Привет, Хабр!
Я ценю материалы, посвящённые данным и принятию решений на их основе. В сети, включая Хабр, можно найти отличные статьи о data-driven подходах, кейсах, организации пайплайнов, систем хранения данных, моделировании и прогнозировании. Казалось бы, преимущества найма специалистов по данным очевидны — нанимай и принимай качественно лучшие решения. Возможно, поэтому рынок вакансий для специалистов по данным так популярен в последние годы.
Однако на практике, многие компании сталкиваются с трудностями. Даже при наличии инструментов и специалистов, data-driven культура не всегда приживается.
Если вы знакомы со схожим диссонансом, предлагаю разобраться. Расскажу на примере проекта в iGaming, хотя эти наблюдения универсальны.
Ситуация в проекте
Персонал узкоспециализированный наняли, закупили лицензии на «modern data stack», данные собрали, количество дешбордов за 50 штук перевалило, алерты летят в телеграмм, метрики закрепили за бизнесом, a/b тесты один за другим.
А «лыжи не едут».
Пользуются всем этим обилием аналитических деликатесов трое из топ‑менеджмента пару раз в неделю. Всего в проекте порядка 200 человек, ~40 точно регулярно пользуются данными. Преимущественно какими‑то своими. Бывают всплески активности, по приказу начальства. Но ретеншн в использование инструментов близок к нулю.
Решения принимаются на ощущениях и экспертизе, изменения в продукте приводят к неожиданным сценариям и результатам. Например: решили добавить функционал реферальной программы. Пользователи быстро сообразили где уязвимость и вывели пару десятков тыс. $. Кажется, не хватило проверок, моделирования и челленжа механик.
Ещё пример: провели акцию для активации пользователей, но те, кто был не активен, не включились, а те, кто был активен принесли вдвое меньше прибыли — играли на бонусы по акции. Не хватило анализа механики акции и теста проведения.
Снова и снова в продукте находятся баги. В основном, одни и те же, словно анализ причин никого не интересует. Один такой баг уже стоит проекту сотни тысяч $, не за раз, баг существует на протяжении 5 месяцев. И причины известны и механика. Всё же чего‑то или кого‑то не хватает.
И это в сфере iGaming — идеальной среде для data‑driven подхода. Почти каждое действие пользователя и контрагента оставляет цифровой след, в отличие, например, от производства, где данные нужно собирать специально.
Какое‑то время я считал причиной то, что работаю со стартапом и сотрудники не насмотренные. Возможно, и в этом есть толика причины. Сейчас я думаю, что корни подобной проблемы прорастают из решений менеджмента.
В детстве мне нравилось произведение Г.Остера, а все мы дети глубоко внутри, поэтому дальше в ключе «вредных советов» для C‑lvl, которые приводят к подобным результатам.
Вредные советы для С-lvl
Совет #1: управляйте на словах, люди лучше всего понимают образы и абстракции. Профессионалы сами разберутся какие цифры и когда им нужны
Профессионалы, безусловно, разберутся, на то они и профессионалы. Однако, иногда менеджеры не объективно воспринимают ситуацию на вверенной области бизнеса. Рискованно считать субъективное мнение, даже подкреплённое цифрами, лучшим решением. А ещё, у профессионала может возникать соблазн «не до конца» делиться с руководством состоянием дел, когда дела идут не лучшим образом.
Замечательная особенность хорошо организованных данных в том, что каждый, даже не глубоко погруженный в контекст, специалист может оценить решения и состояние бизнеса из метрик, динамики развития на исторических данных и прогнозных моделей.
А как иначе: начните с малого — включите ключевые метрики в ежедневные или еженедельные планёрки. Пусть каждый спикер показывает, как и какие его действия влияют на показатели.
Совет #2: твёрдо решите - важно, чтобы сотрудники сами были проактивны и любознательны. Есть же отчёты. Привыкнут и начнут использовать. Главное - чтобы было чем пользоваться
Ожидать, что специалисты сами разберутся в отчётах, — утопия. Без руководства к действию данные останутся просто цифрами. Редкий специалист, без дополнительной мотивации от руководства, имеет собственную на то, чтобы разобраться в отчётах. В лучшем случае, у специалистов есть «исторически сложившиеся» практики работы с данными. Не факт, что сложившаяся практика в контексте текущего состояния компании хотя бы не вводит в заблуждение.
А как иначе: внедряйте KPI и нормативы. Сложно или не понятно как устанавливать? Пусть например, показатель на следующую неделю должен быть не хуже, чем на прошлой. Со временем это поможет выработать понятные ориентиры.
Совет #3: вообще, отчёты и цифры - это про аналитиков. Аналитики "ближе всего к цифрам", вот от них и ожидайте инсайты и решения на данных
Аналитики знают, как работать с данными, но без чётких задач и участия сотрудников, отвечающих за развитие продукта, исследования аналитиков могут быть бессистемными и даже безрезультатными. Инсайты только на знаниях аналитиков ограничены: они покажут проблему, но не её причины или решения.
А как иначе: делегируйте ответственность за показатели тем, кто действительно влияет на них. Если хотите, чтобы аналитики развивали продукт без участия бизнеса, дайте им соответствующие полномочия.
Совет #4: определяйте крутые цели в метриках и цифрах. Только ни в коем случае не растрачивайте ценные ресурсы на то, чтобы понять за счёт каких факторов эти цели будут достигаться. Как-нибудь достигнутся
Без понятной детализации целей до проектов, процессных, управленческих и качественных показателей, без регулярного анализа текущего и прогнозируемого состояния бизнеса, выполнение поставленных целей — это явление из категории маловероятного чуда.
Ну и когда выполнение этих детализированных целей не приводит к выполнению общей цели, что‑то пошло не так и надо менять детализацию.
А как иначе: в любой непонятной ситуации ищите решение по схеме Гипотеза — Модель — Тест — Внедрение. Если у вас есть план, должна быть и математическая модель, по которой план выполнится. Проверяйте модели на историческом периоде.
Совет #5: если сотрудники сообщили о баге, немедленно бросьте все силы на решение. Похвалите за разрешение проблемы и постарайтесь замять разбор причин, это только добавит негатива в работу коллег
Разумеется, без ошибок нет роста. Как‑то так говорят специалисты по саморазвитию. На мой взгляд, фраза может звучать точнее: «без работы над ошибками нет роста». И важно, чтобы работа была на упреждение, а не на поиск виноватых.
А как иначе: инциденты в операционной деятельности — это тоже ценная информация. Ведите учёт ошибок и раз в месяц ищите системные решения для самых частых проблем.
Резюмирую
Если вам нужна культура принятия решений на данных в компании, попробуйте практиковать в работе следующие подходы (а если культура уже есть, может быть полезно сравнить методы):
Регулярно используйте данные в работе. Начните с малого — включите обзоры данных в привычку при регулярных обсуждениях;
Постепенное внедряйте KPI. Хорошая практика — иметь KPI на каждый процесс и для каждого сотрудника;
Моделируйте и тестируйте гипотезы. Любое изменение может проверяться по схеме: гипотеза → модель → тест → внедрение;
Используйсте контракты качества (SLA). Чёткие договорённости с понятными штрафами и бенефитами помогут избежать недопонимания;
Собирайте данные обо всём. Даже ошибки — ценный источник информации;
Разделяйте границы ответственности. Делегируйте ответственность в принятии решений вместе с ответственностью за показатели;
Повышайте насмотренность специалистов. Введите регулярные демонстрации лучших практик использования данных.
Data‑driven — это не только про инструменты, подходы и специалистов. Культура работы с данными неотделима от культуры работы.
Если эта статья поможет хотя бы одному управленцу задуматься о том, как внедрить данные в ежедневные процессы, я буду рад.
