Секреты аналитики, или Аналитика без секретов

Они же создали и техническую возможность сбора и обработки данных, практически вне зависимости от их структуры и количества[8 - Например, «озеро данных» (Data Lake) – место для хранения данных, которое может вмещать их большой объем в исходном необработанном формате.].

Их труд и энергия безусловно заслуживают самой высокой оценки и искреннего восхищения. Более того, они смогли успешно «продать» свои идеи и продукты высшему менеджменту крупных компаний, вселив в последних твердую уверенность: «IT придет и все Вам сделает!»

Увы, на практике все оказывается гораздо сложнее.

Так в чем же основные сложности, с которыми сталкиваются компании при внедрении data-driven и digital трансформации?

Я могу выделить 3 основных трудности:

1. Уже упомянутый миф «IT придет и все Вам сделает».

2. Неготовность бизнеса или наличие «эффекта» ареола, иногда называемого HIPPO (Highest Paid Person Opinion, что буквально переводится как «Мнение самого оплачиваемого сотрудника»). То есть компания полагается не на четкие данные, а на чей-то авторитет, поддерживаемый его опытом и стажем работы в компании.

3. Неготовность самих аналитиков и аналитических подразделений.

Причем при отсутствии минимальной готовности на каждом из этих уровней так необходимая трансформация будет внедряться в компании в лучшем случае долго, в худшем – не внедрится никогда.

Большой разницы между этими двумя сценариями для компании нет, так как по итогам любого из них компания не сможет стать «Аналитическим конкурентом» или даже «Аналитической компанией».

Итак, рассмотрим последовательно каждый из этих камней преткновения или «мифов»:

Миф «IT придет и все Вам сделает»

Как мы уже сказали, роль IT-подразделений в развитии культуры управления данными сложно переоценить. Безусловно, цифровая трансформация («Digital transformation») невозможна без развития IT-технологий. Однако и преувеличение роли IT часто приводит к неуспеху проекта.

Основные причины я вижу в том, что:

Во-первых, у сотрудников IT-подразделений отсутствует вовсе или недостаточно глубокое понимание бизнеса, его движущих сил.

Тогда все самые лучшие прогностические модели, созданные IT-специалистами на R или Python[9 - R и Python – языки программирования, часто используемые для создания прогностических моделей],остаются не более, чем красивыми теоретическими выкладками.

Во-вторых, обнаруживается различное видение идеалов у IT и бизнеса.