Мне всегда было интересно, как управляются разные бизнесы: как работает завод, ритейл, другие сферы. Я пытался изнутри наблюдать за бизнесом, где создаётся конечная ценность. Где-то работает автократия, в других компаниях уже есть зрелая бюрократия, а где-то все договариваются на словах, но нигде это не прописано.
Я видел, что даже в среднем бизнесе решения принимаются на основании чуйки хозяина. Тогда как в entreprise решения принимаются на основании процедур, отчётов. Люди страдают и ненавидят этот процесс, так как много времени уходит на оцифровку. Но при этом корпорации довольно эффективны, что показал мой дальнейший опыт. Они работают на 4-ку, но стабильно. Малый бизнес может сегодня сработать на 5, а завтра на 2.
Так у меня появилось убеждение, что в своих решениях нужно опираться на данные. Большой компанией можно стать только та, где есть система принятия решений.
Я ушёл из enterprise в малый бизнес и старался туда привносить то, что увидел в корпорациях. Собственники компаний принимали интуитивные решения, которые могли приводить к просадке выручки в 2 раза за несколько месяцев. Такие ситуации лишь укрепили мою убеждённость в своей правоте.
В этой статье я расскажу, как и кому может помочь аналитика данных.
Почему одного Excel становится недостаточно
Большинство компаний в МСБ, с которыми мы работали, по-прежнему ведут ключевые отчёты в Excel. Когда компания ещё была маленькая, это и правда работало. Но по мере масштабирования сотрудников и задач становилось всё больше, и Excel переставал справляться.
Ниже я расскажу основные проблемы, которые возникали.
Уходило много времени на поддержание системы
Из моей личной практики есть кейс, когда начальник отдела сопровождения клиентов на большом производстве тратит личное время не только на общение с клиентами, но и на создание отчётов. Ситуация как у учителей в школе – иногда больше времени уходит не на уроки с детьми, а на заполнение разных бумажек.
Посчитайте, сколько в деньгах теряет компания каждый месяц, если руководитель отдела 2 дня в неделю тратит на подготовку отчёта к еженедельной встрече.
А потом представьте, что в корпорациях таких сотрудников не один и не два, а десятки.
Поэтому система BI-аналитики быстро убивает Excel, так как подготовить отчёт можно за несколько минут.
Сотрудники сопротивлялись изменениям
Ещё одна проблема отчётности в Excel в том, что в ней много ошибок. Чтобы получить хотя бы 2-3 отчёта, согласовать и быть уверенными в корректности цифр, проходит 2 недели на подготовку и создание отчёта. А затем нужно регулярно тратить время на поддержание этого отчёта, а любое изменение превращается в геморрой.
Делать такую отчётность очень дорого с точки зрения затрат времени. И чтобы добавить ещё одну новую метрику, приходится преодолевать сопротивление команды.
На одном из проектов мы делали BI-отчёт и должны были привлечь одного сотрудника, который будет этим отчётом регулярно пользоваться. И вот на первой встрече женщина увидела, что цель совещания – регулярная отчётность. Она начала нас ругать: да сколько можно, вы меня задолбали, мне нужно работать, а не тратить время на ваши отчёты.
Казалось бы, полезное нововведение, откуда такая реакция? Но человек привык, что ему нужно много делать руками, чтобы пользоваться предыдущей системой отчётности, поэтому поначалу изменения воспринимала в штыки.
В течение нескольких встреч нам пришлось убеждать её, что лично ей ничего делать не нужно, отчёты собираются сами. Всё, что от неё требовалось – только пользоваться системой. И когда нам всё же удалось её убедить начать пользоваться системой, она нас отблагодарила за упрощение её работы.
Проверка новых гипотез воспринималась как мартышкин труд
Сборка нового отчёта в Excel формате и проверка гипотезы вызывает столько вопросов и проблем, что проще этого не делать. С построенной BI аналитикой новый отчёт можно сделать всего за сутки. Он будет нормальный, рабочий, за пару итераций его можно докрутить, чтобы он был ещё и удобный.
Представьте, что вы едете в танке и смотрите только в триплекс. У вас открывается очень узкий обзор. А потом вы пересаживаетесь в крузак с камерой на 360 градусов, а ещё и статистикой проезда по этому месту, чтобы знать всё про дорогу. Вот так выглядит разница между Excel и BI-системой.
BI позволяет просто задавать вопросы и получать на них ответы. Даже если мы сделаем дашборды, которые не пригодятся людям, их создание занимает мало времени. И через несколько итераций люди поймут, какие данные им реально нужны и будут ими пользоваться. В отличие от Excel.
Кому и какая аналитика нужна
Важно не забивать гвозди микроскопом, пытаясь внедрить инструменты BI-аналитики там, где они не нужны или не применимы. Поэтому разберём, когда аналитика не нужна вообще, в каких случаях достаточно одного Excel, а в каких он уже не справляется.
В каких случаях аналитика не нужна вообще:
В бизнесе нет системы автоматизации бизнес-процессов CRM, ERP, WMS и т.д. Тут я немного лукавлю: аналитика возможно и нужна, но невозможна, так как неоткуда взять данные
В бизнесе мало транзакций (лидов, сделок, людей). То есть мало данных. В таких бизнесах ответ на вопросы можно получить, просто поговорив с командой.
Когда в компании нет тех, кто умеет пользоваться аналитикой. Её внедрение в таком случае будет бесполезно. Аналитика данных – лишь инструмент, имеют смысл действия, которые делают на её основе
Пример:
Агентство по разработке, которое работает на подряде у одной компании. Один проект, один договор, там просто нет никаких данных для анализа.
Если резюмировать, то аналитика данных не нужна в том случае, либо когда данные просто не собираются, либо когда сбор данных никаким образом не влияет на принятые решения в компании.
Кому аналитика нужна, но в формате Excel:
Есть хотя бы одна или две системы (CRM, ERP и др.) и уже есть данные.
Кол-во транзакций не превышает в общей сумме 500-1000 (лидов, сделок и т.д.)
Короткие сквозные процессы в рамках одной систем. Например, и учёт лидов и оплаты считаются в одной CRM. В таком случае не нужно связывать друг с другом данные из разных систем.
Простые пошаговые бизнесы. Это почти все услуги в B2B, где нет большого сильного проектного учёта. Например, дизайн-агентство, где проект делает один человек. Достаточно занести лида в crm и больше никаких танцев с бубнами.
Пример:
Агентство по разработке, которое ищет лидов через партнёрки, цикл сделки 2 месяца, нанимают подрядчиков на работу. Данных чуть больше, но всё равно Excel хватает за глаза.
А теперь представьте себе такую цепочку. У компании появился лид, в CRM сразу завели сделку. Дальше сделка перешла в производство. Выполнили по ней отгрузку. Выставили документы. Получили деньги. И всё это – отдельные действия, каждое порождает артефакты в системах. И чем сложнее цепочка, тем больше данных собирается.
Поэтому плавно переходим к тем случаям, когда и кому нужна аналитика, но в BI-системах.
BI-аналитика нужна:
Бизнесам, где много разных систем (crm, erp, логистика, склад, рекламные кабинеты, маркетплейсы, закупки, MES системы).
В этих системах много данных, которые нужно свалить в одну кучу
В компании много ролей, которые смотрят на данные со своей точки зрения. Маркетинг и продажи; производство, логистика, финансы, закупки. Каждая из этих ролей смотрит на одни и те же данные по-другому. Например, маркетинг и продажи может по-разному понимать, кто является лидом
Данные должны быть консистентными и непротиворечивыми. Это значит, что данные для продавцов должны быть понятным образом преобразовываться в данные для закупщиков. BI решает проблему консистентности данных, Excel уже не вывезет
Пример:
Агентство разработки, работающее на широком рынке, привлекающее лидов через SEO, рекламу, с разными продуктами, долгим циклом сделки, кол-во разработчиков от 80 человек и с почасовой оплатой. Им нужно строить сквозную аналитику от прихода лида до получения оплаты, чтобы посчитать цену и прибыль с каждого клиента.
Пока бизнес, попадающий под описание выше, не начнёт системно собирать данные и анализировать их через BI-системы, собственник периодически будет просыпаться с беспокойством, что он перестал контролировать свою компанию.
Итог
В конце расскажу, какие шаги можно сделать, если вы захотели себе аналитику данных:
Выделить человека, который будет заниматься только аналитикой. Методики расчёта и интерпретации цифр очень зависят от методики расчёта и корректности сбора данных. То есть очень зависимы от человека, который этим занимается. Например, если у аналитика начальник – руководитель отдела продаж, скорее всего данные по продажам будут собраны, посчитаны и представлены в пользу отдела продаж. Чтобы такого не было, аналитик должен находиться в другой части оргструктуры компании.
Создать непротиворечивую логическую модель бизнеса. В компании все по-разному понимают слова: что такое «лид, сделка, заказ, выручка», что такое «хорошо/много/эффективно». Слова должны иметь одинаково понимаемое всеми значение. Тогда все смогут пользоваться дашбордами.
Смиритесь, что это бесконечный процесс, а не разовый проект. Аналитики не бывает много, и она всё время меняется. Люди любопытны и всегда хотят узнать что-то ещё. В проектах люди накидывают много идей, что они хотят узнать. Заказчик выбирает, какие данные он бы хотел отслеживать. Параллельно мы смотрим, какие дашборды реально используются. и вместе с заказчиком уже решаем, что делать с остальными.
Либо наймите команду, которая закроет вам эти вопросы. Так как только профессионалы могут сделать качественно, дёшево и быстро. Не пытайтесь экономить на разработке системы, так как дешёвая в разработке система будет дорога в эксплуатации и поддержке.
