Блог Reshape Analytics
Консалтинг

Data-driven подход: как принимать решения на основе данных

Data-driven подход: как принимать решения на основе данных

Выстроить эффективную стратегию развития бизнеса с помощью данных - не миф, а реальность, завоевавшая мир. Появившись относительно недавно, data-driven подход все чаще и активнее внедряется в компании. В статье расскажем, что такое data-driven процессы и как правильно принимать решения на основе данных.

Аналитикой занимаются все


Для начала нужно разобраться, что это вообще такое - data-driven?
Data-driven (англ. «управляемый данными») - это подход к управлению, который основывается на собираемых данных. Спектр его применения широк и многообразен: он используется для построения бизнес-модели или маркетинговой стратегии, при составлении плана продаж, в программировании и даже в дизайне. Соответственно, data-driven процессы - это процессы, построенные на работе данных и аналитике этих данных. 

Любая компания занимается аналитикой, даже та, которая не использует data-driven подход. Руководитель (или иное высшее звено), принимая управленческое решение, сначала должен осуществить анализ: определить проблемные места, собрать и преобразовать данные, обобщить их, сформировать варианты развития будущего и только после этого принять решение.

Здесь стоит сразу обозначить одну важную проблему - человеческий фактор. Нужно признать, что человек несовершенен, и это ярко проявляется на практике в различных ситуациях. При принятии решений, связанных с бизнесом, руководитель может подвергаться воздействию различных факторов, в том числе субъективных и логически противоречивых.

Вы когда-нибудь задумывались о том, насколько сильно на наш ответ может повлиять заданный вопрос? Оказывается, это очень важно - от формы представления исходной информации выбор варианта решения может значительно варьироваться (эффект фрейминга). 

В целом, на выбор человека очень часто влияют и другие когнитивные искажения: поспешные выводы, фильтрация негативных или позитивных аспектов ситуации, различные эмоциональные аргументы, желание быть правым и прочие.

Есть один довольно известный пример из судебной практики США. Был проведен анализ принятых решений о досрочном освобождении заключенных, в результате чего выявили закономерность: судьи реже удовлетворяли прошения об УДО с приближением обеденного времени. 

Подобных примеров довольно много, и все они ярко показывают определенные “изъяны” в принятии решений человеком, насколько его выбор зависим от внешних и внутренних факторов.


Всем ли нужен data-driven подход?


Стадии принятия data-driven подхода

Люди несовершенны - это факт. Процессы, построенные на данных, тоже не могут быть совершенными, однако они, в сравнении с человеческим фактором, имеют ряд преимуществ, таких как управляемость, прозрачность и предсказуемость. Если выстроить систему корректным образом, то результат будет определенно лучше, чем сможет достичь человек. Что значит “корректно”? Это означает, что система будет иметь понятные предпосылки, использовать качественные данные и давать возможность контролировать и мониторить эффективность этих процессов, основанных на данных

Бывает и такое, что некоторые люди исключительно хорошо делают свою работу. Возьмем для примера сеть ресторанов. Каждый ресторан данной сети заказывает себе продукты. По правилу Парето 20% ресторанов делают это очень хорошо - точно, структурировано и хорошо понимая, какой объем продуктов им нужен. При этом остальные 80% делают это посредственно.

Возникает вопрос: нужна ли аналитика этим 20%, посчитает ли она лучше? Не факт. Важно понимать, что есть определенные факторы, которые находятся за границами оцифрованного мира. Например, менеджер знает, что в его ресторан завтра придут 20 гостей - это нигде не зафиксировано и, следовательно, спрогнозировать это невозможно. Происходит асимметрия информации. Однако с высокой долей вероятности можно утверждать, что аналитика точно сделает лучше, чем оставшиеся 80% ресторанов данной сети.

Рассмотрим еще один пример. Во многих компаниях есть топ-менеджеры, которые занимаются закупками - это 20-30 человек (а, возможно, и все 50). Это достаточно громоздкая штатная структура, где каждый занимается своей работой: руководители и их многочисленные ассистенты размещают заказы поставщикам, считают и анализируют цифры в Excel и многое другое, но делают они это по-разному: кто-то лучше, кто-то хуже.

Чего позволяет достичь внедрение “умной” прогнозной системы?
Во-первых, оптимизировать штатную структуру - система выявит слабые места, а также избыток/дублирование сотрудников и их функций или, наоборот, недостаток квалифицированных кадров.

Во-вторых, оптимизировать и наладить рабочий процесс - система перенаправит активности работников в более продуктивное русло. Цифрами, подсчетами и аналитикой будет заниматься программа, а менеджеры, непосредственно, смогут уделять внимание своим прямым задачам - они будут больше коммуницировать с клиентами и поставщиками, то есть добиваться лучших условий. Таким образом, система возьмет на себя часть рутинных функциональных обязанностей (причем сделает это, скорее всего, более точно), освободив руководителей и сотрудников для творческой и направленной на результат работы.  


Для этого, по сути, и нужны data-driven процессы - чтобы люди больше работали с людьми, а не с цифрами.


Делегирование решений программе


Вернемся к принятию решений. Каждый руководитель знает, что решения бывают разными по степени критичности и значимости - от стратегически важных до рядовых, принимаемых ежедневно. Возникает планомерный вопрос - можно ли доверить системе принятие всех решений? Всех, к сожалению, нельзя, но определенные классы решений можно делегировать системе на 100%. 

От чего это зависит? Возьмем для примера управление запасами, где в качестве аналитических методов применяют АВС-анализ и XYZ-анализ. В обоих методах товары делят на группы по разным критериям.

  • В АВС-анализе класс “А” - это 20% наиболее продаваемых товаров, которые по правилу Парето дают 80% маржи, класс “В” - это оставшиеся 15% средних продаж, и “С” - это “хвост” из 5%. 
  • В XYZ-анализе идет разбивка товаров по стабильности потребления: то есть некоторые позиции “X” стабильно и регулярно покупаются, некоторые товары “Y” - реже, а часть товаров “Z” не пользуются спросом и покупаются очень плохо. 
  • Есть также комбинированных анализ, где происходит более детальная разбивка товаров на большее количество групп. 

После деления на соответствующие группы строится матрица, которую можно анализировать. Так, решения уровня “А” можно принимать совместно: человек и машина. А может быть решение “АZ”, где “А” - это много и хорошо, но “Z” - это максимально непредсказуемо, тогда такое решение принимается исключительно человеком. В комбинациях с “Х”, например, решение полностью может принимать машина. Классы “В” и “С” также можно 100% делегировать системе и, таким образом, разгрузить человека, чтобы он занимался более важными задачами. 

На данных примерам мы показали комбинаторность data-driven подхода: система либо полностью может принимать решения за человека, либо может помогать ему принять решение. Как минимум, она проделает довольно большую работу по обобщению прошлого опыта и выявлению закономерностей: если система считает, что вы продадите 10 единиц какого-то товара, то это обоснованная цифра не “с потолка” - есть точные и доказательные расчеты, которые вы можете посмотреть. 

Отметим, что мы в своей работе опираемся только на объективные данные. Каждое наше решение включает в себя функциональный консалтинг и высокотехнологичный компонент. Готовые аналитические решения для быстрого внедрения Reshape Analytics построены на data-driven, что значительно упрощает процессы анализа данных, принятия решений, выявления скрытых закономерностей и многие другие.

Внедрение Data-driven подхода


Команда Reshape Analytics обладает высокой экспертизой в области внедрения систем управления бизнесом на основе данных и продвинутой аналитики. Мы осуществляем консалтинг, помогая компании с внедрением анализа данных, машинного обучения в процессы принятия решений, а также с подготовкой данных, выявлением скрытых закономерностей и аномалий. 

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.