Пять уроков прагматичной науки о данных

Фон

Большинство усилий по преобразованию аналитики не приносят положительной окупаемости для предприятия даже по прошествии нескольких лет. Руководители и их советы знают, что им необходимо реализовать стратегию дифференциации на основе ИИ, чтобы либо защитить себя в будущем, либо устранить экзистенциальный риск на рынке, либо внести операционные улучшения в свой бизнес. Тем не менее, по большинству оценок, 75–90% цифровых преобразований терпят неудачу, и менее 1 из 5 компаний полностью извлекают пользу из своего аналитического пути. Большинство организаций терпят неудачу на «последней миле» — другими словами, рядовые сотрудники и лица, принимающие решения, не используют инструменты и процессы аналитики должным образом или не используют их вообще.

За последнее десятилетие, руководя аналитическими группами (как общей аналитики, так и более специализированными группами по управлению доходами), я много раз преуспел и потерпел неудачу. Ниже приведены пять уроков, извлеченных из этого опыта. Я надеюсь, что она может послужить полезной дорожной картой в 10 000 футов для начинающих или стремящихся лидеров аналитики или опытных руководителей бизнеса, которые хотят создать устойчивую практику, которая приносит реальную, измеримую ценность для их компании и ее клиентов.

Во-первых, определите всеобъемлющую стратегию монетизации данных.

К аналитике следует относиться так же, как к любой другой важной функции в организации, которая должна поддерживать корпоративную стратегию и ориентированное на клиента видение. Для компаний, серьезно относящихся к аналитике, она должна стать центральной опорой их стратегической пирамиды, пронизывающей все функциональные области.

Я большой поклонник OKR (цели и ключевые результаты), которые, если все сделано правильно, возлагают на организацию ответственность перед амбициозными квартальными, полугодовыми или годовыми целями (задачи) с четким планом того, как эти цели будут достигнуты. (ключевые результаты). OKR вашей аналитической команды должны напрямую поддерживать OKR организации и должны быть направлены на достижение измеримых результатов для клиентов — внутренних или внешних.

Как лидер аналитики, я рекомендую вам согласовать свои действия с главным директором и командой руководителей и выбрать стратегию аналитики с ограниченными сроками, на которой вы сосредоточитесь. Ограниченная во времени и динамичная, поскольку она не останется статичной по мере развития рынка, технологий и ожиданий клиентов, ваша стратегия аналитики должна реагировать на это. На прошлой неделе я опубликовал отличную исследовательскую статью об этом, в которой исследователи из Массачусетского технологического института описывают четыре основные стратегии монетизации данных для организаций:

  1. Операционная оптимизация: подумайте об автоматизации процессов, оптимизации цен и, в более общем плане, о любых решениях на основе данных и усилиях по улучшению процессов, которые снижают затраты системы. Большинство компаний начинают с этого, особенно из нетехнологических отраслей или с зарождающейся аналитической проницательностью.
  2. Ориентация на клиента: развертывание аналитических решений, ориентированных на клиента. Это может быть дополнение основных предложений продуктов уникальными идеями или действенной аналитикой для клиентов или просто предоставление решений для обработки данных, которые улучшают жизнь ваших клиентов. После доказанного влияния на вашу валовую прибыль и EBITDA благодаря усилиям по операционной оптимизации, это логический следующий шаг для компаний, который принесет наибольшую отдачу в среднесрочной и долгосрочной перспективе.
  3. Прямые доходы. речь идет о создании аналитических продуктов и взимании за них денег или о каком-либо другом обмене ценностями между компанией и ее клиентами, поставщиками или другими отраслевыми партнерами. Это могут быть аналитические продукты SaaS, которые помогут решить ключевые проблемы клиентов или построить информационный бизнес на деанонимизированных и агрегированных данных.

Технологические компании имеют наилучшие возможности для реализации этой стратегии аналитики, учитывая важность лучших в своем классе методов обработки данных, проектирования, управления данными и понимания клиентов, а также динамичной инновационной модели разработки продуктов. Совместное создание клиентов и качество данных будут иметь здесь первостепенное значение, чтобы не рисковать оттолкнуть вашу клиентскую базу продуктами, которые не выполняют своих обещаний и не достигают цели при внедрении (и доходах!).

4. Готовность к будущему: несмотря на то, что это замечательная и, несомненно, амбициозная стратегия, она является самой рискованной, особенно для компаний, которые еще не успешно реализовали три вышеупомянутые аналитические стратегии или чья ДНК по своей сути не связана с высокими технологиями, цифровыми технологиями или данными. Эта стратегия требует наибольших инвестиций с многолетней дорожной картой, и нередко организации не видят положительного ROI до 4 или 5 лет.

Несмотря на искушение использовать универсальную и готовую к будущему стратегию аналитики, я предостерегаю тех, кто хочет создавать или преобразовывать аналитические организации, сознательно выбирать между первыми тремя стратегическими путями. В идеале в течение первых двух лет занимайтесь инициативами по операционной оптимизации или клиентоориентированности. Это марафон, а не спринт.

Успешно продемонстрировав, что ваши аналитические группы добились существенной экономии средств для вашей компании и порадовали ваших клиентов (поддерживаемые повышенными показателями NPS и CSAT, а также увеличением доходов и прибыльности), вы получите больше доверия со стороны организации и инвестиций для обработки более сложных и рискованных данных. стратегии монетизации.

Во-вторых, правильно структурируйте свою аналитическую команду.

Лучшая модель, которую я видел, — это развертывание Center of Excellence (COE), которое сочетает в себе положительные элементы наличия центральной аналитической организации с преимуществами тесного взаимодействия специалистов по данным и менеджеров продуктов аналитики с различными бизнес-подразделениями (вашими внутренними клиентами). ). Структура вашей команды будет в первую очередь зависеть от размера компании и вашего бюджета, этапа аналитического пути и намерений по трансформации.

Для более крупных компаний со значительными капитальными и операционными инвестициями в сторону новой аналитической группы или размышлений о широкой, «готовой к будущему» аналитической стратегии наличие централизованной группы по анализу данных, которая отчитывается перед главным директором (и, в идеале, перед генеральный директор) имеет смысл. Он предоставляет вам и вашей команде автономию в управлении бюджетом и его использовании, приоритизации проектов аналитики в масштабе предприятия в соответствии с усилиями и влиянием и, при необходимости, в сохранении независимости от ИТ-организации. Наличие высокоуровневой централизованной структуры COE также позволяет вам заручиться необходимой поддержкой высшего руководства, чтобы гарантировать, что вы сможете оказывать влияние на различные бизнес-функции. Это также обеспечивает поддержку вашей аналитической программы сверху вниз со стороны руководителей и менеджеров бизнес-подразделений 2-го и 3-го уровня.

Для небольших компаний, компаний с более ограниченным бюджетом или с более специализированными намерениями по преобразованию аналитики (т. е. для увеличения продаж и маркетинговой отдачи) имеет смысл внедрить функцию аналитики или обработки данных в другое бизнес-подразделение, таких как финансы, маркетинг или цепочка поставок. Это имеет очевидные преимущества, прежде всего, если основные болевые точки компании сосредоточены в 1–2 функциональных областях или руководство еще не готово заняться трансформацией аналитики в масштабах всего предприятия. После предоставления реальной, ощутимой ценности для этих 1-2 основных функций (например, создание платформы эффективности продвижения, помощь маркетологам в понимании рентабельности инвестиций, развертывание инструмента повышения эффективности продаж в режиме реального времени), вы можете обосновать необходимость расширения и повышения уровня своей деятельности. Влияние аналитики на организацию.

На малых и средних предприятиях у вас может быть больше самостоятельности, чтобы структурировать свои команды и кросс-функциональные ритмы таким образом, чтобы они больше соответствовали вашему видению и опыту. На более крупных предприятиях решение может быть уже принято за вас до того, как вы будете приняты на работу (т. е. в результате предыдущего участия компании в консультировании по вопросам стратегии). Независимо от организационной структуры аналитики, при создании новой команды или преобразовании существующей обязательно учитывайте три момента:

  1. Потратьте первые 90 дней на углубленное изучение своей компании и отрасли, пообщайтесь с руководителями на местах и ​​различными операторами, чтобы лучше понять и сформулировать ключевые проблемы бизнеса.

Узнайте, как правильно сформулировать эти бизнес-задачи. Вместо того, чтобы принимать шаблонные решения о найме, основанные на какой-то формуле общего размера компании, сотрудников и количества поддерживаемых бизнес-функций, начните с клиента. Четко определите, к каким результатам для внутренних и, в первую очередь, внешних клиентов вы хотите прийти, что позволит определить проекты, навыки аналитики и численность персонала, которые вам нужны.

2. Расставьте приоритеты в своих аналитических проектах на основе усилий по разработке и влияния на организацию. Это фундаментальная концепция, но ее часто упускают из виду при планировании.

Мало усилий и высокая отдача (легко висящие плоды): сделайте это сейчас; большие усилия — высокая отдача (стратегический фактор): тщательно планируйте и делайте следующее; низкие усилия и низкая отдача (может быть?): поместите это в корзину «мы подумаем об этом и, возможно, сделаем это позже». И, разумеется, игнорируйте проекты, требующие значительных усилий и не дающие большого эффекта.

3. При создании аналитических решений и продуктов для внутренних стейкхолдеров или клиентов придерживайтесь концепции управления продуктами.

В зависимости от структуры, масштаба и стратегии вашей аналитической группы это может быть реализовано по-разному. Это может означать наличие специального менеджера по продуктам Analytics для каждого внутреннего бизнес-подразделения, которое вы обслуживаете (например, менеджер по аналитике цепочки поставок, менеджер по маркетинговой аналитике и т. д.), или вы можете разработать его на основе конкретных сегментов клиентов, которые вы обслуживаете, или на основе конкретных категорий решений, которыми вы управляете.

Последнее также часто упускается из виду, но в предыдущие 2–3 года оно набрало обороты, особенно на крупных предприятиях. Это важно, если вы хотите создавать динамичные, устойчивые и масштабируемые аналитические решения, а не просто заниматься статической аналитикой. Даже в этом случае наличие выделенного менеджера по продукту, менеджера проекта или владельца продукта имеет большое значение. Я видел более крупные и сложные корпоративные структуры, разделяющие роли менеджера по продукту и владельца продукта, при этом первая больше похожа на стратега по продукту, ориентированного на клиента и рынок, а вторая — на роль разработчика, специалиста по данным и инженера по данным.

В любом случае наличие в вашей команде продакт-менеджера по аналитике (или искусственному интеллекту или машинному обучению) будет важным активом, гарантирующим, что вы работаете над правильными вещами в правильном ритме и ритме. Что наиболее важно, в зависимости от вашей организационной структуры, эти менеджеры по продуктам могут также выступать в качестве важных переводчиков данных между членами аналитической группы и функциональными конечными пользователями, чтобы максимизировать принятие и внедрение продукта.

В-третьих, прозелитизм и демократизация.

Поддержка сверху вниз со стороны генерального директора и старшего руководства имеет решающее значение и является необходимым условием для достижения трансформации на основе данных. Не менее важно, чтобы вы, лидер аналитики, создали сильное сообщество сторонников и сторонников аналитики в организации. Тактически это означает, что вы должны провести первые 12 месяцев, занимаясь следующим:

  1. Познакомьтесь лично и профессионально с жизненно важными заинтересованными сторонами в организации и поймите (и разложите) их важные бизнес-задачи, которые могут решить данные и аналитика. Поддержка функциональных лидеров в области цепочки поставок, ценообразования, продаж, финансов, маркетинга и ИТ будет иметь важное значение. Вы должны сделать так, чтобы ваши функциональные коллеги (и функциональные руководители) верили в аналитику, чтобы они могли эффективно отстаивать и поддерживать ваши инициативы в области аналитики.
  2. Проводить частые выездные презентации с функциональными командами и операторами, работающими с клиентами, чтобы они понимали путь аналитики на высоком уровне и могли связать его с конкретными предметными областями. Помощь остальной части организации в изучении статистики естественного движения населения или не менее важны концепции машинного обучения (простым, нетехническим языком) и то, как оно помогает компании ускорить достижение своих целей. Это может быть проведено с помощью аналитических вебинаров, обедов и обучения или с помощью специальных секционных сессий во время функциональных общих собраний (например, часовой аналитический перерыв во время ежеквартального собрания менеджеров по продажам).
  3. Получите организационные обязательства по инвестированию в повышение квалификации переводчиков-аналитиков для вашего предприятия. Эти малые и средние предприятия будут иметь решающее значение для преодоления разрыва между вашими командами по обработке данных и вашими внутренними клиентами. Переводчики аналитики также помогут сформулировать требования к проектам, предоставить входные данные для моделей машинного обучения и помочь с внедрением пользователями. Несмотря на то, что у вас будут свои бизнес-каналы (обычно это менеджеры по продукту или владельцы аналитических продуктов), решающее значение будет иметь наличие переводчиков-аналитиков на уровне менеджера, директора или вице-президента из функциональных бизнес-подразделений. У них будет лучшее из обоих миров: глубокое знание предметной области и фундаментальное понимание ML/AI могут повысить ценность их бизнеса.
  4. Помогите демократизировать доступ к неконфиденциальным данным и описательной или диагностической аналитике в рамках всей организации, а также подготовьте гражданских специалистов по данным. Я предлагаю вам сделать последнее, сотрудничая с вашим директором по персоналу и его отделом обучения и развития и приобретая предложения курсов от авторитетного поставщика услуг по сертификации аналитики (например, Udemy, Coursera, Udacity, Datacamp).

Почему последняя часть так важна? Как бы нам ни хотелось развернуть крупномасштабные, сложные или преобразующие инициативы в области аналитики, большинство компаний сталкиваются с сотнями, если не тысячами, бизнес-проблем, которые расширенная аналитика может решить быстрее, лучше и воспроизводимее. Аналитики и менеджеры с солидным опытом работы в ключевых функциональных областях лучше всего подходят для решения этих проблем. Как правило, эти бизнес-задачи будут небольшими или средними по масштабу и могут быть эффективно решены с помощью визуализации данных, диагностической аналитики, фундаментальной прогнозной аналитики или базовых методов оптимизации.

Более 90 % бизнес-задач, связанных с данными, могут быть решены более эффективно с помощью этих высококвалифицированных экспертов-аналитиков в предметной области, а не с помощью центра обработки данных Data Science COE.

В-четвертых, экономия имеет значение.

Легко увлечься новейшими технологиями или новинкой месяца, Deep Neural Net или еще хуже, как Ричард Хейманн описывает в своей книге «Doing AI,» поиск проблем для аналитических решений, являющихся корнем большинства неудач. . Как было предложено ранее, начните с решения низко висящих плодов вашей организации (малые усилия — высокая отдача). Именно так вы начнете укреплять доверие, признание в масштабах всей организации и, что наиболее важно, создавать немедленную измеримую ценность для своих клиентов. Даже когда вы перейдете к стратегическим бизнес-задачам, убедитесь, что вы хорошо понимаете ситуацию и разбиваете ее на более мелкие, более управляемые фрагменты для работы в итеративных спринтах.

Для большинства задач стратегической аналитики лучше всего подходят простые экономичные модели. Они могут быть не самыми точными, но они выполняют работу с наименьшей сложностью и, что более важно, предоставляют необходимые пояснительные возможности высшему руководству, функциональным руководителям и конечным пользователям.

Конечно, если максимальная точность модели, точность или полнота являются первостепенными (т. подход черного ящика в порядке.

Независимо от того, как вы выполняете свой аналитический проект, вовлекайте рядовых сотрудников (или клиентов, если вы взаимодействуете с внешним миром) в разработке вашего продукта данных, от идеи до сбора требований, тестирования и текущих улучшений.

Развитие мышления, ориентированного на клиента и результаты, на раннем этапе позволит вам и вашей команде развертывать аналитические решения для решения критических проблем, которые волнуют клиентов. Кроме того, включение совместного творчества клиентов в процесс разработки значительно повысит шансы на то, что ваш аналитический продукт будет использоваться, что приведет к созданию ценности для ваших клиентов и вашей компании.

Наконец, сосредоточьтесь на сохранении своего аналитического таланта.

Для большинства из нас работа — это не просто зарплата. Иерархия потребностей Маслоу также применима к нашему рабочему месту, и у большинства специалистов по данным и инженеров, с которыми я работал, есть сильные потребности в познании, самореализации и принадлежности. Как минимум, я призываю вас создать команду культура и ритм, который включает в себя следующее:

  1. Предоставьте возможность тратить до 10–20 % времени специалиста по данным на сторонние проекты. Пусть ваша талантливая команда экспериментирует и исследует новые возможности. Они откроют для себя новые идеи или создадут аналитический продукт, который впоследствии принесет существенную прибыль, или он не принесет никакой финансовой выгоды и останется полезным интеллектуальным упражнением. В любом случае предоставьте членам вашей команды свободу творчества и инноваций, а также удовлетворение их врожденной потребности в экспериментах и ​​обучении. Google, как известно, поддержал эту концепцию, которая принесла существенные культурные и экономические преимущества Google и другим компаниям.
  2. Как лидер, будьте неустанны в создании культуры, основанной на данных, и убедитесь, что ваши специалисты по обработке и анализу данных вовлечены в основные бизнес-функции. Это не только оттачивание их знаний в предметной области для повышения рентабельности инвестиций в аналитику, но и чтобы члены вашей аналитической команды чувствовали себя важной частью организации.
  3. Предоставить платформу для непрерывного обучения на курсах AI/ML, отраслевых сертификатов (например, Google Cloud, AWS, Azure Cloud) и возможности посещать 1–2 ключевые конференции AI/ML в год. Пригласите их выступить на этих конференциях, что не только укрепит авторитет вашей компании и поможет с набором персонала, но и поможет лучшему обучению.
  4. Максимально устраните корпоративную бюрократию, предоставьте своим самым талантливым специалистам по данным гибкость в работе и самостоятельное принятие решений, а также отметьте вместе с ними маленькие победы.

2022 год продолжает оставаться рынком сотрудников, и организациям не хватает надежных специалистов по работе с данными. Благодаря успеху и постоянному принятию удаленной работы, особенно на должностях, связанных с технологиями, ваш аналитический талант, несомненно, каждую неделю соблазняется конкурентами или фирмами из других отраслей. Если вы не сделаете своих специалистов по обработке и анализу данных, специалистов по обработке и анализу данных или менеджеров по продуктам аналитики довольными, кто-то другой в вашем городе или стране воспользуется этой возможностью.

Краткое содержание

Термины «цифровая трансформация», «искусственный интеллект», «машинное обучение» и, конечно же, «наука о данных» за последние пять лет были раскручены и часто преувеличены. Большинство усилий по цифровому или аналитическому преобразованию потерпели неудачу, отчасти из-за высокомерия, чрезмерных инвестиций или чрезмерного внимания к поиску бизнес-проблем перед решениями для расширенной аналитики, а не наоборот.

Но в основном они потерпели неудачу, поскольку организации слишком стремились запрыгнуть на подножку ИИ, чтобы выделиться на фоне конкурентов. Они сделали это, не имея четкого представления о текущих возможностях, не разработав прагматичной стратегии обработки данных, которая соответствовала бы их организационным целям и видению, и без прозрачных систем измерения, связывающих инвестиции в аналитику (человеческий и технический капитал) с корпоративными ключевыми показателями эффективности.

В попытках компаний монетизировать свои данные было много положительных моментов. Они привлекли фантастических специалистов по работе с данными и в какой-то степени повлияли на то, что их прежняя рабочая сила стала больше ориентироваться на данные. Они открыли новые возможности для бизнеса или устранили существующие проблемы, повысив квалификацию своих сотрудников, чтобы они стали переводчиками аналитики или гражданскими специалистами по данным. Но самое главное, как и я, руководство этих компаний и руководители аналитиков многое узнали о том, что нужно, чтобы использовать данные как устойчивое конкурентное преимущество.

В конечном счете дело вовсе не в технологиях, алгоритмах или шумихе вокруг ИИ. Чтобы преуспеть в аналитическом путешествии, вы должны сосредоточиться на людях — вашей команде, ключевых заинтересованных лицах, внутренних сотрудниках и клиентах — и решать бизнес-задачи, которые значительно облегчают жизнь ваших сотрудников или клиентов. Если мы сможем сделать это с помощью тепловой карты KPI, корреляционной матрицы или простой регрессии, пусть будет так…

Эта статья изначально была опубликована в Revology Analytics Insider, выходящем раз в две недели информационном бюллетене по всем вопросам, связанным с аналитикой роста доходов. Пожалуйста, подпишитесь на будущие обновления на Medium или на моем сайте.