Как знания в области больших данных позволяют топ-менеджерам добиваться роста бизнеса

Данные помогают менеджменту принимать оптимальные стратегические и тактические решения

Почему бизнесу нужно быть data-driven?

Как говорил Питер Друкер, мы не можем управлять тем, что не можем измерить, поэтому интуитивные решения в 21-м веке уступают Data Driven Decisions. А умение собирать и анализировать данные, делать на их основе прогнозы — необходимая компетенция любого управленца.

И хотя 90% бизнесов принимают решения интуитивно, не работают с данными, в современном мире нельзя игнорировать эту работу и оставаться при этом конкурентоспособным. Менеджерам важно поддерживать свои скиллы на конкурентном уровне, иначе со временем они станут не нужны. Предприниматели должны обеспечивать бизнесу выживание.

Если раньше работу с Big Data осваивали только большие корпорации, то сейчас это верно и для малого бизнеса: просто у крупных игроков данных копится больше, соответственно, и способы их обработки будут отличаться. Приведем обезличенный пример кейса по когортному анализу клиентов. На третий год существования интернет-магазина его выручка начала падать. Благодаря анализу базы продаж разложили график выручки по когортам клиентов, где каждая когорта — месяц, в который пришел клиент. В итоге увидели, что проблем с притоком новых клиентов нет, он даже растет, просто за последний год новые клиенты стали покупать меньше.

На самом деле проблема была в другом — упала частота покупок отдельным клиентом. Когда бизнес проанализировал пользователей с высоким Retention rate и частотой покупок, то увидели четкую картину: за какими товарами эти люди чаще всего возвращаются. Затем интернет-магазин запустил автоматическую рассылку по всем покупателям с этими товарами с обновлением раз в 2 недели. В результате повторная продажа выросла на 30%, а частота покупок на 15%. Таким образом за счет data driven management удалось сохранить бизнес и увеличить продажи.

Зачем руководству компании необходимо управлять данными?

Под управлением данными в том числе понимается управление качеством изменений в организации. Приведем пример — сеть магазинов в условиях кризиса решила переориентироваться с бедных слоев населения на более устойчивый средний класс. Топ-менеджмент выставляет подходящие по такому случаю KPI и спускает это решение своим подчиненным, которые должны его выполнить. Однако такой подход с высокой долей вероятности будет неэффективен.

Менеджмент в целом принял верное решение, но как показал последующий анализ данных, помимо концентрации на среднем слое, можно было сузить ассортимент товаров для "бедного" класса и тем самым сохранить часть прибыли. То есть формально руководитель не допустил ошибки, но это совершенно точно стало упущенной выгодой, поскольку решение было принято не на основе data driven managementВитрина данных НОТА ВИЗОР для налогового мониторинга 2.1 т

Сейчас многие бизнес-процессы завязаны на данных и меняются с помощью ИТ. Поэтому в описанном выше примере топ-менеджменту стоит не просто перестроить бизнес-процесс под решение. Он должен осознавать, как накопленные ритейлом данные (у компаний такого рода хранится традиционно много информации) позволят пережить этот переход максимально безболезненно, а в идеале еще и увеличить общую выручку и средний чек клиента.

Данные помогают менеджеру принимать оптимальные стратегические и тактические решения. К тому же они делают прозрачнее бизнес-процессы и повышают эффективность управления. Менеджеру или владельцу бизнеса чаще всего сложно отследить достигла ли команда поставленной цели или нет. Цифровые решения на основе данных значительно упрощают задачу.

Современный управленец должен выстраивать процесс контроля реального исполнения его решений через ИТ и бизнес-процессы, в том числе через анализ больших данных. Эффективный менеджер не просто ставит задачи и контролирует KPI, прямо сейчас он должен заниматься цифровой трансформацией бизнеса, а это невозможно без умения работать с информацией, накопленной компанией.

Топ-менеджер очень занятой человек, почему он не может делегировать работы с большими данными СТО или CDO?

Топ-менеджер должен создавать дополнительную ценность, выделиться на фоне конкурентов, обеспечить бизнесу будущее, ведь если не заметить движение рынка — бизнес не выживет. И проблема в том, что условные CTO или CDO, которым можно делегировать работу с большими данными, не принимают таких решений.

К тому же управление проектами в сфере Big Data — это отдельная область знаний, которая требует высокоуровневого понимания технологий и умения именно увидеть возможности для роста и трансформации с помощью Big Data. Знания в области больших данных помогут менеджеру сделать очередной вираж и стать еще более востребованным специалистом.

А если нет времени учиться программированию?

Для управление BD-проектом не требуется технических навыков программирования и глубокого знания математики. Достаточно понимания технологий и умения увидеть возможности для роста и трансформации с помощью Big Data и AI. Здесь важно выбрать правильный путь, понять цели бизнеса и правильно спланировать Big Data проект — определить типы, источники данных и методы их сбора для конкретной компании. Если не знаете с чего начать, обратите внимание на курсы SkillFactory "Big Data для менеджеров" и "Аналитика для руководителей и владельцев бизнеса".

Кто именно из топ-менеджмента должен разбираться в вопросе?

В первую очередь топ-менеджеры компаний и владельцы бизнеса, даже если они еще стартаперы. Чтобы донести до остальных возможности масштабирования с помощью больших данных, необходимо самому понимать ценности технологии и задачи, которые она может решить в будущем. В любом случае умение презентовать и продать Big Data решение будет полезным в работе еще долгие годы.

Три удачных и один провальный кейс по работе с данными

Магнитогорский металлургический комбинат

Проблема: Оператор неоптимально использовал ферросплавы и добавочные материалы при производстве стали, на комбинате хотели выстроить надежный процесс при минимальных затратах.

Решение: Компания внедрила алгоритм, который анализирует состав руды и рекомендует оптимизацию процессов производства стали.

Результат: В среднем экономия ферросплавов составила 5%, а ежегодный эффект экономии — около 275 млн руб.

Польский банк mBank

Проблема: Из-за несовершенства ИТ-системы транзакции банковских клиентов медленно обрабатывались. В результате задержки четвертый по размеру активов банк Польши неэффективно взаимодействовал с пользователями.

Решение: Построили хранилище данных, способное обработать дополнительно 300 ГБ информации в день.

Результат: Время интеграции данных в хранилище уменьшилось на 67%. С помощью решения по предиктивному анализу банк стал формировать индивидуальные предложения для каждого клиента. Результат — повышение откликов на предложения банка более чем на 400%.

Сеть магазинов косметики Рив Гош

Проблема: Сеть собирала много данных о покупателях, такие как пол, возраст и средний чек. Но не было понятно, как их можно использовать.

Решение: Компания внедрила систему персональных рекомендаций для клиентов. Из всех держателей карт лояльности выявляли тех, кто готов купить в ближайшие пару недель. Затем система делала прогноз двух покупок по каждому из этих клиентов, причем скидка для каждого покупателя рассчитывалась индивидуально.

Результат: Повторные обращения после рекомендаций составили 47%, хотя обычно этот показатель не превышал 22%. Средний чек вырос на 42%.

Food ритейл

Проблема: Сеть ритейла, насчитывающая более 100 магазинов и более 50 000 SKU, хотела выделить основные поведенческие сегменты потребителей, определить их типовые корзины покупок и контролировать потребление этих корзин через персональные скидки и предложения.

Решение: Через кластерный анализ построили шесть основных сегментов, для каждого из которых описали типовую корзину: основные товары, совместно покупаемые товары и "значимость" каждого из них — сколько километров готов пройти за товаром тот или иной представитель сегмента для лучшего управления офлайн рекламой.

Результат: Получившиеся сегменты описывали всего 10% имеющейся базы, к тому же данные в них были неполными — дисконтными картами пользовались только при покупке от 30 белорусских рублей, хотя средний чек в магазинах составлял 15. В результате получилось внедрение ради внедрения, а анализ сегментов не охватил 90% покупателей из-за управленческих и учетных особенностей бизнеса.

Выводы

Термин Big Data из маркетинговой обертки становится обыденностью, решения на основе данных принимают в металлургии, банковском и страховом секторах, в ритейле. Фактически, уже сейчас data-driven подход актуален для всех отраслей и размеров бизнеса, а система принятия решений должна строиться на достоверных данных. Компания Gartner в исследовании «Predicts 2020: Data and Analytics Strategies - Invest, Influence and Impact» пишет, что у компаний, внедривших систему управления качеством данных и отслеживающих уровень качества данных с помощью метрик, в течение 3 лет качество данных улучшится на 60%.

Знание данных позволит принимать качественные решения и в итоге значительно снизит операционные затраты и риски. А тем, кто еще не принимает решения исходя из аналитики, придется очень трудно конкурировать со всем рынком. И если руководитель компании или владелец бизнеса планирует оставаться в тренде и добиваться впечатляющих результатов в работе — ему необходимо учиться работать с данными. Например, на курсах SkillFactory "Big Data для менеджеров" и "Аналитика для руководителей и владельцев бизнеса" участники получат готовый набор практик и умений для эффективного управления современной data-driven организацией и прогнозируемого роста бизнеса.

Читайте также

• Большие данные (Big Data)
• Обзор BI и Big Data
• Большие данные (Big Data) мировой рынок
• Большие данные (Big Data) в России