За десять лет практики в аналитике я часто сталкивался с ситуацией, когда аналитическая функция не даёт измеримого бизнес-результата. При этом от неё обычно ждут инсайтов, которые дают иксы прироста — иногда даже сами по себе, без внедрения.
Проблема неприятная и распространённая. Она решается не просто и не быстро, но для построения устойчивого бизнеса в конкурентной среде решить её всё-таки придётся.
Цель этой статьи — показать, в какой плоскости начинается результативность аналитики. Она будет полезна руководителям, которые задаются вопросом из заголовка, и аналитикам, которые много работают, но не видят измеримого эффекта.
В чём, на мой взгляд, лежит корень этой проблемы?
Основной барьер для получения дивидендов от аналитической функции — это не просто культура принятия решений на данных (которую все пытаются описать модным и часто спекулятивным термином data-driven culture). Ключевая проблема — в системе взаимодействия, обратной связи и ответственности за результат, принятой в компании.
Аналитика, как и любая функция в компании, — это инструмент. А любой инструмент даёт результат только при определённых условиях. Чтобы понять, какие условия необходимы именно вам, нужно честно ответить на три вопроса:
Кто принимает решения?
Как принимаются решения?
Как контролируется исполнение решений?
Эти вопросы работают только в том случае, если они регулярно задаются на всех уровнях иерархии.
На практике ответы, закреплённые в формальных документах, часто расходятся с реальностью. В результате каждый сотрудник находит собственные «рабочие» ответы — как минимум для того, чтобы не вылететь с работы, а как максимум — чтобы использовать сложившуюся систему для карьерного роста.
Как связаны вопросы управления компанией с эффективностью аналитики?
Ответы на эти вопросы определяют не только границы и целесообразность применения аналитических инструментов, но и фактическую роль специалиста, отвечающего за аналитическую функцию.
Если в ответах получается конфигурация вида «CEO интуитивно принимает все решения и смотрит на итог раз в год через P&L», то смысла строить продвинутую аналитику с использованием самых современных технологий нет. Она просто не даст результата и сожжёт бюджет. В такой модели от руководителя аналитики требуется тратить значительную часть времени не на данные, а на повышение управленческой зрелости первого лица компании.
Если же ответы выглядят так: «Каждый руководитель в зоне своей ответственности принимает решения с опорой на данные и контролирует их исполнение через динамику метрик, на которые эти решения направлены», — аналитика уже начинает приносить деньги. Фокус лидера функции в этом случае смещается на повышение качества и скорости принятия решений за счёт развития инфраструктуры данных, проведения экспериментов и интеграции данных в продукты компании.
Примеры выше — это две крайности, между которыми существует огромное количество комбинаций двух ролей аналитики:
ментор (расширяет управленческий контекст, добавляя объективную картину данных)
доменный эксперт (непосредственно работает с данными и современными инструментами).
Эффективность аналитики напрямую зависит от того, совпадает ли видение соотношения этих ролей у руководителей, принимающих решения, и у лидера аналитической функции. Если руководство хочет построить DWH и оснастить всех real-time-дашбордами (то есть ожидается на 99% роль доменного эксперта), но при этом решения принимаются в разговорах «в курилке» и там же остаются, аналитическая функция может оказаться в коллапсе. Время и бюджеты будут потрачены, а эффекта не будет — из-за некорректно определённых входных условий (как говорят аналитики, shit in — shit out). В основе этой ситуации почти всегда лежит разница в ожиданиях.
Хайп вокруг data-driven-организаций и красиво упакованные кейсы (чаще всего вырванные из управленческого контекста) формируют ощущение «магии данных».
Большая ошибка — видеть в аналитиках «волшебников», способных вывести бизнес на новый уровень за счёт бесконечных отчётов и метрик. Аналитика не может быть эффективнее системы управления, в которую она встроена. Она либо усиливает существующую управляемость, либо делает её ограничения более заметными.
Поэтому ответ на вопрос «почему аналитика не даёт измеримого бизнес-результата?» стоит начинать не с инструментов и данных, а с другого вопроса: готов ли бизнес к управляемым решениям и ответственности за их последствия?