Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики - Билл Фрэнкс

Правильно относитесь к неудачам

Не каждый операционно-аналитический процесс будет работать так хорошо, как ожидалось. На каждую найденную в стоге сена иголку придется несколько неудачных попыток. Выход за установленные рамки в поиске новых способов применения данных и приложения аналитики к бизнесу сопряжен с определенными рисками. И многие аналитические инициативы, особенно на этапе исследований, не принесут желаемых результатов. Нужно быть готовым к неудачам, а вместе с тем и адекватно управлять ими. Другими словами, необходимо создать культуру правильного отношения к неудачам. Давайте посмотрим, как это сделать.

Идея не является плохой… если ее можно протестировать

Популярная поговорка гласит, что плохих идей не бывает. На деле же плохие идеи бывают, и наша задача – их избежать. К счастью, аналитика позволяет довольно легко проверить, является ли данная идея хорошей или плохой. Насколько бы безумной ни казалась идея, но, если она может быть протестирована, ее следует протестировать. Объективные результаты, основанные на аналитике, покажут, работоспособна она или нет.

Сегодня во многих случаях разработать и провести такие тесты можно быстро и дешево. Интернет-компании по максимуму задействуют эту возможность с упором на так называемый метод постоянного апробирования. На современном сайте электронной коммерции в любой момент могут тестироваться десятки, если не сотни или тысячи новых идей. Эти тесты могут варьироваться от крупных экспериментов, таких как тестирование совершенно нового облика сайта, до совсем незначительных, таких как изменение шрифта в описании товара. Сайты в случайном порядке показывают пользователям либо стандартный, либо тестовый контент, после чего при помощи аналитики оценивается, как нововведение повлияло на поведение пользователей. Подобное экспериментирование должно стать частью любой корпоративной культуры, а не только компаний электронной коммерции.

Концепции тестирования и экспериментального дизайна получили широкое распространение и были полностью доказаны. Благодаря доступным сегодня инструментам использовать эти методы стало гораздо проще, чем когда-либо в прошлом. Многие современные операционные системы позволяют легко протестировать новую аналитическую логику. Следовательно, нет оправданий для того, чтобы этого не делать.

Ранее мы уже говорили о том, что сначала надо создать базовый аналитический процесс, а затем уже масштабировать его до операционного уровня. Перед запуском аналитической производственной линии необходимо провести в небольшом масштабе тесты на подмножестве решений. Это позволяет проверить, как будет работать процесс в реальных условиях. Когда речь идет о физических сборочных линиях, например по производству потребительской электроники, внесение изменений может обойтись весьма дорого, поскольку потребует тщательной переналадки большого количества очень чувствительного и тяжелого оборудования. В случае же операционной аналитики, как правило, это не так. Все, что требуется, – просто ввести и протестировать новую аналитическую логику в операционных системах. Изменить строки кода в виртуальной «производственной линии» гораздо легче, чем переналадить тяжелое оборудование на реальной производственной линии. Простота тестирования новой логики практически не оставляет оправданий для отказа от тестирования новых идей.

Из всего вышесказанного вытекает одно важное следствие, а именно необходимость изменения модели финансирования аналитических проектов, когда дело касается обнаружения данных. Вместо того чтобы финансировать каждый проект в отдельности на основе надежно прогнозируемой рентабельности инвестиций в него, проектами следует управлять на портфельной основе. Другими словами, в конце года отдача, полученная от ресурсов, которые были потрачены на обнаружение данных, должна продемонстрировать, что предпринятые на протяжении года действия обеспечили хорошую совокупную доходность. Важно не то, сколько проектов в портфеле оказались неудачными, а то, что успешные проекты с лихвой компенсировали все неудачи.

Это потребует изменения подхода к бюджетированию, однако может значительно повысить продуктивность. Прежде всего, аналитическая команда должна составить список исследовательских проектов. Она должна быть уверена в том, что некоторые идеи обязательно окажутся работоспособными, хотя может и не знать наверняка, какие именно. Подобно тому как бэттер в бейсболе не станет связывать себя обязательством, сколько именно мячей он отобьет, так и аналитики не могут гарантировать успех отдельных исследовательских проектов. Главное для них – получить хороший средний показатель по итогам года. Таким же образом работает и венчурный капитал. Даже самые опытные венчурные капиталисты теряют все свои инвестиции в большинство стартапов. Однако оставшиеся в портфеле успешные стартапы оправдывают риски.

Не принимайте неудачи на свой счет

Если организация хочет разрабатывать и внедрять инновационные операционно-аналитические процессы, она должна уметь преодолевать неудачи. Они не являются злом, а если происходят быстро, то могут и обернуться благом. Когда же проваливаешься медленно и при этом не используешь аналитику, то обрекаешь себя на очень серьезные потери. Избежать их легко, если организация будет действовать только наверняка, но тогда она не сможет развивать свой бизнес. Скорее всего, такая организация проиграет своим конкурентам, которые научатся применять аналитику для ускоренного внедрения инноваций (и ускоренного преодоления неудач).

Говоря о том, что неудача допустима, я вовсе не утверждаю, что никто не должен за нее отвечать или что к ней нужно стремиться. Это означает, что попытки применить действительно новую и инновационную аналитику не могут быть успешными на все 100 %. Например, в бейсболе даже 30 % удачных попыток считается большим успехом. Когда главное внимание уделяется поиску причин провала аналитического процесса, а внедренные системы позволяют быстро тестировать результаты поиска, издержки неизбежных неудач будут сведены к минимуму. Кроме того, извлеченные из неудач уроки могут положительно отразиться на будущих действиях, поскольку это позволит в дальнейшем избежать ведущих к провалу факторов.

Корпоративная культура организации призвана поощрять людей, с тем чтобы они не принимали аналитические результаты на свой счет. Вполне возможно, анализ выявит, что блестящая, по вашему мнению, идея на самом деле абсолютно неработоспособна. Но это вовсе не означает, что вы идиот и не отдаете отчета в своих действиях. Просто аналитика выявила, что вам следует поискать другую идею. Разумеется, придется постараться, чтобы убедить людей в том, что они могут свободно предлагать идеи, пусть те потом и окажутся неработоспособными. Во многих организациях люди стараются предлагать только те идеи, в которых они более чем уверены, поскольку опасаются негативного к себе отношения, если их будут ассоциировать с провалившимися идеями. Корпоративная культура не должна такого допускать. Лучше поощрять людей рисковать и вносить свою лепту в общее дело, чем позволять организации безопасно стагнировать.

Неудачи по незнанию неприемлемы

Наконец, еще один важный аспект аналитической культуры, связанный с преодолением неудач, заключается в понимании людьми того, как правильно использовать любые результаты аналитики. Неверное истолкование и неправильное применение аналитических результатов неприемлемы. Старая поговорка гласит: недоученный хуже неученого. Когда недостает знаний о том, как использовать результаты аналитического процесса, это тоже плохо.

В одной из популярных статей в моем блоге обсуждается тревожный пример, который наглядно иллюстрирует опасности использования аналитики без надлежащего понимания или обучения{92}. Руководство находящейся недалеко от моего дома школы решило использовать для оценки курсовых работ учащихся специальную программу проверки на плагиат. Так вот, беспроблемный прежде класс с углубленным изучением школьной программы и со множеством отличников программа уличила в обмане. Всем учащимся завернули курсовую работу, что негативно отразилось на их годовых оценках. Когда мне сообщили детали, я понял, что причина была в неправильном использовании ПО. Например, совпадение фраз из трех слов в двух работах маркировалось как тревожный сигнал. Скажем, если двое учащихся написали фразу: «Автор предполагает, что…», их работы отмечались как подозрительные. При таких нестрогих критериях можно ожидать множество случайных совпадений. Если работа набирала определенное количество красных флажков, она считалась плагиатом. Преподаватели, не имевшие опыта в использовании такого рода анализа, отстаивали оценки «экспертного» ПО, даже если видели явно нелогичные и несправедливые выводы. Все это больно ударило по репутации учащихся, негативно повлияло на их годовые оценки и потенциально на возможность поступить в колледжи по их выбору.