Текст книги "Оптимизируй это немедленно! Как, используя современные IT-инструменты, сократить издержки и обойти конкурентов"

Часть III
Аналитическая культура

Глава 24. Демократизация аналитики

Благодаря подобным изменениям компании все ближе подходят к третьему, зрелому типу работы с информацией – демократизации аналитики, когда аналитические инструменты становятся доступны широкому кругу сотрудников. Но это требует не только понимания проблемы и желания решить ее, но и ряда мер, призванных обеспечить «бесшовную» работу с данными по всей компании:

1. Каталог показателей. Когда на встрече присутствует несколько отделов, я иногда задаю простой вопрос, чтобы показать необходимость каталога показателей. Я спрашиваю: «Как вы считаете продажи?» Коммерческий директор отвечает: «Мой показатель – сколько я продал. Я отгрузил 40 вагонов продукции – вот мой показатель!» Но если на встрече присутствует финансовый блок, то тут же взвивается руководитель: «Дорогой коллега, вы изволили на 20 вагонов дать отсрочку в 30 дней, а еще на 10 вагонов – даже в 60! Вот когда деньги придут, это и будет продажа!» Отдел логистики может добавить: «А еще фуру брака приняли от сети и отправили поставщику. Мы это отдельно считаем или прошлую продажу будем корректировать?» Друзья, мы только выявили сразу несколько показателей, давайте определимся, как их называть – гросс, нетто, брутто, финансовая, с учетом возвратов… Вам же самим будет легче разбираться. Давайте сделаем так, что вся компания будет на одной волне и все будут понимать, что означает и как рассчитывается тот или иной показатель. Для этого необходимо завести специальный раздел во внутренней базе знаний компании (БЗК). Вы еще не используете базу знаний? Очень-очень зря. Ее стоит завести хотя бы для этого проекта. В базе знаний формируется каталог показателей: за каждым показателем и значением закрепляется ответственный, он рассказывает, что он означает, как рассчитывается и с какой периодичностью. Потом подключаются ИТ-специалисты, которые отвечают за работу с данными, и они уже детально описывают, из каких систем необходимо забирать информацию, чтобы его получить. Если показатель планируется загрузить в хранилище (или он там уже есть), то необходимо его указать и уточнить, как часто он обновляется.

2. Показатели, или KPI. Важно, чтобы сотрудники понимали, как компания оценивает их деятельность. Все эти показатели должны быть достижимы, и сотрудники должны понимать, что показатель оценивает их личный вклад, что они могут повлиять на его достижение. Есть хорошая методика определения – S.M.A.R.T. (Умный). Показатель должен быть:

● конкретным, не расплывчатым (Specific);

● измеримым (Measurable);

● достижимым (Achievable);

● ориентированным на результат (Result-oriented);

● рассчитываться за определенный период (Time-bound).

У каждого сотрудника должен быть свой набор ключевых показателей эффективности (KPI). Набор KPI по отделам и должностям можно хранить в базе знаний. А вот конкретная цель у сотрудника или отдела может быть как публичной информацией, так и информацией с ограниченным доступом. Разумеется, KPI надо набирать из набора детальных показателей, указанных в предыдущем пункте, чтобы не было разногласий, а формулу расчета надо публиковать, чтобы люди понимали, как конкретно считается тот или иной показатель их работы. Например: «Премирование идет не с брутто-продажи, а после получения денег с клиента. И в любом случае после 30 дней, отведенных на возврат товара. При этом не будут учтены продажи по подарочным сертификатам, так как мы их уже учли как продажу сертификата».

3. Каталог отчетов. Тоже важная вещь, так как отчеты изменяются, добавляются и, к сожалению, зачастую дублируются. В первую очередь из-за того, что нет хорошего каталога отчетов. Один отдел постоянно пользуется важным документом, а другой отдел даже не знает, что он существует, и делает свой – та же «Excel-анархия», только на продвинутых инструментах. Поэтому необходимо вести список основных отчетов, особенно для взаимодействия между отделами, чтобы все работали с одинаковыми документами на основе сертифицированных данных – это позволит снизить трудозатраты на разработку и поддержание отчетности и улучшит взаимодействие. За каталог отчетов должен быть назначен ответственный, например, сотрудник аналитического отдела или центра компетенций.

4. Правила предоставления данных. В чем смысл предоставления сотрудникам аналитических инструментов, если компания боится предоставить данные? С другой стороны, компрометация данных – одна из актуальнейших проблем современного мира. Поэтому нужны четкие регламенты: кому к каким данным предоставлять доступ, как разграничить доступ по ролям и по пользователям, в том числе на уровне записей. Например, сотрудник может видеть всех клиентов, но детальную информацию – только по клиентам своего отдела, которых он и так знает, а по чужим клиентам – только базовую или сводную обезличенную информацию. Отдел детально видит все свои продажи, а продажи коллег – только в агрегированном виде (например, по неделям или дням) для сравнения. При этом руководство коммерческого блока и аналитики должны иметь возможность получить информацию в максимально детальном виде. Невозможно организовать механизмы самообслуживания по анализу данных всеми сотрудниками компании, если к ним нет доверия или у вас нет механизмов управления данными, их обновления, распределения по сотрудникам и средств обеспечения безопасности и разграничения доступа.

5. Правила предоставления отчетов. Аналогично предыдущему пункту, необходимо ввести предоставление доступа к отчетам: если сотруднику необходим тот или иной документ, он должен знать, кого попросить предоставить доступ, кто должен одобрить предоставление отчета или внесение в него изменений.

6. Каталог визуализаций. С помощью визуализации можно как сконцентрировать на чем-то внимание, так и исказить картину, используя неподходящий вид – например, круговую диаграмму. Поэтому порой важно иметь список рекомендаций, какую диаграмму лучше использовать при проведении того или иного вида анализа, выдачи рекомендаций и результата расчетов. Чтобы упростить общение между отделами, можно ввести цветовое кодирование. Нужно сделать так, чтобы кодирование было легко запомнить. Например, использовать «правило светофора»: красный – это плохо (сразу обращаем внимание), желтый – требует внимания (или уже отреагировали и внимательно следим), зеленый – все хорошо (можно не отвлекаться). Можно закодировать группы товаров, направления, отделы: красный – коммерческий отдел (у них всегда показатели красные), зеленый – это финансы (конечно, от них денег не дождешься), синий – логистика (ну-у, это логистика). Простые объяснения – и одного взгляда на дашборд достаточно, чтобы понять, как идут дела и на что обратить внимание в первую очередь.

Кейс 18. Как «светофор» может разгрузить директора

В одной компании по управлению проектной деятельностью в области геологоразведки подготовка к еженедельному совещанию занимала два дня: надо было проверить, как идут дела по текущим проектам, что с отставаниями, успеваем ли в срок сдать проект, и быть готовым к любому вопросу генерального директора (ГД). Финансовый директор приходила с огромной стопкой бумаг, чтобы дать ответ на любой вопрос по экономике. После перевода отчетности в электронный формат, который ей помогли сделать партнеры QUBData, время подготовки сократилось до 15 минут, и она могла четко сказать, как поменяется экономика проекта, если мы попросим работать бригаду не 8 часов в день, а 9 часов – ведь надо платить сверхурочные! А если они не сдадут проект вовремя, то дороги развезет и техника может застрять в тайге еще на полгода. Такая подготовка и скорость предоставления ответов заинтересовали генерального директора, и скоро все стали пользоваться едиными показателями и сводом управленческих отчетов. Все 700 бригад были ранжированы: зеленые – все идет хорошо, что на них смотреть? Красные – требуется срочно решить, что делаем: просим больше работать, или усиливаем, или присылаем дополнительную технику, но тогда это отражается на рентабельности проекта, и тут в дело вступало финансовое моделирование. Те бригады, которые отстали или выбились из предполагаемой маржинальности, помечались желтым цветом, и за ними был установлен особый контроль, чтобы не было дальнейших ухудшений. Таким образом, внимание требовалось лишь небольшой части бригад, что сократило совещания и подготовку к ним, высвободив время для других проектов и личной жизни. Все это было невозможно без инструментов для самостоятельного бизнес-анализа.

7. Инструменты для самостоятельного бизнес-анализа (Self-service). Разумеется, нельзя просто предоставить данные – необходимы инструменты для их анализа. Специалистов по работе с данными необходимо оснастить продвинутыми средствами аналитики. Но, если вы хотите сделать аналитику действительно массовой, необходим отдельный класс инструментов, который легко освоить, чтобы любой сотрудник смог его использовать. Еще лучше, если подобные инструменты позволяют более продвинутым сотрудникам самостоятельно строить отчетность на основе доступных проверенных данных или самостоятельно загрузить свои данные поверх выверенных корпоративных – это заметно снизит нагрузку на ИТ и аналитический отдел. Современные инструменты распознают запросы на человеческом языке, самостоятельно подсказывают: «Обратите внимание на это!» и помогают в разработке отчетов, предлагая различные виды визуализации. Все это делается для того, чтобы снизить требования к персоналу и «гражданским аналитикам», которые будут работать с данными.

Кто такие «гражданские аналитики и разработчики»? Это современная тенденция: обучение новым навыкам сотрудников бизнес-подразделений. Таким образом, «гражданский аналитик» – это человек, который не получил фундаментального базового образования в сфере математической статистики и анализа данных, но освоил базовые принципы, которые помогут ему решать аналитические задачи в современных инструментах, не столь требовательных к наличию специализированной фундаментальной подготовки. Увы, эта тенденция связана как раз с недостатком специалистов на рынке, но современные инструменты развиваются очень быстрыми темпами, и это снижает требования к подготовке персонала. Отрадно, что все больше компаний поощряет подобное развитие сотрудников, предоставляя соответствующие курсы или оплачивая, частично или полностью, обучение на сторонних площадках при успешном тестировании после прохождения курса и подтверждении полученных компетенций.

8. Обучение. Как ни странно, это один из самых важных пунктов. Без него мы не перейдем ни к демократизации данных, ни к аналитической культуре в компании. Пункт настолько важный, что ему посвящена отдельная глава.

Глава 25. Обучение

Бессмысленно предоставлять инструменты и не обучать ими пользоваться: зачастую люди не могут освоить новые инструменты самостоятельно, но им надо подсказать базовые вещи, а еще лучше, если будет несколько курсов – от начальных до продвинутых. Вы уже знаете, где их хранить, не так ли? Кстати, проблема обучения персонала очень важна. Мир быстро меняется, выходят новые версии программ, новые продукты, процессы в компании быстро меняются. Зачастую технологии развиваются намного быстрее, чем обычный сотрудник успевает их освоить. Более того, это ведет к стрессу! Согласно исследованию «Человеческий фактор в управлении данными»[27]27
  The Human Impact Of Data Literacy. https://thedataliteracyproject.org/files/downloads/Qlik_Accenture_Human_Impact_of_Data_Literacy.pdf


[Закрыть], проведенному компаниями Qlik и Accenture в 2019 году, во всем мире у большинства работающих людей проявляются симптомы выгорания (чувство непродуктивности, разочарования или стресса) при работе: с системами управления взаимоотношениями с клиентами (CRM) – 59 %, с учетными системами (ERP) – 54 % и инструментами коммуникации – 63 %. Это утверждение также относится и к работе с аналитическими инструментами: 14 % сотрудников сообщают, что чувствуют себя перегруженными при работе с показателями, если работают с ними раз в день. Почти три четверти сказали, что чувствуют себя подавленными или несчастными при работе с данными. Более трети сотрудников со всего мира, сказавших, что они перегружены работой, сообщили о том, что тратят не менее одного часа в неделю, чтобы отложить выполнение задач, связанных с цифрами. Еще столько же респондентов отметили, что попробуют найти альтернативный метод выполнения задачи, чтобы избежать работы с отчетностью, а еще 14 % респондентов постарались бы полностью избежать задачи.

Почему так произошло? Потому что у подавляющего большинства людей нет специального образования, но человечество производит все больше и больше данных год от года, они практически удваиваются ежегодно! Хотя мы просим сотрудников использовать и даже монетизировать эти данные, но у них просто-напросто нет таких навыков. Люди не умеют обращаться с показателями, самостоятельно строить отчеты и делать выводы.

Наконец, поскольку объем данных в последние годы растет экспоненциально, аналитика коренным образом изменила методы работы предприятий. Компании пытаются все процессы перевести в цифровой вид, все оцифровать и тегировать, и это генерирует все больше и больше данных. Для организаций очень важно использовать все данные для принятия правильных решений, но без обученного персонала сделать это практически невозможно.

Сегодняшний бизнес-ландшафт переживает цифровую эволюцию. Технологические инновации растут невиданными темпами, рождая новые технологии, такие как интернет вещей, искусственный интеллект, машинное обучение, прогнозная аналитика и многие другие. Эти технологии оказываются катализаторами роста и позволяют цифровому бизнесу эффективно использовать сверхбольшие объемы информации. Несмотря на такой потенциал, синхронное развитие с темпами цифровой эволюции требует не только использования новейших технологий – это требует ответов на вопросы, которые будут определять дальнейшие стратегии организации. Именно здесь грамотность данных играет решающую роль. Только те компании, которые эффективно используют свои данные и превращают их в идеи, смогут трансформироваться и конкурировать в нашей новой цифровой экономике.

Хотя 92 % руководителей в мире считают, что их сотрудникам необходимо обладать грамотностью работы с данными, только 17 % сообщили, что в их компаниях поощряется желание работать с информацией и учиться этому![28]28
  Accenture: Closing the Data Value Gap. https://www.accenture.com/us-en/insights/technology/closing-data-value-gap


[Закрыть] И тут компания попадает в ловушку: она организует аналитический отдел, нанимает высококвалифицированных (и, кстати, дорогостоящих) специалистов – инженеров по работе с данными, специалистов по работе с большими данными (Data Scientist, «дата-сатанист»), аналитиков, дата-стюардов, архитекторов. Компания предоставляет им современный аналитический инструментарий, и… все снова упирается в один отдел, который становится «узким горлышком» и не успевает ответить на все вопросы, обеспечить всех своевременной и достоверной отчетностью, ведь это можно сделать, только раздав всем сотрудникам соответствующие инструменты для самостоятельной работы с данными. А толку, если они не умеют ими пользоваться? И компания так и сидит на втором, децентрализованном уровне.

Глава 26. Что же такое аналитическая культура?

Как выглядит выстраивание культуры работы с данными? Это потребует как технических навыков по сбору, обработке и анализу сведений, так и организационных изменений по выстраиванию новых навыков работы и принятия решений на основе выявленных закономерностей, выводов и новых идей. Если умело совместить два указанных подхода, то получим следующие основные характеристики компании, обладающие аналитической культурой.

● Свободное владение данными – это способность говорить на языке цифр, понимать аналитические отчеты и общаться с их помощью. Все должны знать, как правильно визуализировать выводы и трактовать полученные результаты.

● Аналитические навыки – это не просто навыки работы со статистикой, а способность анализировать, интерпретировать и понимать данные. Наверное, самый важный навык – умение задавать правильные вопросы: «А почему именно так?», «Почему это произошло?», «Что будет, если…» – именно навыки постановки вопросов и понимания ответов являются ключевыми.

● Умение извлекать знания. Несмотря на то, что не все могут быть специалистами по работе с данными, каждая организация нуждается в навыках подготовки и обработки информации и специалистах по работе с ней, будь то несколько профессионалов в рамках отдела или выделенная команда.

● Визуализация упрощает прочтение показателей и должна быть неотъемлемой частью культуры грамотного обращения с данными, помогая сотрудникам использовать и передавать их. Согласитесь, гораздо легче общаться и передавать знания и выводы, полученные на основе анализа информации, если полученный отчет можно легко считать. Не нужны сложные подписи, если сотрудники понимают, что отрицательные отклонения подкрашены, например, красным, а положительные – зеленым, а основные показатели или подразделения имеют единое цветовое кодирование, принятое в компании.

● Обучение. Для достижения аналитической культуры в компании должно быть организовано обучение сотрудников, центры компетенции и повышения квалификации. Невозможно нанимать только математиков, поэтому необходимо продумать процесс обучения собственных сотрудников и повышения их компетенции, искать новые концепции и подходы к работе и анализу данных.

● Наставничество. Вашей компании придется учредить институт наставничества по работе с данными – это позволит шире и быстрее распространить культуру работы с данными. Желательно, чтобы это были не просто преподаватели и тренеры, которые обучают довольно четким процессам, а обычные сотрудники, которые умеют и любят работать с информацией, те, кто желает помочь коллегам в обучении и формировании навыков.

В компаниях с высокой аналитической культурой и грамотностью работы с информацией, цифры рассматриваются как второй язык, на котором умеют разговаривать все сотрудники. С другой стороны, делегирование принятия решений – очень щепетильная тема. И людей необходимо учить не только анализировать данные, но и принимать решения на их основе.

Кейс 19. Как аналитики спасли Intel

Эндрю Гроув в своей книге «Выживают только параноики»[29]29
  Гроув Э. Выживают только параноики: Как использовать кризисные периоды, с которыми сталкивается любая компания». – М.: Альпина Паблишер, 2009.


[Закрыть] описывает очень интересную ситуацию, которая произошла с компанией Intel в середине 80-х годов. Дело в том, что изначально компания была производителем модулей памяти, микропроцессоры были дополнительным, не основным направлением, и их производство велось только на одном заводе. Однако в начале 80-х годов японские компании модернизировали производство и вышли на американский рынок с заманчивыми предложениями. В 1984 году японские предприниматели взяли «правило 10 %», когда на любое предложение американских компаний они отвечали скидкой в 10 %, пока американцы не отказывались от сделки. Эндрю рассказывает, как топ-менеджмент прошел все стадии – отрицание, гнев, торг, депрессию и принятие, – пока не решил, что убыточный бизнес необходимо закрывать. И это заняло почти два года – дело в том, что компания начинала именно с модулей памяти, это был их «любимый ребенок» и основная идея, от которой они не могли отказаться – «как так, наша компания производит модули памяти – ну как мы бросить этот бизнес?». Кстати, один из хороших советов, которые он дает, – не тянуть с принятием подобных решений. В итоге, когда менеджмент приговорил к закрытию убыточный бизнес, оказалось, что из восьми заводов семь уже выпускают процессоры. Пока топ-менеджмент рисовал графики выхода из кризиса, средний менеджмент сократил загрузку линий по производству модулей памяти, так как они убыточны, и увеличил загрузку производства по выпуску прибыльных микропроцессоров: это было выгодно и коммерческому отделу – ну зачем продавать убыточный продукт на высококонкурентном рынке? – и финансовому департаменту, который переориентировал денежные потоки с убыточных продуктов на прибыльные. В итоге, когда решение об отказе от продукта было принято, пришлось закрыть лишь один завод из восьми.

Глава 27. Как стать Data-Driven компанией

Вопрос, разумеется, больше к руководству. Если оно не понимает, зачем это нужно, то ничего не поменяется – ведь проекты по преобразованию требуют кураторства самого высокого уровня. А решения, даже на таком уровне, зачастую принимаются – да-да! – именно на интуиции. Согласно упомянутому исследованию «Человеческий фактор в управлении данными», лишь 37 % сотрудников доверяют своим решениям больше, если они основаны на цифрах, а почти половина из них отдают предпочтение решениям, основанным на интуиции, нежели на анализе данных.

Это закономерно для людей на каждом этапе карьеры – и даже более распространено среди топ-менеджмента! Например, около двух третей (65 %) топ-менеджеров и владельцев компаний управляют на основе личной интуиции по сравнению с 41 % менеджеров среднего звена и рядовых сотрудников. Хотя для бизнеса интуиция необходима, полученные результаты показывают, что такая уверенность руководителей некоторых компаний в своем опыте препятствует внедрению практики решать проблемы на основе анализа показателей.

Разумеется, интуиция важна! Дело в том, что, к сожалению (а может, и к счастью), в системе невозможно учесть все факторы, которые приводят к верным управленческим решениям, однако со своевременными и достоверными сведениями из BI-системы сделать это гораздо проще. Что же не укладывается в рекомендации систем BI? В первую очередь, это влияние макроэкономики и геополитической ситуации – эти параметры очень непросто ввести в математические модели, поэтому не так много экспертных систем, которые способны хотя бы приблизительно их оценить. Здесь стоит полагаться на то самое предпринимательское чутье, которое пока не заменишь бездушной машиной. Более того, система не найдет вам «Голубой океан»[30]30
  Чан К., Моборн Р. Стратегия голубого океана: Как найти или создать рынок, свободный от других игроков. – М.: Манн, Иванов и Фербер, 2017.


[Закрыть] – надо действительно обладать способностью предвидеть и сильной волей, чтобы задолго до появления конкурентов начать разрабатывать свободную нишу. Например, на заре LED-технологий система может подсказать рост интереса к продуктам подобного класса, но, чтобы рискнуть и заключить договор на поставку партии товара, а тем более построить завод под этот товар, нужно обладать исключительной интуицией, да и везучестью, чтобы попасть как раз в пик роста спроса, а не остаться с огромной партией товара на складе, в то время как на рынок выходят более современные и, что важно, дешевые аналоги и эффективное оборудование, которое позволяет производить товар дешевле.

Однако и чутье может подвести, если ориентироваться только на него: помните жаркое лето 2010 года? Девушки расхватали все купальники, найти их в магазинах было проблемой. Рост продаж – бешеный. Разумеется, руководство заложило такой же рост и на следующий, 2011 год и закупило товар под объем ожидаемых продаж. А в 2011 году лето не задалось – дождь, ветер… и падение было страшным. А такой товар регулируется модой, в 2012-м он уже будет никому не нужен – модным станет другой фасон и цвет. И началась паника и даже банкротство некоторых сетей, специализировавшихся на продаже нижнего белья.

Более того, подобная парадигма не просто привносит стабильность и снижает риск принятия ошибочного решения, она обеспечивает непрерывность бизнеса. Не надо устраивать совещания – все есть в панелях, можно самостоятельно провести расследование или подготовить аналитический отчет и поделиться им с коллегой, сформировать виртуальную команду для решения разных задач. Относитесь к бизнесу как к конвейеру, у которого два состояния – или он работает и приносит прибыль, или простаивает и генерирует убытки. Я вспоминаю кейс с крупным производителем молочной продукции, у которого обнаружилась такая проблема. Компания достигла максимума эффективности, и все равно показатели «линия работает/простаивает» были далеки от значений западных коллег, а проект по оптимизации похож на процесс отжимания мокрого полотенца: сначала из него льет вода, а потом каждую каплю приходится выжимать с большим трудом. После того как компания получила все необходимые показатели и свела в единую картину, когда стали фиксировать причины остановок линии, получили подробную информацию, с чем это было связано, и провели всесторонний анализ – только тогда смогли заново запустить процесс оптимизации и подняться с максимально «выжатых» 77 % до рекордных 84 %.

В целом путь становления компанией Data-Driven не особенно отличается от процесса оптимизации производства (если учитывать, что это не разовое улучшение, а непрерывный процесс совершенствования) и состоит из следующих повторяющихся четырех шагов: пропаганды, оценки, обучения и повторения.

● Пропаганда (Communicate). Необходимо рассказать о ценности, которую принесет анализ информации рядовыми сотрудниками. Желательно – на примерах или личном опыте коллег. Здесь нужно выявлять и подключать к работе «дата-чемпионов» или «дата-звездочек» в каждом департаменте – людей, которые уже сами строят отчеты и готовы поделиться интересными открытиями и опытом, а потом и научить коллег аналитическим навыкам.

● Оценка (Assess). Необходимо оценить текущие компетенции сотрудников в работе с данными. Для этого есть множество тестов, ряд из них доступен на сайте, посвященном грамотности работы с данными, – DataLiteracy.ru.

● Обучение (Train). Как мы говорили, обучение – ключевая составляющая успеха. Однако, согласно уже упоминавшемуся исследованию Human Impact of Data Literacy, только 66 % сотрудников считают, что их адекватно и достаточно обучили работе с информацией.

● Повторение (Iterate). Путь к грамотности работы с данными – это постоянная работа, как «вширь», то есть от отдела к отделу, так и «вглубь», которая характеризуется углублением знаний по анализу показателей и принятию решений отдельных специалистов. Надо только понимать, что подобное обучение обязательно окупится.