Данные решают. Как управлять данными, чтобы создавать ценность для бизнеса - Светлана Бова

Во французском Michelin такая ситуация была нормой до недавнего времени. Шесть месяцев уходило у технологов на то, чтобы распутать клубок факторов, влияющих на качество шин. Интуитивно они понимали, что важны и температура в цехе, и возраст оснастки, и влажность. Но смоделировать, как именно эти факторы переплетаются друг с другом, не получалось. Данные молчали, потому что были заперты в руках узких специалистов.

В 2021 году Michelin начала разворачивать единую дата-платформу, доступную не только ИТ-специалистам и дата-сайентистам, а напрямую инженерам на заводах. К середине 2025 года платформой пользовались уже полторы тысячи сотрудников на пятидесяти с лишним заводах. Восемьдесят процентов из них — не программисты, а технологи, механики, специалисты по качеству. Теперь анализ, который раньше тянулся полгода, укладывается в час[58]. Инженер сам заходит в систему, выбирает нужные параметры, и платформа ранжирует сотни переменных — показывает, что на самом деле влияет на дефект, а что просто шум.

Результатом стала не просто экономия времени. Изменилась сама культура производства. Технолог перестал быть просителем данных у программистов. Он стал их прямым пользователем и интерпретатором. Он может не только найти причину сбоя, но и сразу проверить гипотезу: а что, если мы изменим давление в форме на три процента? Система за считанные минуты покажет, к чему это приведет.

Сейчас Michelin пошла дальше. На заводах тестируют голосовых агентов, с которыми инженер может говорить как с коллегой: «Посмотри временные ряды за прошлую неделю, найди аномалии, подготовь график». Данные окончательно перестали быть чьей-то монополией. Они стали просто рабочим инструментом — таким же, как гаечный ключ или измерительный прибор.

Эта работа, невидимая для клиента, как и в других успешных бизнесах, не только приносит Michelin рост финансовых показателей за счет сокращения брака на производстве и повышения лояльности клиентов в долгосрочной перспективе, но и становится основой будущей конкурентоспособности компании. Ведь для любого бизнеса важно понимать, на какой стадии жизненного цикла находятся его продукты, технологии, компетенции персонала: если финансовые показатели хороши, но производственные мощности истощены, технологии устарели, а компетентный персонал уходит из компании, причины для будущей конкурентоспособности исчерпаны. Как в анекдоте:

Квартира. Звонит телефон:

— Алло, а Петрович дома?

— Петрович еще дома, но венки уже вынесли.

Бизнес — это всегда про выбор и про ставки. Сегодня, прямо сейчас, каждый собственник или топ-менеджер своим действием или бездействием делает ставку на то, по какой дороге пойдет его компания. Ставка заключается в ответе на вопрос: станут ли данные важным дифференциатором, тем, что выделит вас на рынке и даст неоспоримое преимущество? И если да, как это отразится на ваших доходах?

Мы однозначно ставим на то, что станут. И вот почему.

СКОРОСТЬ КАК ГЛАВНОЕ СВИДЕТЕЛЬСТВО

Самый наглядный признак компании, которая сделала данные своим «энэйблером», — не красивые дашборды и не отдел Data Science. Это скорость, с которой бизнес может создавать новые продукты и принимать решения.

Давайте сравним два подхода.

Сценарий А: «Данные как проекты». В традиционной компании рождается идея нового продукта, например персональной рекомендации клиентам в мобильном приложении. Формируется проектная команда. Она тратит первые несколько недель только на то, чтобы выяснить, какие данные вообще есть в компании, где они хранятся, какого они качества и как получить к ним доступ. Потом начинается долгий процесс согласований, выгрузок, очистки. Создается отдельная, «точечная» витрина данных под конкретный проект. На все это уходит в среднем от трех до восьми месяцев. ИИ-модель для рекомендаций, если она нужна, часто создается «на коленке» аналитиком на этих же самых, с трудом добытых данных. Она может быть даже эффективной, но это черный ящик, живущий на локальном компьютере. Она хрупка. И когда этот аналитик, получив предложение о работе с зарплатой вдвое выше, увольняется из компании, вместе с ним уходит и вся «магия» его модели. Восстановить логику, провести аудит, доказать регулятору обоснованность решений становится поистине невыполнимой задачей. Эти полгода работы превращаются в цифровые руины, что мы не раз видели на практике.

Сценарий Б: «Данные как платформа». В компании, где данные — это «энэйблер», процесс выглядит иначе. Та же идея персональных рекомендаций возникает у продакт-менеджера. Он открывает внутренний каталог данных — что-то вроде «библиотеки» всех доступных активов. Он видит, какие данные есть, в каком они виде, кто за них отвечает. Через стандартизированные процедуры он запрашивает доступ к уже очищенным, готовым к анализу блокам информации. Инженеры не тратят 80% времени на добычу и очистку, а сразу начинают строить логику продукта. Новая витрина или сервис на основе данных собирается не за полгода, а за две-три недели, а иногда и за считанные часы. ИИ-модель обучается не на сырых и разрозненных данных, а на стабильных, управляемых потоках. Ее можно отследить, проверить, развернуть и обновить за дни, а не месяцы. И если кто-то из команды уходит, продукт не разваливается — он построен на общей, корпоративной платформе, а не на личных навыках и песочницах данных одного-двух крутых дата-сайентистов.

Так работают data-driven-компании, технологические гиганты, для которых данные — это кровь. Netflix, который тестирует тысячи вариантов интерфейса, чтобы вы не отключили сериал. «Яндекс», который в реальном времени перестраивает логистику десятков тысяч курьеров. Michelin, который не случайно десятилетиями сохраняет лидерство в отрасли. Они перешли от «проектов» к «платформе». И их скорость — не просто удобство и операционная эффективность. Это их главное оружие на рынке[59].

ПАРАДОКС ЦЕНЫ: ПОЧЕМУ УПРАВЛЯТЬ ДАННЫМИ ТАК ДОРОГО?

Здесь возникает закономерный вопрос: если все так очевидно и выгодно, почему не все выбирают дорогу «энэйблера»?

Ответ прост и сложен одновременно: потому что это требует огромных, непрерывных и на первый взгляд неочевидных инвестиций.

Одним из рабочих названий этой книги было: «Управлять данными дорого». Это не фигура речи. Годовые инвестиции компании из «Сценария Б» в свою платформу данных, команды дата-инженеров, инструменты описания и контроля, обучение сотрудников в разы превышают бюджет средней компании с традиционной бизнес-моделью на поддержку и развитие платформы данных.

Создание надежной, масштабируемой, безопасной и прозрачной среды для работы с данными сродни строительству современной скоростной магистрали вместо грунтовой дороги. Стоимость строительства вначале пугает. Но как только дорога построена, по ней с минимальными затратами начинают ездить тысячи машин — новых продуктов, сервисов, аналитических моделей. Скорость перемещения (внедрения) вырастает на порядок.

Метрики оценки экономической эффективности программы управления данными

Приступим к самой сложной части нашего путешествия, в которой позволим себе дать несколько метрик, формул и цифр.

Если говорить коротко, оценка экономической