Восемь уровней зрелости аналитических данных: от стандартных отчетов к OLAP и прогнозированию
В условиях постоянных изменений рынка способность компаний анализировать данные и извлекать из них максимум ценности становится ключевой для обеспечения устойчивого роста.
Подход к принятию решений, основанный на объективном анализе данных, а не на интуиции или субъективных оценках называется data-driven управлением (или управлением на основе данных).
На пути к внедрению полноценного data-driven управления каждый бизнес проходит последовательные стадии работы с данными: от бессистемного описательного анализа до сложной прескриптивной аналитики.
Зная, на каком уровне работы с данными находится компания, руководство может эффективнее планировать инвестиции в технологии, расширение штата, обучение сотрудников. Понимание собственных возможностей помогает адаптировать бизнес-стратегии, что приводит к более высоким конкурентным преимуществам и лучшим результатам.
В этой статье мы рассмотрим один из подходов к оценке зрелости аналитических данных и обсудим основные принципы аналитически зрелой компании.
Что значит быть data-driven компанией?
Прежде чем оценивать, насколько компания близка к управлению на основе данных, важно разобраться, какие базовые принципы определяют data-driven подход.
Управление, основанное на данных, включает в себя как внедрение инструментов для анализа данных, так и создание корпоративной культуры, ориентированной на работу с данными:
- В компании должен осуществляться систематический сбор качественных, актуальных, точных, своевременных данных, к которым есть доверие
- Данные должны быть общедоступными: объединенными в хранилище (DWH), стандартизированными для совместной работы разных пользователей, быстро доступными с помощью инструментов анализа
- Необходима команда, способная поддерживать качество данных, обрабатывать их для достижения конкретных результатов и грамотно интерпретировать полученные инсайты
Глубина проработки каждого из этих принципов как раз и зависит от уровня аналитической зрелости. На базовом уровне компания приходит к разработке регулярной отчетности и получению оповещений.
Отчеты — сводки данных, отвечающих на вопрос «что произошло?», например, финансовые отчеты за год.
Оповещения — отчеты, отвечающие на вопрос «что происходит прямо сейчас?» и позволяющие своевременно отреагировать на изменения.
Ни отчетов, ни оповещений недостаточно, чтобы говорить об управлении на основе данных.
Они ретроспективны и не дают контекста, то есть, не сообщают, почему происходит изменение наблюдаемого показателя, например, снижение продаж, и не подсказывают, что следует предпринять для решения проблемы.
Как оценить уровень зрелости компании в работе с данными?
Существуют разные подходы к оценке уровня зрелости компании в управлении данными.
Ранее в статьях мы уже касались классификации Data Management Maturity Assessment или DMMA. Согласно модели DMMA, компания проходит 5 уровней зрелости управления данными
Подробнее о них читайте на нашем сайте >>
Также в отдельном материале мы рассматривали четыре вида аналитики данных. В зависимости от сложности проводимой аналитики компания способна получить более ценные инсайты из данных.
Возможности проводить тот или иной анализ зависят также от умения компании эффективно работать с данными.
Узнайте, чем отличаются и для чего используются разные виды аналитики >>
Джим Дэвис, старший вице-президент и директор по маркетингу SAS Institute в 2009 году предложил более широкую классификацию и выделил восемь уровней зрелости аналитических данных (analytics maturity).
В некоторой степени, каждый уровень зрелости аналитических данных коррелирует с уровнем инвестиций компании в аналитику и уровнем развития data-driven культуры.
Восемь уровней зрелости аналитических данных
1. Стандартные (регламентированные) отчеты
Отвечают на вопросы: Что произошло? Когда произошло?
Пример: финансовая или бухгалтерская отчетность, налоговые отчеты
Стандартные отчеты генерируются на регулярной основе и описывают только то, что уже произошло. Они практически бесполезны при необходимости планирования или принятия долгосрочных решений.
2. Ad hoc (нерегламентированные) отчеты
Отвечают на вопросы: Как много? Как часто? Где?
Пример: пользовательские отчеты, демонстрирующие количество продаж для каждой компании по кварталам
Нерегламентированные отчеты позволяют пользователям задавать дополнительные вопросы к данным и искать ответы на них.
Если в компании принято работать только с отчетами, значит, она в меньшей степени инвестирует в бизнес-аналитику, и для нее не характерно управление на основе данных.
3. Детализация по запросу (или оперативная аналитическая обработка, OLAP)
Отвечают на вопросы: В чем конкретно проблема? Как найти ответы?
Пример: изучение и детализация данных о различных типах пользователей мобильных телефонов и их поведении при звонках
OLAP позволяет проводить более глубокий, многомерный анализ данных и предоставляет быстрый доступ к информации, необходимой для принятия решений.
При этом работа с данными реализована с помощью инструментов для обработки, анализа и визуализации данных, например, BI.
Что такое BI, и зачем компаниям система бизнес-аналитики?>>
4. Оповещения
Отвечают на вопросы: Когда нужно действовать? Какие действия нужно предпринять немедленно?
Пример: менеджеры ресторанов получают оповещения, если плановые показатели продаж не достигнуты
С оповещениями проще узнать, когда возникло отклонение от плана, и получить своевременное уведомление, когда подобная проблема произойдет в будущем.
Оповещения можно настроить по электронной почте, в RSS-каналах или в виде выделения отклонений цветом на панели мониторинга (дашборде).
5. Статистический анализ
Отвечают на вопросы: Почему это происходит? Какие возможности я упускаю?
Пример: банки могут исследовать данные с использованием статистических методов и выявить закономерности, почему все больше клиентов рефинансируют ипотеки
На данном уровне в компании используются более сложные методы анализа, такие как корреляционный и регрессионный анализ, выборки, метод сравнения средних.
6. Прогнозирование
Отвечают на вопросы: Что, если этот тренд продолжится? Какой объем потребуется? Когда он потребуется?
Пример: компании, работающие в розничной торговле, могут прогнозировать спрос на продукты в зависимости от магазина и сезона
Прогнозирование сейчас — одно из самых востребованных направлений аналитики. Предиктивная (прогнозная, предсказательная) аналитика используются для формирования прогнозов и выявления будущих трендов.
7. Прогнозное моделирование
Отвечает на вопросы: Что произойдет дальше? Как это повлияет на бизнес?
Пример: отдел маркетинга прогнозирует, кто из базы лидов скорее всего отреагирует на новую маркетинговую кампанию
Прогнозное моделирование — это процесс использования математических и статистических моделей для предсказания будущих результатов деятельности.
8. Оптимизация
Отвечают на вопросы: Как улучшить наши процессы? Какое решение сложной проблемы будет самым эффективным?
Пример: учитывая приоритеты бизнеса, ограниченность ресурсов и доступные технологии, аналитика помогает определить наилучший способ оптимизации ИТ-платформы для удовлетворения потребностей каждого пользователя
Оптимизация поддерживает инновации. Она учитывает имеющиеся ресурсы и потребности и помогает найти наилучший возможный способ достижения целей бизнеса.
***
Перечисленные уровни можно интерпретировать как последовательность шагов, где подняться на следующий уровень можно только после прохождения предыдущего. Но такая идея не всегда сопоставима с жизнью.
В реальности в одно и то же время разные подразделения компании могут проводить анализ разной степени сложности в зависимости от задач. Например, компания может прогнозировать объем продаж, еще не зная, в чем конкретно состоит проблема с низким ростом этого объема.
Грамотный руководитель будет рассматривать все аспекты и действовать на основе всестороннего анализа, а не интуиции, в том числе, оценивать последствия от того, что текущий тренд продолжится или будет предотвращен.
Оценка же общего уровня зрелости аналитических данных будет полезна для новых шагов в сторону повышения аналитической культуры в компании и приближения к data-driven управлению, где данные — основной фактор, обусловливающий стратегию бизнеса и влияющий на нее.