18 ноября 2021
Статья

Как управлять изменениями на основе данных?

Управленческая аналитика как инструмент в руках бизнесменов и функциональных директоров.
Как управлять изменениями на основе данных?
Источник: SKOLKOVO ММА

Что объединяет технологическую компанию Google, ритейл-платформу Amazon, провайдера развлечений Netflix и приложение поиска такси Uber, кроме их доминирующего положения на мировой бизнес-арене? Все они используют аналитику данных для лучшего понимания клиентов, отраслевых тенденций, конкурентов и, конечно, собственного бизнеса. Можно осознавать это или нет, но данные плотно интегрированы в повседневную жизнь, и их анализ давно перестал быть прерогативой гигантов, располагающих внушительными ресурсами, а стал важным инструментом в руках умелого руководителя, будь то CTO крупного телеком-оператора с миллионами клиентов или владелец семейной кондитерской на углу.

Вместе с преподавателями программы по управленческой аналитике SKOLKOVO Masters in Management Analytics, практикующими специалистами в области управления проектами и анализа данных, рассказываем, почему ни одно управленческое решение не обходится без данных.

Пять причин успеха управления, основанного на данных

Анализируя данные, компании могут предсказывать тенденции или даже создавать их. Анализ поведения покупателей, истории просмотров, социальной активности позволяет получить важные сведения о трендах рынка, вовремя заметить и использовать возможности, избавиться от догадок при принятии решения. История компании Netflix — лучшая иллюстрация предиктивной аналитики в действии. Анализируя более 30 млн просмотров в день, 4 млн рейтингов и 3 млн поисковых запросов на своей платформе, компания определяет, какой контент будет востребован пользователями. Именно в результате анализа данных появился такой хит, как сериал «Карточный домик».

Компании, которые работают напрямую с большим количеством клиентов — телеком-операторы, финансовые организации, ритейл, — имеют в распоряжении большие объемы данных, а значит, большие возможности для их анализа, поиска инсайтов. У крупного российского сотового оператора порядка 50 млн абонентов, каждый из них генерирует множество сегментов данных: звонки, геолокация, интернет-трафик, оплата услуг связи и дополнительных сервисов, платежи в торговых точках и многое другое — петабайты информации.

Дмитрий Дорофеев
экс-вице-президент по стратегии и клиентскому опыту «Вымпелкома», консультант по стратегии и трансформации бизнеса, инвестор

Есть наиболее зависимые от данных отрасли и направления, к примеру ИТ, банки, телеком, ритейл. Конкурентная борьба в них уже невозможна без использования продвинутых инструментов аналитики. Небольшой бизнес, который знает клиентов в лицо, вполне может обойтись без автоматизированных систем, но анализировать данные ему тоже необходимо, например, чтобы понимать, какой товар продается лучше, и корректировать свое предложение.

Анализ данных — широкое понятие. Наряду с моделями машинного обучения (ML), рекомендательными системами для оптимизации в технологичных компаниях или на сложных производствах, оно включает так называемую «ручную» аналитику, которая может жить и в Excel-таблицах. Практически в любой сфере, где мы имеем дело с некоторыми повторяющимися действиями, есть большой потенциал для аналитики. Удивительно, но даже спортсмены или люди творческих профессий, таких как дизайнеры и медиа-художники, опираются на данные. Персональные рекомендации по подбору питания, тренировок, режимов — у спортсменов; анализ трендов и прогнозы популярности тканей, силуэтов в следующих сезонах — у дизайнеров.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI

 Данные выявляют возможности для улучшения клиентского опыта. Сеть фастфуд-ресторанов McDonald's в 2019 году за $300 млн приобрела израильский стартап Dynamic Yield — платформу для персонализации на основе технологий искусственного интеллекта (AI). Технология позволит франчайзи самого популярного ресторана в мире выводить на экраны блюда в зависимости от таких факторов, как время суток, покупки других клиентов, трафик в ресторане. Компания рассчитывает таким образом улучшать пользовательский опыт. Анализ данных помогает предложить клиенту то, что ему нужно.

Современный бизнес от глобальной стандартизации движется в сторону индивидуальной кастомизации. Клиент больше не хочет стандартный продукт, он хочет продукт, который нужен лично ему, с тем набором характеристик, в том месте и в то время, которые ему подходят. Стараясь удовлетворить индивидуальный запрос, компании собирают все больше данных, учатся находить новые корреляции, формулируют, подтверждают и опровергают тысячи гипотез в поисках новых возможностей для улучшения клиентского опыта, в том числе за счет лучших алгоритмов персонализации.

Дмитрий Дорофеев
экс-вице-президент по стратегии и клиентскому опыту «Вымпелкома», консультант по стратегии и трансформации бизнеса, инвестор

 Данные помогают найти возможности для роста и экономии. Отслеживая продажи и расходы в режиме реального времени, на протяжении нескольких месяцев или лет, компания может выявлять различные закономерности, находить неочевидные зоны роста или проблемы, менять тактику здесь и сейчас. Затраты на digital-маркетинг Coca-Cola в 2018 составили $283 млрд, а уже к 2023 они превысят $500 млрд. Чтобы огромные бюджеты на цифровую рекламу были потрачены более эффективно, гигант начал использовать технологии распознавания изображений в соцсетях. Точная идентификация клиентов и их таргетирование, выбор самых выгодных каналов и стратегий повысили эффективность размещенной таким образом персонализированной рекламы в разы.  

Абсолютное большинство маркетинговых коммуникаций делаются с помощью аналитики. Это и рекомендации времени контакта, канала, и персонализация предложений, и многое другое. Используя доступный набор инструментов, чтобы прогнозировать спрос, компания может неожиданно выяснить, что маркетинговые акции, которые проходят в торговых точках, влияют на спрос больше, чем свойства продуктов. Таким образом, с помощью анализа данных можно не только прогнозировать спрос на отдельные товары или их группы, но управлять им посредством промоакций. Анализ данных — это очень большой прирост в понимании того, что происходит с твоим бизнесом, и огромный прирост к возможности адекватно этим управлять.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI

 Данные можно монетизировать. Google Analytics, Яндекс.Метрика — самые очевидные примеры проектов, успешно продающих клиентам накопленные данные и удобные инструменты для их аналитики. Однако потенциал создания ценности из данных еще очень высок, особенно в сферах, исторически оперирующих большим массивом информации о пользователях. На рынке постоянно появляются новые продукты и сервисы, которые монетизируют данные. Так, например, телеком-операторы научились зарабатывать на продаже розничным сетям обезличенной геоаналитики, а банкам — данных о платежеспособности различных профилей клиентов.

Наконец, анализ данных помогает быстрее принимать верные с точки зрения бизнес-цели решения. Любой бизнес развивается в конкурентной среде, и топ-менеджеры или владельцы бизнеса, несущие ответственность за бизнес-результат, хотят использовать все доступные возможности и инструменты, чтобы получить необходимые преимущества.

Нет таких решений в современном бизнесе, которые вы могли бы принять, просто подбросив монетку. Когда-то в сотовой связи существовала простая взаимосвязь между человеком и SIM-картой: у всех была одна SIM-карта, поэтому информационные системы традиционных операторов заточены на анализ SIM-карт, а не абонентов. Но мир сильно изменился. Сегодня у одного абонента есть пара телефонов, планшет, множество разных цифровых сервисов, которые он потребляет даже без SIM-карты. Чтобы попытаться понять абонента, а не SIM-карту, теперь требуется совершенно иной порядок интеллектуальных усилий и инструментов работы с данными. Если 15 лет назад об этом можно было сильно не беспокоиться, то сегодня это совершенно невозможно. Если оператор продолжит пользоваться Excel и считать SIM-карты, он совершенно точно проиграет борьбу конкурентам. Интуитивные управленческие решения не будут правильными, потому что область слишком сложна.

Дмитрий Дорофеев
экс-вице-президент по стратегии и клиентскому опыту «Вымпелкома», консультант по стратегии и трансформации бизнеса, инвестор

Предпринимательская деятельность проходит в условиях неопределенности. Неполнота и неточность данных в ней не исключение, а правило.

Если бы мы знали наверняка, как каждое действие скажется на результате, процесс управления был бы максимально прямолинейным. Но это не так, и большинство менеджеров привыкли жить в ситуации, когда решения нужно принимать в условиях глубочайшего дефицита информации. Анализ данных — это верный способ снизить неопределенность, лучше понимать, что происходит с компанией, а также возможность сравнить себя с конкурентами и мировыми трендами.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI


Управленческая аналитика как инструмент в руках менеджера

Чтобы использовать возможности, которые открывает анализ и визуализация данных, менеджеру или владельцу бизнеса нужно знать, как формулировать задачи, какие результаты он может получить, какая логика используется при построении этих результатов, насколько они надежны и как их можно использовать в процессе принятия решений. Даже если в распоряжении есть команда профессиональных Data Scientist-ов, некоторые обязанности нельзя делегировать.

Я часто вижу ситуации, когда в проектах анализ данных используется просто потому, что это технически возможно. Можем сделать прогноз — давайте сделаем, можем построить рекомендательные модели — давайте построим. Но в реальности становится понятно, что результаты плохо применимы к текущему бизнес-процессу — просто не нужны, либо выбран неправильный горизонт прогноза. Анализ данных — это инструмент, который должен быть приложен с правильным усилием в правильное место, и за это должен отвечать человек, который в первую очередь понимает цели бизнеса, осознает, для чего он использует этот инструмент.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI

В существующих объемах данных количество сигналов, которые можно получить, бесконечно. Чтобы сфокусировать работу команды Data Scientist-ов на том участке, который с наибольшей вероятностью окажется полезным для бизнес-цели, менеджер как потребитель результата анализа данных должен понимать, что он хочет получить, какие ресурсы для этого потребуются, и уметь правильно сформулировать задачу для команды.

Одной из важнейших задач в сфере клиентского опыта телеком-компании является выстраивание сети с уровнем качества, который максимально удовлетворяет потребностям клиентов. Абоненты на практике недовольны не абстрактным качеством сети, а тем, что сеть не работает в точках их клиентского поведения. Если вы живете за городом, а работаете в центре, то вам хочется, чтобы интернет и связь были и в коттедже, и по дороге в центр Москвы, и в вашем офисе, а еще торговом центре, куда вы раз в неделю отправляетесь за покупками с семьей.
Традиционная модель планирования сети делит все инвестиции на два сегмента: покрытие новых территорий и повышение плотности существующих. Алгоритм расчета расположения новых базовых станций опирается на оценку трафика существующих: в местах высокой нагрузки плотность станций повышается, и наоборот. Конечно, алгоритм не учитывает перемещений отдельных абонентов, иначе станции были бы убыточными.
Легко понять эту ситуацию с точки зрения одного клиента, особенно если это ты сам топ-менеджер компании. Ты можешь прийти и обрушить на технического директора претензии, что именно на твоем участке связь не работает. Когда мы говорим о большом количестве абонентов с разными потребительскими привычками и поведением, такой подход неприемлем.
Гипотеза, которую мы проверяли, заключалась в том, что строить сеть базовых станций можно также опираясь на данные о перемещении абонентов по региону. Для того чтобы область поиска инсайтов была ограничена, а не бесконечна, важно правильно сформулировать задачу для аналитиков. Так, на основании имеющихся данных о маршрутах перемещений абонентов в московском регионе мы определяли приоритетные кластеры, которые требуют усиления с точки зрения качества сети.
Сегодня телеком-операторы предпринимают шаги, чтобы перейти от традиционной модели к новой. Но для этого еще необходимо проделать огромную работу по повышению качества данных.

Дмитрий Дорофеев
экс-вице-президент по стратегии и клиентскому опыту «Вымпелкома», консультант по стратегии и трансформации бизнеса, инвестор

Умение самостоятельно интерпретировать результаты анализа данных и принимать тактические решения может оказаться критичным в некоторых ситуациях.

Я участвовала в разработке проекта по персонализации маркетинговых коммуникаций для крупного банка. Идея заключалась в том, чтобы сделать персональные маркетинговые рекомендации продуктов, чтобы повысить конверсию и переходы из письма на страницу предложения. Команда применила много хороших моделей машинного обучения. Однако результаты АВ-теста были удручающими: новые рекомендации не давали никакого значимого прироста. Менеджер проекта принял решение проанализировать процесс от начала до конца. Оказалось, что рекомендации были расположены слишком низко и не помещались на главный экран, так что клиенты просто их не видели. Вместе того чтобы продолжать оптимизировать то, что не нужно, а именно алгоритм машинного обучения — пытаться добавить больше данных, усложнить архитектуру — менеджер принял неочевидное управленческое решение — поменять дизайн. Такие навыки достигаются практикой и хорошим уровнем осознанности.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI


Как стать data-driven менеджером

В конкурентной бизнес-среде спрос на знания в области управленческой аналитики очень высок. Требования к формату и наполнению со стороны владельцев бизнеса и топ-менеджмента отличаются от требований технических специалистов. Чтобы научиться решать управленческие тактические и стратегические задачи, для которых практически всегда характерен тот или иной уровень неопределенности, необходим плотный обмен экспертизой, работа над собственными проектами и анализ кейсов на рынке. Программа SKOLKOVO Masters in Management Analytics объединяет три образовательных блока: стратегический, инструментальный и функциональный. Обучение проходит в онлайн- и офлайн-форматах, что способствует нетворкингу и обмену опытом.

Российский бизнес сегодня является активнейшим потребителем данных. Я буду модерировать модуль по стратегии и управлению изменениями вместе с профессором Дэвидом Сондерсом, чтобы привнести экспертизу и специфику российского крупного телеком-бизнеса в тонкую науку работы с данными.

Дмитрий Дорофеев
экс-вице-президент по стратегии и клиентскому опыту «Вымпелкома», консультант по стратегии и трансформации бизнеса, инвестор

SKOLKOVO MMA — это управленческое образование с инструментами анализа данных. Программа содержит разные дисциплины. Участники могут обладать знаниями в математике, статистике, аналитике или иметь более сильные прикладные знания в бизнесе. Чтобы осваивать инструменты аналитики данных и бизнес-дисциплин было одинаково комфортно всем, создана «библиотека знаний», в которой собраны все необходимые базовые курсы. Эта информация поможет структурировать имеющиеся знания и подготовиться к обучению на программе. 

Мой курс по машинному обучению и искусственному интеллекту подойдет менеджерам, которые непосредственно управляют проектами, но имеют технологический бэкграунд. Мы погрузимся в математические детали оптимизации, пробуем различные техники и технологии, чтобы понимать, как можно влиять на оптимизацию конкретной бизнес-метрики с помощью решения математических задач. Второй курс — про AI — ориентирован на топ-менеджмент. Помимо машинного обучения, мы рассмотрим разные виды аналитики: описательный анализ исторических данных, диагностическую аналитику, предиктивные модели как с, так и без использования ML, и предписывающую аналитику. Проанализируем большое количество кейсов других компаний, привлечем практикующих руководителей отделов Data Scientist-ов и других технических менеджеров проектов, кто может поделиться успешными и неуспешными кейсами, практиками работы.

Эмели Драль
эксперт по машинному обучению и анализу данных, co-founder и CTO в Evidently AI

Преподаватели программы — международные эксперты с прикладным опытом трансформации бизнеса на основе данных. Выпускники получают диплом о дополнительном профессиональном образовании с присвоением квалификации Master in Management Analytics, а также готовый проект трансформации своей компании или бизнес-функции. 

(0)

Читайте также

Мы используем файлы cookies для улучшения работы сайта Московской школы управления СКОЛКОВО и большего удобства его использования. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом и согласны с нашими условиями обработки и хранения персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера или отказаться от пользования сайтом при несогласии с условиями сбора и использования cookies. Для чего нужны файлы cookies: для корректной работы регистрационных форм и отображения информации на сайте.