Пандемия COVID-19 затронула каждую область технологического сектора, что привело к ухудшению некоторых возможностей предприятий, в том числе аналитики данных. Вице-президент консалтинговой компании Capgemini Invent Конор Макговерн рассказывает на портале Information Age о том, как правильно наладить ее работу.
На Symposium Itexpo в 2015 г. Gartner заявила: «Уважаемые предприятия, вы — это ваши алгоритмы», прогнозируя, что в скором времени для организации бизнес-процессов они будут полагаться на алгоритмы. Прогноз аналитиков сбылся: за последние пять лет большинство компаний задействовали алгоритмы и аналитику данных как для добычи информации, так и контроля рабочих процессов, начиная от цепочки поставок, продаж и заканчивая маркетингом. Однако после того, как пандемия начала отступать, компании осознали, что многие из их нынешних моделей данных и процессов анализа не подходят для постоянно видоизменяющейся «следующей новой нормальности». Это связано с тем, что многие алгоритмы были предназначены для работы и предоставления надежных, действенных идей в «обычные» для бизнеса времена, но для новой реальности они не подходят.
Например, тщательно разработанный процесс анализа и оптимизации ценообразования, основанный на истории продаж за несколько прошедших лет, может давать ошибочные результаты и прогнозы на будущее, поскольку собранная ранее статистика искажается за счет данных, которые были получены в ходе действия карантинных мер. То же касается традиционных процессов сегментации и анализа клиентов — они могут оказаться слишком медленными и собирательными для того, чтобы компании могли понять меняющееся поведение потребителей, открыть для себя новые сегменты и по-новому взглянуть на свои продукты. Пандемия фактически сделала бесполезными многие существующие аналитические процессы.
Все это ставит перед многими компаниями сложную задачу и может повлиять как на их стоимость, так и на долю рынка. Несмотря на то, что она требует решения на уровне топ-менеджмента, компании также может рассматривать ее как возможность для переоценки и перепроектирования своих основных аналитических моделей и процессов, чтобы лучше подготовиться к новым непростым годам. Так каким образом руководители бизнеса могут адаптировать свои модели анализа данных для того, чтобы они показали эффективность в постпандемическом мире?
Быстрая оценка риска и потребностей
Прежде всего руководители должны определить различные функции и процессы, которые в наибольшей степени зависят от данных и аналитики и подвергаются наибольшим рискам вследствие некорректно работающих алгоритмов. Вооружившись этой информацией, они могут наладить работу по анализу данных, сосредоточив внимание на самых важных бизнес-приоритетах/областях риска, например на том, чтобы понять изменившееся поведение потребителей, выявить новые клиентские сегменты или отследить, какие продукты и услуги теперь считаются наиболее значимыми.
Гибкая аналитическая команда
Эту работу лучше всего поручить наделенным полномочиями, многофункциональным и гибким аналитическим командам, чтобы они трансформировали каждую из выявленных областей. Что еще более важно, руководители бизнеса должны бросить вызов этим командам, чтобы они научились думать как стартапы, получив минимально жизнеспособный продукт в течение нескольких недель, а не месяцев. Для этого потребуется иной набор навыков, чем у большинства команд, которые отвечают на предприятиях за данные и аналитику, поэтому руководству, возможно, придется проинвестировать в создание индивидуальных аналитических модулей для выполнения более гибких DevOps-задач, которые могли бы принести выгоды в долгосрочной перспективе.
Новые и нетрадиционные подходы к работе с данными
Бизнес-лидеры уже наверняка смирились с тем фактом, что кризис поставил под сомнение ценность и достоверность исторически накопленных данных, и теперь каждый из них должен задаться вопросом: как найти более подходящие идеи для бизнеса? Чтобы выявить изменившиеся за время пандемии покупательские тенденции, команды, занимающиеся аналитикой данных, должны в режиме реального времени обращаться к новым источникам информации. Таким образом, более не имеет смысла анализировать ретроспективные трех-шестимесячные модели продаж, и лучше всего ознакомиться с более актуальными наборами данных, такими как комментарии в социальных сетях или последние обзоры на сайтах для э-коммерции.
Существует также реальная потребность в улучшении обмена данными между организациями. Например, многие компании, занимающиеся поставками потребительских товаров, полагаются в этом отношении на оптовиков и затем применяют их данные для прогнозирования будущего спроса. Однако в условиях «новой нормальности» компании должны работать с конечными точками продаж, такими как рестораны и гостиничные сети, чтобы получить детализированную информацию, необходимую для истинного понимания того, как меняются продукты и какие действия, основанные на данных, лучше всего в результате предпринять. И главное здесь — скорость. Чтобы реагировать быстро и эффективно, аналитическим командам буквально придется жить с данными в реальном времени и мириться со всеми неудобствами, которые они доставляют. Им нужно будет научиться обходить их, чтобы извлекать информацию, которая поможет лицам, принимающим на ее основе бизнес-решения, действовать быстро, решительно и уверенно.
Устранение препятствий
Одной из самых больших опасностей для компаний при использовании аналитики является неспособность или нежелание действовать на основе полученных данных. Эта проблема усугубляется скорой сменой потребительских предпочтений, и чтобы дать командам наилучшую возможность претворить идеи в немедленные действия, бизнес-лидеры должны устранить как можно больше внутренних преград. В качестве рекомендуемых шагов они либо могут ввести новые операционные модели, что упростит процесс сбора и получения информации, либо предоставить аналитической команде и сотрудникам, работающим на «переднем крае», больше полномочий для принятия решений. Это также может касаться партнерских отношений, где предполагается отказ от «черного ящика» и некоторых подходов к защите интеллектуальной собственности, которые ограничивают аналитические возможности предприятий, вынуждая их создавать собственные аналитические движки.
