ИТ-лидеры должны помнить, что хороший дизайн аналитики данных начинается с понимания того, как данные используются в их организациях.

Аналитика данных может оказать преобразующее влияние на бизнес, но она требует интенсифицированного проектирования с учетом опыта пользователя. Это потому, что цель аналитики данных заключается в гораздо большем, чем просто показать людям, как они работают - она заключается в изменении поведения людей.

Ветеран с 20-летним стажем в разработке ПО и аналитики данных в таких компаниях, как Oracle и Microsoft, Мэттью Холлидэй, говорит: “Я поражен тем, как многие ИТ-лидеры и их команды все еще пытаются понять эту простую, но мощную истину, лежащую в основе аналитики”.

Итак, как вы строите аналитику данных, которая работает? Наилучшим подходом является продуманный опыт аналитики, который поощряет и обучает пользователей в достижении их целей и задач. Если вы считаете, что люди делают все возможное, когда у них есть возможности и поддержка, тогда ваша аналитика должна делать то же самое. Панели, которые функционируют как основные системы показателей, не работают. Необходим опыт, который зажигает огонь внутри пользователей, а не под ними.

Например, допустим, у вас есть центр обслуживания клиентов, а ваши ключевые показатели эффективности - это производительность и удовлетворенность клиентов. Следуя традиционной модели показателей, вы стыдите людей или заставляете их испытывать вину, и они вообще перестанут пользоваться аналитикой, прежде чем вы об этом узнаете. Сопротивляйтесь этому искушению. Вместо этого сконцентрируйтесь на ответе на следующий вопрос: «Как аналитика может помочь команде принимать лучшие решения?»

С чего начать? Первым шагом является понимание того, как данные и аналитика используются в вашей организации сегодня. То есть выяснить, кто использует какие типы данных, каким образом и как часто, а также влияние существующих вариантов использования на ваш бизнес. Эти идеи имеют решающее значение, поскольку они обеспечивают основу для ваших усилий. Когда у вас будет четкое представление о текущем использовании и поведении, вы можете начать устанавливать цели и стратегии для еще более эффективного и продуктивного использования данных и аналитики.

Есть пять ключевых вопросов, на которые нужно ответить:

• Сколько отчетов мы создали за прошедший год?
• Сколько отчетов запускается еженедельно, ежемесячно или ежеквартально?
• Какие команды (или отдельные лица) генерируют больше всего отчетов?
• Каковы накладные расходы на запуск этих отчетов?
• Какое чистое влияние на рост выручки и прибыли?

Если у вас уже есть аналитическое решение, поиск ответов на большинство из этих вопросов должен быть простым: просто спросите поставщика программного обеспечения. Если у них нет возможности поделиться этими идеями, спросите, рассмотрят ли они вопрос об их добавлении в дорожную карту продукта. Это не должно быть проблемой, поскольку базовая отчетность, подобная этой, не требует передовых новых технологий с их стороны.

Для тех, кто не может получить такого рода идеи от своего поставщика аналитики, или для тех, кто только начинает работу и не имеет сложной системы, создание другого решения является еще одним вариантом. Опять же, это не ракетостроение. Существует множество творческих возможностей для сбора этих данных вручную: триггеры базы данных, которые регистрируют заранее заданные события или хуки приложений, подключающиеся к Google Analytics, например, являются парой облегченных вариантов.

Если люди в вашей организации используют данные для принятия важных бизнес-решений, то нет времени на дальнейшие раздумья. Существуют огромные риски, связанные с незнанием того, какие данные люди используют и каким образом, и со временем ситуация только ухудшается. Более того, если принять во внимание широкий переход к дозированным облачным сервисам самообслуживания наряду с низкими показателями грамотности данных среди рабочей силы сегодня, становится очевидным, что потребность в улучшении контроля затрат растет и очень быстро.

Поскольку большие ИТ-нагрузки переносятся в облако, для данных и аналитики есть два важных последствия. Во-первых, цена облачных сервисов почти всегда пропорциональна объему данных: чем больше данных вы обрабатываете, тем больше вы платите. Во-вторых, современные облачные данные и аналитические системы в основном самообслуживаемы. Конечно, у обоих есть свои преимущества, но они также могут привести к проблемам, если их не контролировать. Если команды в вашей организации работают с большими объемами отчетов с данными, которые имеют небольшую практическую ценность для бизнеса, то вы буквально выбрасываете деньги за дверь. Без понимания того, как используются данные, есть большая вероятность, что вы даже не заметите потери, пока они уже не будут стоить вам слишком дорого.

Заглядывая в будущее, потребность в улучшении контроля над расходами будет продолжать расти. По мере того, как работники становятся все более грамотными в области данных, спрос на новые и более качественные данные и аналитику будет расти в геометрической прогрессии. Если вы когда-либо проводили время с данными, вы прекрасно понимаете, почему: данные вызывают сильную зависимость. Как только вы начинаете, трудно остановиться. И это здорово, если у вас есть надлежащий контроль, чтобы гарантировать, что ресурсы не растрачиваются, за счет генерации отчетов, которые не оказывают существенного влияния на прибыль.

“Я вижу, что это все время идет не так, как надо”, - говорит Мэттью. “Вы не поверите, сколько руководителей, с которыми я встречался, рассказывают о том, как их компания управляет данными, и уже сгенерировали более 20 000 отчетов. Проблема в том, что они понятия не имеют, какие из них ценны. Только позже, пройдя через ответы на вышеуказанные вопросы, они понимают, что только небольшая часть (обычно несколько сотен) создает ценность для бизнеса. Другие 19 000+ отчетов, которые они запускали? Это деньги на ветер”.

Наконец, наиболее важной причиной для оценки текущего использования данных в вашей организации является то, что она создает основу для создания лучшей аналитической системы: системы, которая не только более эффективна с точки зрения ресурсов, но и более эффективна для достижения лучших бизнес-результатов посредством изменение поведения.

No Comments