Data-driven подход — концепция, при которой управленческие решения принимают на основе данных.
В переводе с английского термин означает «управляемый данными». Подход также называют культурой принятия решений на основе данных.
Главная идея: люди ошибаются, а сухие факты — нет. Поэтому опираться на мнение фаундера, руководителя, топ-менеджмента или большинства сотрудников — значит, полагаться на интуицию одного или нескольких человек.
Вместо этого последователи data-driven предлагают довериться данным: статистике и исследованиям.
«Авито» приводит пример того, как люди ошиблись, но данные помогли это исправить. Компания изменила интерфейс главного экрана приложения, так как сотрудники посчитали его устаревшим и неудобным. Однако после тестирования нового решения цифры показали обратное: пользователи стали совершать меньше заказов. Разобраться в причинах помогла подробная аналитика. Источник
Зачем нужен data-driven подход
Основная цель этого подхода — увеличить эффективность принятия решений.
Например, компания доставляет пиццу на дом. Клиенты часто жалуются, что заказы доставляют позже назначенного времени.
Разные сотрудники предлагают разные варианты решения проблемы:
- нанять дополнительных курьеров;
- заменить курьеров на новых;
- ввести систему мотивации курьеров;
- заменить транспорт, на котором ездят курьеры;
- оптимизировать систему коммуникации между производством, курьерами и клиентами;
- мотивировать работников готовить пиццу быстрее;
- изменить процесс приготовления пиццы, чтобы он занимал меньше времени.
Data-driven поможет обоснованно выбрать именно то решение, которое наиболее эффективно решит проблему.
Для этого проведут исследования:
- проверят, сколько минут в среднем занимает приготовление пиццы, доставка и коммуникация между производством, клиентами и курьерами;
- создадут тестовую группу новых курьеров и тех, кто будет ездить на улучшенном транспорте;
- введут пробную систему мотивации для тестовых групп на производстве и в доставке;
- проверят, возможно ли изменить процесс приготовления пиццы без потери качества.
Результаты дадут объективные данные, которые можно измерить в минутах или количестве заказов. Они покажут, какие из предложенных решений окупятся, а какие — только создадут дополнительные проблемы.
Часто data-driven приводит к неожиданным, но правильным выводам. Эксперт TSQ Consulting Людмила Морозова рассказывает, что для компании клиента было проведено исследование, которое показало, что линейный сотрудник приносит больше всего прибыли бизнесу на 4–10 месяцах своей работы. Далее он либо просит повышения, либо уходит. Более эффективным для компании оказалось не пытаться удерживать сотрудников после года работы, а спокойно их отпускать
Data-driven подход также подразумевает сбор и систематизацию большого количества данных. В связи с этим многие компании называют и другие преимущества этого подхода. В первую очередь это экономия времени и единая версия правды: документы хранятся в одном месте и собираются по одинаковым правилам.
Например, такие плюсы видит «Газпром» во внедрении и развитии data-driven инструментов
Какие исследования проводят для принятия решений
Количественные. Результаты таких исследований можно измерить в цифрах. Например, A/B-тестирования или анкеты без открытых вопросов.
Основное преимущество количественных исследований — массовость. Их можно проводить с участием сотен и даже тысяч респондентов.
A/B-тестирование часто используют в рекламе. Его можно провести, например, с помощью «Яндекс Метрики» или «Яндекс Директа». Источник
Качественные. Результаты таких исследований — гипотезы и инсайты, которые требуют дальнейшей проверки с помощью количественных методов.
Например, фокус-группы, интервью, контент-анализ.
Главное преимущество качественных исследований — глубина информации, при которой учитываются все детали и нюансы.
Хотя качественные данные часто анализируют вручную, аналитические инструменты способны отобразить хотя бы общие тенденции. Например, в этом опросе сотрудники компаний могут в свободной форме написать, что они хотят улучшить в компании. Из ответов автоматически создается облако тегов: чем чаще сотрудники упоминали какое-либо слово, тем крупнее оно на картинке
Другой вариант классификации исследований — это деление их на кабинетные и полевые.
Кабинетные. Это метод, при котором данные собирают из уже имеющихся источников: аналитических отчетов, статистических данных, уже проведенных исследований. Источники могут быть как собственными, так и внешними.
Преимущество такого исследования в скорости. Так как данные не нужно собирать с нуля, выводы можно получить намного быстрее, чем при предварительном тестировании гипотез.
Полевые. Это метод, при котором данные собирают с нуля: проводят собственные эксперименты, тесты, интервью, наблюдения и так далее.
Плюс полевого исследования в том, что полученные данные будут максимально соответствовать конкретной задаче, а значит, на них можно опираться с большей точностью.
Какие данные собирают
Принимать решения на основе данных можно только в том случае, если собираемая аналитическая информация:
- Значимая. Рассчитываемые метрики коррелируют с целями бизнеса и каждой команды отдельно.
- Объективная. Данные из разных источников собираются по одним правилам и в одном формате.
- Понятная. Информацию, существующую только в формате цифр или даже графиков, могут глубоко проинтерпретировать только специалисты. Для эффективного принятия решений нужны аналитики, которые смогут доступно объяснять полученные данные, или обучение сотрудников, которое поможет им самостоятельно принимать решения на основе аналитических отчетов.
Если на начальном этапе в компании нет понимания, какие метрики откажутся значимыми, в первое время можно собирать все возможные. Затем проследить, какие из них действительно приносят пользу в принятии решений, и сконцентрироваться на них.
Как собирают данные
При внедрении data-driven подхода компания проходит несколько этапов.
Сначала данные либо не собирают вообще, либо хранят в табличных редакторах (Excel, Google Sheets и подобных).
Следующий шаг — систематизировать и сегментировать их. Для этого придумывают общую методологию: как, где, откуда и в каком формате будут собирать информацию.
Когда работа с данными централизированна, вводят автоматизированные механики и масштабируются. Чаще всего обе задачи решают с помощью BI-системы. Она автоматически составляет отчеты, анализирует разные метрики по заданным параметрам и предоставляет каждому сотруднику возможность получить необходимую информацию.
Последний этап — создание предиктивных моделей. Они детально анализируют предыдущие показатели компании и на основе этого анализа выдают прогнозы на будущее. Часто для таких моделей используют искусственный интеллект.
Крупные компании уже сейчас используют такие инструменты. Например, для своевременной корректировки цен на товары.
Каждый отдел компании проходит data-driven трансформацию. Часто это происходит неравномерно: кто-то не собирает данные вообще, а кто-то уже использует автоматизацию.
На форуме Brif’23 эксперт «Сбера» предложил свою классификацию для разных отделов компании: от начинающего уровня до лидирующего. На нее можно ориентироваться, чтобы оценить, что уже сделано и куда можно расти
Главные мысли
