С каждым годом data-driven-подход становится популярнее. По данным исследования Analytics Impact Index, в ходе которого было опрошено 350 компаний из 46 стран, около 6% применяют data-driven-подход. Примерно половина респондентов использует аналитику для выявления драйверов бизнеса и частично для принятия решений. 37% опираются на анализ данных в поиске областей для максимизации прибыли. Наконец, 8% компаний считаются отстающими в рамках исследования, поскольку их аналитика ограничена описанием уже произошедших событий без прогнозов и четкой аналитической стратегии.

Как правило, data-driven-компании используют анализ данных по двум сценариям.

• Как единый источник правды. В этом случае речь идет об информации, которая используется в конкретной управленческой отчетности. Например, на предприятиях для синхронизации рабочих смен используют дашборды (BI- инструменты). Это ИТ-системы, которые собирают, рассчитывают и визуализируют множество данных, достоверность которых подтверждена автоматизированными проверками качества.
• Как инструмент для извлечения прибыли. Данные используют для принятия решений — это продвинутая аналитика. Можно спрогнозировать цены на продукты на сырьевых рынках или реализовать алгоритм оптимизации для сквозного производственного процесса, который подскажет, где сократить объем сырья, не теряя производительности, где расширить «бутылочные горлышки».

Нефтехимическая компания СИБУР приступила к оцифровке производственных и бизнес-процессов в 2017 году. Для огромного предприятия более чем с 20 тыс. сотрудников нужно было создать единое знание о данных, которыми располагает компания. Кроме того, требовалось создать такую среду, в которой все сотрудники будут принимать решения не на основе опыта или интуиции, а на основе системного анализа данных.

Потребность в data-driven-решениях формировалась в компании с двух сторон: сверху (как новые принципы цифровизации) и снизу (как увеличение запросов на создание и доработку текущей отчетности). В результате мы сформировали управление корпоративными данными, которое начало переход на data-driven.

Существует закон Конвея: «Организации, которые проектируют системы, ограничены дизайном, копирующим структуру коммуникаций в этой организации». Как это часто бывает в производственных компаниях, наши подразделения были сформированы по принципу «глубокого колодца». Из соображений безопасности специалистам была доступна только та информация, которая необходима для выполнения их непосредственных обязанностей. Информация у нас накапливалась «вертикально», а данные, доступные сотрудникам для анализа, были ограничены информационными системами, которые вроде автоматизируют их повседневную работу, но не позволяют увидеть взаимосвязи с предшествующими или последующими процессами.

Очевидно, что с разбега со всеми этими сложностями было не разобраться, поэтому мы разработали стратегию по переходу на data-driven-подход. В нее вошли и изменения бизнес-процессов, и развитие сотрудников.

Несмотря на обилие отчетных форм внутри ИТ-систем, из-за отсутствия устойчивой связи между данными из разных источников сотрудники предпочитали свои инструменты, которые чаще всего были автоматизированы на базе Excel.

Например, для синхронизации планирования ремонтных работ по метрологии и механике информация выгружалась из двух различных систем и вручную сопоставлялась в Excel. Затем данные загружались обратно в ручном режиме. Каждый работник вел свои таблицы, использовал собственные формулы и доверял только своим данным. Также в компании существовали риски потери знания, если оно уникально.

Поэтому для перехода на data-driven критически важно заручиться поддержкой тех, кто данные производит, и тех, кто их использует. Эти люди в первую очередь оценят преимущества подхода. Но лучше не показывать сразу всю мощь современных инструментов, иначе можно отпугнуть будущих пользователей «этим сложным программированием». Если же не навязывать пользователям свои методы решения задач, а раскрывать их постепенно, им будет проще.

Полезно учитывать опыт других компаний, которые уже шли по пути перехода на data-driven. Мы использовали уже существующее решение, разделив роль владельца данных на две — куратора данных и ответственного за качество данных.

Изменение формулировки ролей в стандартах предприятия помогло менеджерам четко понять, чего компания в действительности ожидает от них в части данных.

По мере погружения в процесс у пользователей просыпается потребность в новой информации из смежных областей. Но не все владельцы данных готовы ими делиться из-за того, что это коммерческая тайна и персональные данные, требующие защиты, из-за нежелания терять зоны влияния, непонимания, какая задача этим решается. Сложившаяся ролевая структура доступа к данным создавала барьер для развития смежной аналитики, не позволяя развиваться таким направлениям, как Lifecycle Cost Analysis или управление надежностью оборудования.

Для решения этой проблемы команда перехода на data-driven детально разобралась в понятии «коммерческая тайна», объяснила коллегам, кто и как этими данными будет пользоваться, какие эффекты могут быть достигнуты. А у кураторов данных спросили: «Какие данные вы не готовы дать и почему?» Такой подход позволил отсортировать критичную информацию, которая требовала защиты. Данных, доступных для совместного использования, стало более 80%.

При работе с данными возникают вопросы доверия: «Как я могу быть уверен, что цифры тут правильнее, чем в моем личном Excel?», «Как ты это считал и что значит эта цифра?», «Почему такой же показатель в другом подразделении считается иначе?»

В отношении информации, которая загружается в платформу данных СИБУРа, специалисты внедрили многоступенчатые фильтры проверок. Это:

• техническая верификация данных, чтобы проверить, правильно ли они введены. Условно, это позволяет проверить, что там, где должны быть слова, нет цифр;
• проверка бизнес-логики, которую определили вместе с бизнес-пользователями. Например, только логисты знают, что весной, в период распутицы, на некоторые склады поступает меньше продукции и грузовые автомобили отправляют недогруженными, чтобы на некоторых дорогах они не утонули в грязи. Учитывая это, в прогнозные алгоритмы, которые рассчитывают оптимизацию логистики поставок, эксперты должны ввести ограничения на объем загрузки автотранспорта на весенний период. Так специалисты разложили множество показателей, чтобы все уникальные знания были описаны и не зависели от конкретных людей;
• взаимные проверки данных из разных источников. Одинаковые по смыслу показатели считаются на основании данных из систем и сопоставляются между собой. Например, можно посчитать объем произведенной продукции на данных системы управления производством и сравнить его с отчетом из ERP-системы.
• hacker-vision — самый сложный, но потенциально самый эффективный метод верификации. Это проверка, отвечающая на вопрос «Если бы я хотел навредить, что бы я сделал с данными?»

При внедрении изменений в крупных компаниях большое значение имеют ожидания пользователей. Слишком оптимистичные сроки приведут к задержкам в реализации или снижению качества. Выбирая, что первым делом загрузить в платформу данных, эксперты управления корпоративными данными взаимодействовали с руководителями и ведущими специалистами подразделений, которым в свою очередь было важно понять, каковы сроки внедрения.

Оказалось, что сроки, которые спланировала команда, невозможно соблюсти из-за внутренних правил, ограничений и согласований. Это негативно повлияло на общий энтузиазм с обеих сторон. При загрузке следующих областей данных пришлось учесть первый опыт и планировать с учетом длительности всех согласований.

Дашборд — это удобный формат потребления информации, который в понятной для пользователя форме показывает результаты анализа данных. При использовании нескольких дашбордов важно, чтобы информация отображалась в едином стиле. Иначе пользователям придется разбираться в оформлении разных дашбордов и сопоставлять их между собой вместо получения быстрого результата.

Так произошло и у нас: дашборды, сделанные разными подразделениями, слишком отличались друг от друга. Собирая собственную бизнес-историю, при каждом переходе из одного дашборда в другой пользователям требуется изучать легенду отчета: рост мог быть обозначен зеленым или красным; плановые значения обозначались линией или колонкой. Это осложняло работу и сводило на нет оперативность анализа.

Для решения проблемы мы разработали дизайн-систему — шаблоны цветов, шрифтов, визуальных составляющих, которые описывали основные кейсы, встречающиеся при анализе. Теперь пользователи собирают свои бизнес-истории из готовых визуализаций, тратя минимум усилий на техническую составляющую.

Управление корпоративными данными начало с того, что пыталось показать ценность аналитики данных на конкретных примерах. В итоге бизнес-пользователи захотели перевести отчеты, которые они и так делают, в интерактивный формат. Прошло больше года, прежде чем у пользователей появился запрос на проведение самостоятельного анализа гипотез, а именно цифровые дашборды, модели, what-if’ы.

В ответ на новый запрос бизнеса команда перешла к модели предоставления данных как самостоятельного сервиса, который включает подготовку описанных и структурированных массивов, обучение современным инструменты анализа и методикам работы, предоставление рабочего места аналитика.

В итоге data-driven-подход начал возникать естественным путем. Например, в подразделении маркетинга процесс лидогенерации (поиск потенциальных клиентов) появился сам по себе, и сейчас странно предположить, что его не было раньше.

Можно учить технологов программированию, а можно программистов — технологиям. Но лучше сделать фокус на обучении работе с данными уже существующих сотрудников компании.

Современные языки программирования стали сильно проще, их можно изучить быстрее, чем получить экспертизу, например, по устройству процесса пиролиза (термического разложения органических и многих неорганических соединений). Поэтому мы решили запустить свою внутреннюю школу аналитики, чтобы на выходе получить условного многофункционального аналитика. Например, он должен уметь вычленять в своих задачах рутину и автоматизировать ее, разделять принципы совместной разработки, уметь валидировать свои задачи и решения через призму достижения общего результата компании, выступать ментором по отношению к следующим потокам учеников школы.

Обучение проходит в течение трех месяцев на актуальных бизнес-задачах пользователей в сопровождении персональных менторов. Эксперты погружаются в работу сотрудников-студентов, вместе ищут аналитические кейсы, собирают данные, разрабатывают решение, используемое подразделением. Пример одного из кейсов в рамках обучения — интерактивный дашборд, который позволяет найти новый спрос на рынке для одного из продуктов компании.

В итоге СИБУРу удалось наладить взаимодействие разных культур — производственной и цифровой, практик MBA и стартапа, «коробочных» решений и разработки своих продуктов с нуля.

Одним из важных управленческих элементов стало формирование образа результата в управлении корпоративными данными. Если полностью автоматизировать все значимые сквозные процессы и обеспечить высокое качество данных в них, то работа с данными превратится в интеллектуальную модель ведения бизнеса. Используя алгоритмы игр бизнес-симуляторов, можно моделировать различные рыночные ситуации, целесообразность инвестиций в строительство, поглощения или разработку новых продуктов. И в реальную компанию можно будет играть, как в Civilization, Capitalism или SimCity.