Вячеслав Зюба о преимуществах управления предприятием на основе данных

Управление бизнесом на основе данных (data driven) — эффективный подход, который позволяет организациям находить оптимальные решения, снижать затраты и наращивать прибыль, анализируя данные, накопленные в своих информационных системах. Фактически любая компания, независимо от масштаба и сферы деятельности, может применять методы data driven, но выбор тех или иных инструментов и технологий будет различаться в зависимости от уровня ее цифровой зрелости.

Опытом разработки и использования системы аналитики данных делится руководитель по развитию бизнес-направления «N3.Аналитика» компании «Нетрика Медицина» (входит в N3.Group и ГК «Ташир МЕДИКА») Вячеслав Зюба.

Российский опыт data driven: все только начинается

Изучая мировую бизнес-практику, мы приходим к выводу, что в последнее время тренд на data-driven-подход чрезвычайно усиливается. На российском рынке в целом видна такая же картина, но с одной поправкой: полноценное движение к управлению на основе данных происходит в основном у крупных компаний, имеющих для этого достаточное количество ресурсов и большой объем накопленных данных. А представители среднего бизнеса, например, либо находятся на начальном этапе работы с аналитикой, просто наблюдая за какими-то своими показателями, либо вовсе обходятся без этого. В то же время есть отрасли, в которых управление данными является неотъемлемой частью бизнеса. Яркий пример — электронная коммерция.

На это, безусловно, повлияли фундаментальные изменения, произошедшие в стране за последние полтора года. После ужесточения санкций и ухода с российского рынка многих западных игроков импортозамещение началось и в сфере систем аналитики и визуализации данных, управления ими. Порог входа для внедрения таких систем возрос, что особенно сказалось именно на среднем и малом бизнесе.

На данный момент отечественных решений, которые могли бы полностью заменить Microsoft Power BI, Tableau или Qlik и при этом быть сравнимыми с ними по стоимости, пока нет. Кроме того, освоение российских систем предполагает не только покупку лицензий, но и переобучение или наем компетентного специалиста. К числу сдерживающих факторов стоит добавить и недостаточно высокую популярность облачных сервисов на российском рынке, из-за чего большинство проектов по управлению данными реализуются локально, на собственных серверах.
Тем не менее отношение компаний к информационным ресурсам постепенно меняется, и это неизбежный процесс. Данных у компаний накапливается так много, что использовать их просто необходимо. Разумеется, каждая компания, базируясь на неких общих принципах, применяет для анализа собственные метрики, исходя из специфики модели бизнеса. И даже представители одной отрасли могут совершенно по-разному подходить к анализу тех или иных данных, принятию соответствующих решений.

Грамотная работа с данными: этапы внедрения

Эффективность внедрения тех или иных инструментов работы с данными зависит от того, на каком этапе технологического и организационного развития находится компания. Основной принцип здесь — этапность. Если компания никогда раньше этим не занималась, не стоит сразу пытаться охватить все процессы, внедрять какие-то сложные модели. Иначе сами специалисты окажутся не готовы работать с этими системами и придется вкладывать дополнительные инвестиции в ускоренное обучение персонала или наем дорогостоящих специалистов на открытом рынке.

Этап 1 — собрать в одном определенном месте данные. Их нужно собирать в том виде, в каком они есть, таким образом, формировать свое «озеро данных».

Этап 2 — связать собранные данные. Это нужно сделать сначала по каким-то базовым критериям. Например, финансовые показатели сопоставлять с продажами, производство — с объемами заказов. Уже на этом этапе руководители получат возможность оценивать бизнес-результаты не в разрозненных Excel-отчетах, а собранными в единую картину. И уже на ее основе можно будет делать определенные выводы. Допустим, продажи выросли в энное количество раз, но при этом финансовые показатели увеличились только в два раза — такое положение дел можно объяснить тем, что, например, из-за подорожания расходных материалов увеличилась стоимость производства.

Этап 3 — сформировать структуру данных. Когда компания прошла цикл работы с простой аналитикой, с аналитическими дашбордами (витринами данных), определилась со своими задачами, ключевыми метриками, она может переходить к следующему этапу — формированию структуры данных, справочников, начинать контроль за качественным наполнением систем данными.
Имея правильно собранные и правильно хранимые данные, состыкованные между собой, компания уже может анализировать тот или иной показатель на протяжении всего жизненного цикла. Например, проследить движение товара с момента его производства до момента финальной покупки: в каком магазине покупатель его приобрел, за какую стоимость, по какой акции, какое количество бонусных баллов потратил.

Этап 4 — использовать нейросети. Следующим шагом может стать использование нейросетей для предикативной аналитики. Например, с их помощью компания может спрогнозировать, окажут ли влияние дополнительные затраты на создание и развитие программы лояльности на рост выручки. Или, если компания сменит производителя продукции, который делает менее качественный, но и более дешевый продукт, сохранится ли прирост выручки с учетом увеличения процента возврата. Практика работы крупных компаний говорит о том, что сейчас для них это действительно очень важно.

Преимущество data-driven-подхода в цифрах

В течение последних нескольких лет мы наблюдали множество успешных кейсов, касающихся систем управления данными. Например, у одной из компаний внедрение аналитики продаж позволило увеличить годовую выручку до 30%. Этот рост был достигнут простым корректированием продуктовой матрицы, отказом от определенных позиций и даже от определенных клиентов, которые времени и ресурсов затрачивали больше, чем приносили прибыли.

Другая торговая сеть благодаря внедрению аналитики, которая консолидирует данные маркетинговых акций, сопоставляя лидогенерацию с данными о продажах, смогла улучшить показатели конверсии интернет-магазина более чем на 20%, а выручку — более чем на 10%. Руководители просто начали понимать, какая из акций лучше работает и приносит результат.

В практике Нетрики Медицины тоже есть успешные кейсы с применением аналитики данных. Например, после запуска сервиса записи на прием к врачу через портал госуслуг (так называемого Инцидента 38) контролирующие органы сферы здравоохранения выявили, что на местах в регионах при оказании этой услуги возникают как организационные, так и технические трудности. За прошедший год мы разработали большое количество отчетов и обеспечили аналитику для выявления и устранения ошибок системы самозаписи в одиннадцати регионах России. В результате мы получили рост показателей по успешным записям на прием к врачу, в различных регионах он разный — от 20 до 50%.

В этом проекте мы разрабатывали систему аналитики для органов государственной власти, под их конкретные задачи. Нашим преимуществом оказалось умение собирать данные из большого числа разрозненных источников (таких источников несколько десятков: медицинские системы, государственные сервисы, реестры и регистры — целое множество разрезов данных от штатного расписания до продолжительности приема) и объединять их в большое «озеро данных». И даже в несколько таких «озер».
Этот проект является подтверждением того, что нужные результаты достигаются уже на первых двух этапах внедрения аналитики, а применение более сложных моделей, таких как предикативная аналитика или искусственный интеллект/нейросети, — это уже последующие шаги на пути в стремлении к идеальному результату.

Перспективы систем управления данными в России

Дальнейшее развитие data-driven-подхода потребует определенных усилий как от разработчиков аналитических систем, так и от бизнеса. Руководителям компаний необходимо осознать тот факт, что работа с данными — это постоянный, ресурсоемкий процесс, а информационная система — не «волшебная таблетка», а инструмент, которым нужно уметь пользоваться. Компаниям потребуется как экспертиза в области сбора, хранения, очистки и обогащения полученных данных, так и умение правильно интерпретировать результаты аналитики для того, чтобы принимать грамотные решения. Система не сможет выдать окончательный результат в формате «нужно увеличить штат менеджеров на двух человек, и это принесет 30% выручки». Опытный менеджер сам приходит к правильным заключениям, но всегда на основе качественного отчета.

С другой стороны, компании — разработчики аналитических систем должны развивать свои решения с учетом современных технологических трендов и потребностей клиентов. Например, система «N3.Аналитика» сегодня уже имеет конкурентоспособный функционал в области BI, аналитических дашбордов, визуализации, а также в области ETL-процедур, объединения данных. BI-платформа использует те же передовые технологии, что и ведущие универсальные разработчики: например, Apache Airflow для ETL или Apache Superset для визуализации.

Но потребности клиентов меняются, поэтому в начале 2023 года мы начали масштабную модернизацию продукта, превращение его из классической системы бизнес-аналитики в платформу управления данными. Мы ставим перед собой цель максимально упростить для клиента путь от получения данных до аналитики. Новая разработка принципиально расширит возможности работы с данными и построения отчетности для конечных пользователей. Собираемся двигаться в этом направлении в ближайшие 1—2 года. А решения и подходы, проверенные в сфере здравоохранения, масштабируем в другие направления: в логистику, управление транспортом, финансы, а в дальнейшем и в другие отрасли.

Опубликовано 4 декабря 2023 n3med.ru