По мере того как Big Data всё шире используются в маркетинге, всё актуальнее для этого подразделения становится Data Governance. О том, зачем маркетингу стратегическое управление данными, рассказывает Роб Карел, вице-президент по продуктовой стратегии в Informatica. Также он даёт три практических совета маркетологам.

У меня был интересный карьерный путь. В течение 20 лет я работал в области управления данными и Data Governance. А последние 5-6 лет я занимаюсь маркетингом. Со стороны может показаться, что это – кардинальная смена рода деятельности. Но сам я считаю, что это – логичный шаг в моём карьерном развитии. Больше всего в работе с данными мне всегда нравилось то, что моя деятельность направлена на поддержку реальных задач в области маркетинга или продаж. Для меня всегда было важно, чтобы правильные данные были переданы людям, которым они действительно нужны, чтобы обеспечить конечного потребителя лучшим клиентским опытом.

Теперь я нахожусь по другую сторону баррикад. Я – маркетолог и могу наблюдать, как организуется работа с данными в отделах маркетинга. Базовая работа по подготовке данных к использованию в маркетинге часто передаётся отделу ИТ или командам по управлению данными. После подготовки данные должны стать доступными, чистыми, достоверными, управляемыми, защищёнными. Иногда отдел маркетинга отдаёт некоторые активности по очистке, хранению и распределению данных, сокрытию конфиденциальной информации, на аутсорсинг агентствам или использует сервисы по валидации и обогащению. Но обычно такие активности носят тактический характер. Они ориентированы на отдельные маркетинговые кампании, не являются сквозными для отдела, и уже тем более для компании. Но тактическое управление не будет конкурентным преимуществом в сегодняшнем мире, где все организации проводят дата-центричные цифровые трансформации и соревнуются в уровне клиентского опыта. Данными в таком мире нужно управлять во всех корпоративных функциях, связанных с клиентом (продажи, клиентская поддержка, маркетинг, финансы). Они не должны хранится в разрозненных источниках разных отделов. Что же нужно делать в такой ситуации маркетологу? Возможно, вы уже хорошо разбираетесь в данных своего отдела и поддерживаете инициативу Data Governance. Вряд ли, конечно, активное участие в этой инициативе в списке ваших карьерных приоритетов. Но этого и не требуется. Большинство организаций уже ввели у себя позицию Chief Data Officer (CDO, директор по данным) или другую позицию с похожим набором функций. Задача таких специалистов – эффективно применять практики Data Governance во всей организации. Но большинство из них испытывает сложности с выбором приоритетные требования для данных. К тому же им сложно найти поддержку и вовлечь в инициативы сотрудников и руководителей компании. А вы можете помочь им решить эти проблемы. Как это сделать? Принимать участие в приведение маркетинговых данных в порядок, не жертвуя при этом другими инициативами.

• В вашей компании скорее всего есть эксперты по управлению данными. Найдите их и постарайтесь помочь им, насколько сможете. Они должны стать вашими лучшими друзьями. Поможете им достигнуть успеха в их инициативах, и данные, от которых вы зависите, станут лучше.
• Если в компании нет CDO или другого руководителя проекта Data Governance, продвигайте идею о необходимости нанять его. Используете кейсы для того, чтобы объяснить руководству, зачем нужна в компании подобная позиция.
• Если CDO есть или есть руководитель проекта Data Governance, свяжитесь с ним и предложите свою активное участие и поддержку инициатив управления данными. Я сам был свидетелем того, как программы Data Governance, у которых была поддержка внутри компании, за 6-12 месяцев начинали приносить большую пользу бизнесу. Хотя на начальных этапах охватывали всего 10-15% из тех сотрудников, которых могли бы.
• Пока пытаетесь сдвинуть инициативу Data Governance с места, следите за распределением своего времени. Не нужно тратить всё время на данные из новых, интересных для вас проектов. Любые надёжные данные приоритетны для отдела маркетинга. Без этого вы не получите полной картины.

“Выживает не сильнейший из видов, а тот, кто способен лучше других приспосабливаться к изменяющимся условиям окружающей среды”, – Чарльз Дарвин.

Сейчас все говорят о цифровой трансформации и инновациях. При этом, как и в случае с Big Data, каждый вкладывает в это понятие что-то своё. А есть и те, кто просто старается следовать модному тренду, потому что боятся остаться позади. Но давайте разберёмся, в чем же причина такого интереса к цифровизации. На мой взгляд, причина в том, что с одной стороны рынок стал более конкурентным, с другой – он постоянно меняется. Появляются всё новые концепции, которые заменяют или сильно уменьшают роль традиционных бизнес-моделей. К тому же регулярно меняются ожидания клиентов, под которые бизнесу приходится подстраиваться. В таких условиях цифровая трансформация для организации – единственная возможность сохранить свои позиции на рынке.

Многие организации успешно приспосабливаются к новым условиям. Мы видим, как меняется структура крупнейших корпораций. Появляются департаменты по инновациям и такие должности как CINO (Chief Innovation Officer), CDO (Chief Digital Officer). В обязанности этих специалистов входит поиск новых технологий, их апробация и определение их полезности для бизнеса. Но создания новых должностей и департаментов недостаточно. В дополнение к ним нужно организовывать и новые бизнес-процессы. Также в погоне за цифровизацией корпорации начинают сотрудничать с цифровыми инкубаторами стартапов такими, как «Сколково», ФРИИ (Фонд развития интернет-инициатив) и другими. При этом компании забывают о том, что такое сотрудничество требует разработки отдельных процессов, требований и договоров. Нужно понимать, что в крупных организациях высокие требования к поставщику и SLA оказания услуг. За их неисполнение предусмотрены высокие штрафы. Стартапам может быть сложно соответствовать таким требованиям. Создать новые бизнес-процессы для работы с цифровыми инкубаторами стартапов поможет эффективное управление данными в компании.

Цифра — это данные. Именно они являются основой для успешной цифровизации, в том числе и для работы с цифровыми инкубаторами стартапов. Эффективное управление данными обеспечит понимание, где какая информация находятся в компании, какого она качества и кто за неё отвечает. Это позволяет выставлять требования к данным там, где они рождаются, в зависимости от критичности бизнес-процессов, в которых они будут использоваться. А самое главное это поможет быстро предоставить нужные данные в необходимом качестве для проверки той или иной бизнес-идеи. А это, в свою очередь, позволит значительно быстрее проводить апробацию идей и принимать решение о полезности или не полезности того или иного решения для бизнеса. Поэтому кроме должности CDO, которая расшифровывается как Chief Digital Officier, нужно вводить и позицию CDO, который отвечает за данные, — Chief Data Officier. Важно, чтобы функция управления данными также была выделена в отдельный департамент и отдельное направление бизнеса. Кроме того, необходимо внедрить программу сквозного и стратегического управления данными – Data Governance.

Для реализации программы Data Governance важна, как административная и процессная составляющая, так и технологическая. На технологическом уровне нужна масштабируемая и полностью интегрированная платформа, которая позволяет решать все задачи Data Governance. К таким задачам относятся:

• интеграция и преобразования данных;
• контроль и обеспечение их качества;
• управление метаданными (данные о данных);
• управление бизнес-глоссарием;
• реализация стратегии управления данными для обеспечения единого взгляда на все эти компоненты;
• маскирование данных.

Промышленная платформа Informatica – абсолютный лидер в каждой из указанных областей. Поэтому она прекрасно справляется со всеми указанными задачами и может стать эффективным техническим инструментом реализации программы Data Governance. Преимущества платформы уже оценили крупнейшие компании в России и СНГ. Она установлена в таких организациях, как Сбербанк, Альфа-банк, Россельхозбанк, «Ростелеком», ПАО «ВымпелКом», «Мегафон», «Магнит», «Аэрофлот», РЖД.

Может возникнуть вопрос почему я включил маскирование в Data Governance, ведь это же функция информационной безопасности? С одной стороны, это так. Но, если маскировать данные классическими методами, то они теряют все свои особенности и связанность, то есть они становятся бесполезными для апробации. Поэтому нужны решения, которые позволяют сохранять особенности данных и их связанность не только в рамках одной системы, но и нескольких систем. А обеспечить это может только маскирование в рамках Data Governance. Маскирование в рамках Data Governance позволит использовать релевантный набор данных для любых задач как внутри организации, так и вовне. Можно будет не бояться, что случится утечка, конфиденциальная информация перестанет быть конфиденциальной или к ней получит доступ тот, кто не должен. Эффективное техническое решение для маскирования – Informatica Data Masking. Оно используется в крупнейших компаниях России таких, как Сбербанк, Газпромбанк, HomeCredit Bank, ПАО «ВымпелКом» и других. Качественный процесс Data Governance – основа успешной цифровой трансформации. При выстроенных процессах DG организация сможет быстрее готовить необходимый срез данных для проверки той или иной бизнес-идеи и быстрее интегрироваться в новую экосистему или партнерскую модель. Поэтому крайне важно реализовать инициативы в этой области перед началом сотрудничества с цифровым инкубатором и трансформации компании.

Сейчас много восторженных размышлений (и переизбыток обычного хайпа) по поводу очень больших возможностей, которые открывает интернет вещей. IoT предлагает бизнесу информацию и прозрачность, которую тот ищет, чтобы лучше понять мир вокруг себя. Объёмы рынка, которые прогнозируют эксперты, достигают миллиардов долларов. В своём отчёте консалтинговая компания BCG указывает, что затраты b2b-компаний на IoT-технологии, приложения и решения составят 267 миллиардов долларов в следующие три года. А затраты на аналитику данных интернета вещей – 21,4 миллиарда.

Нет сомнений в том, что качество данных – основа эффективности IoT. Но нет сомнений и в том, что пока что качество данных, которые генерируются с помощью датчиков, подключенных к интернету вещей, требует улучшения. Ведь после сбора данные распространяются по всей организации. В частности, они поступают и тем, кто принимает решения. Поэтому очень важно, чтобы они были надёжными. Организации полагаются на интернет вещей для выполнения целого ряда функций. Сэм Рансботам – доцент Бостонского колледжа, приглашённый редактор журнала MIT Sloan Management Review. Он называет такие области использование IoT, как улучшение клиентского опыта, раннее предупреждение о плохой работе и ошибках оборудования, автоматизация оповещения о работе критичных систем. Поэтому в организации должно быть всё в порядке с доверием к качеству данных. Он подробно исследует значение проблемы доверия к данным в эру IoT. Сэм и его коллеги приходят к выводу, что доверие – необходимое связующее звено, которое позволит вашему интернету вещей успешно функционировать.

Хорошие новости: качество данных улучшается по мере того, как решения интернета вещей становятся более зрелыми. Это происходит благодаря тому, что сети интернета вещей становятся неотъемлемой частью бизнеса. Что в свою очередь стимулирует обучение и непрерывное улучшение IoT-технологий. «Мы считаем, что расширение внедрения проектов интернета вещей связано с улучшением актуальности, детализированности и надёжности данных», — считает Рансботам. — «Большие объёмы данных с сенсоров – само собой разумеющееся. Но с течением времени организации повышают не только количество собираемых данных, но и их качество».

Актуальность имеет самое большое влияние на восприятие качества данных, подчёркивает Рансботам. «Около 40% респондентов, чьи организации не очень активно внедряет технологии IoT, сообщают, что их данные «по большей части» или «полностью» актуальны. А для компаний, которые активно работают с технологиями IoT, это число составляет 76%. Важно заметить, что «чем ближе к источнику системы мониторят и перемещают данные, тем больше число задержек в сборе данных». Как обеспечивать высокое качество данных быстрорастущих ИТ-инициатив? Важно стандартизировать данные. Нужно быть уверенным, что данные, которые поступают из разных источников, имеют единую версию правды. Также важно, чтобы сенсоры и сеть IoT были хорошо защищены, чтобы избежать взлома.

Томас Давенпорт, эксперт в области аналитики (Массачусетский технологический университет и Бэбсон колледж), призывает организации «держать в ежовых рукавицах» производителей сенсоров. «Настаивайте на двух уровнях калибрования», – советовал он в своей статье в прошлом году. «В первый раз нужно калибровать сенсоры на заводе, во второй – при установке, чтобы проверить, что сенсор функционирует, как нужно. После этого нужно проводить постоянную калибровку, чтобы быть уверенным, что устройство продолжает правильно работать. Идеально, чтобы калибрование и при установке, и при последующей работе, было встроенным и автоматическим». Давенпорт предупреждает «Не нужно ожидать совершенства, особенно от новых сенсоров. Но нужно настаивать на быстрых улучшениях и доработках». Как и для всех ИТ-технологий в организации, для Big Data и IoT ключевое значение имеет постоянное улучшение. Особенно, когда речь идёт о качестве данных, которым мы доверяем не много не мало управлять нашими компаниями.

Нам всем пора посмотреться в зеркало. В нём мы увидим себя и большие объёмы данных, которые мы собираем. Но значительных результатов применения Big Data пока мы увидеть не сможем. И дело тут не в данных и не в технологиях их сбора, обработки и анализа. Дело в людях. Если бы Big Data могли говорить, они бы сказали нам: «Дело не во мне, дело в тебе». Именно люди мешают большим данным приносить столько пользы, сколь обещает хайп, который создаётся вокруг них. Почему это происходит?

Компании не очень спешат создавать корпоративную культуру, которая будет ценить стандартизованную, эффективную и воспроизводимую информацию Эван Стабс – австралийский эксперт в области больших данный и автор книг по тематике, например «Big Data, Big Innovation: Enabling Competitive Differentiation through Business Analytics». Он считает плохое качество – общая проблема для всех аналитиков данных. Плохие данные хороши только тем, что про них можно постоянно шутить. Ещё можно находить утешение в том, что какими бы плохими не были ваши данные, у всех остальных они не лучше. Но ведь некачественные Big Data не берутся из ниоткуда. Они не падают на нас с неба. Мы сами их собираем. Оставьте надолго грязную посуду, и рано или поздно у вас заведутся тараканы. Игнорируйте качество данных, и рано или поздно в ваших Big Data образуются чёрные дыры, которые сделают их недостоверными. Эта правда, которую придётся принять: мы – причина существования некачественных Big Data. Специалисты, которые работают с Big Data, предпринимают «значительные усилия», чтобы почистить их. Но редкие «чистки», которые они проводят, вылечивают симптомы. А само заболевание низкого качества остаётся и приводит к неэффективности, новым тратам и ещё большему недовольству Big Data. С первого взгляда вам может показаться, что качество данных – технологическая проблема. Но это не так. На самом деле компаниям не хватает ни технологий, а корпоративной культуры, в которой ценится стандартизованная, эффективная и воспроизводимая информация. Если вы создадите такую культуру, то сможете генерировать данные, которые можно использовать много раз. Они будут эффективными и качественными. По-настоящему успешные команды сейчас не пытаются управлять лачугой непродуманных таблиц источника-данных. Они на постоянной основе интегрируют Big Data из этих таблиц, каталогизируют их, повышать их качество и так далее. Такая работа не одноразовый акт, она становится обычной частью бизнес-процессов, чем-то обыденным.

Однако, даже если качество Big Data прекрасное, всегда ли на их основе можно подготовить отличные инсайты о привычках, нуждах и желаниях клиента? Несмотря на значительный рост объёмов Big Data и успех нескольких компаний, таких как Amazon или Netflix, «реальность такова, что более глубокие инсайты для большинства организаций остаются иллюзорными», – объясняет в своей статье Миккель Расмуссен. А Кристиан Мадсбьерг в своём посте в блоге Bloomberg Businessweek говорит, что «Big Data неправильно понимает людей». Big Data представляет собой «недостаточные данные». В социальных науках различают 2 типа данных о поведении человека. Первый – «недостаточные данные». По сути, такие данные – следы нашего присутствия онлайн: наш размер одежды, цвет глаз, любимый напиток. Второй тип – «полные данные». Они помогают понять, как люди ощущают окружающий мир. Например, когда мы чувствуем запах травы после дождя, смотрим на кого-то особенным образом, не обращаем внимания на причинно-следственные связи. Что хорошего в том, чтобы собирать «недостаточные данные» в больших объёмах, когда вы не понимаете, как по-настоящему думает ваш клиент или что он ощущает? Компания Accenture сообщает, что только 20% организаций не может определить причинно-следственную связь между тем, «что они измеряют и какие результаты они собираются использовать». Прекрасно знаете, зачем вы собираете Big Data и как будете применять результаты их анализа? Но инструменты и технологии, которые вы используете, дают сбой? Понять, какую ошибку вы совершаете, вам поможет другая статья Амара Надига: Только начинаете работать с Big Data? Избегайте этих 5 ошибок!

Компании активно собирают и анализируют Big Data. Инструменты, которые для этого используются, отличаются от тех, которые раньше применялись для работы с данными. Решили заменить свою СУБД на Hadoop, а SQL на NoSQL? Постарайтесь не допустить ошибки, которые допускают все остальные.

Собираетесь внедрить эту платформу для Big Data? Спросите себя, почему. Эту NoSQL базу, сейчас ругают многие специалисты. Механизм агрегирования MongoDB похож на MapReduce или даже на коннектор Hadoop с очень плохой документацией. MongoDB хорошо работает как операционная база данных, для анализа она неудобна.

Вы вывалили данные из таблицы реляционной СУБД в файл и в таком виде храните его в Hadoop. Но ваш файл может быть совсем небольшого размера – всего несколько килобайт. Между разными узлами кластера небольшие файлы распределяться хуже, чем большие. А значит MapReduce не сможет работать достаточно быстро и эффективно. Например, когда решите использовать Hive, вам придётся очень долго ждать, пока он обработает ваши Big Data. Hadoop лучше всего работает с большими файлами сравнительно неструктурированных данных. Поэтому постарайтесь сгруппировать свои данные в более крупные файлы (например, данные, собранные с IoT-сенсора не за день, а за месяц).

Вместо того, чтобы создать единое озеро для Big Data, вы делаете несколько прудов или болот. Отдельные рабочие группы создают свои мини-репозитории и процессы анализа данных. Сначала может показаться, что это не очень плохо. Но когда данные каждый раз заново извлекаются и постоянно расчленяются и тасуются, это чревато разными версиями правды на основе одних и тех же данных. На один и тот же вопрос у вас будет много разных ответов.

Озёра данных эффективны. Но нужно понимать, для чего вы собираетесь их использовать. Конечно, вы можете это сделать и после установки озера. Но будет лучше, если вы сначала продумаете сценарии использования.

Конечно, вы уже привыкли к SQL. Но языки и техники постоянно развиваются. Если подсадить PL/SQL на стероиды, то получится Apache Pig (язык Pig Latin). Apache Pig отличается способностью быстро работать с Big Data. Если вам нужно больше аналитики, вам может понадобиться более широкий набор инструментов: MapReduce, R и другие. Вы не из тех, кто допускает такие ошибки? Но Big Data всё равно не приносит пользу вашей компании? Возможно, дело не в технических решениях, а в неправильно налаженных бизнес-процессах. В этом нет ничего удивительного, многие компании сталкиваются с такими же проблемами. Подробнее об этом читайте в статье «Почему анализ данных не приносит пользы вашей компании».