Страница 3 из 7
В компании, полагающейся не только на данные, но задумывающейся и о смыслах, корпоративные политики и программы не должны быть основаны на цифрах и могут даже вступать с ними в противоречие. Например, статистика требует от компании сократить персонал на 10 %, чтобы сохранить показатели прибыли. Но такой шаг деморализует сотрудников. Более сознательным решением будет снизить другие расходы, но сохранить рабочие места и позитивный настрой в коллективе.
Конечно, это очень простой пример. Но он хорошо показывает необходимость в равной степени ориентироваться и на математику, и на здравый смысл. Чтобы этому научиться, для начала рассмотрим, что мы понимаем под математикой и смыслом, в чем их различие и когда они нужны.
Типы данных: математика и смыслы
Если говорить простым языком, математика в нашем случае – это все данные, проходящие через компанию, а смысл – неосязаемые чувства и представления, связанные с людьми, продуктами, услугами и самими организациями. Чуть усложняя, поясним: математика в этом контексте имеет различные формы – это и алгоритмы, и искусственный интеллект, и данные из социальных сетей, и т. д. Смысл тоже может быть представлен очень по-разному – от миссии компании до значимости бренда и того, как сами сотрудники видят свою компанию.
Организации всегда пользовались данными – проводили опросы, устраивали фокус-группы, верстали бюджеты. Но благодаря скачку в развитии технологий теперь данные просто повсюду. Ниже приведем примеры, поясняющие, почему данные называют «новой нефтью» и почему они столь ценны для бизнеса любого типа.
● Результаты аналитики управляют поведением потребителей. В 70 % случаев подписчики Netflix выбирают контент для просмотра, руководствуясь рекомендациями платформы. Треть всех покупок на Amazon формируется на основе подсказок о том, что еще выбирали покупатели, просматривавшие те же товары, что и вы[8]. Аналитика данных открывает небывалые возможности – от повышения результативности маркетинга до разработки идей новых продуктов.
● Аналитика дает толчок непрерывному совершенствованию. Компании могут сравнивать текущие ключевые показатели со своими прежними результатами, а также с цифрами конкурентов и таким образом получать систему контрольных значений и разрабатывать планы по улучшению работы. Также, используя результаты аналитики, компания может на вопросы сотрудников или партнеров давать конкретные ответы, основанные на объективных данных.
● Данные обеспечивают конкурентное преимущество. Сейчас разница между качеством продукции разных производителей все уменьшается. Клиенты сравнивают цены, что заставляет компании идти на снижение маржинальности. Данные же приносят новые конкурентные преимущества и способы монетизации. Три из пяти самых дорогостоящих компаний Америки (Amazon, Facebook, Alphabet/Google) обязаны своим успехом тому, что благодаря огромным массивам данных могут быстро и с небольшими затратами предлагать пользователям персонализированные сервисы[9]. Благодаря данным компании при небольших затратах могут повышать качество и скорость работы.
Теперь поговорим о смыслах. Они менее осязаемы, чем цифры, но не менее важны для успеха компании. Ниже приведем примеры явлений из данной категории и вопросы, с ними связанные.
● Репутация бренда. Наш продукт дешевый или качественный? Надежный или нет? Бренд вызывает доверие и лояльность или воспринимается как утилитарный?
● Мнение клиентов о сервисе компании. Клиенты считают сотрудников обслуживающих подразделений дружелюбными и отзывчивыми или же холодными и нудными? Ваши продавцы и специалисты сервисных служб работают над выстраиванием долговременных отношений с клиентами или же отношения возникают и поддерживаются только в момент обращения клиента?
● Миссия и ценности компании. Компания известна своей последовательной системой убеждений и принципов либо считается аморальной и переменчивой? Способствует ли организация тому, чтобы ее окружение, отрасль и наш мир в целом становились лучше, или заботится только о личной выгоде?
● Восприятие компании сотрудниками. Считают ли сотрудники, что компания дает им возможность учиться и расти или же только эксплуатирует их навыки и труд? Чувствуют ли они, что получают справедливое вознаграждение, или считают, что компания на них экономит? Считают ли они себя вовлеченными, видят ли себя частью организации или же изолированными наемными работниками?
● Истинное значение данных. Помимо того, что лежит на поверхности, о чем еще говорят все эти факты и цифры? Да, прибыль в июне выросла на 12 %, но в чем причина? Это случайность или тренд, на который нужно обратить внимание? Сработала новая рекламная кампания или программа премирования продавцов?
И это лишь некоторые примеры. Смысловая часть уравнения может принимать множество форм. Это и то, как руководители общаются с подчиненными. Например, проявляют ли уважение и эмпатию? И то, как генеральный директор выступает перед отраслевыми аналитиками. И то, как рассчитываются и выплачиваются премии. Смысл может проявиться и при всестороннем анализе больших данных (Big Data) – когда цифры изучают, обсуждают и дают им толкование несколько разных специалистов. Ранее мы говорили про «таблички» и «живую историю». Смысл – составная часть истории, которую рассказывает организация.
Близорукость, вызванная данными
Как говорил Марк Твен, существует ложь, наглая ложь и статистика[10]. Возможно, в этом утверждении есть забавное преувеличение для достижения большего эффекта. Но организации допускают серьезную ошибку, чрезмерно увлекаясь цифрами. И некоторые компании уже поняли это на собственном горьком опыте.
В 2012 г. Adobe отказалась от ежегодных отчетов о результатах работы персонала. По сути, компания пользовалась специальными формами с целью сбора статистических данных для оценки достижений и улучшений по массе различных параметров. Старший вице-президент Adobe по кадрам и офисам Донна Моррис сравнила сбор этой отчетности с ежегодными посещениями стоматолога. Вместо отчетов компания внедрила менее формальные, основанные на межличностном общении способы диагностики, а именно – личные встречи начальников и подчиненных, на которых результаты работы обсуждаются совместно и в более непринужденной обстановке[11].
Боб Низ, автор статьи «Как избыток данных снижает продуктивность и качество принятия решений» (How Too Much Data Can Hurt Out Productivity and Decision-Making), вышедшей в Fast Company, пишет: «Глубокое погружение в данные о том, кто покупает ваш виджет, бессмысленно, если не приводит к тому, чтобы ваши продавцы фокусировались на правильной аудитории и не тратили время на тех, кто никогда ничего у вас не купит»[12]. Низ отмечает, что люди непредсказуемы. И то, что вы собрали кучу классных данных по конкретной выборке, вовсе не означает, что вам удастся ими воспользоваться. Вы можете установить, что данная аудитория любит синий цвет. При этом, если вы начнете использовать синий в оформлении упаковки, это может и отпугнуть потребителей. Почему? Просто потому, что люди не машины. Их поведение спонтанно, противоречиво и порой не укладывается в схемы.
В 2016 г. McKinsey&Company провели опрос топ-менеджеров ведущих компаний на тему использования больших данных и аналитики. Один из респондентов – директор по управлению рисками American Express Аш Гупта – дал очень интересный ответ: «В первую очередь нам пришлось поработать над повышением качества данных. Данных у нас очень много, и порой мы не пользовались ими и не задумывались об их качестве, как должны бы»[13].
8
Venus Tamturk, «The ROI of Recommendation Engines,» CMSC Media, 10.04.2018, https://www.cms-co
9
Elvis Picardo, «10 of the World’s Top Companies Are American,» Investopedia, 30.05. 2019, https://www.investopedia.com/articles/active-trading/111115/why-all-worlds-top-10-companies-are-american.asp.
10
Mark Twain, Chapters from My Autobiography (n. p.: CreateSpace, 2017), 122.
11
Jack Makhlouf, «Your A
12
Bob Nease, «How Too Much Data Can Hurt Our Productivity and DecisionMaking,» Fast Company, 16.06.2016, https://www.fastcompany.com/3060945/how-too-much-data-can-hurt-our-productivity-and-decision-making.
13
«How Companies Are Using Big Data and Analytics,» McKinsey & Company, 01.04.2016, https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-companies-are-using-big-data-and-analytics.