Цифровизация и цифровая трансформация неотделимы от использования данных для принятия решений. Но как можно использовать данные для принятия решений?
Содержание
Всего, сейчас, существует 4 стратегии использования данных для принятия решений:
No-Data
Data-driven
Data-informed
Data-inspired
И наиболее распространенный запрос и тезис в России: "Мы Data-driven". Но что за этим скрывается, и почему мировые ИТ-гиганты отходят от этой стратегии как единой для всех ситуаций и направлений деятельности?
No-Data
No-data - управление и принятие решений без учета данных и аналитики. Это наиболее распространенный подход в малом и среднем бизнесе. Его использует доминирующее количество руководителей и организаций.
Data-driven
Data-driven - управление и принятие решений исключительно количественных на данных и метрик
Сначала получают цифры/метрики, а потом на их основе принимают решения. Полученные числа — первое, на что посмотрят, решая, куда двигаться дальше. Отлично подходит для обоснования решений перед вышестоящим руководством / акционерами.
Data-informed
Data-informed - управление и принятие решений с учетом данных.
Метрики привносят дополнительную информацию, которая может быть полезна при принятии решений. Однако, окончательное решение принимается с учетом прошлого опыта, экспертизы, интуиции и т.д.
Data-inspired
Data-inspired - подход, при котором анализ рынка и трендов, поиск неочевидных связей в разрозненных данных служит для принятия стратегических решений и поиска новых возможностей. Ключевое - мы опираемся не на опыт и анализ событий, а на видение будущего и исследования.
Позволяет строить стратегию, но имеет наибольшие риски
Давайте разберем, а какие слабые места есть у Data-driven?
Недостаток креативности
Data-Driven не дает места креативности и разным точкам зрения
Узкая фокусировка
Данные могут ответить качественно только на те вопросы, которые были изначально заложены на этапе проектирования
Исключение экспертных знаний
Data-driven подход не учитывает экспертные знания и опыт
Необъективность
Создать абсолютно объективный набор метрик практически невозможно, в любом случае взгляд менеджера найдет отражение в наборе метрик
Сложность оцифровки реакции людей
Data-driven плохо учитывает человеческий фактор: эмоции и чувства, субъективное мнение
Требовательность к качеству данных
Data-driven требователен к качеству исходных данных и проработке нормативно-справочной информации
При этом, именно работа с данными и качество данных - одна из ключевых причин большинства проблем в ИТ-проектах
А какие же проблемы существуют в работе с данными, и к каким проблемам они приводят?
А теперь, давайте ответим на несколько вопросов:
возможно ли в наших компаниях создать решения с идеальными данными?
возможно ли создать объективные метрики и не перегрузить руководителей?
насколько это все реально в условиях постоянных изменений и неопределенности?
что важнее всего в условиях неопределенности?
Для этого давайте обратимся к модели Киневин, которая позволяет определить порядок действий, в зависимости от запутанности ситуации
В итоге Data Driven плохо подходит для принятия решений в условиях неопределённости и при низком качестве исходных данных.
А попытка создать идеальную систему метрик может привести к бесконечной стоимости роста каждого решения, перегрузке руководителей данными и к критичным ошибкам
При этом Data-driven отлично подходит для принятия ежедневных небольших решений или решений в условиях стабильности, в простых системах
Data-informed помогает ориентироваться в ситуациях неопределенности и сочетать экспертные качества с анализом данных, планировать ближайшее будущее.
Недостатки подхода:
не подходит для принятия стратегических решений и поиска новых возможностей, так как основан на опыте и анализе событий и фактов
сложнее обосновать свои решения руководству и заинтересованным сторонам, потому что они не полностью основаны на количественных данных и во многом зависят от точки зрения и картины мира, опыта и экспертности
существует риск влияния когнитивных искажений
проблема множественного выбора — слишком много входных данных, их придется приоритизировать, искать корреляцию, а информация на выходе может быть противоречивой.
Data-inspired помогает строить стратегии и работать на долгосрочное будущее, находить новые решения.
Недостатки подхода:
не подходит для оперативного и тактического управления
решения на основе такого подхода наиболее рискованные
формирует абстрактные идеи и предположения
еще сложнее обосновывать свои решения руководству и заинтересованным сторонам
целиком зависит от квалификации того, кто анализирует данные
Резюме
Серебряной пули» не существует – нет единого подхода для всех ситуаций:
Data-driven – отличный инструмент для решения повседневных/оперативных задач или в условиях стабильности, т.е. для принятия 80% всех решений. Это инструмент оперативного управления и планирования / контроля
Data-informed необходим при создании новых продуктов, работе с людьми и планировании ближайшего будущего. Это инструмент тактического управления и планирования
Data-inspired помогает создавать стратегии и находить новые решения, работать на долгосрочное будущее. Это инструмент стратегического управления и планирования.
Пример того, для каких задач можно применять каждую стратегию в таблице ниже
Data-driven | Data-informed | Data-inspired |
A/B - тесты Оценка производительности и стабильности новых функций | Дорожная карта развития Приоритезация разработки новых функций | Стратегия Поиск новых возможностей |
Человек все равно остается ключевым элементом любого подхода. Только свой опыт и экспертизу он может тратить не на рутину, а на интеллектуальную работу
Полезные материалы
Полезные ссылки
Comments