Она основана на данных руководства по

Конспект DAMA DMBOK2 на русском языке

Глоссарий проекта и вебинар-обсуждение

Конспект каждой главы мы сопровождаем онлайн-дискуссией с экспертами по теме

Руководство данными (Data Governance, DG) – это деятельность по осуществлению руководящих и контрольных полномочий – планирования, мониторинг и обеспечение выполнения – в отношении управления информационными активами.

Решения относительно данных принимаются в любой организации вне зависимости от того, введена ли в ней формально определенная функция руководства данными

Содержание и ключевые направления программы руководства данными зависят от потребностей компании, но большинство включают следующие компоненты:

Драйверы развития руководства данными

Руководство данными никогда не должно быть самоцелью, польза применения практик руководства данными должна быть очевидна сотрудникам, и, как правило, включает разные аспекты.

Цели и принципы руководства данными

Цель Data Governance – создать в компании возможности для управления данными как активом. Руководство данными предоставляет принципы, политику, процессы, рамочную структуру, метрики и механизмы надзора для управления данными как активом для руководства деятельностью по управлению данными на всех уровнях.

Для этого программа Data Governance должна быть:
→ Устойчивой (т.е. постоянной работой, а не разовым проектом)
→ Встроенной в процессы
→ Измеримой

С начала 2000-х годов, The Data Governance Institute разрабатывает принципы, способные заложить прочный фундамент для руководства данными. В DAMA также отмечают, что успешная реализация программы Data Governance требует способности к изменениям.

Важные концепции и понятия

Датацентричная (data-centric) организация использует данные как актив и управляет ими на всех фазах жизненного цикла. Чтобы стать по-настоящему датацентричной, организация должна изменить способ трансформации стратегии в действия.

Общие рекомендации:
→ Данными следует управлять как корпоративным активом
→ Поощрение применения лучших практик управления данными в масштабе всей компании
→ Корпоративная стратегия работы с данными строго согласована с общей стратегией развития бизнеса
→ Процессы управления данными непрерывно совершенствуются

Данные перестают считаться побочным продуктом, а обеспечение высокого качества данных превращается в цель бизнес-процессов

Основные элементы организационной системы руководства данными

Типичные комитеты и другие органы руководства данными

Типы операционных моделей руководства данными

Распоряжение данными (data stewardship) — комплекс активностей, связанных с несением ответственности (и подотчетностью) за данные и процессы. Обеспечивающие эффективный контроль и использование информационных активов, и включающий задачи:
→ Создание и управление ключевыми метаданными
→ Документирование правил и стандартов
→ Управление проблемными вопросами в области качества данных
→ Текущая деятельность по руководству данными

Типы распорядителей данных (в зависимости от сложности организации и целей ее программы Data Governance), которые могут присутствовать:

Оценка информационного актива — это процесс достижения понимания и расчета экономической ценность данных для организации. Поскольку данные и бизнес-аналитика — абстрактные понятия, их трудно соотнести с экономическим эффектом, соответственно, ключом к определению их ценности является понимание того, как они используются и какие выгоды приносят.

Некоторые способы оценки:
→ Стоимость замены/восстановления
→ Рыночная стоимость
→ Выявленные возможности
→ Продажа данных
→ Стоимость рисков

Проводимые работы в области Data Governance

Определение задач и функций руководства данными: должна декомпозироваться бизнес-стратегия и на основе нее должны выделяться цели по управлению данными.

Оценка готовности: понимание статуса развития организации по ключевым аспектам (зрелость управления данными, способность к изменениям, готовность к сотрудничеству, согласованность с бизнесом)

Выявление возможностей/угроз и согласование с бизнесом: анализ качества данных, оценка сложившихся практик управления данными и т. д., на основе которых будут подготовлены требования к руководству данными

Про качество данных

Качество данных – одна из важнейших областей изучения на этапе выявления возможностей и угроз. Оценка качества данных помогает выявить бизнес-процессы, подверженные наибольшему риску при использовании в их реализации некачественных данных, а также определить финансовые и другие выгоды от DG инициатив.

Создание точек взаимодействия внутри организации: точки взаимодействия, посредством которых CDO оказывает влияние (закупки и контракты, бюджет и финансирование, нормативно-правовое соответствие, жизненный цикл разработки систем/среда разработки)

Разработка стратегии руководства данными: стратегия должна быть комплексной, итеративной, учитывать особенности организации и согласовываться с бизнес-стратегией. Обязательно включает:
→ Общие положения
→ Операционная рамочная структура и структура распределения ответственности
→ Дорожная карта внедрения
→ Операционный план

Определение операционной рамочной структуры руководства данными: включает такие аспекты как ценность данных для организации, бизнес-модель, культурные факторы, влияние регламентации

Выработка целей, принципов и политик: именно эти вещи переведут организацию в желаемое состояние, должны включать меры по распространению по всем целевым группам внутри организации, обеспечению выполнения и контроля

Поддержка проектов в области управления данными: четкое обоснование вклада проектов по руководству данными в минимизацию рисков и повышение эффективности работы, координация действий с проектным офисом и ИТ

Внедрение практики управления организационными изменениями: создание команды, которая будет отвечать за планирование изменений, обучение сотрудников, оказания влияния на разработку систем, внедрение политик, коммуникации

Про коммуникации

Коммуникации – жизненно важная составляющая процесса управления изменениями. Программа управления изменениями, обеспечивающая поддержку внедрения Data Governance, должна помогать в понимании ценности данных как актива, внедрять обучение в области управления данными, оценивать эффекты от управления изменениями.

Внедрение практики управления проблемными вопросами (issue management): процедуры выявления, оценки масштаба, приоритизации и разрешения спорных вопросов в сфере Data Governance (распределение полномочий, эскалация проблем управления изменениями, нормативно-справочное соответствие, качество данных и т. д.)

Внедрение руководства данными: планомерная работа, при которой на начальных этапах важны следующие направления:
→ Определение процедур data governance для достижения наиболее приоритетных целей
→ Выработка, согласование и ввод в действие бизнес-глоссария, документирование терминологии и стандартов
→ Согласование с корпоративной архитектурой и архитектурой данных для обеспечения лучшего понимания данных и систем
→ Финансовая оценка информационных ресурсов в целях оптимизации принятия решений и улучшения понимания роли данных в обеспечении успешной работы организации

Поддержка стандартов и процедур: разработка стандартов и процедур в областях знаний по управлению данными (архитектура данных, моделирование и проектирование, безопасность, хранение и операции с данными и т.д.)

Разработка бизнес-глоссария: необходим для единого общего понимания основных понятий и терминов, снижения риска неправильного использования данных из-за неверного понимания связанных с бизнесом понятий и концепций, повышения терминологической согласованности между  техническими и бизнес-подразделениями, максимизацию возможностей поиска и доступа к документированным знаниям организации

Встраивание руководства данными в процессы: внедрение в многообразный спектр процессов организации моделей поведения, связанных с управлением данными как активом

Инструменты и методы Data Governance

Ключевой инструмент Data Governance. Он содержит согласованные определения бизнес-терминов и связывает их с данными.

А также: инструменты для управления потоками работ (например, процессом внедрения новых политик в области данных), инструменты для управления документами, оценочная ведомость руководства данными

Чтобы избежать сопротивления и проблем, обусловленных продолжительной кривой обучения (learning curve), программа Data Governance должна предполагать оценку прогресса и успеха с помощью метрик, которые демонстрируют, каким образом участники программы добавляют бизнес-ценность и достигают поставленных целей с точки зрения ценности, эффективности и устойчивости.

Подписывайтесь на новые выпуски проекта

Получайте обновления конспекта DMBOK2 себе на почту по мере их публикации

Уровень сложности
Средний

Время на прочтение
7 мин

Количество просмотров 1.5K

• /

Предприниматели всегда формировали стратегию управления, опираясь на данные о расходах и доходах, но решения принимали, основываясь на интуицию, опыт, теорию или традиции. Такие решения в бизнесе всегда субъективны и зависят от личного мнения руководителя.

Но есть и другой подход, который основан на объективных статистических данных, метриках и их грамотной интерпретации. Он опирается на факты и с большей вероятностью принесет прибыль.

Содержание

1. Что это такое?
2. Концепция Data Driven
3. В чем достоинства
4. Где можно использовать
5. Data Driven в ecommerce
6. Насколько вы готовы к Data Driven
7. Как внедрить Data Driven
8. Как Data Driven работает в KISLOROD
9. Работа с данными — основа преимущества на рынке

Что это такое?

Data Driven (Дата Драйвен) — подход в управлении деятельностью, который во всех процессах опирается на данные, а не интуицию или личный опыт.

С английского термин переводится как «управляемый данными» и может относиться к любому процессу деятельности. В чем заключается Data Driven подход? Управление — это процесс принятия решений, а значит, все решения на пути достижения цели должны быть обоснованы данными.

Базируется на четырех принципах:

1. Решения принимаются на основе данных.
2. Чтобы доверять данным, они должны быть статистически значимыми и достоверными.
3. Данные необходимо анализировать и верно интерпретировать.
4. Работа с данными требует ресурсов: бюджетов, времени и внимания специалистов.

То есть любые решения, которые вы принимаете в процессе достижения цели, должны основываться на достоверных данных, которые проверены и проанализированы.

Концепция Data Driven

Подход Data Driven — это совокупность однородных методов. А метод — это способ достижения цели. Поэтому сначала определяются условия выбора, и только потом выстраивается стратегия.

То есть сначала определяется бизнес-цель, например, рост прибыли за год. А уже затем определяются стадии и ставятся промежуточные цели, выполнение которых определяется метриками — KPI.

Чтобы установить условия выбора, нужно определить:

1. Цель действий.
2. Решения, которые необходимо принять.
3. Количество необходимых данных.
4. Тип данных.
5. Источник данных.
6. Срок и частоту обновления данных.
7. Методы анализа и интерпретации.

В результате процессы, которые построены на анализе данных, становятся прозрачными, управляемыми и предсказуемыми.

В чем достоинства

Подход дает ощутимые преимущества, потому что стратегия, которая основана на данных, опирается на факты и достоверную информацию. Таким образом она помогает принимать объективные решения.

Большая уверенность в бизнес-решениях

Аналитика данных заменяет субъективные мнения объективными фактами и рациональным подходом. Это дает логическое и конкретное обоснование вашего выбора. Что позволяет оценить существующую производительность и разработать четкий путь к достижению целей.

Ясность в отношении возможностей бизнеса

Сбор и анализ данных упрощает процесс исследования рынка. Изменения рынка и новые тенденции выявляются быстрее, что дает преимущество перед конкурентами. Данные подскажут, как скорректировать маркетинговую кампанию.

Более точное прогнозирование

Анализ данных дает возможность находить новые идеи, что позволяет тестировать различные бизнес-стратегии. А результаты тестирования повышают точность прогнозов.

Повышенная гибкость и способность к масштабированию

Отделы, которые могут отслеживать KPI и результаты, получают возможность корректировать свой курс. Это упрощает непрерывные постепенные изменения. Что дает возможность быстро воплощать идеи и открывать новые направления.

Высокая операционная эффективность и экономия средств

Когда все данные учитываются, это повышает ответственность всех сотрудников за достижение конкретных целей и получение измеримых результатов. Высокая подотчетность приводит к экономии средств и повышению доходов.

Рост лояльности и вовлеченности сотрудников

Работа на основе данных — прозрачна и понятна коллективу. Все видят долгосрочные цели и этапы ее достижения, каждый понимает свой вклад и ответственность. У работников и менеджеров появляется чувство контроля.

Где можно использовать

Data Driven подход может быть применен везде, где можно получить и проанализировать статистические данные.

Самые популярные области применения Data Driven это:

1. Data Driven Decisions — принятие решений при управлении проектами.
2. Data Driven Management — управление процессами.
3. Data Driven Business — ведение бизнеса на основе данных, Big Data и систем Business Intelligence.
4. Data Driven Learning — обучение на основе данных, например, изучение иностранных языков.
5. Data Driven Design — проектирование дизайна на основе данных о поведении пользователей.
6. Data Driven Testing — тестирование программных продуктов, сайтов и приложений.
7. Data Driven Development — разработка программных продуктов.

Мы будем рассматривать применение Data Driven в электронной коммерции.

Data Driven в ecommerce

В электронной коммерции используют подход Data Driven Marketing, то есть маркетинг на основе данных.

Он дает более полное представление о том, кто ваши клиенты и чего они хотят. Также это процесс получения информации о поведении потребителей и выявления тенденций и паттернов, что позволяет корректировать маркетинговые усилия и повышать их эффективность.

• Правильно определить целевую аудиторию.
• Создать портрет потребителя с помощью данных, а не догадок.
• Верно таргетировать предложение и маркетинговые сообщения.
• Повысить эффективность рекламных кампаний.
• Прогнозировать поведение пользователей на основе паттернов.
• Повысить средний доход на пользователя ARPU и пожизненную ценность клиента.
• Оперативно реагировать на изменения рынка.

Опора на данные в маркетинге имеет следующие цели:

1. Повышение эффективности.
2. Привлечение новых клиентов.
3. Удержание постоянных клиентов и мотивация к повторным покупкам.
4. Персонализированный подход к коммуникациям с посетителями.
5. Понимание поведения и потребностей пользователей с помощью анализа данных.

Для достижения целей собирают два типа данных:

1. Количественные, которые рассказывают, что и в каком объеме происходит на сайте.
2. Качественные, которые рассказывают контекст и историю, и помогают понять, почему пользователи ведут себя определенным образом.

Анализ этих данных дает возможность определить сценарии поведения пользователей, пути клиента и найти препятствия при прохождении воронки продаж.

Маркетинг на основе данных — это итеративный процесс, то есть циклы постоянно повторяются. Он может быть применен как для привлечении трафика, так и для повышения конверсий, продаж и прибыльности интернет-магазинов.

Насколько вы готовы к Data Driven

Прежде чем внедрять подход, нужно определить на каком уровне находится ваша компания — для этого можно использовать готовые модели.

Data Driven Model — это модель для определения аналитической зрелости компании от Gartner.

Всего выделяют 5 уровней работы с данными.

1. Базовый — начало работы с данными

• Ручной сбор данных.
• Связанность данных низкая или отсутствует.
• Теряется больше 50% данных.
• Низкая культура работы с данными.
• Работает небольшая команда.

2. Приспособленческий — данные используются часто

• Полуавтоматический сбор данных.
• Данные из разных систем не связаны.
• С данными работают руководство и отдельные команды.
• Тактические решения принимаются на основе данных.

3. Систематический — решения принимаются на основе данных

• Сбор данных определен стратегией.
• Автоматический сбор данных и отчетов.
• Внедрены системы работы с данными.
• Собирается от 50 до 80% всех данных.
• Добавляются сторонние источники данных.

4. Дифференцирующийся — быстрый рост, благодаря данным

• Выделенная команда аналитиков данных.
• Стратегические решения принимаются на основе данных.
• Данные служат источником идей для развития маркетинга.
• ROI рассчитывается на основе данных.

5. Трансформирующий — бизнес, завязанный на работе с данными

• Сильная культура работы с данными.
• Инвестиции основаны на данных.
• Данные — центральная часть стратегии.
• Все решения основаны на данных.
• Все данные компании связаны между собой и составляют единую базу.

Как внедрить Data Driven

Чтобы внедрить Data Driven подход в вашу организацию, нужно:

1. Определить источники данных.
2. Убедиться в точности, актуальности и чистоте данных.
3. Собрать все источники на единой платформе.
4. Создать инфраструктуру для хранения — базы данных.
5. Найти специалистов по аналитике и работе с данными.
6. Собрать данные из источников.
7. Проанализировать их, выдвинуть гипотезы.
8. Проверить гипотезы на практике и получить выводы.

Что важно понимать

1. Это не просто сбор, как можно большего количества разных данных.

Необходимы данные, которые помогут понять поведение пользователей, чтобы затем улучшить продукт или развить проект.

2. Чтобы получить статистически значимый результат, необходимы достаточные объемы данных.

Важны сроки и объемы сбора данных, иначе результат нельзя считать статистически достоверным.

3. Важно не переборщить с подходом, основанным на данных.

Данные — это не самоцель. Цель — понять пользователя и улучшить его опыт, чтобы достичь бизнес-целей.

1. Недостаточно просто собирать данные, их необходимо обрабатывать, хранить, интерпретировать, а затем выдвигать и проверять гипотезы.
2. Необходима инфраструктура, нужны системы веб-аналитики, учета ресурсов и сквозной аналитики, CRM.
3. Нужны опытные специалисты, которые умеют правильно интерпретировать данные и тестировать гипотезы.
4. Необходимо определенное время, чтобы получить значимые результаты.
5. Нужна культура работы с данными, то есть привычка принимать решения только на основе данных, а не наугад.

Если у вас нет квалифицированной команды и опыта — вы рискуете потратить много времени и ресурсов, но добиться слабых результатов. Альтернатива — отдать работу с данными на аутсорс, тем, кто уже имеет опыт и наработанные методики.

Работа со специалистами на аутсорсе

Выберите правильного партнера

Убедитесь, что агентство активно использует данные и работает с ними на стратегическом уровне. Партнер должен обладать реальным опытом извлечения и проверки данных, тестирования гипотез и внедрения.

Используйте MVP

Минимально жизнеспособный продукт — это то, что позволит найти лучший вариант на практике с помощью тестирования, но без крупных затрат. Агентства, которые работают на основе данных, постоянно тестируют свои гипотезы, а значит, с большей долей вероятности предположат выигрышное решение.

Объедините количественные и качественные данные

Работа с данными — это не просто поиск и визуализация красивых цифр. Любая гипотеза должна опираться как минимум на 2 источника данных и также должна быть подтверждена 2 типами данных. То есть цифры должны быть подтверждены контекстом и историей.

Только такой подход позволяет понять поведение пользователей и улучшить их опыт, что повысит их лояльность и как результат повысит конверсии, лояльность и повторные покупки.

Как Data Driven работает в KISLOROD

Наше агентство — пример Data Driven компании. Мы опираемся на данные во всех рабочих процессах, внедряем и развиваем культуру работы с данными среди сотрудников.

Любая работа с данными строится как петля улучшений, то есть повторяется итерациями:

1. Сбор данных.
2. Поиск идей и выдвижение гипотез.
3. Отбор гипотез.
4. Исследования и тестирование гипотез.
5. Анализ результатов.

Затем процесс запускается заново. Так мы работаем последовательно и рационально, а все свои действия планируем и можем прогнозировать результаты с высокой долей вероятности.

Кроме того, мы ведем собственную базу знаний, где аккумулируем отраслевой опыт, что повышает точность прогнозов. Это существенно экономит бюджеты заказчика и наше время и нервы, как подрядчика.

Аудит интернет-магазинов

При проведении аудитов мы собираем данные об ошибках на сайте и даем рекомендации по их устранению.

В рамках этой услуги производится два вида аудитов:

1. Юзабилити-аудит. Позволяет найти, а затем устранить проблемы в использовании сайта, определить причины низкой конверсии и плохих показателей поведенческих факторов.

2. Технический аудит. Выявляет проблемы как в коде и в верстке, причины низкой производительности и нагрузки на сервер.

В нашей практике есть хороший пример, когда технический аудит позволил заказчику сэкономить значительные средства — ему не пришлось создавать новый интернет-магазин. Вместо этого мы провели нагрузочное тестирование, а затем оптимизировали программный код так, чтобы ресурс выдерживал нагрузку до 60 тысяч посетителей в день.

Таким образом данные становятся основой для доработок, что позволяет принимать осознанные рациональные решения. Мы также используем собственный многолетний опыт разработки на «1С-Битрикс» и в e-commerce проектах.

Продуктовая аналитика

Это анализ данных по всей воронке продаж интернет-магазинов. С помощью аналитики мы находим новые точки роста и возможности для доработок.

1. Рост конверсии. Собираем данные, выдвигаем и проверяем гипотезы, чтобы увеличить конверсию за счет доработок.

2. Юзабилити-тестирование. Проводим A/Б-тесты и юзабилити-тестирование на фокус-группах, чтобы улучшить опыт пользователя.

3. Конкурентный анализ. Собираем данные об игроках в нише: трафик, аудиторию, сильные и слабые стороны. Даем рекомендации, как отстроиться от конкурентов и выгодно от них отличаться.

Еще один пример — системная работа над оптимизацией конверсии, CRO. Она объединяет различные методы сбора данных, поиска и проверки гипотез для улучшения пользовательского опыта. Цель — повышение среднего чека и количества транзакций без привлечения дополнительного трафика.

Data Driven Design

В разработке при проектировании UX и UI дизайна мы используем Data Driven Design.

Data-Driven Design — это проектирование продукта на основе данных: исследований, тестов и проверки гипотез.

В традиционном подходе дизайн создается на основе догадок, опыта и интуиции дизайнера. Мы же разрабатывая проекты, руководствуемся своим опытом, лучшими практиками на рынке от Baymard Institute и Nielsen Norman Group, а также анализом данных и результатами исследований. При этом мы не отрицаем опыт и интуицию, но исключаем вкусовщину и действия наугад.

Кейс из практики

Работали с интернет-магазином детской одежды, но проект находится под NDA, поэтому покажем только прототипы вариации первого экрана.

Провели CustDev, изучили отзывы бренда на маркетплейсе — так выяснили, на какие детали обращает внимание ЦА, когда выбирает одежду в этой категории. По результатам анализа полностью переработали блок со слайдером изображений.

1. Отказались от слайдера на десктопе — изображения выводятся сразу друг под другом.
2. На мобильных слайдер остался, но изменилась механика.
3. Значительно увеличили размер изображения.
4. Внедрили элементы инфографики с УТП.

Оптимизировали коммерческий блок, собрав все важные элементы, которые влияют на принятие решения, на первом экране, поскольку большая часть посетителей видят именно его.

• собрали выбор ростовки в селект;
• на смартфонах блок с выбором ростовки расположили в ряд;
• вытащили из табов и переместили вверх информацию о доставке и оплате;
• внедрили фиксацию коммерческого блока, пока пользователь не прокрутит все изображения;
• добавили возможность покупателям делиться своими фотографиями в отзывах.

Если приглядеться, то можно найти ещё отличия

• рост дохода на пользователя (ARPU) на 37,28%;
• коэффициента транзакций на 36,21%;
• дохода на 24,59%.

Больше о том, как мы работаем с UX-дизайном, можно прочитать в нашем блоге — статьи про UX и UI.

Работа с данными — основа преимущества на рынке

Data Driven подход не отрицает интуиции или личного мнения, он означает, что все основные усилия в работе должны определяться фактическими данными, то есть реальностью.

Концепция подойдет не только большим компаниям. Развитие современных технологий позволяет использовать подход в организациях любого размера.

Есть желание внедрить Data Driven подход в вашу электронную коммерцию? Обращайтесь в KISLOROD.

Спасибо, что дочитали до конца.

Если информация была полезна, поделитесь статьёй. Вам не сложно, нам приятно

Рекомендованные статьи

Отправьте заявку на юзабилити-аудит прямо сейчас!

Мы найдём точки роста конверсии и выявим барьеры, которыми сталкиваются пользователи

Чтобы эффективно использовать данные, профессионалы должны достичь следующего:

Знай свою миссию

Всесторонний аналитик данных хорошо знает бизнес и обладает острой организационной хваткой. Спросите себя, какие проблемы существуют в вашей отрасли и на конкурентном рынке. Определите и поймите их полностью. Приобретение этих основополагающих знаний поможет вам сделать более точные выводы в будущем.

Прежде чем вы начнете собирать данные, вы должны начать с определения бизнес-вопросов, на которые вы хотите ответить для достижения своих организационных целей. Определив точные вопросы, которые вам необходимо знать для обоснования своей стратегии, вы сможете упростить процесс сбора данных и избежать напрасной траты ресурсов.

Определите источники данных

Соберите источники, из которых вы будете извлекать свои данные. Вы можете координировать информацию из разных баз данных, веб-форм обратной связи и даже из социальных сетей.

Координация ваших различных источников кажется простой, но поиск общих переменных в каждом наборе данных может представлять собой чрезвычайно сложную проблему. Может быть легко согласиться на непосредственную цель использования данных только для вашей текущей цели, но разумно определить, могут ли эти данные также использоваться для дополнительных проектов в будущем. Если это так, вы должны стремиться разработать стратегию представления данных таким образом, чтобы они были доступны и в других сценариях.

Очистить и систематизировать данные

Удивительно, но 80 процентов времени аналитика данных посвящено очистке и организации данных, и только 20 процентов тратится на выполнение анализа. Это так называемое «правило 80/20» иллюстрирует важность наличия чистой, упорядоченной информации, прежде чем вы сможете попытаться понять, что это может означать для вашей организации.

Термин «очистка данных» относится к процессу подготовки необработанных данных для анализа путем удаления или исправления неверных, неполных или неактуальных данных. Для этого начните с создания таблиц, чтобы упорядочить и каталогизировать то, что вы нашли. Создайте словарь данных – таблицу, которая каталогизирует каждую из ваших переменных и переводит их в то, что они значат для вас в контексте этого конкретного проекта. Эта информация может также включать тип данных и другие факторы обработки.

Выполнить статистический анализ

После тщательной очистки данных вы можете приступить к анализу информации с использованием статистических моделей. На этом этапе вы начнете создавать модели для проверки ваших данных и ответа на бизнес-вопросы, которые вы определили ранее. Тестирование различных моделей, таких как линейные регрессии, деревья решений, моделирование случайных лесов и другие, может помочь вам определить, какой метод лучше всего подходит для вашего набора данных.

Здесь вам также необходимо решить, как представить информацию, чтобы ответить на поставленный вопрос. Есть три способа продемонстрировать свои выводы:

• Описательная информация : только факты.
• Инференциальная информация : факты плюс толкование того, что эти факты указывают в контексте конкретного проекта.
• Предсказательная информация : вывод, основанный на фактах и ​​советах для дальнейших действий, основанных на ваших аргументах.

Уточнение того, как информация будет представлена ​​наиболее эффективно, поможет вам оставаться организованным, когда придет время для интерпретации данных.

Сделайте выводы

Последний шаг в принятии решений на основе данных подходит к концу. Спросите себя: «Какую новую информацию вы узнали из сбора статистики?» Несмотря на необходимость открыть что-то совершенно новое, для начала стоит задать себе вопросы, на которые вы уже знаете – или думаете, что знаете – ответ.

Многие компании часто делают предположения о своей продукции или рынке. Например, они могут поверить: «Рынок для этого продукта существует» или «Это то, чего хотят наши клиенты». Но прежде чем искать новую информацию, сначала проверьте существующие предположения. Доказательство этих предположений даст вам основание для работы. Кроме того, опровержение этих предположений позволит вам устранить любые ложные утверждения, которые, возможно, по незнанию, негативно влияют на вашу компанию. Имейте в виду, что исключительное решение, основанное на данных, обычно вызывает больше вопросов, чем ответов.

Выводы, сделанные из вашего анализа, в конечном итоге помогут вашей организации принимать более обоснованные решения и продвигать стратегию вперед. Важно помнить, однако, что эти результаты могут быть практически бесполезными, если они не представлены эффективно. Таким образом, аналитики данных должны стать опытными в искусстве повествования историй данных, чтобы максимально эффективно сообщать свои выводы ключевым заинтересованным сторонам.

Решения на основе данных и организационный успех

Кстати, большинство шагов, перечисленных выше, не генерируют статистику. Большинство из этих шагов по эффективному использованию данных вместо этого побуждают начинающих аналитиков данных становиться более разносторонними в своей роли. Этот процесс помогает профессионалам обрести способность не только анализировать, но и понимать данные с точки зрения целостности, а также получать информацию на основе этих данных.

Джоэл Шварц , не являющийся преподавателем Northeastern, добавляет, что стоит спросить: «Кто не использует принятие решений на основе данных в моей отрасли?» потому что самые успешные компании почти всегда. Он продолжает:

Рассмотрим Netflix, например. Компания начинала как почтовый DVD-совместный бизнес и, основываясь на решении, основанном на данных, переросла в потоковую передачу через Интернет, став сегодня одной из самых успешных компаний. Без данных у Netflix не было бы оснований для принятия столь масштабного и действенного решения. Более того, без этого решения компания не процветала бы такими темпами или в том же направлении.

Amazon является еще одним ярким примером. То, что начиналось как книжный онлайн-магазин, превратилось в огромный онлайн-центр практически для любого продукта, который может понадобиться человеку. Что заставило их принять такие колоссальные решения? Данные. Неудивительно, что такие серьезные (и успешные) шаги по ребрендингу были сделаны на основе сбора данных и сделанных в результате выводов.

Без подхода, основанного на данных, к принятию решений, Netflix по-прежнему отправлял бы вам по почте устаревший режим содержания фильмов, а Amazon был бы простым онлайн-книжным магазином. Суть в том, что этот подход, основанный на данных, выводит из строя все остальные методы. Мир становится управляемым данными, и не принимать решения, основанные на данных, было бы глупо.

Освоение принятия решений на основе данных

Принятие решений на основе данных – это важный процесс, который должен понять любой профессионал, и он особенно ценен для тех, кто выполняет функции, ориентированные на данные. Для начинающих аналитиков данных, которые хотят принимать более активное участие в процессе принятия решений в своей организации, важно ознакомиться с тем, что значит быть управляемым данными.

Если вы хотите сделать следующий шаг в своей карьере аналитика данных, подумайте о том, чтобы получить ученую степень, например степень магистра профессиональных исследований Северо-Восточного университета в области аналитики . Эта программа готовит студентов к конкурентному рынку труда, предоставляя им необходимые навыки анализа данных, необходимые для извлечения, разработки и предоставления информации для принятия стратегических решений в организациях.

Руководство на основе данных

В компании, где реализуются принципы управления на основе данных, должна быть сильная вертикаль власти, поддерживающая эти принципы. Руководство должно стимулировать и продвигать соответствующую корпоративную культуру и активно поддерживать все аспекты аналитической цепочки ценности — от сбора данных до принятия решения на их основе и обучения. Руководство должно продвигать методы работы на основе данных.

Руководитель, реализующий принципы управления на основе данных,ориентируется на несколько групп.

• Во-первых, он должен поддерживать специалистов аналитического отдела. Руководителю следует обеспечить им инструменты и обучение в случае необходимости. Руководитель определяет организационную структуру, меняя ее соответствующим образом по мере роста и развития компании. Кроме того, он должен показать четкуюкарьерную лестницу и стимулы для специалистов аналитического отдела, чтобы повысить их продуктивность и личную удовлетворенность.
• Во-вторых, руководитель должен добиться, чтобы его поддерживали все остальные сотрудники, особенно когда речь идет о коммерческом предприятии. Он должен быть уверен в правильности выбранного им подхода на основе данных. Чтобы заручиться этой поддержкой, руководитель должен демонстрировать результаты, пусть сначала даже небольшие. Благодаря этому у руководителя повысятся шансы на продвижение корпоративной культуры на основе данных, которую будут поддерживать все подразделения компании.
• Наконец, руководителя должны поддерживать остальные топ-менеджеры компании. Они отвечают за бюджеты на развитие нужной ИТ-инфра структуры и обучение, а также играют основную роль в стимулировании корпоративной культуры на основе данных в своих подразделениях.

Области знаний по управлению данными

Пример архитектуры данных

Операционный уровень управления данными

Знание и понимание своих данных

• Каталогизация данных, понятный глоссарий данных
• Прозрачная методика формирования показателей
• Понимание взаимосвязи данных
• Понимание технического процесса формирования показателей

Использованные материалы

• https://datatalks.rt.ru/wp-content/uploads/lekcia-1-1.pdf
• https://datatalks.rt.ru/wp-content/uploads/lekcia-1-2.pdf
• https://www.uplab.ru/blog/data-driven/

0
0
голосов

Рейтинг статьи

• →
• →

Управление компанией на основе данных еще недавно казалось прерогативой международных гигантов. Сегодня же организации всех масштабов используют Big data для прогнозирования и оперативных корректировок. Это серьезно снижает риски бизнеса и помогает перейти от решений на основе оценок и опыта руководства к Data-Driven Decisions Making.

остается популярной даже в XXI веке. Это аббревиатура от highest paid person’s opinion, то есть «мнение самого высокооплачиваемого сотрудника». Полная противоположность подхода, в котором каждое действие обосновано объективными данными.

Чтобы эффективно использовать собранные показатели, необходимо выстроить внутри организации их сбор, обработку и хранение. Кроме того, важно научиться превращать их в понятную для пользователя информацию, которая помогает принимать решения. В этой статье рассмотрим, как применять методику в бизнесе и избежать при этом «подводных камней».

В чем заключается подход Data-Driven

В основе принципа — объективность и значимость собранных данных. Именно от них зависят как оперативные, так и стратегические действия руководства.

Такой подход нельзя назвать революционным: руководители и раньше принимали решения с учетом статистики доходов и расходов. Однако определяющее значение имело мнение человека, основанное на интуиции и опыте.

Например, компания собирается запустить свое приложение. Можно сделать дизайн и интерфейс исходя из представлений руководителя «о прекрасном». А можно провести предварительные исследования, «обкатать» прототип, оценить приложения конкурентов, прежде чем запускать собственное в разработку. Второй вариант потребует больше ресурсов, но именно он с большей вероятностью позволит создать качественный продукт.

Data-Driven подход — это управление на основе данных. Во главе угла стоит информация, ее обработка и подача. Если материалов достаточно, а процесс анализа проведен без нарушений, руководитель получит представление о том, как развивать бизнес.

Система контроля для малого и среднего бизнеса. За месяц

Принципы подхода

Перед тем как внедрять эту методику, важно рассчитать возможности. Без предварительной оценки затрат и перспектив попытка интегрировать работу на основе данных в текущие процессы может только навредить. Для начала рассмотрим три принципа, на которых базируется Дата-Драйвен.

1. Инвестиции. Хранение и обработка данных требуют вычислительных мощностей, а также участия профессионалов.

2. Ресурсы. Полученные данные предстоит обработать и правильно интерпретировать. Превращение цифр в понятную информацию — дело специалистов. Задача руководства состоит в том, чтобы сформировать команду, которая поможет делать выводы на основе данных.

3. Ответственность за принятые решения. Обработка собранных сведений позволяет минимизировать ошибочные действия, но всегда есть вероятность столкнуться с «черным лебедем» (неучтенными рисками).

Применение Data-Driven в компании позволяет решать проблемы в менеджменте, маркетинге и других сферах бизнес-деятельности. Давайте посмотрим, как устроен процесс принятия решений на основе данных.

Пример подхода на практике

Допустим, с рынка общественного питания ушел крупный сетевой игрок. Мы — представители небольшой столичной сети, которая в новых условиях имеет все перспективы для роста.

Первая задача, которая встает перед нами — выбор места для открытия точки. В парадигме HiPPO мы бы опирались только на оценку экспертов и интуицию руководителя. Новый метод заставит поступить по-другому:

● изучить поисковые запросы о местах питания на определенной территории;
● получить информацию о геолокации с мобильных устройств, их концентрации в разных местах.

Затем аналитики приступают к интерпретации собранных сведений. Сотрудники изучают и структурируют полученную информацию, преобразуют в понятные графики и блок-схемы. Имея обработанную статистику, руководитель может принять нужные меры.

Применительно к нашему кейсу, место для точки мы выбираем, исходя из объективных факторов и ожиданий потребителей, необходимости кафе в данном месте.

BI-аналитика и хранилище данных «‎под ключ»

Четыре парадокса на пути к Data-Driven культуре

Сотрудников, работающих с данными и отчетами, можно разделить на 3 группы: аналитики, визуалы и технари. У них разные роли, задачи, требования к данным, их обработке и результатам. Все они вместе делают одно дело, используя различные подходы. Здесь и возникают парадоксы их отношения к своей работе.

• Аналитики

  Это финансисты, экономисты, маркетологи, которые ищут ответы на конкретные вопросы. Для этого они проводят исследования, собирают информацию, делают выводы. Их задача — проанализировать, выявить причинно-следственные связи, изучить влияние различных факторов на бизнес-процессы. Например, Data-Driven подход работает, когда экономист проводит внутренний аудит, чтобы выяснить, что повлияло на рост себестоимости.

• Технари

  Это разработчики баз данных, математики, специалисты по Data Science. Они выводят алгоритмы обработки информации, проектируют хранилища, автоматизируют отчеты. Для них важно, как работает система, что на нее влияет, как сделать процесс безошибочным и бесперебойным – создать идеальный алгоритм.

• Визуалы

  Эти сотрудники изготавливают конечный продукт, умеют превратить таблицы в наглядные диаграммы и слайды или даже дашборд. Чаще всего они занимают должность менеджера, который понимает, что нужно бизнесу, и ставит задачи дизайнеру и разработчику. Аналитик тоже может быть в роли визуализатора, мыслить категориями юзабилити и иметь чувство прекрасного.

Каждый из представителей этих групп считает самой важной именно свою часть работы. Аналитики – процесс поиска ответов на вопросы, визуалы – красоту и доступность изложения, технари – модели и алгоритмы. Все это является элементами Data-Driven culture. И в результате возникают парадоксы, неочевидные для конечного заказчика.

Аналитикам не нужна визуализация

Их идеальные инструменты – сводные таблицы Excel, OLAP-куб или витрина данных, к которым можно подключиться через Qlik или Power BI. Для них результат лежит на пересечении нескольких таблиц или массивов. Им там комфортно, понятно и удобно. Не зря же они всё разложили по полочкам, а точнее – по ячейкам. Но без переработки в более простой формат эта информация неприменима для бизнеса.

Диаграммы или слайды презентаций аналитикам неинтересны. Для них это лишь «красивые картинки», которые бесполезны без погружения в контекст. Ведь в таблицы всегда можно углубиться и докопаться до сути. Они понимают ценность дашбордов, но создают их сложными, со множеством закладок, где фильтры занимают половину экрана.

Визуалов не волнует качество данных

Под этой группой специалистов я подразумеваю аналитиков с развитым визуальным мышлением, а не дизайнеров. Они придают форму результатам анализа и стремятся в этом к гармонии и эстетике. А потому и качество данных уходит на второй план. Для них важна подача информации, в то время как в основе технологии Data-Driven — «чистота» и достоверность сведений.

Визуал может пропустить важные детали, на которые аналитик-исследователь точно бы обратил внимание. Например, на этой диаграмме факторного анализа некорректно выбраны цвета:

Традиционно факторы, приносящие минус, отображаются красным, а прирост – зеленым. Но здесь мы анализируем причины перерасхода фонда оплаты труда, и снижение, экономия – это хорошо, а увеличение расходов надо, наоборот, отображать красным. Но визуал не обратил внимания на контекст, потому что диаграмма сама по себе выглядит стройно и логично.

Программистам не важен бизнес-результат

Data-Scientist, Machine-Learner – звучит круто, но по сути, это профессия математика, который работает с алгоритмами. Для него важна техническая сторона, характер взаимосвязи, описываемый системой машинного обучения, а вот что с этой информацией делать дальше – не его забота. Вам построят модель профессиональных компетенций идеального сотрудника, но не подскажут, как его найти и как им управлять.

Я не критикую разработчиков за то, что они заботятся о целостности структуры базы данных, а не о том, как повысить лояльность потребителей. Скорее, говорю о том, что наивно ждать от них готовых решений по развитию бизнеса. Для эффективной интеграции Data-Driven Model нужна связка между программистами, аналитиками и визуалами.

Визуализация этого специалиста тоже мало интересует, если это не схема связей в базе данных. И за качество собранных сведений он не отвечает. Его зона ответственности – это стабильная работа, производительность системы, отсутствие ошибок. Хотя это тоже очень важно.

Бизнесу нужен текст

Я говорил о трех ролях, но есть и еще один участник процесса – это заказчик, руководитель, который принимает решения. Самое удивительное, что ему не важны визуализация, глубина аналитического исследования или работоспособность алгоритма.

Бизнесу нужны выводы: четко сформулированные варианты решений или стратегий, а также прогнозы – к чему они могут привести. В идеале – конкретный, понятный текст из простых предложений, без деепричастных оборотов: какие цены обеспечат максимальный объем продаж, почему инвестиции именно в этот проект окупятся.

Модель Data-Driven требует большого внимания. Если руководителю предоставить стандартную аналитическую записку, он будет недоволен. Ему нужен и текст, и визуализация, и выводы, причем на одном экране. Я стал все чаще наблюдать дашборды, в которых есть блок с текстовыми выводами, и даже надстройки к BI-системам, которые автоматически генерируют текст из дашборда.

Сначала я считал такое требование блажью, но теперь признаю, что это дополнительный этап контроля достоверности, осмысления аналитиком выводов. Тут речь идет не о ручном рутинном копировании данных из таблицы на график, а об осмыслении причин отклонений от планов, подготовке к совещанию.

Как начать работать на основе данных

Многие считают, что Data-Driven Approach – это дорого. Действительно, нужно привлечь или обучить специалистов, установить программное обеспечение, выстроить внутри компании алгоритм работы.
При внедрении подхода можно ориентироваться на этот чек-лист.

1. Создайте техническую базу. Чтобы работать с данными, нужно иметь структуру: источники, системы хранения и обработки. Источниками данных могут быть сайт компании, CRM, рекламные аккаунты на разных платформах, приложения.

2. Наймите специалистов. Нужны айтишники, маркетологи и аналитики, которые имеют навыки в области сбора и анализа данных.

3. Структурируйте информацию. Например, используйте BI-систему для объединения данных из разных учетных систем — это поможет получить сводную аналитику по всем бизнес-процессам на одном интерактивном дашборде.

4. Принимайте решения. Теперь в ваших руках есть огромный информационный ресурс, на котором можно (и нужно) основываться, выстраивая стратегию продвижения бизнеса.

Data-Driven организации более эффективно реагируют на изменения в поведении потребителей, экономических процессах. Потому что выводы делаются на базе статистики. Принимая решения на основе данных, вы точно знаете ответы на ключевые вопросы.

● Какой продукт нужен клиенту. Вы видите, какие товары и услуги более привлекательны, а какие проседают.

● Как он хочет его приобрести. Оформить покупку на сайте, приехать и забрать самостоятельно, заказать по телефону и получить в ближайшие часы либо к определенной дате и времени.

● Какие рекламные площадки дают лучший эффект. Стоит ли продолжать использовать таргетинг или нужно вложиться в печатные источники, радио или региональное телевидение.

● Где вы теряете деньги. Какая из стадий бизнес-процесса дает наименьший эффект при больших затратах.

● Как увеличить доходность. Данные позволяют предположить, какие позиции в каталоге компании можно расширить, дополнить новыми продуктами.

Составление плана

Чтобы процесс перехода от «интуитивного управления» к ориентиру на объективные данные прошел успешно, составьте дорожную карту внедрения методики в компанию. Планомерное продвижение в рамках намеченной стратегии гарантирует, что Data-Driven аналитика лаконично впишется в бизнес-модель.

Для этого можно пользоваться следующим алгоритмом.

1. Найти целевую аудиторию. Кто наш клиент? Его пол, возраст, уровень образования, профессия, образ жизни и интересы имеют значение при формировании стратегии.

2. Определиться с целями. Что мы хотим получить? Увеличить продажи, повысить качество и узнаваемость бренда. От понимания конечной цели зависит результат работы.

3. Собрать информацию. На чем будем основываться? Важно помнить о таких параметрах, как актуальность и точность статистики. Если не соблюсти эти условия, велик риск, что управленческое действие будет ошибочным.

4. Провести Data-Driven анализ. Что нам известно? Табличные показатели лучше перевести в понятные дашборды, схемы и тезисы. Переработать данные в рабочий материал, пригодный для использования в бизнесе и маркетинге.

5. Принять решение. Что нужно сделать для положительных изменений? Чем качественнее проведены операции на предыдущих этапах, тем легче будет сделать выбор.

6. Оценить результат. Какой эффект мы получили? Фидбэк – это новости, которые отражают положительную или отрицательную динамику, либо ее отсутствие. С помощью обратной связи можно скорректировать курс.

Этапы принятия Data-Driven решений универсальны. Но есть некоторые отличия в части использованного ПО и способов обработки информации.

Инструменты для бизнес-аналитики

Работа с данными требует специального инструментария. Это разного рода программы, которые понадобятся для обработки, разбора или визуализации. Каждый продукт имеет свои достоинства и недостатки. Целесообразность его использования зависит от навыков сотрудника, экономических факторов и удобства конкретного ПО.

После того как вы усвоили последовательность действий в Data-Driven, рассмотрим основные программы. Они представлены в таблице.

Получите решение задач за 1 час

Визуализация данных

Это один из этапов обработки информации, ее превращение в удобный, читаемый вид. Самые простые примеры —

на дашбордах в Excel

, где цифры из ячеек таблицы представлены в виде диаграмм и графиков.
Но как принимать Data-Driven решения на «больших данных», если их могут понять только технари? Для этого используются BI-системы — инструменты для анализа и визуализации.

При графическом отображении данных определяющую роль имеют два фактора:

● доступность: материал должен быть понятен своей аудитории — руководителям или заказчикам;
● структура: информацию нужно подавать последовательно и компактно, чтобы пользователь получал ответы на свои вопросы максимально быстро;
● аккуратность: неряшливость на панели мониторинга снижает доверие к данным и заинтересованность пользователя.

Обучение на реальных бизнес-задачах

Инструментов визуализации много. При выборе стоит руководствоваться и масштабом компании, и объемом данных, и навыками бизнес-пользователей. Перечислю лишь несколько, по ссылкам в названиях — статьи с инструкциями по созданию дашбордов.

●

Excel

.
●

Data Studio

.
●

Power BI

.
●

Tableau

.

Вот так выглядит панель мониторинга, созданная в BI-платформе Power BI. Дашборд интерактивен: нажимайте на показатели и смотрите, как сортируются данные в режиме реального времени.

Метрики в Data-Driven

Первое что нужно сказать: их много, и каждая отражает успешность определенного бизнес-процесса или задачи. Все зависит как от направления деятельности, так и от целей конкретной компании. На основе этой информации формируются ключевые показатели эффективности (KPI).

В качестве примера рассмотрим основные маркетинговые метрики:

1. Окупаемость инвестиций (ROI). Этот коэффициент показывает, насколько бизнес убыточен или доходен, учитывая вложенные в него средства. Например, мы запустили рекламную компанию через email-рассылку (инвестиция) и получили с нее определенное количество клиентов (доход). Если коэффициент ROI высокий, значит, реклама окупилась, если низкий — нужно пересмотреть стратегию.

2. Стоимость привлечения клиента (CAC). Эта метрика показывает, сколько в среднем тратит компания на +1 в своей базе покупателей.

3. Пожизненная ценность клиента (LTV). Это совокупность прибыли от одного потребителя за все время работы с ним. Если показатель ниже, чем САС, значит, затраты на привлечение выше дохода.

4. Коэффициент оттока (Churn Rate). Данная метрика показывает, какое количество клиентов прекратило сотрудничество с компанией.

5. Показатель конверсии (Conversion Rate). Это соотношение общего числа посетителей сайта к пользователям, которые совершили целевое действие: заполнили форму обратной связи, оставили комментарий или оформили заказ.

Определение метрик и подбор источников относятся к технической стороне процесса. В то же время нельзя забывать и о принципах Data-Driven подхода в управлении, в которых важна культура работы с данными.

Методика в строительстве

В этой отрасли Дата-Драйвен интегрируется с помощью «электронной стройки». Это комплекс программ, которые позволяют контролировать и стандартизировать процесс возведения объектов.

Например, компания строит типовые сооружения в разных регионах одновременно. Пусть это будут модульные автовокзалы, которые устанавливаются в Подмосковье, Псковской области и на Дальнем Востоке. При помощи планшета бригадиры на разных площадках могут получить доступ к проекту, сметам и другим важным показателям.

Тот же набор данных используется и в проектировании. При выезде на место будущего строительства специалист может за несколько минут подобрать типовой проект под конкретную локацию, особенности почвы, собрав его из готовых решений как конструктор.

Строителям Дата-Драйвен подход может помочь с такими специфическими задачами, как:

● сокращение времени проектирования объектов;
● оптимизация работы с подрядчиками;
● контроль графика возведения объектов и ввода в эксплуатацию;
● стандартизация строительства;
● мониторинг безопасности на стройплощадке;
● отслеживание проблемных участков на объекте в режиме онлайн.

В список попали только аспекты, наиболее характерные для строительства. Принятие мер на основе данных затрагивает разные процессы, список которых ограничен только техническими возможностями и потребностями организации.

Условные примеры Data-Driven компаний в этой отрасли — российский ГК ПИК и шведская Skanska. Эти девелоперы являются первопроходцами внедрения «электронной стройки» в своих странах. Клиенты компаний могут отслеживать процесс строительства в режиме онлайн, а строители быстро решать возникшие сложности через каналы горизонтальной и вертикальной коммуникации между участниками процесса.

Как Институт бизнес-аналитики упрощает работу застройщиков с помощью разработки дашбордов, можно прочитать в статье «

Идеальный отчет строительной компании: как выстроить работу с данными

».

Data-Driven в менеджменте

Главные качества Дата-Драйвен с позиций управления – это гибкость и точность. Объективные данные, лежащие в основе решений, помогают руководителю выявить слабые места.

Например, с помощью технологии учета времени обработки заказа определить, на каком из этапов (в каком из отделов компании) заявка задерживается. После этого можно уже не рассматривать весь процесс, а сосредоточиться на проблемной точке. Например, уточнить KPI ответственных сотрудников, заменить оборудование, которое тормозит процесс или предпринять другие действия для устранения недостатка.

Говоря о Data-Driven менеджменте, уместно упомянуть такие бренды как Netflix и Intel. Среди российских представителей можно выделить Мегафон и Wildberries. Система управления в этих компаниях основывается именно на данных.

Например, команда Netflix начала доставлять DVD по почте. Череда грамотных управленческих решений, основанных на объективных данных, привела к переходу сервиса на стриминговое вещание, создание интернет-платформы. В этом случае, переориентация на совершенно другой технологический процесс при сохранении направления деятельности компании – это Data-Driven решение.

Это не значит, что подход применим только для крупного бизнеса. Средний тоже может использовать методику в своей работе, достаточно сделать поправку на масштаб.

Управление на основе данных в производстве

Заводы и фабрики могут использовать Дата-Драйвен как в основных, так и в сопутствующих процессах. Подход положительно влияет на несколько показателей, рассмотрим примеры.

● Качество продукции. Полученные данные показывают, что именно на него влияет и в каких пропорциях. А значит, дают возможность оперативно корректировать работу.

● Сроки производства. За счет автоматизации ряда процессов (например, технического учета), а также интеграции систем электронного документооборота информационные технологии помогают оптимизировать работу. Например, сократить временные издержки, связанные с логистикой.

● Улучшение продукта. Благодаря работе систем исследования и актуализации, вы вовремя узнаете, что потребители потеряли интерес к вашему продукту, сможете выявить причины и внести изменения в конструкцию.

● Борьба с браком. Обработка сигналов, полученных от установленного оборудования, помогает выявить причины и отладить технику.

Внедрение подхода в производство требует бóльших вложений. Это связано с тем, что для сбора информации необходимо установить на станки ряд датчиков. Однако эффективность работы на Дата-анализе позволяет отбить эти вложения ростом конкурентоспособности и доходности.

Data-Driven в маркетинге

В современных реалиях поведение потребителей подвижно, часто меняется. Актуальность является «ключом», который дает возможность быстро и точечно реагировать на все изменения, подстраивая продвижение продукта или услуги под новые условия.

Вот какие преимущества может получить отдел маркетинга после внедрения методики.

1. Оперативное управление. Эффективность источников трафика можно контролировать в онлайн-режиме. И при необходимости быстро перенаправлять ресурсы в более перспективные каналы продвижения.

2. Отслеживание поведения. Дата-Драйвен маркетинг подразумевает, что бизнес управляет настроением пользователей: видит, что привлекает их на сайте или в приложении, а какие элементы стоит убрать или переделать.

3. Знание целевой аудитории. Изучение имеющихся клиентов позволяет составить представление о потенциальных покупателях. Благодаря этому можно скорректировать рекламу, сделать ее более эффективной и целенаправленной.

Данная система наиболее распространена в маркетинге и рекламе. При сравнительно небольшом количестве вложений она помогает вывести привлечение потребителей на качественно новый уровень.

Кому нужно учиться работе с данными

Чтобы функционировала цепочка принятия решений в Data-Driven, необходимы специалисты.

1. Маркетологи, которые заняты построением воронки продаж. Чаще всего они занимают кросс-платформенное положение, участвуют как в проектировании, так и в построении маркетинговой стратегии. Получение знаний в области работы с базами данных повысит эффективность их деятельности.

2. Финансисты. Начиная от рядовых менеджеров и до директоров. Финансовые данные стекаются отовсюду, и важно уметь упорядочивать их и управлять ими. Только так можно будет получить полную картину: где бизнес получает прибыль, а где теряет деньги.

3. Аналитики. Это специалисты, которые переводят данные с технического языка на язык бизнеса. Они лучше всех должны понимать, как устроена работа с данными и что поможет превратить их в основу для принятия управленческих решений.

Достоинства и недостатки Data-Driven подхода

Вам понравилась статья?

Хочешь получать актуальные статьи о визуализации данных?