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

• регулярные усилия нужно прилагать сегодня и ежедневно, что требует дисциплины и ответственности;

• эффект начинает ощущаться лишь по прошествии времени;

• доказать позитивное влияние ЗОЖ в отрыве от других факторов, влияющих на хорошее самочувствие, довольно трудно или практически невозможно;

• при этом ЗОЖ критически влияет на продолжительность жизни[60] (или, говоря бизнес-языком, на то, что компания продолжит свою деятельность в обозримом будущем — принцип going concern).

Если вы готовы к более долгому и конкретному разговору про эффекты программы управления данными и хотите узнать, как связаны данные и деньги, предлагаем взглянуть на пять метрик[61] (табл. 10.1).

Таблица 10.1. Метрики управления данными

** — [62]

*** — [63]

Цифры из нижней части таблицы (метрики 3–5) характеризуют затратную сторону вопроса. Самая большая цифра в бюджете программы управления данными — годовые затраты на поддержание и развитие платформы (метрика 5). У data-driven-компаний эта цифра может в разы превышать затраты, а подчас и возможности традиционного бизнеса. Например, бюджет на импортозамещение платформы данных в крупной организации в 2026 году составляет несколько десятков миллиардов рублей.

Полнота описания данных (метрика 4) вкупе с правилами по цитируемости данных (метрика 3) также грозят вылиться в дополнительные постоянные затраты на увеличенное количество дата-инженеров (в 10 раз на уровне развития технологий, актуального в 2026 году)[64] и перестроение архитектуры потоков данных. А без описания данных и установления правил по цитируемости невозможно повысить скорость разработки новых дата-продуктов (ключевой метрики доходной части).

Это и есть та часть сметы, увидев которую, компания может остановиться на пути к прогрессу. Для сравнения, однако, стоит отметить, что эти затраты несоизмеримо меньше инвестиций, необходимых, например, для создания собственной LLM[65] — суммы, принципиально неподъемной практически для любой корпорации и страны мира с учетом текущего уровня развития технологий.

Теперь обратимся к доходной части. Эти цифры конвертируются в деньги не напрямую, а через скорость вывода дата-продуктов в промышленную эксплуатацию и через их содержание.

Повышение скорости вывода в промышленную эксплуатацию дата-продуктов более чем в 20 раз при переходе от традиционной к data-driven-модели ведения бизнеса существенно сокращает стоимость дата-продукта. Ведь эта стоимость напрямую зависит от количества часов работы дата-инженеров над каждой витриной, отчетом, моделью, включая модель ИИ. Например, банки, создавшие описание данных в дата-каталоге и внедрившие Data Lineage (метрика 4 в расходной части), на практике сокращают стоимость разработки дата-продуктов более чем на 70% за счет оптимизации метрик 1 и 2[66].

Еще важнее компонента содержания дата-продукта, которая приносит дополнительные доходы. Вокруг нее и строятся так называемые бизнес-кейсы — прогноз по прибыли от внедрения элементов системы управления данными.

ОЦЕНКА БИЗНЕС-КЕЙСА

Когда заходит речь об управлении данными, многие руководители слышат лишь общие фразы: «повысим качество», «обеспечим прозрачность», «станем data-driven». Это всё правильные слова, но они как воздух: вроде бы нужны, а за что платить — непонятно. Именно здесь появляется бизнес-кейс.

Бизнес-кейс — не документ, который пишут для галочки. Это прикладной инструмент, который переводит разговор о данных с языка абстракций на язык цифр и конкретных результатов.

Если совсем просто, бизнес-кейс в программе управления данными отвечает на четыре вопроса.

1. Какая у нас боль? Какую конкретную проблему бизнеса мы решаем с помощью данных? Не «улучшим качество данных в целом», а «перестанем терять 50 миллионов в год на отгрузках не тем клиентам из-за неверных адресов».

2. Сколько это стоит прямо сейчас? Во что обходится компании эта боль? Посчитанные в деньгах потери от неверных решений, упущенной выгоды, ручного труда сотрудников, которые вместо анализа перекладывают цифры из отчета в отчет.

3. Что предлагаем и сколько это будет стоить? Набор конкретных шагов, технологий, людей, которые нужны, чтобы с болью справиться. А еще — цена этих шагов.

4. Когда и как вернем инвестиции? Цифры, сроки и метрики, по которым мы поймем, что запланированный эффект достигнут.

Хороший бизнес-кейс похож на паспорт проекта перед большой стройкой. Вы же не начнете заливать фундамент, не прикинув бюджет, сроки и не поняв, как этот дом будет зарабатывать деньги? С данными то же самое.

Самое сложное в бизнес-кейсе для управления данными — посчитать «стоимость боли». Убытки от того, что скоринговая модель ошиблась, посчитать можно. Штрафы регулятора за утечку — легко. А вот упущенную выгоду оттого, что мы не узнали вовремя о потребностях клиента, — несоизмеримо сложнее. Но без этой цифры разговор с руководством всегда будет упираться в «нам кажется, что это важно».

Именно это отражается в бизнес-кейсах: какие дополнительные доходы мы могли бы получать уже сейчас? И сколько заработаем, если пересмотрим наш подход к управлению данными и принятию решений?

Хороший бизнес-кейс делает управление данными осязаемым. Он показывает не «мы хотим внедрить Data Governance», а «мы хотим перестать платить 10 миллионов в год за ручную сверку отчетности и высвободить трех аналитиков для разработки новых продуктов, нужных клиенту». Это язык, на котором говорят люди, принимающие решения о бюджетах.

Бизнес-кейсы специфичны для каждой отрасли и каждого домена данных внутри компании. Но можно привести типовые примеры.

1. Кейсы, связанные с основной деятельностью бизнеса

Знания о клиенте для сервисных компаний, например:

• внедрение профиля «Клиент-360»;

• внедрение новой MDM-системы или переключение ее из аналитического в онлайн-контур принятия решений для запуска триггерной аналитики;

• введение новых контролей ввода по клиентским атрибутам;

• улучшение алгоритмов нормализации и дедубликации клиентских данных и, как следствие, повышение показателей конверсии из лида в клиента;

• подключение внешних источников данных для улучшения базового профиля клиента (идентификационной информации) — например, портал госуслуг;

• подключение новых данных для улучшения расширенного профиля клиента с глубоким уровнем детализации — например, данные от компаний группы о покупке новых продуктов, о марке автомобиля, о работодателе и др.

Знания об актуальном состоянии оборудования или других технических объектов, например:

• анализ данных с датчиков на оборудовании для прогнозирования отказоустойчивости, снижения простоев и оптимизация графика ремонтов, которое приводит к снижению расходов и брака;

• сбор данных о вождении с датчиков, установленных на автомобилях клиентов страховых компаний, для предложения более гибких условий страхового договора в зависимости от стиля вождения и др.

Оптимизация логистической функции, например интеграция данных от поставщиков и логистических партнеров для создания цифрового двойника цепочки поставок для снижения логистических издержек и «быстрой реакции» на сбои и др.

2. Кейсы, связанные с оптимизацией функции финансов

• Рост качества данных и оперативности при подготовке управленческой и регуляторной отчетности.

• Внедрение инструментов онлайн-прогнозирования и стресс-тестирования финансового состояния и финансовых результатов для корректировки бюджетов и оптимального управления собственными средствами