование, насколько стабильно станет функционировать производственная линия и как персонал адаптируется к новому процессу. Ведь в прошлом то же самое было проделано уже 49 раз.

Ограничьте неопределенность

Даже если сотрудники не могут договориться о точности предположений вследствие неопределенности опорных фактов, вы все равно сможете запустить бизнес-кейс в работу. Если вы продемонстрируете, что все обсуждаемые предположения указывают в одном направлении, то можно будет двигаться дальше, договорившись о получении не конкретной ценности, а о диапазоне ценностей.

Новые же и инновационные идеи всегда характеризуются повышенной неопределенностью. Поэтому бывает трудно убеждать организацию принять некоторые не очень определенные предположения. Одни руководители заявляют, что не видят опасности в том, что организация плохо воспринимает и принимает новый процесс. Другие, более агрессивные, будут утверждать, что сотрудники примут новый процесс полностью. Как вам преодолеть такое расхождение во мнениях и получить одобрение?

Один из способов – показать, что широкий диапазон разумных предположений указывает в одном направлении, т. е. инвестирование будет умным ходом. Даже если неопределенность не удастся устранить полностью, докажите, что ее влияние не создаст проблем. Если одного руководителя устраивает степень согласия на уровне 80 %, а другого – на уровне 50 %, но при обоих этих допущениях будет достижим положительный эффект, то руководители могут остаться при своих взглядах и не согласовывать расхождение в предположениях, а спокойно двигаться дальше. Со временем, чем больше организация будет использовать аналитику, тем легче будет руководителям совершать своего рода прыжок веры. Людям легче принять некоторую неопределенность, если они уже сталкивались с подобной ей в прошлом, когда все сработало превосходно.

Выбор широкий, поэтому выбирайте по-умному

Когда организация планирует инвестиции в аналитику, необходимо просеять все возможные варианты применения аналитики и решить, на которых нужно сосредоточиться. Даже если организация составила список из 100 сильных операционно-аналитических процессов, которые ей хотелось бы внедрить в текущем году, то сделать это будет попросту невозможно. Поэтому необходимо расставить приоритеты и сократить список до такого количества, которым можно управлять с учетом изменения бизнес-процессов и наличия ресурсов. Невозможно осуществить все и сразу.

Попробуйте раз в квартал или в год организовать сбор предложений от рабочих групп и аналитических команд о возможностях, ради которых стоит создавать кейсы. Собрав все великие идеи, садитесь за стол переговоров и начинайте их просеивать. Задайте следующие вопросы:

• Какие идеи столкнутся с наибольшими внутренними или внешними бюрократическими препятствиями?

• Какие из них слишком ограниченны, чтобы обладать достаточным потенциалом?

• Какие из них согласуются с долгосрочными корпоративными приоритетами?

• Какие из них основаны на уже имеющихся данных и навыках?

• Какие из них бизнес-команда считает наиболее приоритетными?

После обсуждения вариантов решите, какие из них стоят разработки бизнес-кейса. Определите количество вариантов, которые можно будет внедрить на протяжении текущего года, и зарезервируйте еще несколько на случай, если бизнес-кейсы не сработают для некоторых вариантов. Начиная с изучения всех возможностей можно по мере их сокращения обрести уверенность в том, что выбор сделан правильно{41}.

Пример правильного подхода

Несколько лет назад мой клиент, ретейлер из Европы, захотел включить истории просмотра веб-страниц в профили своих клиентов, чтобы улучшить прямой маркетинг и кастомизацию своих веб-сайтов. Стоимость проекта была оценена в несколько миллионов евро, и команда ретейлера безуспешно пыталась добиться его одобрения. В такой ситуации многие команды предпочитают либо сдаться, либо проталкивать один и тот же план квартал за кварталом, пока не получат одобрения. В обоих случаях возможности будут либо упущены, либо реализованы с большим отставанием.

Но эту команду посетило озарение. Ее члены осознали, что действительно, для того чтобы собрать истории просмотра веб-страниц всеми клиентами на всех многочисленных сайтах компании, потребуется вложить несколько миллионов евро. При этом руководство не задавалось вопросом, сработает ли идея, поскольку не понимало, какую выгоду это может принести компании. Тогда команда решила сделать следующий умный шаг.

Члены команды определили пару самых популярных продуктовых линеек на одном из веб-сайтов компании и на протяжении нескольких месяцев собирали данные об истории просмотра клиентами веб-страниц только с этими продуктовыми линейками. Затем осуществили несколько тестов в рамках пилотного проекта. Благодаря значительному сокращению первоначального масштаба проекта объем данных тоже заметно сократился, и команда сумела использовать существующие аналитические инструменты и технологии при небольших трудозатратах. В итоге команда смогла доказать, что, например, последующая отправка электронных писем тем клиентам, которые просматривали страницу с товаром, но не купили его, приносит солидную доходность. Суммарно по результатам тестирования в рамках пилотного проекта она составила 800 % за пять месяцев.