Десять красных флажков, указывающих на то, что Ваша аналитическая программа обречена на провал
Делаете все, что в Ваших силах, чтобы наконец-то Ваша компания полностью полагалась на аналитические данные? Скорее всего, одна или даже несколько ошибок, описанных ниже, мешают Вам в достижении поставленной цели…
Насколько Вы уверены в том, что Ваш проект в области аналитики принесет ожидаемую пользу?
Сегодня практически каждый руководитель компании знает, что успешный бизнес просто обязан ориентироваться на аналитику. Большинство бизнес-лидеров смело инвестируют в различные аналитические ресурсы и искусственный интеллект (ИИ). Многие руководители посвящают много своего времени реализации аналитических программ, задействуют главных аналитиков (CAO) или руководителей по данным (CDO), а также нанимают профессиональных специалистов по данным.
Однако многие из них ошибочно полагают, что раз они уже проделали все эти важные шаги, то основные проблемы, связанные с внедрением аналитики, разрешены. Постепенно их начинает осенять, что им так и не удалось превратить пилотные проекты в сфере аналитики в масштабные решения (недавнее исследование McKinsey показало, что только 8 % из 1 000 респондентов применяют эффективные методы масштабирования в области аналитики). Все больше бизнес-лидеров вынуждены констатировать низкую отдачу от внедрения дорогостоящих аналитических программ. В целом, согласно наблюдениям McKinsey, большинству организаций удалось «отбить» лишь малую часть осуществленных инвестиций: в некоторых секторах - всего лишь 10 % . Индекс искуственного интеллекта MCKinsey показывает, что разрыв между лидерами и аутсайдерами в области внедрения искусственного интеллекта и аналитики как внутри отрасли, так и между отраслями, продолжает увеличиваться (см. рисунок 1).
Однако, что называется, нет худа без добра - анализируя длинный список неудач компаний, делающих большие ставки на аналитику и ИИ, специалисты начинают выявлять определенные закономерности провалов в области реализации аналитических программ. Мы выделили десять «красных флажков», которые, по нашему мнению, указывают на то, что Ваша аналитическая программа находится под угрозой срыва. Бизнес-лидеры, которые принимают меры в ответ на эти сигналы, значительно повышают шансы своих компаний на успех…
1. У руководителей нет четкого видения программы по внедрению передовых аналитических инструментов
Согласно нашему опыту, одна из самых распространенных причин неудач в области внедрения аналитики заключается в том, что руководители элементарно не понимают разницы между традиционной аналитикой (то есть бизнес-аналитикой и отчетностью) и продвинутой аналитикой (мощными инструментами прогнозирования, такими как машинное обучение).
В качестве наглядного примера приведем компанию, которая создала огромный потенциал в области передовой аналитики, вложив значительные средства в специалистов по анализу данных и дата-инженеров. Генеральный директор регулярно упоминал о том, что компания использует в своей деятельности новейшие методы искусственного интеллекта, но никогда особо не углублялся в этот вопрос.
Компания запустила ряд пилотных программ, связанных с искусственным интеллектом, но ни одна из них так и не увенчалась успехом. Почему? В первую очередь потому, что топ-менеджмент совершенно не понимал концепции продвинутой аналитики. Руководящий состав с трудом мог определить приоритетные задачи, которые была призвана решить привлеченная команда аналитиков, и не инвестировал средства в развитие необходимых знаний и навыков. В результате специалисты работали совершенно не над тем, что действительно было нужно компании, и нецелесообразно использовали передовые аналитические инструменты. Через год компания была вынуждена отказаться от реализации провальных аналитических проектов.
Основная рекомендация: CEO, CAO или CDO – любой специалист, которому поручено руководить инициативами в области аналитики, - должен организовать серию встреч для топ-менеджеров, чтобы донести до них ключевые принципы работы передовых аналитических методов и инструментов, а также искоренить все существующие заблуждения. Эти встречи могут стать основой внутренней "академии", которая будет обучать более широкую управленческую аудиторию ключевым концепциям аналитики на постоянной основе.
2. Не определена ценность, которую проект может обеспечить в течение первого года
Зачастую энтузиасты стремятся применить аналитические инструменты и методы абсолютно по всем возможным направлениям. Но такое заблуждение приводит лишь к масштабным растратам, отложенным результатам (или их полному отсутствию), а также к тому, что рано или поздно акционеры и сотрудники начинают очень сильно сомневаться в том, что аналитические инициативы в принципе способны принести какую-либо пользу.
Подобная история произошла в одном из крупнейших конгломератов. Компания выделила несколько направлений, где аналитическая программа должна была быть реализована по максимуму. При этом организация не провела точную оценку целесообразности и не рассчитала бизнес-ценность проводимых мероприятий, в результате чего предпринятые ею мероприятия не принесли никакой пользы.
Основная рекомендация: Компании, находящиеся на ранних этапах внедрения аналитических программ, должны детально продумать три-пять наиболее эффективных сценария, которые могут быстро принести максимальную пользу - в идеале в течение первого года. Это придаст импульс к конкретным действиям и обеспечит будущие инвестиции в развитие корпоративной аналитики. В первую очередь при принятии соответствующих решений следует учитывать влияние того или иного фактора. Важно проанализировать всю цепочку создания стоимости, от поставок до факта покупки и послепродажного обслуживания, чтобы выявить наиболее ценные направления (см. рисунок 2).
Для того, чтобы оценить целесообразность тех или иных действий, подумайте о следующем:
- Соответствуют ли данные, необходимые для данного сценария использования, определенному уровню качества и достаточно ли они доступны?
- Какие конкретные этапы процесса необходимо изменить для каждого конкретного сценария?
- Должна ли каким-то образом измениться команда, задействованная в данном процессе?
- Что можно изменить минимально, а что потребует более масштабных изменений до тех пор, пока не будет выработан новый единый подход к аналитике?
3. Не разработана стратегии развития аналитической программы
В одной крупной производственной компании топ-менеджеры были в восторге от передовых аналитических инструментов и методик; они определили несколько потенциальных кейсов, в которых, по их мнению, технологии могли принести максимальную пользу. Однако у них не было четкой стратегии, как именно генерировать бизнес-ценность с помощью аналитики в целом.
Тем временем конкурент использовал передовую аналитику для создания цифровой платформы, объединившись с другими производителями в широкую экосистему, которая позволила создать совершенно новые категории продуктов и услуг. Неструктурированный подход к потенциальным аналитическим возможностям привел к тому, что вышеупомянутая производственная организация несомненно добилась определенных положительных результатов, но в целом упустила гораздо более широкие возможности. Теперь ее руководителю будет гораздо сложнее вдохновить своих сотрудников на дальнейшие подвиги в области развития корпоративной аналитики.
Как и у любой бизнес-инициативы, у аналитической программы должна быть хорошо продуманная стратегия развития.
Основная рекомендация: три важнейших вопроса, которые CDO или CAO должны задать руководству компании:
- Какие угрозы представляют для компании такие технологии, как искусственный интеллект и другие передовые аналитические методики и инструменты?
- Каковы возможности использования этих технологий для улучшения текущего положения компании?
- Как мы можем использовать данные и аналитику для создания новых возможностей?
4. Не определена роль корпоративных аналитиков
Лишь немногие руководители могут подробно рассказать о том, какие именно аналитики работают в их компании, не говоря уже о том, в каком отделе они трудятся и какими навыками и знаниями обладают.
В одной крупной организации, предоставляющей финансовые услуги, генеральный директор с большим энтузиазмом поддерживал любые инициативы, связанные с внедрением передовых аналитических технологий. Он особенно гордился тем, что его компания наняла 1 000 специалистов по анализу данных, каждый из которых обходился компании в среднем в 250 000 долларов в год. Позже, когда стало очевидно, что эти сотрудники не приносят ожидаемой пользы, выяснилось, что они, по большому счету, вовсе и не являлись теми специалистами по изучению данных, которые были действительно нужны компании. Было бы достаточно привлечь лишь 100 профессионалов в данной сфере и правильно распределить их по департаментам. Ни генеральный директор, ни отдел кадров не имели четкого представления о роли специалиста по изучению данных, да и о других ролях, связанных с работой с данными, тоже.
Основная рекомендация: эффективный подход к проблеме привлечения талантов заключается в том, чтобы рассматривать корпоративную аналитику как ковер, состоящий из наборов навыков и ролей сотрудников компании. Естественно, многие из этих способностей и ролей будут пересекаться - одни регулярно, другие в зависимости от того или иного проекта. Каждая нить этого «ковра» должна иметь свое тщательно проработанное определение, от подробных должностных инструкций до особенностей организационных взаимодействий. CDO и директор по персоналу (CHRO) должны провести работу по составлению подробных должностных инструкций для всех аналитических ролей, необходимых компании в ближайшие годы. Следующим шагом должна стать «инвентаризация» всех сотрудников, которые в настоящее время работают в организации и могут соответствовать тем или иным должностным инструкциям. И только уже потом можно переходить к заполнению «пробелов» за счет внешнего найма.
5. В организации не хватает специалистов по интерпретации аналитических данных
Специалист, который способен максимально раскрыть ценность аналитических программ - это аналитический переводчик. Эту архиважную роль лучше всего выполнять сотруднику, который может помочь руководителям определить наиболее эффективные сценарии использования аналитических технологий, а затем "перевести" потребности бизнеса дата-инженерам и другим специалистам, чтобы они могли создать действенное аналитическое решение. От «переводчиков» также ожидают активного участия в масштабировании разработанных решений в рамках всей организации и обеспечения поддержки со стороны бизнес-пользователей. Данные специалисты должны обладать уникальным набором навыков, который поможет им добиться успеха в своей роли - знаниями в области бизнеса, технической грамотностью и мастерством управления проектами.
Основная рекомендация: Наймите или даже лучше обучите подобных переводчиков! Нанять переводчика со стороны – первое, что приходит нам всем на ум. Однако помните, что новым сотрудникам не хватает самого важного качества успешного аналитического переводчика, а именно глубокого знания компании. Вполне возможно, что в организации уже есть подходящие кандидаты, которые обладают обширными знаниями о своей организации и деловой хваткой, а также образованием, позволяющим понимать математические модели и работать с учеными, изучающими данные, чтобы получить ценные сведения. Поскольку такое уникальное сочетание навыков найти достаточно трудно, многие компании создали собственные академии переводчиков для обучения таких специалистов. Например, одна из международных сталелитейных компаний готовит 300 аналитических переводчиков в год. В McKinsey мы создали собственную академию и за последние несколько лет подготовили около 1 000 переводчиков.
6. Аналитические возможности изолированы от бизнеса, что приводит к неэффективной аналитической организационной структуре
По нашим наблюдениям, организации, успешно внедрившие инициативами в области аналитики, максимально задействуют имеющиеся аналитические возможности в своей основной деятельности. Компании , как правило, развивают аналитические возможности изолированно: либо централизованно, либо спорадически. Ни та, ни другая организационная модель не является эффективной. Чрезмерная централизация создает множество узких мест и приводит к отсутствию поддержки со стороны бизнеса. Децентрализация же влечет за собой риск возникновения различных моделей данных, которые никак не связаны между собой (см. рисунок 4).
Однозначным сигналом того, что текущая организационная модель не работает, является жалоба специалиста по исследованию данных на то, что его работа не приносит практически никакого результата, и бизнес продолжает «делать» то, что было и раньше. Руководители должны быть начеку, чтобы вовремя обратить внимание на подобные обращения.
Основная рекомендация: Руководству компании следует рассмотреть возможность создания гибридной организационной структуры, в которой команды по работе с данными объединяют талантливых специалистов как со стороны бизнеса, так и со стороны аналитики.
Во многих компаниях степень централизации может изменяться с течением времени. На ранних этапах развития аналитики компании, возможно, имеет смысл работать более централизованно, поскольку так будет легче создать и управлять командой, чтобы обеспечить высокое качество результатов ее работы. Но со временем, когда бизнес станет более аналитически подкованным, центр может отойти на второй план и выполнять скорее вспомогательную роль, предоставляя командам специалистов больше самостоятельности.
7. Дорогостоящая работа по очистке данных проводится бездумно
Руководители компаний зачастую на все 100 % уверены в том, что все имеющиеся корпоративные данные должны быть очищены до того, как начнется реализация аналитической программы. Это не так.
По оценкам McKinsey, около 70 % усилий по очистке данных не приводят к желаемому результату. Не так давно одна крупная организация потратила сотни миллионов долларов и более двух лет на реализацию программы по очистке корпоративных данных и созданию озера данных в масштабах всей компании. Целью было создание единой метамодели данных - по сути, единого источника истины. Усилия, увы, оказались напрасными. Компания не отслеживала данные должным образом и плохо разбиралась в том, какие именно данные нужны для решения тех или иных задач. И даже когда она очистила все данные, возникло множество других проблем, таких как невозможность полностью отследить данные или должным образом понять их контекст.
Основная рекомендация: При оценке целесообразности инициатив по очистке данных CDO не должен руководствоваться принципом "данные превыше всего". Совместно с руководителями бизнес-направлений и ИТ-директором необходимо организовать эффективную очистку данных, которые необходимы для реализации приоритетных задач.
8. Аналитические платформы настроены неверно
Многие компании осознают то, что им нужна современная архитектура данных как основа для цифровых преобразований. Распространенной ошибкой является мнение, что сначала необходимо интегрировать унаследованные ИТ-системы. Другая ошибка - создание озера данных до того, как будут определены оптимальные способы его наполнения и структурирования; часто компании проектируют озеро данных как единое целое, не понимая, что его следует разделить на части для решения различных типов бизнес-задач.
Зачастую инвестиции в реализацию подобных программ исчисляются миллионами долларов, а отдача от них - мизерная. Мы вынуждены констатировать тот факт, что более половины всех озер данных не соответствуют своему назначению. Как правило, требуются значительные изменения в проектировании архитектуры, в худшем случае от инициативы по созданию озера данных следует полностью отказаться.
Так было в случае с одной крупной организацией, предоставляющей финансовые услуги. Компания работала над интеграцией своих старых хранилищ данных и над упрощением унаследованной ИТ-системы, не имея при этом четкого бизнес-плана. Через два года акционеры начали выказывать серьезное недовольство тем, что расходы неуклонно росли, а признаков получения какой-либо выгоды от реализуемой программы не наблюдалось от слова совсем. После долгих споров реализацию программы было решено остановить.
Основная рекомендация: Практика показывает, что новая платформа данных может существовать параллельно с унаследованными системами . При участии директора по информационным технологиям CDO должен убедиться в том, что данные беспрепятственно поступают из разных источников, что на платформе можно эффективно проводить очистку данных, а также их аналитику - и все это при том, что «старые» ИТ-системы обслуживают потребности организации в транзакционных данных.
9. Не определены метрики измерения влияния аналитических программ на развитие бизнеса
Удивительно, как много компаний тратят миллионы долларов на внедрение передовых аналитических технологий, но при этом совершенно не могут объяснить, как все эти вложения повлияют на развитие бизнеса в целом.
Организации, которые научились делать это, создают систему управления эффективностью для своих аналитических программ. Как минимум, для этого необходимо тщательно разработать метрики - это могут быть показатели второго порядка, не обязательно показатели рентабельности. Например, аналитика, примененная к системе управления запасами, может выявить причины переизбытка товаров на складе в течение квартала. Чтобы определить влияние аналитики в данном случае, следует использовать метрику, показывающую процентное соотношение, на которое сократились излишние запасы после устранения выявленной причины.
Точное согласование метрик дает компаниям возможность изменить курс, эффективно перераспределив свои ресурсы.
Основная рекомендация: Бизнес-лидеры совместно с аналитическими переводчиками должны определить приоритетные направления, которые могут принести бизнесу максимальную пользу. Затем они должны взять на себя обязательство измерять финансовый результат от реализации этих направлений деятельности, например, каждый квартал. Финансовой отдел может помочь разработать соответствующие финансовые показатели или метрики.
10. Никто не уделяет должного внимания выявлению потенциальных этических, социальных и нормативных последствий реализации программ в области аналитики
Важно уметь предвидеть, как именно цифровые приложения будут получать и потреблять данные, а также понимать, есть ли при этом какие-либо компромиссы с выполнением нормативных требований или этические проблемы.
Один крупный промышленный производитель столкнулся с трудовой инспекцией после того, как разработал алгоритм прогнозирования прогулов. Компания преследовала благие цели: она стремилась понять взаимосвязь между условиями труда и прогулами, чтобы пересмотреть рабочие процессы, которые могут привести к производственным травмам или заболеваниям. К сожалению, алгоритмы сгруппировали сотрудников на основе их этнической принадлежности и пола несмотря на то, что эти поля данных были отключены, и выявили прямую корреляцию между расой и прогулами.
К счастью, компания смогла выявить и вовремя предотвратить проблему - значительного штрафа со стороны регулирующих органов удалось избежать. Вывод: работа с данными, особенно с данными о персонале, сопряжена с большим количеством рисков. Для того чтобы применить к аналитике надлежащие человеческие суждения, требуется высокий уровень контроля, управление рисками и своевременные меры по их минимизации.
Основная рекомендация: В рамках хорошо организованной программы управления рисками CDO должен взять на себя ведущую роль и совместно с директором по персоналу и юрисконсультом компании создать службы тестирования устойчивости, которые смогут быстро выявить и интерпретировать «побочные эффекты» от реализации аналитических программ. Аналитические переводчики также должны принять активное участие в данном процессе.
Автор: www.mckinsey.com
