Data-Driven Decision Making 

Время информационных технологий давно наступило, и уже никому не нужно объяснять, что миром правит информация, а не золото и не нефть. Организации и профессионалы всех мастей стремятся оптимизировать бизнес-процессы потоками информации. Менеджеры кричат о том, что им нужен data-driven подход, но в сети информации о том, как именно принимать data-driven решения не так много

Меня зовут Михаил Танько, я работаю инженером машинного обучения и веду проекты построения систем предиктивной аналитики. В этой публикации мы вместе постараемся понять, как можно применять данные в любой работе и как формировать по-настоящему грамотные решения на основании данных.
По образованию я менеджер, поэтому в первую очередь хотелось бы взглянуть на вопрос с точки зрения бизнеса, а не технического обеспечения. 

Начнем с маркетингового инструмента под названием value chain — цепочка получения ценности из ресурса. Такой термин придумал в 20 веке Майкл Портер, и описывает он, как из различных ресурсов (труд, капитал, земля, технологии) организация создаёт ценность для рынка и покупателей.
Этот инструмент стратегического анализа отлично перешёл в век информационных технологий, где получение ценности из обычных ресурсов уже обыденность для любой уважающей себя организации, но ценность нужно продолжать создавать. Поэтому, учёные из McKinsey адаптировали инструмент и превратили в его data value chain — цепочку получения ценности из данных. 

Зачем нужна такая цепочка?

Всё просто. Не все данные полезны, и не все полезные данные можно использовать в сыром виде. Бесконечный поток информации о действиях клиентов на сайте бесполезен, если вы не сможете превратить его в отслеживаемые KPI или инфографику. В довесок к этому, даже если вы будете отслеживать 1000 важнейших показателей, не все из них могут быть полезны в принятии эффективных решений. Для того, чтобы навигировать свой бизнес-корабль по морю информационного шума, нужно построить цепочку, которая соединяет сырые данные и выгоду для бизнес-процесса. 

Для упрощения понимания цепочку чаще всего разделяют на 3 этапа: 

• Data Discovery. Получение всего объёма данных, разделение на группы. Фильтрация наиболее важных потоков данных. Построение IT инфраструктуры. 
• Data Analysis. Описательная, предиктивная аналитика. Ответы на вопросы: что произошло? Что это значит для бизнеса? Почему это произошло? Что будет происходить? Построение дэшбордов, отчётов и проверка гипотез. 
• Data Use/Impact. Использование данных для улучшения бизнес-процессов. Принятие решений с помощью данных. Автоматизация принятия решений. Рекомендательные системы. 

Как это использовать на практике? 

Цепочку стоит выстраивать одновременно с двух концов.

Задайтесь несколькими вопросами:

•  Какие решения я принимаю на повседневной основе?
• На что опираюсь при принятии этих решений?
• Если бы я знал всё на свете (включая будущее), какие данные использовал бы для принятия идеальных решений? 

После этого на первом этапе необходимо определить всю возможную информацию, до которой вы можете добраться. Её следует разбить на смысловые группы, актуальные для вашего бизнеса (например, данные покупок клиентов, данные посещения сайта клиентами, данные социальных сетей клиентов). Далее следует сформулировать набор ключевых метрик, которые можно получить из этих данных. Метрики пока не стоит классифицировать или фильтровать, выписывайте даже самые мелкие и с виду бестолковые. Поверьте, любая информация может в итоге оказаться полезной, даже информация о том как часто клиенты едят бананы. 

Второй этап следует доверить аналитику данных и инженеру данных, если они есть. Правильное хранение и обработка данных методами аналитики данных и машинного обучения — очень важный способ получить наибольшую выгоду для ваших решений. Если специалистов нет, ничего страшного, существует много готовых решений на рынке, о них — в другой публикации ;) 

Третьим этапом рекомендуется отобрать наиболее важные для вас метрики и отчёты и сформировать визуализацию, которая позволит быстро в любое время рабочего дня обратиться к цифрам для принятия решений. Используйте ответы на вопросы из первого этапа чтобы создать по-настоящему эффективный инструментарий. В аналитике решений не должно быть ничего лишнего! 

Последним и наиболее нетривиальным этапом следует применение всех выстроенных инструментов. О том, как именно принимать решения на основании уже готового набора данных, можно написать хоть 100 публикаций, поэтому объединю эту информацию в набор советов. 

1. Все ваши решения должны оптимизировать какие-либо показатели, либо выполнять операционные, тактические или стратегические цели. Например, какую цену ставить? Такую, что принесёт не просто наибольшую выручку, но и повысит важные для вас маркетинговые показатели (скажем, конверсия на вебсайте). 
2. Изучите основы статистики и эконометрики. Для эффективного принятия решений обязательно нужно знать, что такое описательная статистика и как проводить статистические исследования. Без этого будет трудно решать большой пласт задач из следующего совета. 
3. Если данные однозначно не говорят о правильном решении или вы не можете предсказать будущий исход (например, какого цвета повесить баннер на сайте?), используйте A/B тестирование или схожие методы проверки гипотез. Ставьте гипотезы о данных и проверяйте их практическим путём. Привязывайте гипотезы к показателям и дайте статистике и данным от рынка решать за вас. 
4. Требуйте от себя и своих коллег подкреплять решения информацией. Даже самая продвинутая аналитическая система не принесет выхлопа, если сотрудники будут продолжать опираться только на свою экспертизу при принятии решений. Хорошим решением может стать отслеживание метрики % принятых решений с помощью данных для отдела или каждого сотрудника. 
5. Уделите должное внимание техническому обеспечению. Медленные системы, неэффективные инструменты и плохой data engineering могут загубить даже самые ценные наборы данных.