«Цифры никогда не врут»: почему бизнесу бывает страшно смотреть на собственные данные

Данные способны находить потери на миллионы рублей, экономить время сотрудников и помогать бизнесу принимать более точные решения. Но сами по себе таблицы, дашборды и искусственный интеллект успеха не гарантируют.

Если у бизнеса нет понятной цели, качественной исходной информации и ответственного за результат, аналитическая система рискует остаться дорогой витриной.

Участники круглого стола «Фонтанки» обсудили, почему разные подразделения одной компании нередко показывают руководителю разные цифры, можно ли внедрять аналитику без большого IT-бюджета и почему искусственный интеллект способен найти аномалию, но пока не может договориться с сотрудниками.

Цифра, которой можно доверять

Бизнес собирает и обрабатывает данные прежде всего ради двух ресурсов — денег и времени, считает директор по цифровой трансформации ГК «Синтека» Андрей Волков. Аналитика должна показывать, где компания выбивается из сроков, недополучает выручку или несет лишние расходы.

— Первое — это деньги, второе — время. Никто не хочет терять ни то, ни другое. Аналитика должна показывать, где мы по срокам что-то не успеваем, где могли бы сделать больше и где теряем деньги. Это может быть маркетинговая кампания, строительство или любой другой этап. Нам нужны данные, чтобы принять решение, сэкономить деньги и освободить время, — объяснил он.

Однако одного сбора информации недостаточно. В крупной компании разные отделы нередко по-разному определяют и рассчитывают один и тот же показатель.

— У нас много подразделений и отделов. Каждую неделю проходит маркетинговое совещание, на которое приходят маркетинг, телемаркетинг, несколько отделов продаж. И все называют разные цифры: разное количество переданных лидов, разные конверсии, — рассказал Андрей Волков. — Если посчитать по данным одного отдела, мы на маркетинговой кампании заработали. Если поверить другому — потеряли. У каждого свои методы расчёта, и собственник в итоге говорит: «Мне нужна цифра, которой я могу доверять».

После этого начинается наиболее трудная часть работы: подразделения должны договориться, как именно считать показатель.

Технический директор компании «Формат кода» Борис Кириллов выделил три основные задачи аналитики:

— Первая — диагноз: в каком состоянии находится компания, что говорят её основные показатели и метрики. Вторая — прогнозы: куда движется бизнес, какие проблемы могут возникнуть, где появляются аномалии, — перечислил он. — И третья, самая важная, — поддержка принятия решений. Решения можно принимать на основе интуиции — «мне так кажется», — а можно опираться на количественные показатели. Но и здесь есть оговорка: если собирать всё бездумно, данные превращаются в болотце, которое ни к чему хорошему не приводит.

В медицине необходимые системы появились уже достаточно давно, отметила собственник группы компаний «Альбатрос», врач-дерматолог Наталия Дмитриева: клиники используют телефонию, CRM и общую медицинскую информационную систему. Главная проблема заключается уже не в отсутствии цифр, а в нежелании собственников внимательно их изучать.

— Собственнику бизнеса смотреть на них страшно, потому что цифры никогда не врут, — считает она. Для регулярной оценки работы клиники необходимо всего четыре основных показателя:

— Это загрузка клиники, средний чек, возвращаемость пациентов и процент перенаправления в рамках лечения. Когда видишь эти четыре показателя, иногда начинаешь думать: правильно ли я приняла управленческое решение? Может быть, у меня не тот человек занимается определённым сектором? Может быть, маркетинг работает не так или руководители не справляются? Сложность не в том, чтобы получить цифры, а в том, чтобы их принять.

Раньше одной из главных задач бизнеса была интеграция разных цифровых систем, но сегодня на первый план выходит скорость получения достоверной информации, продолжила директор внедрения цифровых сервисов ГК «А101» Татьяна Файнблит.

— Руководителю уже недостаточно получить таблицу или большой отчёт через несколько дней. Ему нужен готовый ответ на конкретный запрос — быстро, в понятной форме и с высокой степенью достоверности, — объяснила она. — Именно скорость получения информации и простота работы с ней позволяют оперативно видеть изменения в процессах и принимать управленческие решения. Поэтому ценность современной аналитики заключается не только в объеме собранных данных, но и в том, насколько быстро их можно превратить в корректный и практически применимый вывод.

Сколько стоит аналитика

Стоимость системы зависит от масштаба бизнеса, количества источников информации и требований к инфраструктуре. По словам Бориса Кириллова, полноценная архитектура может включать несколько уровней: от корпоративных систем, в которых первоначально появляются данные, до хранилищ, инструментов визуализации и искусственного интеллекта.

— Если говорить про полный стек, то в пределе это действительно дорого, — рассказал он. — Сначала идут источники: CRM, ERP, производственные и другие системы. Затем нужно собрать из них информацию, преобразовать её и где-то хранить. Кто-то использует сравнительно небольшие базы, кто-то строит озёра и хранилища данных. Уже над ними появляется аналитика: BI-инструменты, системы искусственного интеллекта, а в некоторых случаях — онтологии и цифровые двойники бизнес-процессов.

В компании, приводит он пример, есть проект цифрового двойника склада, который позволяет моделировать различные сценарии и оценивать, что произойдет при изменении отдельных параметров.

— Решения существуют для всех — от малого бизнеса до крупнейших компаний. Но в пределе это большие, сложные и дорогие системы. Всё зависит от объёма данных и требований заказчика, — пояснил Борис Кириллов. — Если у компании несколько терабайт информации, это одна история. Если речь идёт об огромном массиве и требовании размещать всё только на собственных серверах, бюджет будет совсем другим.

Однако даже крупные вложения не помогут, если исходная информация некачественная.

— Сейчас очень большой упор идёт на качество данных: нужно понимать, откуда они взялись, как трансформировались и куда пришли, устанавливать правила проверки и управления, — подчеркнул он.

— Это и есть так называемое болото данных. Сами по себе, без контроля, они ценности не несут, — добавил он.

Наталия Дмитриева считает, что бизнес может начинать не с дорогой платформы, а с обычной таблицы.

— Обычная таблица дает очень много информации и постепенно формирует привычку анализировать. Сначала мы научились еженедельно, а где-то ежедневно работать с данными. И только потом начали внедрять другие системы, — рассказала она.

Основой цифровой инфраструктуры клиники стала медицинская информационная система. Вокруг неё постепенно появились дополнительные сервисы.

— Мы смотрим, чего нам не хватает. Например, нужна триггерная рассылка клиентам — внедряем один инструмент. Нужно проверять амбулаторные карты — подключаем другой, — рассказывает Наталия Дмитриева. — Есть CRM для управления взаимодействием с пациентами. Но самое дорогое — не купить все эти программы, а научить людей ими пользоваться: работать с таблицей, полноценно использовать медицинскую информационную систему, анализировать данные, делать выводы и передавать собственнику правильные цифры.

Андрей Волков также считает, что работающая аналитика необязательно начинается с огромных затрат. Один из вариантов — приобрести готовое отраслевое решение.

— Есть простой сценарий: купить готовую интеграцию или обратиться к внешнему поставщику, — рассказал он. — Например, стоимость нашего решения начинается примерно от 150 тысяч рублей в год и, в зависимости от размера компании, может доходить до 600 тысяч. В эту сумму входит техническая поддержка: если что-то «упало» или появилась ошибка, заказчику не нужно самостоятельно её исправлять.

Но даже при использовании готового продукта компании понадобится собственный специалист, способный интерпретировать показатели.

— На стороне заказчика всё равно нужен аналитик. Кто-то должен разобраться в большом перечне дашбордов, быть точкой входа, понимать, какая метрика нужна и кто за неё отвечает, — пояснил Андрей Волков. — Если условно заложить на такого сотрудника около 200 тысяч рублей в месяц, суммарно получается примерно 2,5 миллиона рублей в год. Но решение сразу начинает давать показатели и позволяет экономить. Иногда одним дашбордом по арматуре можно за три месяца отбить миллион.

Другой путь — начать с бесплатных или сравнительно недорогих BI-инструментов.

— Можно использовать бесплатные сервисы, подключать к ним Excel-таблицы, CRM, 1С и другие источники, — говорит он. — Но всё равно нужен человек, который это соберет и структурирует. Мы сами начали с покупки BI-инструмента примерно за 500 тысяч рублей, а годовая поддержка стоила значительно меньше.

Внедрение лучше начинать с одной конкретной задачи.

— Мы должны заранее понимать: если сконцентрируемся на этой задаче, то получим эффект и вернём вложенные деньги. Если сразу взяться за всю компанию, вывести огромное количество метрик из разных отделов, долгое время не будет никакой обратной связи. Деньги будут тратиться, а управленческих решений на основе аналитики никто принимать не сможет, — предупредил Андрей Волков.

В девелопменте цифровые технологии уже сопровождают практически весь жизненный цикл проекта — от проектирования и строительства до продаж и эксплуатации, отметила Татьяна Файнблит.

— Наиболее заметный эффект они дают там, где связаны со взаимодействием с клиентами и автоматизацией внутренних процессов, — рассказала она. — Онлайн-шоурумы, интерактивные конфигураторы, CRM-системы и чат-боты позволяют не только сделать покупку квартиры удобнее, но и объединить информацию о каждом этапе взаимодействия с клиентом. Это помогает быстрее обрабатывать обращения, автоматически сегментировать клиентов и сокращать путь от первого контакта до заключения сделки.

Отдельные сервисы должны быть объединены в общую архитектуру.

— В нашей компании в качестве мастер-системы уже давно используется 1С как CRM-платформа, которая интегрируется с другими цифровыми решениями. Такая архитектура позволяет объединять данные из разных источников и использовать их в ежедневной работе, — пояснила Татьяна Файнблит.

По ее мнению, полноценную аналитику можно внедрить и без большого IT-бюджета или собственной крупной команды аналитиков.

— Это возможно, если в компании уже сформированы полноценные и качественные исходные данные, — считает она. — Именно подготовка данных, внедрение системы их сбора и хранения, а также обучение сотрудников обычно требуют больше времени и организационных усилий, чем непосредственно приобретение аналитического инструмента. Команда аналитиков особенно важна на этапе проектирования системы, определения принципов сбора данных, их проверки и хранения.

Данные сегодня есть практически у любой компании — и обычно их много.

— Основная задача заключается в том, чтобы научиться правильно ими пользоваться. Поэтому результат зависит не столько от бюджета, сколько от качества исходной базы, корректной постановки задачи и готовности компании встроить аналитику в реальные бизнес-процессы, — подчеркнула Татьяна Файнблит.

Искусственный интеллект: помощник, а не замена

Способен ли искусственный интеллект заменить аналитика, который обходится компании примерно в 200 тысяч рублей в месяц, спросила Наталия Дмитриева. Андрей Волков считает, что пока нейросеть скорее помогает такому специалисту, чем занимает его место.

— Искусственный интеллект способен найти аномалии, агрегировать информацию, работать с большим массивом данных. Но он не соединит самостоятельно разные источники и не договорится с пятью отделами, каждый из которых по-своему рассчитывает одну метрику, — пояснил он.

Аналитик, по его словам, должен обладать не только техническими, но и коммуникативными навыками.

— Он должен прийти в один отдел, выслушать позицию сотрудников, затем во второй, третий, всё структурировать, собрать участников и сказать: «Теперь показатель будет считаться так», — пояснил он. — Собственник должен увидеть, что методика логична, и утвердить её. После этого появляется единая метрика, которую уже нельзя трактовать по-разному. Как искусственный интеллект решит такую задачу, я пока не понимаю.

Однако ИИ уже может заметно упростить работу с готовой аналитикой. Внутри «Синтеки» используется около ста дашбордов, распределённых между разными подразделениями.

— У одного отдела может быть 30 дашбордов, у другого — 20. Если директору нужна определённая метрика, ему приходится обращаться к руководителю подразделения, а тот должен вспомнить, в каком именно дашборде она находится, — рассказал Андрей Волков. — Мы настроили ИИ, чтобы он знал, какие отчёты существуют, что в них содержится и как согласованы показатели. Руководитель задаёт вопрос в чате и получает готовый ответ. При необходимости нейросеть может построить график и проанализировать даже 12 миллионов строк.

Однако полностью доверять такому ответу он пока не готов.

— У меня остаются опасения: не забудет ли нейросеть применить какой-нибудь фильтр, не отбросит ли что-то как мусор и верно ли покажет директору показатель. То, что она посчитает аномалией, на самом деле может быть нашим осознанным бизнес-решением. Поэтому искусственный интеллект — это ассистент руководителя, но не самостоятельный аналитик, — подчеркнул он.

Наиболее эффективно искусственный интеллект работает там, где есть повторяющиеся закономерности и достаточно глубокая история, добавил Борис Кириллов.

— У искусственного интеллекта вероятностная природа. Поэтому самые эффективные области — прогнозирование, поиск аномалий и другие задачи, где существует определенный паттерн и накоплены исторические данные, — пояснил он. — Он может помогать следить за качеством, искать соответствия, ускорять миграцию с одной системы на другую, переводить запросы с естественного языка в технические, выполнять шаблонные действия и снижать объем ручного труда.

Нейросети также могут помогать крупным организациям разбираться с разрозненными источниками.

— Внедрение единого бизнес-глоссария в большой компании — это боль. Обычно всё начинается бодро, а потом сталкивается с организационными проблемами. Если есть множество источников, за которые никто централизованно не отвечает и которые уже превратились в болотце, искусственный интеллект может помочь раскрутить эту структуру, найти паттерны и выстроить контроль качества, — пояснил Борис Кириллов.

При этом стопроцентно достоверного результата ждать не стоит.

— Есть определенный уровень качества, которого можно достичь, но ста процентов не будет в силу внутренней архитектуры таких систем, — добавил он. — Кроме того, если код или аналитический запрос создается быстрее, возрастает нагрузка на того, кто формулирует задание и проверяет, что в итоге получилось.

В медицинском бизнесе искусственный интеллект уже встроен во многие рутинные процессы, рассказала Наталия Дмитриева.

— Во-первых, он ускоряет работу бизнеса, во-вторых, снимает напряжение с линейных сотрудников и еще генерирует контент, — говорит она. — Могу сказать, что ролики и мультфильмы, созданные с помощью искусственного интеллекта, иногда получают в социальных сетях в десятки, а то и в сотни раз больше просмотров, чем креативы дизайнера или маркетолога.

В работе с данными ИИ помогает искать аномалии в загрузке клиники и маршрутах пациентов, проверять клинические рекомендации и анализировать информацию из медицинской и CRM-систем. Но заменить самого врача гораздо сложнее.

— В голове врача есть определённый алгоритм: как он общается с пациентом, как доносит информацию и будет ли консультация эффективной. Подключить к этому алгоритму ИИ практически невозможно, — считает Наталия Дмитриева. — Там же находятся страхи: стыдно навязываться, стыдно предлагать лечение, приглашать на повторный приём, говорить о деньгах. Эти страхи могут идти во вред пациенту и снижать эффективность лечения. Но, повторюсь, подключить искусственный интеллект непосредственно к этому внутреннему алгоритму врача невозможно.

В девелопменте ИИ уже активно применяется в задачах, которые прежде требовали значительного объёма ручной работы, отметила Татьяна Файнблит.

— Один из примеров — динамическое ценообразование. Этот процесс уже давно перешёл от фактически ручного назначения цен на основе экспертной оценки к автоматизированным моделям, способным учитывать большое количество факторов, — рассказала она. — Еще одно направление — формирование и проверка смет. Здесь ИИ позволяет автоматизировать процессы, которые ранее хотя и поддерживались цифровыми системами, но всё равно требовали существенного участия специалистов.

ИИ-инструменты используются и для визуализации проектов на этапе предпродаж.

— Если раньше для этого требовались дорогостоящие VR-решения, то сегодня можно быстрее и дешевле создавать цифровые прогулки по будущему району и визуализировать проект, — пояснила Татьяна Файнблит. — Ценность искусственного интеллекта определяется не самим фактом его использования, а тем, насколько эффективно он решает конкретную задачу. Если технология снижает затраты, ускоряет процесс или делает сервис удобнее, её применение оправданно.

Купить — ещё не значит внедрить

Одна из главных ошибок бизнеса — считать покупку программного продукта внедрением, отметила Наталия Дмитриева.

— Я сама совершала эту ошибку: купила систему, заплатила деньги и решила, что теперь всё работает. Но я не научила сотрудников ею пользоваться. Покупка дала мне возможность сказать: «Я внедрила, значит, я молодец и могу больше ничего не делать». Это напоминает дорогой фитнес-браслет: человек надевает его, лежит на диване и ждёт, что с ним что-то произойдёт, — сравнила она.

До начала цифрового проекта необходимо определить, кто будет отвечать за него внутри компании.

— И нужно понимать, что на любом этапе будет сопротивление — неважно, внедряете вы Google Таблицу или мощную корпоративную платформу, — рассказывает Наталия Дмитриева. — Часть сотрудников может отвалиться. Без изменения мышления и привычки работать с данными ничего не произойдёт. Изменения появятся только в бюджете: деньги потратили, а результат не получили.

По ее словам, предприниматели часто называют внедрением сам факт покупки CRM или другой программы.

— Я постоянно слышу: «Купила CRM, поставила — и ничего не работает. Значит, система плохая», — продолжила она. — Это как купить дорогое медицинское оборудование — лазер, КТ или ультразвуковой аппарат — и ждать, что оно само начнёт приносить деньги, а не выстроить путь пациента, не создать поток, не научить врачей и администраторов. Если просто бросить зерно в сухую почву, не поливать и не удобрять, ничего не вырастет.

В «Синтеке» переход к единой аналитике также сопровождался сопротивлением, рассказал Андрей Волков.

— Компания большая, поэтому нужно было со всеми договариваться. Люди приходили на совещания и говорили: «У вас данные неверные». Мы разбирались, показывали, почему расчёт правильный, и часто выяснилось, что проблема не в дашборде, а в том, что сотрудник неправильно внес информацию. В какой-то момент директор по развитию сказал: «К следующему совещанию никаких таблиц быть не должно. Я доверяю дашборду».

Некоторое время сотрудники продолжали вести отчёты параллельно, но постепенно отказались от ручной работы.

— Они поняли, что их таблица больше не нужна, система уже делает ту же работу быстрее, а освободившееся время можно потратить на другие задачи. Только в таком случае сотрудник начинает видеть пользу продукта и перестраиваться, — отметил Андрей Волков.

За каждой метрикой, по его мнению, должны быть закреплены заказчик и ответственный.

— Нельзя просто построить красивую витрину данных и ждать результата. Должен быть потребитель, который использует показатель для принятия решения, и ответственный сотрудник, который понимает, почему цифра изменилась, следит за ней и ведет осмысленный диалог, — подчеркнул он. — Если такой цепочки нет, деньги на аналитику потрачены, но управленческих решений никто не принимает.

Один из способов преодолеть сопротивление — автоматизировать операцию, которая отнимает у сотрудников много времени.

— У нас в подразделениях разные системы мотивации. Раньше некоторые руководители до пяти дней в начале месяца сводили показатели и рассчитывали зарплаты: конверсии, отпуска, больничные, замены. Потом приходил сотрудник и спрашивал, почему ему заплатили так мало, и руководитель всё пересчитывал. Сейчас у нас 11 дашбордов, которые рассчитывают зарплаты. Бухгалтер выгружает готовый Excel и загружает его в 1С, а руководителю остаётся только проверить результат, — рассказал Андрей Волков.

Автоматизация не только освободила время, но и повысила качество исходной информации.

— Сотрудники сами стали внимательнее следить за данными, потому что от них зависит расчет вознаграждения. Процессы стали прозрачнее, а достоверность показателей выросла. Мы одновременно решили задачу руководителя и навели порядок в данных, — отметил он.

Нередко за автоматизацией скрывается желание собственника избежать сложных разговоров с подчиненными, добавила Наталия Дмитриева.

— Владелец внедряет систему и как будто отходит в сторону. Но потом нужно прийти к человеку, который отвечает за конкретную метрику, и сказать: «Здесь ты не справляешься. Либо учишься, либо мы расстаемся». Такие разговоры тяжёлые, они тоже тормозят внедрение. Но разговаривать с людьми и принимать неприятные решения — основная функция руководителя, — подчеркнула она.

Андрей Волков считает, что на первоначальном этапе не стоит наказывать сотрудников за выявленные отклонения.

— Нужно показать человеку, что он может повлиять на показатель, повысить конверсию, увеличить поступление денег и продемонстрировать результат своей работы. Иначе он испугается цифр и начнёт скрывать их от руководства вместо того, чтобы разобраться в проблеме и исправить её, — объяснил он.

В проектах «Формата кода» аналитики плотно взаимодействуют с заказчиком и иногда фактически «живут» внутри его бизнеса, рассказал Борис Кириллов.

— Если отдел, в который внедряется система, не заинтересован в результате, процесс превращается чуть ли не в маленькую войну. Начинается сопротивление: «Ваши аналитики ничего не понимают, у нас всё устроено не так». Без ответственного лица, которое владеет данными, умеет интерпретировать результаты и принимать решения, система вообще не работает, — отметил он.

Даже внутри одной организации подразделения могут относиться к проекту по-разному.

— Один отдел хочет внедрять систему и помогает, а соседний, от которого нужны данные, максимально вставляет палки в колёса. Поэтому разработка и внедрение — это длительный поэтапный процесс с постепенным повышением качества и вовлеченности, — говорит Борис Кириллов. — Прорыв обычно происходит, когда появляется зримый результат, который видят наверху.

В отдельных случаях наведение порядка занимает несколько лет.

— Бывает, мы проводим очистку и видим, что качественные условно 30% данных. У нас есть проекты, где мы пять лет постепенно повышали качество, и только на пятый год довели до приемлемого уровня. Любое внедрение без приведения данных в порядок бессмысленно. Это просто сжигание денег в топке, — заявил он.

Внутри «Синтеки» на выстраивание общей витрины ушло около двух лет.

— У нас в ней примерно 70 колонок с разными показателями и большое количество интеграций, — рассказал Андрей Волков. — Два года мы перестраивали бизнес-процессы, унифицировали действия подразделений, создавали дашборды контроля достоверности. Аналитик буквально подходил к сотруднику и показывал: здесь ты не нажал кнопку, здесь неверно указал статус. Только спустя два года мы начали по-настоящему доверять этой витрине.

Формирование культуры работы с данными — один из самых сложных и длительных процессов, соглашается Татьяна Файнблит.

— Наиболее понятный путь — демонстрировать успешные примеры того, как использование данных привело к конкретному результату: росту продаж, оптимизации затрат или улучшению качества услуг, — объяснила она. — Большое значение имеет поддержка руководителей.

Одновременно компании необходимо развивать систему сбора информации и обучать сотрудников базовым принципам анализа и интерпретации.

— Информация должна быть доступной и понятной, а запрос к системе — максимально простым. Современные AI-инструменты позволяют существенно ускорить этот процесс и получать ответы практически мгновенно, — говорит Татьяна Файнблит. — Важно предусмотреть систему проверки результатов. ИИ может допускать ошибки или делать ложные выводы даже на основе реальных данных, поэтому финальная верификация управленческого решения должна оставаться за сотрудниками и профильными экспертами.

Дорогая витрина или работающий инструмент

Даже дорогая аналитическая система может не принести бизнесу результата. Одной из главных причин Татьяна Файнблит назвала неправильную постановку задачи.

— Система может быть настроена на обработку данных, которые не связаны с ключевыми показателями бизнеса и не помогают принимать действительно важные решения, — отметила она. — Вторая причина — недостаточная интеграция с бизнес-процессами и другими системами компании. В таком случае данные могут быть неполными или неточными, а выводы на их основе — ошибочными.

Еще одна проблема связана с тем, что сотрудники не умеют пользоваться результатами аналитики.

— Даже самая точная система может выдавать результаты, которые сотрудники не умеют правильно понимать и применять. Кроме того, аналитика должна быть оперативной: если подготовка кастомного отчёта занимает слишком много времени, к моменту его получения информация уже может потерять актуальность. Поэтому вопрос обычно не в стоимости самой системы, а в корректном целеполагании, качестве данных, интеграции с процессами и способности сотрудников использовать полученные результаты, — резюмировала Татьяна Файнблит.

В медицине объём автоматизации и использования искусственного интеллекта будет увеличиваться, полагает Наталия Дмитриева.

— Уже сейчас искусственный интеллект подключается к таким исследованиям, как КТ и МРТ, а врач-рентгенолог проверяет результат и сопоставляет его с клинической картиной, — рассказала она. — Всё, что касается больших баз и массивов аналитической информации, будет только развиваться. Думаю, автоматизация, искусственный интеллект и IT-решения постепенно придут во все клиники, а часть процессов, возможно, будет регламентирована государством.

Клиники уже обязаны передавать сведения в государственные информационные системы здравоохранения, проводятся телемедицинские консультации и дистанционные медицинские осмотры водителей.

— С одной стороны, это уменьшит нагрузку на собственника и позволит сократить количество персонала, необходимого для рутинных процессов. С другой — медикам и сопутствующим специалистам придется следить за изменениями и осваивать новые инструменты, чтобы найти себе применение, — отметила Наталия Дмитриева.

Бизнес в целом переходит от простого накопления информации к осознанному управлению ею, считает Борис Кириллов.

Андрей Волков сформулировал итог ещё жёстче: данные не имеют ценности, если компания не понимает, что собирается с ними делать.

— Обязательно должен быть заказчик и ответственный, — считает он. — Только тогда на основе аналитики будут приниматься решения, которые влияют на деньги, риски, сроки и обязательства. Иначе это просто дорогая витрина, красивая игрушка: она у нас есть, но с ней никто не работает, дисциплины нет, решения не принимаются.

Иногда клиент приобретает готовый набор дашбордов, но не может внедрить его, потому что внутри компании некому заниматься аналитикой.

— Бизнес говорит: «Я должен выделить сотрудника, снять его с другой работы или нанять нового человека. Для чего?» Пока заказчик не понимает собственную боль, аналитика кажется ему дополнительным расходом. Но потом он смотрит и видит, что за три месяца потерял на арматуре 5 миллионов рублей, где-то превысил бюджет, заказал лишние материалы или допустил другие потери. Иногда речь идёт о десятках миллионов — один из наших контрагентов, увидев это, так и сказал: «Ведь я мог бы купить машину на эти деньги», — рассказал Андрей Волков.

Главная проблема, по его словам, в том, что руководитель не всегда готов внимательно посмотреть на собственный бизнес.

— Иногда заказчик пренебрегает цифрами, а иногда просто боится увидеть правду — о компании, процессах или сотрудниках. Но когда появляется чёткая цель и контроль над всем механизмом, данные и аналитика действительно начинают иметь смысл, — заключил он.