Почему анализ данных не приносит пользы вашей компании

О том, как компании, производя анализ данных, сами себе мешают извлекать из этого пользу, рассказывает Джо Маккендрик, независимый аналитик и внештатный автор целого ряда зарубежных IT-изданий.

Сейчас все увлечены анализом больших данных и его инструментами – искусственным интеллектом и машинным обучением. В компаниях устанавливаются мощные инструменты и платформы. Многие учебные заведения организуют программы по обучению data scientists и аналитиков. Но значительных успехов пока достигнуть не удалось. В чём же загвоздка? По большому счёту, компании сами себе мешают развиваться в этом направлении.

Анализ данных кажется самым простым путём к большим прибылям. Почему тогда «все компании давно уже не монетизируют данные и не достигают успеха благодаря этому?» – задаются вопросом Нико Мор и Хольгер Хюртген из McKinsey в своём недавнем исследовании. Для анализа данных есть все необходимые технические инструменты. Но «технические задачи всегда проще всего решить», – объясняют специалисты McKinsey.

В то же время большинство компаний «всё ещё не могут эффективно использовать их из-за своей корпоративной структуры. Проблемы возникают при налаживании связей между ИТ-отделом и бизнесом. Иногда непросто правильно перевести технические термины в бизнес-понятия.  Самым сложным может оказаться переход от принятия решений на основе «внутреннего ощущения» к решениям, которые будут базироваться на анализе данных». В своём исследовании эксперты McKinsey подробнее рассказывают о ключевых организационных проблемах, которые не дают компаниям успешно применять анализ данных и Big Data.

Большие данные и бизнес существуют в двух разных вселенных

В большинстве организаций data scientists и бизнес-команда работают отдельно. «Это приводит к тому, что бизнес не понимает, какие задачи реально решить с помощью «науки о данных». А data scientists разрабатывают решения, которые по сути не нужны бизнесу».

Слишком большая пропасть между инсайтом и его применением

Анализ данных помогает получать инсайты (полезные для бизнеса закономерности). Но большинство компаний вообще никак не используют их. А те, кто начинает применять такие инсайты, обычно не доводят дело до конца.

Сначала организации воодушевляются анализом данных. Они запускают несколько пробных моделей, чтобы посмотреть, работают ли они. «Однако обычно эти пробы изолированы друг от друга и почти никогда не превращаются в успешные бизнес-кейсы. Об их масштабировании речи не идёт совсем», – объясняют авторы исследования.

Анализ данных без инициативы руководства

Значимых результатов можно добиться, только если «анализ данных активно применяется во всей организации. Это требует инициативы и постоянного контроля со стороны руководителя проекта (будь то CDO, CIO или кто-то ещё). У него должны быть полномочия проводить ориентированную на данные трансформацию бизнеса. Но многим компаниям ещё предстоит это организовать у себя». Мор и Хюртген дают несколько советов, как компаниям перестать мешать самим себе с анализом данных.

• Не нужно двигать данные вперёд, лучше верните бизнес назад. Для начала определите бизнес-задачи, которые нужно решить. Только после этого можно начинать искать модели и данные, которые будут использоваться для их решения. Но никак не наоборот.
• Постоянно держите ИТ-отдел в курсе всего. «Возможно вам понадобиться обойти стороной ИТ-отдел на первых этапах. Это может понадобиться, чтобы начать побыстрее и побыстрее проверить эффективность анализа данных в компании. Но потом вам точно будет нужно регулярно и много привлекать отдел информационных технологий, чтобы масштабировать свои инициативы».
• Научитесь постоянно работать в режиме agile. «Риск неудачи не велик, выиграть можно много, поэтому подход вашего бизнеса должен стать экспериментальным, строиться по принципу «попробуй и поймёшь».
• Мотивируйте сотрудников действовать в соответствии с инсайтами, которые были получены с помощью аналитики данных. Авторы исследования McKinsey замечают, что очень важно изменить управление бизнес-процессами в организации. «Бизнес-пользователи должны доверять результатам анализа данных и действовать на их основе», – считают они.

Ваша организация только планирует серьёзно заняться анализом больших данных, а data scientist в штате пока нет? Читайте другую статью Джо Маккендрика о том, кто может стать data scientist. Возможно, вы сами сможете применять «науку о данных» на практике или делегируете эти обязанности кому-то из аналитиков или программистов в штате своей компании. Читать статью по ссылке: Что нужно, чтобы стать data scientist?