Для быстрого внедрения новых идей и решений требуется хорошо продуманная стратегия работы с данными. Именно она будет описывать, какие данные, каким образом и с какой целью будут собираться и обрабатываться в компании. Есть пять ключевых вопросов, на которые стоит ответить топ-менеджеру при разработке и внедрении стратегии работы с данными.
1. Как привить в компании культуру работы с данными?
Культура работы с данными и управления ими всегда начинается с поддержки на самом высшем уровне. Именно “старшие товарищи” должны показать сотрудникам важность работы с данными. Именно они своими инвестициями в инструменты и ресурсы дают возможность сотрудникам осознать значимость вопроса и реализовать потенциал накопленных данных.
Топ-менеджеры должны стать дата-евангелистами новой культуры: рассказать о преимуществах работы с данными и стимулировать изменения в рабочем поведении, способствовать применению data driven (то есть основанных на данных — прим. ред.) подходов при принятии бизнес-решений. Например, проводить рабочие совещания по-новому и наглядно демонстрировать, как сотрудники могут использовать инструменты искусственного интеллекта для анализа данных в своей работе.
Обязательно внедряйте аналитику данных в рабочий процесс даже на простейших рабочих задачах. Это позволит показать команде, насколько эффективнее принимать решения на основе объективных данных.
2. Как научиться доверять качеству данных?
Под “качеством данных” подразумевается сочетание таких характеристик, как полнота данных, их точность, отсутствие предвзятости при отборе, актуальность и своевременность по отношению к тем выводам, которые мы пытаемся получить от обработки данных.
Готов ли сотрудник или департамент использовать данные для принятия решений, напрямую зависит от уровня доверия к данным. Чтобы доверие росло, важно гарантировать качество данных. Для этого, прежде всего, нужно установить понятные критерии качества на этапах сбора, хранения, предоставления и передачи. Назначенные в компании “владельцы данных” должны следить за их качеством. Сочетание четкого распределения ответственности и постоянный мониторинг, а также максимальная автоматизация решений для измерения достоверности и различных параметров данных помогут регулярно подтверждать качество информации и установить доверие бизнес-пользователей к ней.
3. Как использовать инновации в платформах для работы с данными?
Культура и качество данных важны для построения надежной дата-стратегии. А инновации в корпоративных ИТ-платформах необходимы, чтобы эта стратегия как можно более успешно развивалась. Привлекая новые источники данных, диверсифицируя технологии и применяя новые технические подходы, вы сможете получить гораздо более четкие, близкие к реальному времени “инсайты” из данных в масштабах всего предприятия.
Где компании могут найти новые источники данных для внедрения инноваций? Сегодня часто рекомендуют использовать источники так называемых “dark-данных”, которые ранее по каким-то причинам оставались нетронутыми. Например, производители могут использовать изображения с камер и видео для оценки тех или иных параметров на производственной линии.
4. Как использовать облачные сервисы для платформ с данными?
Многие организации выбирают облачные решения. Часто в числе аргументов звучит оптимизация затрат на инфраструктуру. Однако в том, что касается работы с данными, следует смотреть через призму показателей time-to-data (“время на получение данных”), time-to-analysis (“время на анализ”) и, в конечном счете, time-to-market (“время на вывод решения на рынок”). Для этого необходимо думать о том, как извлекать практическую пользу из анализа массивов данных в новых ИТ-средах и новыми способами.
Большинство компаний начинают этот путь с сотрудничества с одним облачным провайдером, однако на практике высокую эффективность ИТ-среды для работы с данными и ИИ обеспечивают ресурсы нескольких разных игроков. Поэтому важно с самого начала разработать эффективную мультиоблачную стратегию, чтобы впоследствии иметь необходимый уровень гибкости и модульности для перехода к серьезным задачам масштабирования.
5. Как обеспечить этичное использование данных?
Очень важно четко определить ответственность за этичное использование данных и иметь специальную команду для создания правильной политики управления и контроля по всей цепочке поставки данных. Например, при рассмотрении вопроса о вводе и перемещении данных из источника в зону хранения платформы данных необходимо продумать, какой природы эти данные, и обеспечить все необходимые разрешения и защиту или меры предотвращающие возможные искажения или предвзятость.
При обработке данных нужно будет заранее продумать, какие данные необходимо анонимизировать или зашифровать. Когда вы извлекаете “инсайты” с применением аналитических моделей, алгоритмов машинного обучения, необходимо решить, как избежать предвзятости и в самом наборе данных, и непосредственно в моделях. Без этичного и ответственного использования, “встроенного” в стратегию работы с данными, решения ИИ могут работать технически, но не приносить ожидаемого результата или даже приводить к репутационным и иным рискам и прямой потере денег
Итак, вы нашли ответы на перечисленные пять вопросов. Что дальше?
Если ответы были четкими и понятными, это позволит компании двигаться по пути к созданию data driven бизнеса. Вот по какой траектории, скорее всего, будет проходить этот маршрут.
Фабрика Proof of concept (доказательство идеи)
По опыту наблюдений за современным рынком можно сказать, что большинство компаний (80—85%) застревают на этой стадии развития в области работы с данными. Они проводят эксперименты и пилотные проекты в области ИИ и продвинутой аналитики данных, но не достигают успеха в масштабировании, а потому получают низкую отдачу от инвестиций.
Их усилия, как правило, зациклены в рамках ИТ-отдела или проектной команды. Они не имеют прямой связи с бизнес-результатами или стратегическими целями. Время и инвестиции, необходимые для масштабирования, недооцениваются. Фабрика Proof of concept — всего лишь стадия на пути дальнейшего развития. Она должна поставлять рабочие пилоты для дальнейшего развития на следующих этапах.
Стратегическое масштабирование
Только 15—20% компаний добираются до этой стадии. Они успешно масштабируют в два раза больше инициатив по сравнению со средним числом инициатив в менее успешных в области применения данных организациях. Также они получают гораздо более высокую отдачу от решений искусственного интеллекта и аналитики данных — почти в три раза выше, чем у конкурентов. В качестве приоритета руководство таких компаний имеет четкую стратегию и операционную модель ИИ, связанную с бизнес-целями, поддерживаемую многочисленными кросс-функциональными командами, во главе которых в качестве владельца продукта стоит бизнес.
Индустриализация работы с данными для нового роста
Очень немногие (меньше 5% от всех организаций) компании достигли этого этапа на своем пути. Они обладают эффективной цифровой платформой и продуктовой фабрикой для работы с данными. У них запущены сквозные рабочие процессы, ориентированные на данные и аналитику. Такие организации масштабировали сотни пилотных проектов с помощью собственного конвейера по обработке данных и продвигают инновации в области продуктов и услуг, получая выгоду от повышения прозрачности ожиданий клиентов и сотрудников. Они также на 65% чаще поддерживают высокие темпы перехода от пилотного проекта к масштабированию, соблюдая сроки в диапазоне 1—2 лет.
Вместо заключения: меньше шума, больше данных
После многих лет сбора, хранения, анализа и изменения конфигурации массивов информации большинство организаций сталкиваются сегодня с проблемой огромного объема разрозненной информации и выбора правильного подхода к их очистке, управлению и потреблению. Дата-эффективные компании отсеивают ненужный “шум”, окружающий ценные для их задач данные. Они признают важность критически важных для бизнеса типов данных, выделяя в качестве приоритетных областей финансовые, производственные, маркетинговые и клиентские данные.
Самые дальновидные компании инвестируют значительные средства в качество данных, а также инструменты управления: облачные озера данных, инструменты дата-саентистов с управлением и контролем за моделями, дата-маркетплейсы. Успех в работе с данными — это, прежде всего, отбор и обработка из всего существующего многообразия “правильной” информации, которые происходят, исходя из ее бизнес-ценности и с передачей в компетентные руки в рамках адекватных рабочих процессов.
Об авторе
Лариса Малькова — управляющий директор практики Applied Intelligence консалтинговой компании Accenture в России.
