Неопределенности в аналитических проектах

Из-за высокой степени неопределенности аналитические проекты для большинства компаний даются очень сложно. Возможно даже на порядок сложнее, чем подобный по масштабу ИТ-проект.

От ИТ-проектов требуется в результате какой-то функционал, при этом принципиально важным является скорость исполнения, степень автоматизации и в последнее время стало актуальным качество пользовательского опыта. Если говорить про аналитические проекты, то здесь требуется решение конкретной бизнес-задачи, выраженной в экономических и операционных показателях. 

Проще говоря, ИТ-проект - это "сделай так, чтобы решать задачу стало быстрее, проще, удобнее", аналитический проект - это "реши задачу за меня или помоги решить её так, как бы я сам не смог или не догадался". 

По этой причине границы ИТ-проектов более четко очерчены, обратная связь по ним более понятна. С аналитическими проектами всё намного сложнее.

Любой аналитический проект предваряет гипотеза, что его реализация, например, существенно увеличит оборачиваемость запасов, повысит уровень сервиса, снизит отток клиентов. Показатели при этом носят комплексный характер, зачастую заказчик на момент инициации проекта не знает точно, какое их значение является точкой отсчета. Также бывает, что исходное значение посчитано неправильно, случается, что от сторонних исполнителей его скрывают или делятся неполной картиной, в которой есть тысячи исключений. При этом при сдаче результатов работ аналитического проекта никто никаких исключений делать не будет - должно стать лучше и точка. И тут везет, если есть эффект низкой базы. А что, если все базовые кейсы проработаны, остались лишь одни исключения?

Это первая неопределенность: сделать лучше, не зная объективных потребностей, текущего и возможности достижения целевого уровня процесса.

Вторая зона неопределенности: данные — насколько они полны, качественны, доступны? А вдруг данные изначально не позволяют качественно решить поставленную аналитическую задачу?

Среди прочего, нам случалось работать с зашифрованными данными, а через некоторое время оказывалось, что среди них есть что-то, чего там в принципе быть не должно, но было! И как определить, что проблема на входе в аналитические модели, а не в них самих? Сколько не закладывай времени на подготовку данных, все равно окажется, что его недостаточно.

Мы выбрали определенный аналитический инструмент/ алгоритм/ платформу - можем ли мы быть уверены, что они решат достаточно качественно аналитическую задачу, и что сделают это по нашему плану? К сожалению, нет. Предстоит исследовательская работа, где не только разные инструменты будут показывать себя по-разному, но и где один и тот же инструмент или модель может вести себя абсолютно по-разному в зависимости от входных данных или от своего настроения (на самом деле, многие модели активируются случайным образом). В процессе выбора инструмента мы обязательно будет сталкиваться с ограничениями в виде вычислительных мощностей или в скорости решения задачи, нам так или иначе придется идти на компромиссы. В ИТ-проектах мы программируем решение, а в аналитических мы находим его исследовательским путём - в этом третий вид неопределенности.

Четвертый вид неопределенности связан с компетентностью команды, с её квалификацией, с тем, насколько эффективно она организовывает свою работу. Проще говоря, умеет ли она работать с тремя вышеописанными видами неопределенности? Заметит ли она вовремя что-то неладное в данных, сможет ли вовремя остановиться, идя по ложному пути, сможет ли найти компромисс между качеством и скоростью решения задачи, поймет ли бизнес-потребность, владеет ли сложным инструментарием? 
В ИТ-проектах заказчик через 2 недели/ месяц может оценить даже промежуточный результат и сказать, что он похож на его ожидания, в то время как в аналитических ему нужно быть готовым ко всему.


Перечисленные в статье неопределенности опираются на объективные данные и наш опыт. И мы с уверенностью можем сказать, что выходом в данном случае является аналитический консалтинг, нацеленный на быстрое технологическое решение срочных проблем и системное выращивание вашей собственной аналитической экспертизы. 

Reshape Analytics обладает высокой экспертизой в области консалтинга и внедрения систем управления бизнесом на основе данных и продвинутой аналитики. В нашей линейке также есть готовые аналитические решения для быстрого внедрения. В своих проектах мы используем лучшие аналитические платформы, систему имитационного моделирования AnyLogic, среды для визуализации данных MS Power BI, Tableau, QlikSense, библиотеки на языках программирования Python и R.

Оставьте заявку на бесплатную консультацию, на которой мы подробно разберем задачи и особенности вашего проекта, ответим на все интересующие вопросы и сомнения, а также подберем оптимальное решение для ваших задач.