7 правил работы с big data
Главная Аналитика, Технологический сектор, Карьера и бизнес

Эксперты McKinsey выделили семь принципов эффективной работы с углубленной аналитикой и большими данными (big data).

1. Используйте данные при принятии решений

Анализ больших массивов данных — это не упражнение по объединению данных ради процесса. Собирайте и анализируйте данные, чтобы делать выводы и принимать верные решения.

Big data — это совсем не про данные. Руководитель по поддержке корпоративных решений NBC Universal Кэмерон Дэвис говорит, что конечная цель работы с big data — это «не повозиться с цифрами, а помочь компании чаще принимать более эффективные решения, основываясь на пересмотре текущих процессов и привлекая для этого внутреннюю и внешнюю информацию».

2. Вовлекайте в аналитику топ-менеджмент

Генеральный директор и члены совета директоров должны не только поддерживать развитие углубленной аналитики в компании. Им следует постоянно общаться с менеджерами аналитических проектов и специалистами в области данных, а при необходимости — пройти специальное обучение, чтобы говорить с экспертами на одном языке.

Как говорит Роб Каспер из JPMorgan Chase, «по мере того как все большее число сотрудников переходит к 100-процентной цифровизации процессов, становится необходимо на всех уровнях обеспечивать прозрачность данных и доступ к ним для создания стоимости». Однако высшее руководство не всегда понимает разницу между обычной аналитикой и big data. Каспер рекомендует компаниям проводить рабочие семинары для руководства. Такие программы по развитию глубинной аналитики могут стать основой для создания внутренних «аналитических академий» для менеджмента.

3. Приучайте сотрудников к работе с данными

Внедрить инструменты углубленной аналитики «сверху вниз» недостаточно. Аналитика остается изолированной от бизнеса, и это ведет к неэффективности операционных подразделений и «цифровиков». Чтобы создать конкурентное преимущество, моделируйте потребность в данных среди сотрудников начиная с нижних уровней.

По мнению директора по информационным технологиям Boeing Теда Колберта, у бизнеса «должна быть платформа, через которую персонал может легко получить доступ к данным. Это помогает поверить в силу углубленной аналитики и реализовывать решения, не требующие экспертного истолкования результатов. Когда сотрудники видят отдачу от непрерывного потока данных, они становятся фанатами big data». Четкий индикатор того, что в компании не отстроены процессы и аналитика big data используется неэффективно, — жалобы специалистов по обработке и анализу данных, что их результаты не востребованы в бизнес-подразделениях. Получив такой сигнал, задумайтесь о переходе на гибридную организационную модель, в рамках которой в agile-команды будут входить и бизнес-специалисты, и аналитики.

4. Создайте корпоративную политику в отношении данных

Данные и их анализ дают возможность обеспечить прочную связь между производительностью и безопасностью — контролируют людей и их профессиональную деятельность. Но эффективная культура данных связана с рисками. Определите четкие границы и политику использования глубокой аналитики в отношении данных в компании.

Кэмерон Дэвис считает, что правила обработки данных должны распространяться и на персональные данные. Так Нагумо из MURC уверен, что стартапы Кремниевой долины могут использовать интуитивные подходы к big data для роста инноваций, а в финансовых учреждениях регламенты управления данными должны быть жесткими.

Учитывайте этические, социальные и нормативно-правовые аспекты персональных данных, которые могут быть некорректно использованы и интерпретированы аналитическими программами. Разработанные алгоритмы могут дать возможность разделять сотрудников на группы на основании их этнической принадлежности, национальности и гендера, даже если соответствующие поля данных отключаются и это может привести к конфликтам.

5. Находите эффективных агентов трансформации

Совет директоров и генеральный директор решают использовать big data, рядовые сотрудники принимают вызов. Для того чтобы аналитическая машина заработала, компании нужны эффективные агенты трансформации, которые смогут объединить бизнес-задачи и цифровые технологии.

Одни компании нанимают на должность менеджера по аналитическому продукту специалистов с опытом и необходимым набором компетенций, другие — назначают человека из команды. Например, Кэмерон Дэвис сравнивает второй подход с наиболее эффективной моделью миссионерства, «когда из числа аборигенов выделяют лидеров, которые в дальнейшем будут проповедовать своему народу». В NBC Universal построили ряд алгоритмов, основанных на машинном обучении, объединили их в новом инструменте и обучили одного из продвинутых сотрудников низшего звена, как им пользоваться. «Проповедник» сам использовал этот инструмент и обучал остальных, взяв на себя задачи менеджера по аналитическому продукту.

6. Будьте аккуратны с аналитикой на аутсорсинге

Кажется, что можно добиться большего, если использовать доступные на рынке технологии в области данных и аналитики, а не развивать это направление самостоятельно. Однако, обращаясь к специализированным компаниям, внимательно читайте условия контракта. Поставщик обязан вернуть все преобразованные или обогащенные данные и не имеет права использовать полученные от вас данные для разработки новых продуктов. Данные и их интерпретация — это актив, и он должен принадлежать вашей компании, а не аутсорсеру.

По словам Ибрахима Гекчена из Maersk, аутсорсинг оправдан, если у него есть альтернатива. Например, в разработке и использовании «конвейера данных» вместе с Maersk участвуют и другие игроки отрасли морских перевозок — транспортные компании, грузовладельцы, операторы терминалов, государственные регуляторы разных стран. Однако чаще компания хочет получить от аналитики уникальные выводы и алгоритмы для машинного обучения и искусственного интеллекта, приложения и программные продукты, которыми она хочет владеть полностью и без оговорок. В этих случаях могут не помочь даже юридически проработанные контракты с поставщиком.

7. Ищите баланс в кадровой политике

Найти талантливых специалистов по big data непросто, но интегрировать нужного специалиста в культуру данных в вашей компании не менее сложная задача. Сотрудники должны дополнять друг друга. Ищите баланс между привлечением новых сотрудников и развитием имеющихся специалистов. Для этого внимательнее изучайте навыки, необходимые вашему бизнесу для работы с данными.

Роб Каспер, рассуждая о качествах, которые позволят создать из нужных специалистов «команду мечты» по аналитике данных, отмечает: «Если вы создадите группу, члены которой обладают схожим уровнем навыков, в ней не будет драйва. В команде должны быть те, кто силен в технологиях, те, кто разбирается в бизнес-процессах, специалист по рискам и нормативно-правовой базе, аналитик, коммуникатор — специалист по письменному и устному общению».

Подписывайтесь на наш канал в Яндекс.Дзен. Много эксклюзивных историй, полезных материалов и красивых фото.

Читайте также:
Пожалуйста, опишите ошибку
Закрыть