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

Глава 28. Не говорить, но слушать

Самое сложное – это умение слышать людей. Некоторые компании никогда не смогут привить у себя аналитическую культуру: это не просто работа с людьми, это уважение к выводам, полученным рядовыми сотрудниками, и делегирование участникам процесса принятия решений. В отделах или компаниях с авторитарным типом руководства: «Я – начальник, ты – дурак!» – внедрение такой культуры становится невозможным. Работник нашел что-то интересное, показал. А его развернули: «Не твоего ума дело!» Раз дали по шапке, два… он больше и не приходит. А потом оказывается, что его совет мог бы сэкономить компании миллионы! И отнюдь не рублей.

Кстати, это актуально во всем мире – в западной культуре подобный пример описал Карл Андерсон в книге «Аналитическая культура»[31]31
  Андерсон К. Аналитическая культура: От сбора данных до бизнес-результатов. – М.: Манн, Иванов и Фербер, 2017.


[Закрыть]. Он назвал проблему «Эффектом гиппопотама» (HiPPO – Highest Paid Person's Opinion, то есть мнение самого высокооплачиваемого сотрудника). Это происходит тогда, когда решение принимается не на основе цифр и выкладок, а на авторитарном мнении руководства. Мало того, что решение может оказаться неверным и создать компании проблемы, это накладывает на руководителей высокую ответственность – неудачное решение или проект может стоить им должности. Думаю, все мы заинтересованы в том, чтобы решения принимались объективно и на основе достоверной и актуальной информации. Но самое ценное – это предоставить сотрудникам возможность принимать решения и дать им обратную связь – какие интересные пути повышения эффективности они нашли, выслушивать, поощрять в этих поисках и, разумеется, реагировать, если они выявили проблемную зону. Кстати, именно подобного подхода придерживается и Рэй Далио[32]32
  Далио Р. Принципы: Жизнь и работа. – М.: Манн, Иванов и Фербер, 2018.


[Закрыть], человек, который выстроил одну из самых прибыльных компаний в мире – Bridgewater.

Кейс 20. ГК «Мегаполис»

Рассказывает Андрей Писарев, руководитель проектов стратегического развития группы компаний «Мегаполис»[33]33
  Выступление Андрея Писарева, ГК «Мегаполис», на Analytics Day 2019.


[Закрыть]:

«Когда мы предоставили Qlik Sense нашим сотрудникам, они стали выявлять очень интересные ситуации, которые мы смогли улучшить. Например, было выявлено, что работники склада работают во вторую смену, получая надбавки. Мы стали смотреть загрузку склада и обнаружили, что основная масса заказов на формирование отгрузки действительно поступает не в течение дня, а во второй половине, ближе к вечеру, после чего склад берет их в работу. Это очень негативно влияло на качество подбора товаров в заказ и уровень сервиса. Данная ситуация показалась странной, так как заказы на формирование отгрузки формируются автоматически после того, как торговые агенты собирают заказ и его подтверждают – это их основная рабочая обязанность в течение рабочего дня. После проведенного опроса оказалось, что агенты предпочитают подтверждать заказы не на встрече с клиентом, а после рабочего дня. После небольшой разъяснительной работы сотрудники стали своевременно подтверждать заказы, и мы стали отслеживать своевременность подтверждения заказов. Это разгрузило склад и дало нам экономию в 20 млн руб. в год».

Когда аналитика работает на всех уровнях компании и доступна широкому кругу специалистов, подобные решения помогут оптимизировать множество аспектов работы предприятия, до которых не доходили руки или про которые просто не знали. В одной крупной аграрной компании после основного проекта, связанного с получением точной себестоимости, началось множество небольших проектов, по итогам которых было принято огромное количество решений по оптимизации компании – от выстраивания стратегий работы с сетями и трансферного ценообразования до оптимизации разделки туш. Просто специалисты провели анализ выхода продукции и увидели, что определенный процент продукции второго сорта получается от неправильной разделки туш по позвоночнику. Производственные отделы об этом не задумывались, так как это укладывалось в нормативы. А что будет, если немного улучшить показатель? Хотя бы на пару процентов? Когда посчитали разницу в стоимости между сортами, она оказалась в сотни тысяч долларов в год на их объемах – разумеется, на этот показатель посмотрели по-другому, а компания окупила основной проект с помощью подобного небольшого подпроекта.

Глава 29. Как компания приходит к аналитической культуре

Аналитическая культура – это не только грамотность сотрудников в работе с данными и не просто обучение сотрудников или предоставление им аналитических инструментов – это комплексный проект по формированию внутренних команд, наделенных полномочиями по оптимизации бизнес-процессов компании. Если взять опыт компаний, успешно переходящих на новый тип управления, то можно выделить такую последовательность.

1. Осознание проблемы. На этом этапе начинают понимать, что «что-то не так»: некоторые процессы растянуты по времени, отсутствует тайминг, а обработка отклонений от типового процесса занимает значительное время. Старт подобным проектам дает отсутствие единой точки правды, когда у разных подразделений свой взгляд на расчет себестоимости, или «Excel-анархия», когда каждый отдел отчитывается в программе Power Point на основе показателей, рассчитанных аналитиками этого отдела, которые могут отличаться от показателей других отделов, что замедляет и усложняет принятие решений высшим руководством.

2. Проекты по оптимизации цепочки создания добавочной ценности обычно начинались с решения важной и болезненной для компании задачи: точного расчета себестоимости, или сокращения срока вывода новых услуг на рынок, или сокращения времени на подготовку регламентной или управленческой отчетности (Fast Closing).

3. Для ее решения формировалась команда, которая должна была разобраться: почему так происходит. Разобраться – значит проанализировать существующую ситуацию и подготовить рекомендации по ее улучшению, поэтому работа адресовалась аналитическому отделу, зачастую – в прямом подчинении у финансового или операционного директора, которые заинтересованы в общей эффективности компании. Более того, в процессе исполнения проекта по оптимизации необходимо курирование руководителя высокого уровня, так как в проекте может участвовать множество отделов с разным уровнем подчинения, и, как показывает практика, далеко не все отделы заинтересованы в оптимизации.

4. Аналитический отдел выявлял проблемы и предлагал варианты решения. На этом этапе заказчики формировали команду по исправлению ситуации, наделяли ее соответствующими полномочиями, и начинался проект по исправлению ситуации. В мире широко распространена практика, когда подобные отделы специально формируются под директора цифровой трансформации (CDTO, Chief Data Transformation Officer). То есть на отдел не просто возлагается задача по фиксированию методологии расчета показателей, формированию единого бизнес-словаря и карт визуализаций, но и даются полномочия по инициации и ведению проектов по оптимизации бизнес-процессов.

5. Руководство разрабатывало стратегию по изменению компании и широкому применению аналитических средств, назначало ответственного – дата-лидера – за исполнение проекта и выделяло на проект соответствующий бюджет.

6. Основная цель проектов по грамотности работы с данными (англ. Data Literacy) – чтобы в вашей компании сотрудники получили инструменты контроля эффективности и самостоятельно работали над оптимизацией бизнес-процессов. Когда есть специальный отдел – это хорошо. Однако один отдел не сможет выявить все узкие места и оптимизировать все процессы, тем более не будучи глубоко погруженным в бизнес-специфику. Если у сотрудников вашей компании будет возможность подготовки предложений по оптимизации, подкрепленных выкладками из доверенных источников, то компания получит множество идей по улучшению сложившейся ситуации, что позволяет существенно увеличить эффективность, сократить время исполнения процессов и исключить лишние либо дублирующиеся процессы, ресурсы и затраты на их содержание. Однако стоит помнить, что заметный эффект достигается именно при массовом использовании такой парадигмы управления. Это требует поощрения сотрудников при выявлении проблемы и иногда даже переформирования подходов к управлению персоналом, чтобы сотрудники чувствовали себя задействованными в процессе принятия решений, а компания могла в полном объеме использовать результат создания деловой среды, которая поощряет подобное сотрудничество и инициативы.

Кейс 21. Опыт цифровой трансформации ПАО «Росгосстрах»

Рассказывает Евгений Ильин, заместитель руководителя операционного блока СК «Росгосстрах»[34]34
  Выступление Евгения Ильина, СК «Росгосстрах», на Analytics Day 2019.


[Закрыть], – тот самый дата-лидер, который вел проект по преобразованию:

«Как и мои коллеги, я столкнулся с типичными сложностями: невозможно было получить достоверные данные для оперативного реагирования, каждый отдел считал одни и те же показатели по-разному – не было единой версии правды, и для получения отчетов необходимо было объединить данные из множества источников. Также необходимо было оптимизировать персонал, который подготавливал множество отчетов в программе Excel, – не в смысле сократить, а дать им инструменты для анализа данных и подготовки рекомендаций вместо построения отчетов. Нам пришлось стартовать отдельный проект по определению и методологии расчета показателей эффективности работы. Вместо того, чтобы строить по запросу множество отчетов, мы решили предоставить ряду сотрудников инструмент для самостоятельной подготовки отчетов на основе выверенных данных. Проект был настолько успешным, что со временем мы решили дать инструменты для анализа данных каждому сотруднику. Нам удалось сформировать институт наставничества, когда аналитики примечали в отделах „дата-звездочек“, обучали их современному инструментарию, учили делать на нем отчеты, показывали, где лежат каталоги данных и как забирать сертифицированные данные в их приложения».

Менее чем через год число отчетов, разработанных "гражданскими аналитиками", достигло 1700. Ни один интегратор не справился бы с подобной задачей, призванной утолить аналитический голод в современной компании. Основные популярные приложения см. ниже.

Кстати, внедрение подобной системы может принести компании огромную пользу. Например, многие агенты не доверяют расчетам и думают, что их обманули с комиссионными выплатами. Некоторые даже выписывали свои сделки в тетрадку, чтобы потом сравнить с зарплатным листом. Если предоставить сотрудникам подробный динамический отчет – вот ваши сделки, а вот ваши комиссионные выплаты, – это устранит недоверие и повысит лояльность сотрудников компании. А если добавить в отчет возможность моделирования – а сколько бы сотрудники получили комиссии, если бы продали дополнительные услуги? Это позитивно действует на выручку: понимая, что бонусы могли быть в разы больше, агенты с помощью подсказок системы начинают предлагать новые продукты и формировать индивидуальные предложения, просчитывая, сколько заработают они лично. Даже такая простая вещь может принести двузначный (в процентах) рост выручки!

Глава 30. Что может дать компании аналитическая культура

Насколько выгоднее компании иметь сотрудников, обученных работе с данными? В чем их преимущество?

1. Быстрое получение обратной связи. Вам не надо будет опираться на мнение нескольких специалистов по работе с данными, которые, во-первых, могут ошибаться, не обладая полной информацией или не имея детального понимания того, как работает тот или иной бизнес-процесс. Более того, небольшой коллектив физически не имеет возможности ответить на все вопросы, возникающие у сотрудников, и дать им правильную интерпретацию, особенно без четкого понимания бизнес-вопросов, на которые они должны ответить. Каждый человек должен иметь право получать информацию, необходимую ему в работе.

2. Быстрое принятие верных и обоснованных управленческих решений. Сотрудники смогут самостоятельно и оперативно принимать верные и эффективные решения, потому что обучены думать и задавать правильные вопросы к результатам анализа. При этом важно уметь подвергать полученные цифры разумному сомнению, а не слепо верить результату, уметь разбираться в получившейся картине и обосновывать свои выводы. Все это позволяет сотрудникам чувствовать себя уверенно, когда они обосновывают свои решения или необходимые шаги вышестоящему руководству, подкрепляя свои выводы анализом данных.

3. Сохранение конкурентоспособности. Сотрудники смогут быстро разобраться в своих данных и предложить интересные решения, чтобы адаптироваться к изменениям, происходящим в окружающем мире, на рынке и в деловой среде, что поможет опередить конкурентов.

4. Лояльность и повышение значимости сотрудников. Вовлечение сотрудников в процесс принятия решений, предложение идей и их обсуждение ведет к тому, что они ощущают себя причастными к процессу, и компания сможет получить выгоду от создания деловой среды, которая поощряет подобное сотрудничество и инициативы.

Однако это еще не все. Как мы говорили ранее, аналитическая культура может упростить организационную структуру компании и делегировать полномочия принятия ряда решений на линейный уровень. Вспомните пример с кассами, когда целая очередь ждет одного ответственного сотрудника рангом чуть выше рядового кассира, чтобы он сторнировал ошибочно купленный или дважды пробитый в чеке товар, – после введения специализированных систем контроля это уходит в прошлое. Если вы уверены, что подобное не происходит в вашей компании, то, скорее всего, вы сильно заблуждаетесь.

С получением полномочий сотруднику не надо искать и дергать ответственного старшего менеджера; он сможет решить возникший вопрос самостоятельно – например, с недовольным клиентом. И если он решает все вопросы и усердно работает, это обязательно отразится на его показателях и компенсации. Однако для этого необходимо обучать не только анализу данных, но и процессу принятия решений.

Например, сейчас есть возможность сделать все анализы – только плати. Вопрос такой – сможем ли мы по результатам поставить диагноз самостоятельно? Однозначно – нет, если мы не получили соответствующего медицинского образования. Так и с принятием решений: чтобы парадигма «делегировать принятие решений» работала, необходимо научить не только анализировать данные, но и принимать соответствующие выводы и решения. Более того, надо учить просчитывать последствия принятого решения и учитывать риски; учить не просто дать поручение, но и проконтролировать получение конечного результата. Тогда сотрудники будут компетентны и смогут больше сделать, и вы сразу увидите тех, кто работает «для галочки, ему и так удобно», и тех, у кого есть потенциал.

Глава 31. Обратная связь

Как мы говорили в начале книги, обратная связь очень важна. Максим Батырев в своей книге «45 татуировок менеджера»[35]35
  Батырев М. 45 татуировок менеджера. – М.: Манн, Иванов и Фербер, 2021.


[Закрыть] говорит о том, что как только он стал всего на два ранга выше линейных сотрудников, так потерял с ними связь: его приказы могли просто не доходить до линейного персонала, застревая на уровне промежуточного менеджмента. Если надо быстро довести приказ до персонала, это можно сделать прямой рассылкой. А как узнать, выполняется ли приказ? Делают сотрудники то, что надо компании? А если не делают, то почему?

Кейс 22. Крупная рыболовно-промысловая компания

Бизнес компании делится на две части: в соответствии с договорами с рядом крупных сетей они обязаны поставлять определенный ассортимент товара (филе сельди, семги, форели), и это не должно зависеть от путины, сезона или улова, поэтому подобные аквакультуры выращиваются. А бизнес, связанный со свежемороженой рыбой, как раз зависит и от сезона, и от улова. Но план по продажам на месяц, который они ставят линейному персоналу, не всегда коррелирует с тем, что принесло море. Сегодня минтай хорошо пошел, а завтра – треска. В итоге по некоторым позициям менеджеры продавали то, что отсутствовало на складе, а по другим – получали огромные бонусы, хотя был хороший улов и отсутствовала необходимость в дополнительной оплате. В результате проекта пересчет бонусной модели стал проходить на ежедневной основе: менеджер по продажам каждое утро открывал панель показателей и смотрел, что выгоднее продавать сегодня, а в конце месяца система по заключенным контрактам аккуратно рассчитывала его премию. Таким образом, от формирования стратегии «что надо продавать» до начала ее исполнения проходила всего одна ночь!

Представляете, всего за одну ночь можно вывести на рынок новый товар – например, если компания решила предложить новую услугу или продукт. Утром менеджер открывает рабочее место, там указано, что за продажу нового товара он получит повышенные комиссионные, вот ссылка на продукт, вот ссылка на обучающий курс (что это за продукт, как его продавать, чем он отличается от других предложений на рынке) – он проходит обучение и воплощает стратегию компании. Но стратегия и ее исполнение могут очень сильно отличаться, поэтому по итогам недели собиралась статистика и начинался анализ – тот ли продукт продают сотрудники отдела продаж? Если нет, то в чем причина? Ценообразование, неосведомленность рынка, плохое продвижение, необученность продавцов или их недостаточная мотивация? Или просто продукт не востребован, вышел на рынок в неудачное время? Все это помогало оперативно скорректировать стратегию или свернуть невыгодное предложение, пока проект не потянул за собой убытки. Людям стали их аккуратно компенсировать в зависимости от их вклада. Это очень повышает лояльность. Дело в том, что народ у нас очень болезненно реагирует на несправедливость. Если начальник службы кадров (HR) не видит объективных показателей деятельности, то как он может понять, кто лучше, а кто хуже? Только спросить руководителя, а его оценка не всегда объективна. И если, по мнению сотрудников, кого-то наградили незаслуженно, это демотивирует персонал. Если существует справедливая и объективная система распределения поощрений, то сказать нечего: как работал, так и заработал, а повышение получают те, кто больше работает и приносит пользу. Таким образом, компания не просто моментально получает обратную связь, но и становится комфортным местом работы для толковых сотрудников.

Глава 32. Дата-лидеры

Уже упомянутые Ольга Дергунова, Татьяна Побединская, Герман Греф, Евгений Ильин, Никита Черкасенко, Андрей Писарев, Дмитрий Ефимов – все они являются дата-лидерами. Дата-лидер – это руководитель, который начинает и курирует проект по трансформации компании или отдела, берет на себя ответственность за достижение целей по оптимизации компании и внедрение передовых средств работы сотрудников. Дата-лидер, в первую очередь, должен обладать стратегическим мышлением, видеть полную картину. Должен быть ответственным и брать на себя риски по внедрению новых технологий и преобразованию отдела или даже целой компании. Он должен быть бизнес-аналитиком, уметь разбираться в бизнес-процессах компании и предлагать пути по оптимизации, доказывать руководству необходимость изменений или давать указания, что должно быть изменено и какие проекты нужно провести, что получится в результате нового проекта, курируя и контролируя достижение результата. Многие из них кардинально меняют работу компании, улучшая различные процессы, создавая из «затратных» подразделений поставщиков внутренних услуг, которые по эффективности ничем не уступают внешним подрядчикам, специализирующимся на предоставлении подобных услуг, а зачастую и превосходят их по качеству и скорости реакции. Все это очень сложные проекты, когда из отдела поддержки получается передовой отдел, который компенсируется, исходя из скорости реакции на решение инцидента, а ИТ-отдел начинает поставлять в компанию цифровые сервисы на хозрасчетной основе. Это проект по формированию центра экспертизы в области исследования данных, который осуществляет поддержку бизнес-подразделений путем создания и обогащения базы знаний в области полезных данных компании, дашбордов для эффективного исследования и отчетности.

Множество дата-лидеров – также прекрасные аналитики данных. К сожалению, дата-аналитиков очень мало. Когда меня спрашивают, где их взять, какое образование у них должно быть, – я отвечаю: ищите в своей компании любопытных людей. Именно любопытство отличает бизнес – и дата-аналитиков, это их профессиональная черта. Им всегда интересно: «А почему так?» Им увлекательно исследовать процессы, рыться в данных, пытаясь докопаться до истины, и получить полную картину: почему так произошло и что необходимо сделать для исправления ситуации. Именно любопытные люди – дата-лидеры, дата-звездочки, дата-аналитики, ИТ-специалисты – и являются тем ядром, которое двигает преобразования, делая компанию современной и эффективной.

В заключение я хочу привести еще один кейс от дата-лидеров дирекции региональных продаж ПАО «Газпром нефть» – это Александр Шурыгин, начальник департамента по экономике и финансам, Иван Черницын, руководитель центра аналитических решений и Татьяна Хорошева, руководитель направления по развитию компетенций в анализе данных.

Кейс 23. Аналитическая культура в ПАО «Газпром нефть»

Пионером в использовании алгоритмов на основе больших данных в компании «Газпром нефть» стал сегмент сбыта моторного топлива. Дирекция региональных продаж ПАО «Газпром нефть» (ДРП) в 2012 году начала проект по внедрению бизнес-аналитики на платформе Qlik, который не просто показал отличные результаты, но был принят как стандарт и в других подразделениях компании.

Дирекция региональных продаж (ДРП) управляет сбытом различных видов моторного топлива компании через собственную розничную сеть, состоящую из более чем 1800 АЗС в России, СНГ и Восточной Европе и включающую свыше 800 магазинов и кафе, а также через оптовые каналы и сервисы для коммерческих транспортных парков. Кроме того, подразделение отвечает за товаропроводящую сеть, в которую входят нефтебазы, лаборатории и собственный парк бензовозов. В периметре компаний под управлением дирекции работают более 20 000 сотрудников, и по численности персонала это примерно треть всей группы «Газпром нефть». Компания – пионер многих инноваций в российской топливной рознице: она первой внедрила шаблонные учетные системы, запустила программу лояльности на АЗС, реализовала партнерство с компанией Red Bull и продвижение собственных нетопливных брендов, аутсорсинг процессов и продвинутые решения для партнеров, собственные мобильные приложения и систему бесконтактной оплаты.

Рассказывает Александр Шурыгин, начальник департамента по экономике и финансам дирекции региональных продаж (ДРП):

«Дирекция региональных продаж была создана в „Газпром нефти“ в 2007 году для операционного управления приобретенными у „Сибнефти“ региональными предприятиями по сбыту нефтепродуктов (ПНПО). Предприятия вели независимую друг от друга деятельность, имели непрофильные виды деятельности и разнородные структуры, процессы, системы автоматизации. Тогда, в 2007 году, с точки зрения структурирования внутренних процессов перед нами было непаханое поле работы. И первый большой проект, который мы инициировали, – унификация 14 непохожих друг на друга дочерних обществ. Хорошо помню, как, к примеру, „Новосибирскнефтепродукт“ и „Газпромнефть-Кузбасс“ были устроены совершенно по-разному, что зависело от истории, традиций конкретного предприятия и, конечно же, видения руководителей. Необходимо было выстроить четкие функциональные связи по каждому из ключевых процессов, и за полтора года мы сделали единое штатное расписание, единые процессы с точки зрения ответственности, одинаковые ключевые показатели деятельности и алгоритмы принятия решений. Выгоды от проекта были колоссальные – мы получили типовую, понятную, прозрачную и управляемую структуру во всех предприятиях.

После административных изменений мы перешли к ИТ-решениям и в первую очередь внедрили единую систему учета и планирования. В 2010 году мы создали уникальное решение на базе российской платформы 1С, которое включало в себя модули коммерческого, бухгалтерского и управленческого учета, планирования и бюджетирования, казначейства, управления инвестициями. Тогда многие вокруг настаивали на необходимости внедрять SAP, но это было долго, сложно и слишком дорого. Мы получили полностью написанную под нас учетную платформу, которую в дальнейшем признали одним из лучших решений на нефтяном рынке, и на ней окончательно консолидировали дочерние предприятия.

Уже в 2010 году в ДРП появилась успешная практика принятия масштабных решений на основе данных. Для работы всех предприятий на шаблонных модулях нашей учетной платформы нам пришлось внедрить жестко управляемый информационный скелет для формирования экономических данных. Это и унифицированная модель планирования и отчетности, и единые планы счетов для ведения учета, ключевые справочники и методики расчета показателей. Качественная организация сбора ключевых значений со всех регионов позволила найти возможности повышения эффективности деятельности с помощью внутреннего бенчмаркинга и получить существенный эффект от тиражирования лучших практик. Уже тогда мне стало понятно, что для выявления потерь и обнаружения новых идей для роста необходимо выходить за пределы экономической отчетности, глубоко погружаться в детальные транзакционные и клиентские данные. Так департамент экономики и финансов стал драйвером развития аналитики и управления данными для всех подразделений и предприятий дирекции.

Крайне важно обеспечить доверие к ключевым данным при всех изменениях.

В 2011 году мы разработали с нуля на платформе 1С и запустили в эксплуатацию систему управления мастер-данными (MDM) – специальный инструмент для прозрачного ведения и изменения справочников, связей и полей данных. MDM-система хранит и передает всем "золотые записи" – пользующиеся общим доверием ключевые данные, что создает стабильный фундамент для работы и развития аналитики. При внедрении системы управления мастер-данными почти никто в дирекции не понимал ее ценности, а сегодня редкий информационный проект обходится без сверки и интеграции с ней. Благодаря централизованному управлению "золотыми записями" мы смогли быстро и безболезненно адаптировать учетные и производственные системы наших предприятий при нескольких волнах реорганизации бизнеса. На начало 2020 года более 330 справочников и связей, тысячи полей важнейших показателей дирекции управляются MDM-системой. Ее наличие обеспечивает надежную работу отчетности и позволяет с минимальными рисками увеличивать сложность аналитических моделей.

Единый BI успешно привил культуру работы с информацией всем подразделениям. Наш бизнес с 2007 года активно развивался, рос масштаб, и мое подразделение всегда сталкивалось с необходимостью быстрой оценки эффективности и молниеносного ответа на разные вызовы, которые приносил рынок или мы сами формировали перед собой. В конце 2012 года стартовал проект создания информационно-аналитической (BI) системы, единой для всех предприятий дирекции. Идея проекта была в том, чтобы собрать в одном месте плановые, прогнозные, оперативные и фактические значения из внутренних и внешних систем, чтобы построить над ними разнообразную отчетность и гибкую аналитику. В результате мы надеялись исключить дублирование и автоматизировать формирование отчетов, обеспечить готовые сведения под рукой для быстрых ответов на оперативные запросы, а также получить качественные детальные показатели для поиска бизнес-эффективных кейсов. Что очень важно, мы сразу заложили во всех BI-приложениях общую бизнес-терминологию, чтобы со временем все без исключения сотрудники говорили на одном языке. И мы отказались от долгого создания корпоративного хранилища данных в пользу технически несовершенной, но недорогой, гибкой и быстрой технологии компании Qlik, реализовав обработку, хранение и визуализацию значений на BI-платформе Qlik. Сегодня так поступают многие компании для быстрого прогресса с аналитикой, но в 2012 году наш выбор был реально инновационным.

В итоге все заложенные идеи замечательно себя оправдали. В 2013 году мы успешно стали собирать детальные данные со всех АЗС "Газпром нефть" и формировать недостижимую для нас ранее аналитику, а экономическая отчетность стала работать в десятки раз быстрее и получила возможности гибкого моделирования. Благодаря наличию MDM-системы BI-приложения становились более стабильными в работе и привлекали внимание новых сотрудников. В 2014 году количество пользователей BI превысило 500 человек, а для отдельных подразделений регулярная и гибкая отчетность на базе BI стала критичной. Всего через два года BI-система дирекции была признана одной из самых функциональных в России, а в начале 2019 года наша практика BI получила Qlik Luminary – высшую международную награду. Статистика показывает, что самые популярные наши данные и приложения – кроссфункциональные, поэтому ставка на единый BI для всех была правильной.

У нас появился инструмент, который отчетливо продемонстрировал важность аналитики для всех подразделений. Неожиданно пришло понимание, что мы в авангарде управления большими данными. Долгое время мы работали, реализовывая свои планы и бизнес-задачи, создавали инструменты, а затем вдруг случился ажиотаж вокруг больших данных и выяснилось, что мы все это время работали именно с ними. Ведь чем большие данные отличаются от просто данных? Организация со временем накапливает данные и развивает аналитику. Если в какой-то момент оказывается, что для текущих задач никак не обойтись без онлайн-обработки специализированных под различные форматы баз данных, ваши продвинутые алгоритмы работают слишком долго без параллельных вычислений, то наступила эпоха больших данных. Большие данные – этап работы с данными, требующий применения разнообразных средств интеграции, обработки и хранения. А к концу 2016 года BI-система дирекции обрабатывала уже показатели из более 90 систем и около 50 внешних источников, и массивы накопленных качественных значений позволяли на коленке запускать первые продвинутые алгоритмы с машинным обучением и линейной оптимизацией. И так мы незаметно оказались на пороге истории с Big Data.

Для успеха аналитики нужно вкладываться не в дизайн приложений, а в доверие к данным. Если не будет доверия к информации, которую собирает компания, то никакие алгоритмы машинного обучения не начнут работать. Поэтому в начале 2015 года у нас появился выделенный эксперт и линия поддержки пользователей по качеству данных.

Сейчас в дирекции работает целая служба по качеству данных с интенсивной загрузкой. За годы работы мы выстроили систему разрешения обращений пользователей по любым вопросам качества данных и связанную с этим систему отчетности. Реактивная система работает отлично, но наши новые аналитические модели используют десятки источников данных и сложные алгоритмы. Что критично, решение инцидентов с некорректными выходами для таких моделей занимает много времени. Поэтому важно внедрять базовые проверки входящих данных, а также покрывать проверками этапы преобразования показателей на предмет полноты, своевременности и т. д. В 2019 году в составе новой платформы мы разработали и внедрили систему проактивного управления качеством данных, которая позволяет решать проблемы при усложнении аналитических решений. Профессиональное сообщество высоко оценило уникальное для России решение: в марте 2020 года нам присудили престижную всероссийскую премию CDO Award "За обеспечение качества данных". И мы думаем о внедрении элементов искусственного интеллекта, то есть некоторых рекомендаций и решений, принимаемых без контроля человека. Конечно, для таких случаев необходимо заранее продумать все проверки от исходных данных до выходов и заложить их в архитектуру решений с ИИ. Иначе последствия решений ИИ могут быть критичными для нашего доверия и бизнеса».

Рассказывает Иван Черницын, руководитель центра аналитических решений ДРП. Иван стоял у истоков внедрения шаблонных учетных систем и MDM, отвечал за выбор и внедрение единой BI-системы, сейчас руководит развитием аналитической платформы управления бизнес-данными, аналитических компетенций и Data Science.