Привет, уважаемый читатель.
Вы могли столкнуться с парадоксом из заголовка статьи. Подкреплю своё наблюдение статистикой:
Gartner прогнозирует, что 80% инициатив в управлении данными провалятся к 2027г. (ссылка на источник)
MIT подводит статистику - 95% AI-проектов не срабатывают и основная причина - незрелость компаний в работе с данными. (ссылка на источник)
Chief Data Officer, высший руководитель функции управления данными, живёт в компании в среднем 30 мес.(2.5 года) (ссылка на источник)
Логично: руководитель, чьи инициативы проваливаются, довольно быстро выгорает.
Поговорим о причинах.
Соблазнительно думать, что данные будут работать вместо вас.
Данные работают только вместе с вами.
Вместе - это про процесс, про рутину.
Рутина, через которую работает data-driven:
Назовите результат в цифре.
Для каждого направления бизнеса - что значит “хорошо”, выразите в норме или цели, в показателе. Не “сколько вагонов отправили”, а “сколько вагонов должно быть в работе, чтобы выполнить план”У каждой задачи - владелец, срок и показатель
Вопрос “какие убытки в ноябре?” не должен “висеть” на очередном синке.
У каждого такого вопроса есть имя ответственного, дата ответа и понятный показатель - иначе он "умрёт" на том же синке, где прозвучалСпрашивайте за показатель
На каждой планёрке, по данным, а не по докладу голосом. “Спасибо за доклад” - это не спрос. Спрос - это “почему такое отклонение и что ты с ним делаешь”Норму определяйте с аналитиками
Работа аналитика - сделать цифру объективной, ведущей к цели и не превращающей процесс работы в очковтирательство. Это их зона ответственности, не вашаПересматривайте норму, когда меняется бизнес
Не реже. Показатель, верный год назад, сегодня может “врать”
Да, без качественной Data-функции в современном цифровом бизнесе такая рутина невозможна. И да, такой подход важен и в отношении работы Data-функции, разумеется.
Такие мысли могут показаться банальными. Давайте вместе разберёмся в этом вопросе подробнее.
Особое внимание прошу уделить тому, что корень проблемы не в людях и не в технологиях, но в дисфункционально выстроенной системе без описанной выше рутины.
Совещание, на котором всё в порядке
Раз в неделю топ-менеджмент крупного логистического оператора собирается в Teams на часовой синк. Четырнадцать директоров по очереди докладывают статус голосом. Без раздаточных материалов, презентаций, графиков, дашбордов. Цифры на слух.
"Отправили 400 вагонов в пропарку". "В ремонте двадцать тысяч вагонов". "Отгрузили 300 тысяч тонн угля". "Заключили контракты с клиентом А и клиентом Б". "Выиграли двести судов".
Цифры. Вроде бы данные. Только ни одна не отвечает на вопрос, ради которого собрались: идём мы к годовому плану или нет. 400 вагонов в пропарке - это хорошо или плохо? Двадцать тысяч в ремонте - норма или авария? Двести выигранных судов - это про деньги или про занятость юристов? Непонятно. Это цифры активности - “мы были заняты”. Это не цифры результата.
К концу часа у CEO "пухнет" голова. Не потому, что она невнимательна - она погружена в бизнес глубже всех на совещании. Но “сшить” четырнадцать потоков разрозненных фактов с реальными целями на слух за час не может и она. Реакция стандартная: либо “спасибо за доклад” и дальше по списку, либо разнос за ошибку, которую она и так знает, разнос на её собственных данных, не на тех, что только что называл докладчик. Цифры директора и цифры CEO живут в разных местах и не встречаются.
Теперь деталь, без которой сцена не имеет смысла. В этой компании есть всё. Два хранилища данных, семьсот отчётов в разных BI-системах (в том числе и топовых Tableau и Power BI). Тридцать человек, которые всё это сопровождают. Аналитика построена, оплачена, работает, и занимает весомую строку в расходах.
А управление - "голосом".
В этом примере я вижу болезнь, из-за которой решил написать статью. Не “в компании нет данных” - данных в избытке. Болезнь в том, что аналитика и управление живут в “параллельных вселенных”: отдел данных сам по себе, реальные решения сами по себе, и пересекаться они (или пересекать их) не планируют.
Статистика Gartner, MIT и мой личный опыт показывают, что это не специфика отдельной компании. Современные внедрения AI в бизнес натыкаются на “те же грабли”. Это судьба почти любой системы, которая занялась данными на уровне идей и технологий, но не на уровне управления и встраивания в процесс.
Когда руководитель понимает, что аналитика не работает (data-driven не “взлетел”), первая реакция - потянуться к кошельку. Это естественно: проблему хочется решить покупкой. Беда в том, что эта проблема “не покупается”. Это не дефицит инструмента - это дефицит работы, которую делать никто не хочет.
Рабочий чат для оперативного решения вопроса
В рабочий чат добавляют нового директора по данным. Он нашёл дыру: компания списывает с игроков деньги по ставкам, которые провайдер у себя уже отменил, и начисляет выигрыши по ставкам, которых провайдер вообще не видел.
Фаундер складывает картину мгновенно: "То есть мы под полмиллиона просто раздарили игрокам?". Фаундер понимает влияние, масштаб и риски.
Дальше решают: деньги у игроков не забирать, наш косяк, самых наглых заблокировать.
Директор по данным предлагает простую вещь - внедрить в процесс работы сверку с цифрами провайдеров и работу с провайдером. На сообщение не реагирует никто.
Здесь первый разрыв. Цифра вызвала эмоцию, “тушение пожара”.
Процесс не запустила, ответственные не определены.
Без встраивания в процесс работы, работа с проблемой длится ровно столько, сколько об этом говорит руководитель.
Дальше три месяца расхождений и убытков с подсвечиванием проблемы со стороны Data-функции.
Терпение кончается, и фаундер делает то, что окончательно выдаёт диагноз: садится и сам пишет директору по данным пошаговую инструкцию - к кому идти, что у провайдера спросить, как тестировщикам воспроизводить сбой.
Ответ директора спокоен: "Обычно это делают системные аналитики и тестировщики. Но если хочешь, чтобы занялся я, - займусь".
Когда первое лицо лично пишет диагностический план для технической проблемы - это значит, что в компании нет ни одного директора, который чувствует её своей. У проблемы нет хозяина, и дыру в иерархии затыкает собой фаундер. До предела - пока не примет кадровое решение.
Через десять дней из чата убирают технического директора. Операционного к тому времени уже сменили. Расхождения не закроют ещё полгода. Совокупная потеря - порядка -3% выручки, утекающих ровно потому, что аналитику просматривали, в лучшем случае обсуждали и забывали.
Здесь нет злодеев и нет дураков. Фаундер задаёт правильные, иногда блестящие вопросы. Директор по данным копает, документирует, ведёт реестр инцидентов, подсвечивает проблему. Все заняты осмысленным делом.
И в этом самое неприятное: операционно всё выглядит нормально - а на горизонте -3% выручки и два уволенных топа
Это самый дорогой и самый убедительный самообман, который отлично продаётся консалтингом: данные у вас есть, только упаковываете вы их неправильно; упакуете правильно и сразу обнаружите множество инсайтов для развития бизнеса.
Современная функция управления данными решает проблемы бизнеса
Двадцать лет работы компании, триста отчётов, гигантские OLAP-кубы на тысячу метрик. Кубы начали "сыпаться" - решили перезапустить функцию.
Вместо кубов - хранилище. Вместо отдела аналитики - Data Office. Управление на новом уровне: политики управления данными, SLA, каталог данных, контроль качества. Сделали технически безупречно.
Аналитикой не пользуются. Топы принимают решения “по старинке”, новый формат функции стоит x3 от старого.
В итоге директор по данным собирает команду и ставит задачу: "Идите к бизнесу, ищите заказчика, продавайте свои услуги, защищайте инициативы".
То есть требует от инструмента, чтобы он сам себя применил. У аналитиков нет половины контекста бизнеса, нет рычагов влияния. Исход закономерен: текучка штата нового Data-office 60% в год, люди выгорают. Безупречная инфраструктура, в которую никто “не въехал”.
Ниже я выписал топ паттернов в реакциях хорошего руководителя на исправление ситуации с работой с данными в компании. Это логичные и закономерные решения, но каждое из них в основе содержит то, что Data-функция это некий "оракул" или даже "варлок", который сам в себе знает как управлять вашим бизнесом.
Да, из аналитика возможно вырастить менеджера, но это будет не аналитик, а менеджер с опытом в аналитике
От каких идей я предлагаю отказаться
Больше дашбордов
“Не хватает наглядности - закажем ещё отчётов, и чтоб интерактивные были”.
В итоге руководитель получает дашборды, в которых разбирается только он сам, и начинает по ним микроменеджерить своих подчинённых. Инструмент стал мощнее. Привычка управлять на данных не появилась - появился новый повод для совещаний.
Нанять спасителя
Логика: возьмём директора по данным, и пусть он сделает компанию data-driven.
Это как нанять тренера и похудеть, ничего не меняя в своей жизни. Спасителя нанимают, спаситель уходит, привычка не появляется - потому что свою рутину нельзя делегировать тому, у кого нет ни власти над процессами бизнеса, ни вашего личного участия.
Построить правильно
Идея в том, что данные сами по себе изобилуют инсайтами и проблема только в том, чтобы их достать. Да, что-то совсем очевидное аналитик принесёт сам. Но ради этого невыгодно организовывать целую функцию. Закажите исследование у специализированного агентства, выйдет выгодней.
В регулярной рутинной работе управленца с данными инсайты - это не самоцель, а приятный побочный продукт.
Нужна хорошая документация
Логика: опишем все процессы, и тогда заработает.
Сейчас часто вижу эту причину как объяснение неудачи внедрения AI.
Не заработает.
Часть знаний о компании не запишут никогда - политику, неформальные договорённости, причины “почему мы так не делаем”. Часть слишком свежая, чтобы попасть в документ. “Доделаем документацию - и поедет” - это горизонт, который отодвигается вечно.
Удобная бизнес-модель для консалтинга и тупик для вас.
Купить и внедрить AI
Новейшая версия той же ошибки: раньше ждали, что всё решит дашборд и аналитик, теперь - что решит агент. Но цифру мы уже видели: из корпоративных AI-пилотов отдачу дают пять процентов, и проваливаются они не из-за моделей, а потому что их не вставили в реальную работу. AI не починит управление, где данные и решения живут порознь.
То, что нельзя купить, можно сделать. Дешевле хранилища и быстрее найма “спасителя”. Не нужно перестраивать компанию - нужна одна привычка.
Руководитель решает, что в его бизнесе считается результатом, и выражает это в цифре - план, норма, цель. А дальше спрашивает за эту цифру с подчинённых. На каждом синке, по данным, а не по самочувствию. Опираясь на надёжную функцию данных, достоверно показывающую как бизнес выглядит на цифрах.
Это звучит банально ровно до момента, пока не увидишь, что в большинстве компаний этого нет. В первой сцене четырнадцать директоров докладывали активность: “отправили 400 вагонов”, "отгрузили 300 тысяч тонн угля". Никто не спрашивал с них за результат, потому что результат не был назван.
Когда руководитель называет норму и начинает спрашивать именно за неё, доклады об активности отмирают сами, а данные из фонового шума превращаются в то, на что смотрят перед тем, как ответить. Цифра, за которую отвечают, не умеет жить “в параллельном мире”. Ей приходится войти в управление.
Это первая половина очевидных открытий. Вторая в том, что правильную цифру в одиночку не построить ни руководителю, ни аналитику. Часть знаний о бизнесе лежит в данных - это территория аналитика. Часть в голове руководителя: ограничения, договорённости, причины “почему у нас так нельзя”. Этого в данных нет и не будет.
Поэтому решение, которое стоит денег, рождается не у того и не у другого по отдельности, а на пересечении - когда факты встречаются с контекстом.
Вернусь к компании из первой сцены (синк с докладами голосом):
Два направления годами не могли поделить ответственность за время, которое вагон проводит в ремонте и простое. Часть времени выходила “ничьей”, и спор был неразрешим, потому что шёл на словах: у каждого своя правда, обе непроверяемы. Аналитики вошли в этот спор не с инсайтом, а с фактами - собрали общую картину, из которой стало видно где время теряется на самом деле. Спорить стало не о чем.
Уже на этой “картине” вскрылось то, чего в одиночку не видел никто.
Подрядчик по ремонту нарушает условия - около 1% выручки в год.
Сотрудники нарушают дисциплину: отремонтированные вагоны по две-три недели не возвращают в работу - ещё 0.5% выручки.
Часть вагонов без причины гоняют на повторные пропарки - 2% выручки.
И самая сочная находка: детали для ремонта списывают раньше срока - порядка 3% выручки в год.
Все эти открытия найдены не хитрым алгоритмом, а двумя директорами, которые сели работать с аналитиками над парой дашбордов.
Но вот честная часть, без которой история была бы сказкой. Само это не запустилось. Каскад включила CEO - ей нужно было, чтобы директор по эксплуатации показал свою работу в цифрах, и она на него давила.
Когда пошли результаты, перенесла давление на второе направление. Топы возрастные, по десять лет в компании, сопротивление огромное. Из четырнадцати на реальную работу с данными в тот квартал перешли двое.
И уже этого хватило. В этом вся мысль: чтобы “сдвинуть” процесс принятия решений в компании, компанию не нужно перестраивать. Нужна надёжная функция работы с данными и чтобы один руководитель назвал цифру и начал за неё спрашивать. Дальше работает пример - не быстро и с тем же нажимом сверху, но работает.
Вот что я понимаю под тем, “данные работают вместе с вами”. Не аналитик вместо вас. Не вы вместо аналитика. Вы приносите цель и контекст, аналитик приносит факты - и на пересечении появляется то, чего не было ни у кого.
Назвать цифру - звучит просто. Но здесь руководитель может "упереться". Назвать норму страшно, и страх прячется за тремя возражениями.
“определю норму неверно - сломаю процесс, а сейчас вроде работает”
“начнут гнать показатель, а не работать”
“бизнес меняется так быстро, что норму не зафиксировать”
Два из трёх - самооправдание. “Сейчас вроде работает” - это ровно то заблуждение компаний-примеров из этого текста за минуту до того, как обнаружили “утечку в миллионы”. А “бизнес меняется” - не довод против плана: план и не высекают в камне, его пересматривают, когда меняется бизнес и рынок.
Аналитику вообще нельзя настроить раз и навсегда - это не баг, а режим работы.
Однако страх под #2 настоящий. Когда за цифру жёстко спрашивают, люди начинают улучшать цифру, а не реальность. Это закон Гудхарта: когда показатель становится целью, он перестаёт быть хорошим показателем.
Для работы с этой проблемой нужна действительно качественная функция данных. Не чтобы принести цифры. Чтобы помочь выбрать норму, которая объективна, ведёт к цели и которую трудно подделать, - и дальше контролировать, не начали ли её подделывать.
Плохая норма ломает процесс и плодит очковтирательство. Хорошая - двигает к цели. Разница между ними - это работа аналитика, она требует и данных и понимания бизнеса, и за это вам стоит платить.
Истории из примеров - это не про компании, которым не хватило данных или инструментов. Это истории про системы, в которых купили всё, кроме привычки.
Данные не сделают вашу работу.
Хорошо организованные данные умеют показывать факты тому, кто готов на них смотреть и за них спрашивать. Всё остальное - ваша работа, и её нельзя ни купить, ни делегировать, ни отложить до лучшего хранилища.
Поэтому выбор не между "есть аналитика" и "нет аналитики". Выбор между двумя способами с ней жить.
Можно ждать, что аналитики принесут инсайты и платить миллионы, в надежде что однажды инсайты эти миллионы окупят. Думаю, это бывает, но это выглядит для меня как лотерея. Конечно, в лотереи тоже кто-то выигрывает.
А можно начать работать вместе с ними: назвать цифру, спросить за неё, повторить в следующий понедельник.
Первое дешевле сегодня. Второе - единственное, что вообще работает.