3 способа заставить данные приносить вам прибыль

Финансовый Анализ
Источник: GAAP.RU
Опубликовано: 18 июля 2017

У вас есть куча данных, но вы не знаете, что с ними делать? Удивительно, как много организаций сегодня придерживается примитивного принципа “собрать как можно больше, а там посмотрим”. Компании активно инвестируют в продвинутые IT-системы сбора данных, которые, как они подозревают, должны представлять ценность для бизнеса, но что конкретно с ними потом делать – насчет этого у них ни малейшего представления.

Многие бросают обширные команды аналитиков на разбор данных в надежде, что тем удастся отыскать там что-нибудь, представляющее коммерческий интерес. Традиционно такой подход ведет к бесконечным часам копания в поисках полезной информации, и даже если ее удается найти, у аналитиков это занимает все свободное время. Чтобы информация действительно приносила прибыль, необходим другой подход – тот, который ставит привычный процесс с ног на голову. Наши сегодняшние зарубежные эксперты – Эндрю Уэллс (Andrew Wells), исполнительный директор консалтинговой компании Aspirent, и Кейти Чанг (Kathy Chiang), вице-президент направления бизнес-аналитики в Wunderman Data Management рекомендуют следующие три подхода для “монетизации” данных. Правильнее, впрочем, сказать, что это три составляющие одного подхода, которые должны идти вместе. Итак…

1. Все строится вокруг решений. Традиционный подход заключается в том, что перед началом анализа вы задаете аналитикам вопросы, на которые хотите услышать ответы. Казалось бы, логично, но если ваша конечная цель заключается в получении действительно полезной с точки зрения действий, приносящей реальную денежную стоимость аналитики, необходимо зайти с другой стороны: нужно представлять себе те решения, подтверждение которым аналитики должны найти в наборе данных. Этот подход называют “архитектурой решений” (decision architecture”), и он в корне отличается от традиционных методов.

Таким образом, осознание решений, для которых вы ищете поддержку, определяет направление всей аналитической работы, в том числе тип данных для анализа и самого анализа. Решения, на которых вы акцентируете внимание, определяют все предпринимаемые вашими командами аналитические усилия, начиная от простого расчета доходности на инвестиции (ROI) и заканчивая более сложными метриками, такими как модель контроля мобильности клиентов.

2. Соотнесение решений с целями бизнеса. Уже зная, что задачей для аналитиков является поддержка приносящих реальную ценность решений, необходимо убедиться, что эти решения также отвечают и общим корпоративным задачам, верно? Соотнося решения с ключевыми драйверами реализации корпоративных задач, вы тем самым намечаете себе четкий путь к полезной аналитике в общем нагромождении данных.

3. Экономическая ценность и теория принятия решений. Для модернизации анализа данных и придания реальной экономической ценности вашим решениям через использование анализа данных теория принятия решений (“decision theory”) – обязательное условие. Искусство анализа данных может помочь вам с поиском тех, что необходимы для дальнейших ваших действий, но теория принятия решений при этом требуется для структуризации ваших решений с целью максимизации результативности и эффективности. Показатели экономической ценности учитывают количественные и качественные аспекты отдельного действия, и они могут принимать разные формы: выручка и прибыльность, темп рыночного роста или эффективность процессов, и т.д. Конечная цель анализа экономической ценности заключается в том, чтобы ответственное за принятие решений лицо четко понимало выгоды и негативные последствия различных решений в общем наборе решений, которые ему или ей доступны.

Теория принятия решений поможет ответственным лицам сделать оптимальный выбор для реализации поставленных задач. Структурирование критериев принятия решений в особую матрицу принятия решений, в которой отражены ожидаемые действия, события, исходы, выгоды и негативные последствия решений, поможет менеджерам более четко увидеть весь спектр возможных действий и сделать среди них более взвешенный выбор, тем самым страхуя себя от явных и скрытых когнитивных искажений восприятия.

Когнитивные искажения восприятия возникают тогда, когда у ответственного лица имеется особое видение ситуации, основывающееся на прошлом субъективном опыте, но которое не полностью соотносится со сложившейся на данный момент реальностью. Например, это может проявиться, если ими ставится задача поиска информации и аналитики, подтверждающей уже существующие представления или цели.

Подытоживая, можно сказать, что если анализ данных вы акцентируете на решениях, вы тем самым уже находитесь в преимуществе по сравнению с очень многими сегодняшними компаниями. Однако то, что делает аналитику актуальной и пригодной для конкретных действий – это четкое соотнесение ваших решений с драйверами реализации общих корпоративных целей.

Правильная оценка экономической ценности вашего выбора из множества решений и предварительное использование теории принятия решений для оптимального выбора придаст этому еще большую экономическую ценность. Это три простых подхода, которые идут вместе, и которые действительно помогают перевести абстрактную ценность ваших коммерческих данных в звонкую монету.

По материалам: CFO

Теги: сбор данных  decision architecture  экономическая ценность  теория принятия решений  принятие решений  decision theory  матрица принятия решений  анализа данных  когнитивные искажения восприятия