Содержание
Что такое подход на основе данных (data‑driven)
Типы решений: уровни зрелости работы с данными
Культура в команде: как приучить сотрудников опираться на данные
Как на основе данных принимать решения
Примеры того, как работа с данными помогает бизнесу
Подход на основе данных: частые вопросы собственников
Подход на основе данных: в двух словах
Поможем увидеть свой бизнес в цифрах и увеличить прибыль
Что такое подход на основе данных (data‑driven)
Подход, основанный на данных (англ. data driven decision making, DDDM), — это подход, при котором компания принимает решения на основе объективных цифр, а не интуиции, субъективного мнения руководителей или общепринятых стандартов.
Метод снижает риски ошибочных решений и помогает точнее прогнозировать результаты.
Зачем компании собирать и анализировать данные
Рассмотрим на примере. Владельцу кафе официанты сказали, что одно из блюд редко заказывают, поэтому он решил убрать его из меню. Так собственник хотел сэкономить на ингредиентах и сократить расходы. Однако после этого выручка кафе просела сильнее, чем ожидалось. Блюдо вернули в меню, и показатели снова стали прежними.
История вроде с хорошим концом, но в ней нет важной детали — причины. Так и непонятно, почему выручка сильно просела и почему блюдо пришлось вернуть в меню. А это значит, что если подобная ситуация произойдет снова, то бизнес не защищен от убыточных решений.
Как раз для поиска причин в компаниях внедряют метод принятия решений на основе данных (data-driven).
Если продолжать пример с кафе, то данные помогли бы понять ценность выведенного блюда. Вдруг его заказывали не так уж и редко — по несколько раз каждый день, а за счет хорошей наценки оно приносило ощутимую долю прибыли. Либо официантам могло показаться, что блюдо не очень популярное, потому что его редко заказывают только в их сменах.
Типы решений: уровни зрелости работы с данными
Работа с данными может быть разной по сложности и глубине анализа. Выделяют четыре основных типа аналитики:
Описательная аналитика — отвечает на вопрос «Что произошло?». Это базовый уровень, где данные просто собирают и описывают. Например, отчет о продажах за месяц показывает объем выручки, количество сделок и средний чек.
Диагностическая аналитика — ищет причины событий. Например, если продажи упали, диагностика поможет понять, почему: из‑за сезонности, действий конкурентов или проблем с логистикой
Прогнозная аналитика — прогнозирует будущее на основе исторических данных. Например, аналитика спроса помогает предсказать, какие товары будут популярны в следующем квартале.
Предписывающая аналитика — предлагает конкретные действия для достижения целей. Например, система может рекомендовать изменить цену товара или запустить рекламную кампанию для определённой аудитории.
Подход, основанный на данных, и подход, ориентированный на данные: в чём разница
Часто путают два понятия: подход, основанный на данных, и подход, ориентированный на данные. Разберем разницу.
Подход, основанный на данных (data‑driven), — это про принятие решений на основе объективных сведений. Компания использует данные как инструмент для выбора стратегии, но сама структура бизнеса может оставаться традиционной.
Подход, ориентированный на данные (data‑centric), — организация бизнеса вокруг данных как ключевого актива. Данные становятся основой всех процессов: от разработки продуктов до взаимодействия с клиентами. Например, ИТ‑компании и банки часто строят бизнес‑модели, где информация — главный ресурс.Этапы внедрения подхода
Глобально можно выделить четыре этапа:
1. Главное — понять цель. Нужно решить и зафиксировать, зачем компании использовать данные. Глобально все цели направлены на увеличение прибыли. Например, повысить прибыль в третьем квартале на 20%. Но когда цель такая большая, непонятно, как к ней подступиться. Поэтому лучше разделить ее на более мелкие и конкретные цели — шаги. Допустим:
-
выявить 30% высокомаржинальных товаров от всей номенклатуры, чтобы понять, какие товары лучше продвигать в рекламе;
-
понять, в какое время совершают больше всего покупок, чтобы распределить нагрузку на сотрудников и сэкономить на оплате труда;
-
понять, какие рекламные каналы приводят меньше всего клиентов и с самым маленьким чеком, чтобы отказаться от них и распределить бюджет на более эффективные инструменты.
Когда будут понятные шаги, станет очевидно, хватает ли данных для анализа, какое направление нужно анализировать в первую очередь и какой должен получиться результат.
2. Выбрать инструменты. Классический подход на основе данных (data‑driven) подразумевает глобальные изменения в компании и внедрение технических систем для сбора, хранения, обработки и визуализации информации. А для работы нужно арендовать сервера и иногда полностью перестраивать бизнес-процессы.
Из инструментов используют:-
Все действующие учетные системы и системы аналитики, откуда будут выгружать данные. Например, 1С, МойСклад, рекламные площадки, электронные таблицы Microsoft Excel.
-
Системы для хранения данных, которыми управляют с помощью специальных языков программирования (SQL и Python).
- Системы для визуализации. Они превращают сложные таблицы в понятные графики, диаграммы и панели с ключевыми показателями. Раньше для этого часто использовали программу Power BI, но сейчас эта система недоступна в России. Существуют и отечественные версии, выполняющие те же задачи.
Так выглядят данные после того, как им придают понятный вид. Анализировать и принимать решения при таком формате становится проще. Скриншот: программы Power BI
Внедрение может казаться затратным и слишком сложным для представителей малого и среднего бизнеса, но на деле аналитический подход бывает разных масштабов. Серьезная перестройка процессов — это, как правило, уровень крупного бизнеса.
На уровне небольших компаний достаточно оцифровывать бизнес и выстроить информационную систему на простых инструментах. Допустим, анализировать данные только с помощью 1С, CRM, МойСклад без подключения дополнительных программ. Даже анализ и визуализация в электронных таблицах Excel — это уже очень простой подход на основе данных, но тоже data-driven-подход, с которым положение бизнеса становится прозрачнее.
Один из инструментов простого, но эффективного — финансовая модель, которую Нескучные делают для собственников. Это таблица с актуальными цифрами компании, где можно проигрывать разные сценарии и смотреть, как они скажутся на прибыли
3. Собрать команду. В классическом понимании data-driven-подхода нужно нанимать целую команду. Как минимум в нее входят:
-
Технические специалисты и разработчики — работают над алгоритмами сбора данных и следят за тем, чтобы не было сбоев, а данные собирались корректно по заданным критериям и взаимосвязям.
-
Аналитики — делают из кучи непонятных цифр понятный отчет для руководителя. Для этого очищают и проводят анализ данных, интерпретируют результаты и оформляют их в удобном виде для конечного пользователя.
-
Директор по обработке данных — отвечает за качество предоставляемых данных и стратегию управления информацией, а также связывает результаты анализа с целями бизнеса и помогает их достичь.
Но в малом бизнесе достаточно того, чтобы кто-то из руководителей взял на себя организацию процесса сбора данных, определил ключевые метрики для анализа и анализировал результаты. Этот вариант подходит при работе с простыми инструментами.
4. Провести тестирование и оценить результаты. Начинать переход стоит с одной области бизнеса, например с оцифровки и сбора данных в продажах, а затем приступать к следующим. После внедрения систем для аналитики сразу опираться на собранные данные не стоит. Лучше сначала понять, соответствуют ли они действительности и умеют ли с ними работать сотрудники.
Как вариант, чтобы оценивать эффективность работы офисных или удаленных сотрудников, можно внедрять системы, которые отслеживают действия человека за компьютером. Прежде чем опираться на результаты, стоит поговорить с командой и узнать, насколько точные получились данные. Если все корректно, то использовать данные для анализа можно уже более уверенно.
Хотите управлять компанией на основе цифр и предотвратить кассовые разрывы?
Проведите «Волшебный час» с нашим финансовым директором. Это бесплатная экспресс-консультация, на которой вы получите:
✔ Конкретные шаги для роста прибыли и снижения расходов.
✔ Анализ вашего бизнеса и скрытые резервы, которые можно использовать.
✔ Персонализированный план действий, который можно внедрить сразу.
Запишитесь на «Волшебный час» и взгляните на свой бизнес глазами профессионала.
Культура в команде: как приучить сотрудников опираться на данные
Когда компания переходит на аналитический подход, изменения затрагивают не только собственника бизнеса, но и всех сотрудников, чья работа связана с анализом и использованием данных.
Допустим, менеджер по продажам видит, что один клиент регулярно делает заказы с высокой маржой, и его не стоит терять из виду. Это может стать сигналом для более персонализированного подхода: отправить ему предложение со скидкой или предложить новый продукт.
Но, чтобы команда работала с информацией, ее нужно этому обучать. Для этого можно:
-
Объяснить сотрудникам, зачем вообще нужны данные, как их использовать, подсветить, насколько это облегчит им работу, повысит эффективность.
-
Продемонстрировать продукт. Например, дашборд с необходимыми показателями, где видно вещи, которые обычно упускали сотрудники. Это позволит создать вау-эффект и подчеркнуть пользу изменений.
-
Требовать от специалистов не только экспертные заключения, но и данные, на основе которых строится это заключение. Например, сотрудники, которые недовольны созвонами, могут рассчитать, сколько времени на них уходит каждый месяц, и предложить идеи по оптимизации времени.
-
Поощрять сотрудника за работу с данными. Работа с данными подойдет в качестве временного KPI, чтобы повысить вовлеченность команды.
Роль метрик: как выбирать, что измерять
Чтобы аналитический подход работал, нужно правильно выбирать метрики. Вот примеры показателей для разных отделов:
1. Маркетинг:
-
конверсия сайта или приложения;
-
стоимость привлечения клиента;
-
это коэффициент окупаемости инвестиций (ROI) рекламных кампаний;
-
охват и вовлечённость в соцсетях.
2. Продажи:
-
объём продаж по категориям товаров;
-
средний чек;
-
количество новых и повторных покупателей;
-
время обработки заказа.
3. Служба поддержки:
-
среднее время ответа на запрос;
-
уровень удовлетворённости клиентов;
-
количество повторных обращений.
4. Управление запасами:
-
оборачиваемость товара;
-
доля неликвидных запасов;
-
точность прогнозирования спроса.
Как на основе данных принимать решения
Алгоритм будет примерно следующий:
1. Убедиться, что есть вся необходимая информация. Нужно проверить, по всем ли показателям есть актуальные данные. Чтобы не заниматься этим каждый раз, в компаниях вводят регламенты — документы с правилами сбора информации: из каких источников, по каким показателям и отделам их нужно получать. Без регламентов результатом станут просто хаотичные данные, которые никак не использовать.
2. Провести анализ. Сначала данные визуализируют, после чего изучают интересующие показатели и определяют актуальные тенденции в компании. Например, если мебельная компания хочет увеличить производство кухонных гарнитуров конкретного цвета, она использует данные, чтобы оценить стабильность спроса на них.
3. Сформулировать и протестировать гипотезу. Например, товары группы А занимают 80% наших запасов, но при этом доля выручки с них — только 20%. Возможно, от этого товара пора избавляться и закупать то, что пользуется бо́льшим спросом, но находится в меньшем количестве на складе.
5. Оценить результаты. На этом этапе смотрят, удалось ли достичь поставленную цель и оказалась ли гипотеза рабочей. Например, удалось ли увеличить продажи после дополнительных вложений в рекламу, удалось ли снизить расходы на логистику за счет перехода на новые маршруты.
6. Повторить все во второй раз, в третий и так до бесконечности. Чтобы улучшать бизнес-процессы, анализировать данные нужно постоянно. Так получится вовремя замечать отклонения от показателей и быстро принимать правильные решения. Например, о выводе товара из продажи, добавлении новых продуктов или необходимости повышать качество сервиса.
Примеры того, как работа с данными помогает бизнесу
Привели пару примеров из практики нашего финдиректора Маргариты Шоболовой:
Пример 1. В одном из филиалов транспортной компании ежедневно на смену выходила полная команда сотрудников — около 100 человек. Загрузки на всех не было, но зарплату исправно получали.
Компания была крупная, поэтому могла внедрить полноценную систему работы с данными. Это позволило проанализировать загруженность сотрудников по часам с учетом графиков погрузки, разгрузки и обслуживания клиентов. В итоге удалось понять, в какие дни были стабильные простои.
После оценки результатов решили перейти на гибкий график, при котором все сотрудники выходили только в дни максимальной нагрузки, а в остальные работали по индивидуальному графику. Изменения помогли оптимизировать процессы и сократить расходы на оплату труда.
Пример 2. У собственника не было никакой системы учета, поэтому он не до конца понимал, какую долю занимает каждая статья затрат. Чтобы исправить это, мы собрали и структурировали данные по выручке, переменным и постоянным расходам и себестоимости.
Данные свели в таблицу, и собственник увидел блок затрат, который занимал очень большую долю. Изначально он думал, что это себестоимость, но оказалось, что это комиссия за банковские услуги. Чтобы снизить комиссию, от части услуг в итоге решили отказаться.
Примеры российских компаний, которые успешно используют подход на основе данных
Успешные примеры на российском рынке показывают, что использовать аналитический подход можно во всех сферах — от банков до логистики. Вот как лидеры реализуют этот метод:
Яндекс. Это эталон того, что такое подход на основе данных в действии. Компания использует алгоритмы для динамического ценообразования в такси и персонализации поиска. Яндекс Метрика и другие инструменты позволяют им находить скрытые паттерны в поведении миллионов пользователей ежесекундно.
Сбер. Банк накопил большие объемы данных, что позволяет ему создавать точные кредитные скоринги и предлагать продукты именно в тот момент, когда они нужны клиенту. Инфраструктура обрабатывает транзакции в реальном времени, что кратно снижает финансовые риски.
X5 Group и Магнит. Крупные ритейлеры анализируют чеки и путь клиента, чтобы оптимизировать ассортимент у дома. Благодаря анализу фактов о покупках, они запускают точечные рассылки, которые действительно повышают лояльность и конверсию.
Озон и Вайлдберриз. Эти площадки — пример того, как маркетинг и логистика работают в связке. Данные помогают прогнозировать, какие товары должны быть на складе в конкретном регионе, чтобы доставка была почти мгновенной.
Авиасейлс. Компания использует сложные исследования поисковых запросов, чтобы показывать пользователю самые выгодные предложения, учитывая даже внешние факторы, такие как праздники или курсы валют.
Ошибки при работе с данными
Чаще всего предприниматели и компании совершают три ошибки:
Некачественные данные. Это данные, которые собирают без единого принципа, и поэтому они не дают верной картины. Если на их основе принимать решение, то оно с большей вероятностью может оказаться неверным.
Например, бизнес по выращиванию растений контролирует температуру в теплице в разные периоды, чтобы при необходимости изменить условия выращивания.
Неправильными данные будут, если в один день температуру зафиксировали только в 9 утра, на следующий день — в 5 вечера, а затем — в 12 дня. То есть температурные показатели в этом случае несопоставимые.
В итоге данные вроде бы есть, но их невозможно проанализировать, потому что нет общего правила, по которому организовали их сбор.
Данные собирают нерегулярно. Работа с данными — это постоянный процесс, поэтому всю информацию нужно поддерживать в актуальном состоянии. Иначе придется анализировать устаревшие показатели или ждать, пока их актуализируют, а это не всегда быстрый процесс.
Ошибки в анализе. Например, собственник увидел, что в одной точке продаж часто покупают определенный товар, и решил увеличить его долю в других магазинах. Но может оказаться, что в других местах больше конкурентов с аналогичным продуктом и по более выгодной цене, поэтому там этот товар почти не будут покупать. Во избежание подобных случаев нужно сравнивать данные по всей компании с данными по какой-то ее конкретной части.
А еще бывают ошибки в выборе самой методики анализа. Такие ошибки лечат обучением ответственного за сбор данных сотрудника.
Подход на основе данных: частые вопросы собственников
Эксперт Маргарита Шоболова
Финдир НФ
В каких сферах используется подход на основе данных (data-driven)?
Везде, где есть данные, которые можно оцифровать. А это абсолютно все сферы, но в первую очередь компании в сфере информационных технологий, финансовые и маркетинговые направления.
Какие есть достоинства и недостатки у этого подхода?
Главное достоинство в том, что работа с данными повышает эффективность бизнеса и помогает быстрее принимать решения, которые могут повлиять на прибыль компании.
Недостаток в том, что по мере развития бизнеса рано или поздно настанет момент, когда простых инструментов будет недостаточно и все-таки придется внедрять системы для хранения, обработки и визуализации данных и нанимать профессиональную команду.
Есть ли советы и рекомендации для успешного внедрения?
Как оценить результат от внедрения подхода?
Оценить можно по тому, насколько данные помогают достигать поставленных целей. То есть если собственник может в любой момент обратиться к данным, на их основе оперативно принять решение и это решение даст положительные результаты, то внедрение прошло успешно.
А если для принятия решений данных каждый раз недостаточно и все равно что-то нужно уточнять у подчиненных, то, возможно, стоит доработать систему сбора информации.
Какие первые шаги может сделать малый бизнес, чтобы использовать подход на основе данных?
Начните с аудита инфраструктуры: установите Яндекс Метрику, чтобы изучить путь клиента. Важно создавать привычку опираться на факты, а не на интуицию, начиная с первого месяца работы.
В каких ситуациях данные могут вводить в заблуждение?
Объемы данных могут вводить в заблуждение в ряде критических ситуаций, когда техническая точность или методология сбора нарушены. Вот основные сценарии:
-
Ошибки репрезентативности. Это может быть вызвано использованием малых или неслучайных выборок, которые не отражают реальный набор характеристик всей группы. Если шанс попадания в выборку для разных сегментов неизвестен, делать выводы о рынке на основе такого исследования опасно.
-
Систематические погрешности. Они возникают из-за неисправности инструментов инфраструктуры или человеческого фактора (например, округления показателей при опросах). Такие ошибки искажают факты в одну сторону, создавая ложную уверенность в результате.
-
Игнорирование контекста и внешних факторов. Даже точная Яндекс Метрика или система аналитики Гугл (google analytics) не покажет полной картины без учета сезонности, действий конкурентов или изменений в социальных сетях. Без анализа поведения целевой аудитории в связке с внешними событиями путь клиента будет истолкован неверно.
-
Проблемы интеграции. Когда база данных собирается из разных интернет-каналов без единой настройки, возникают дубли или пропуски. Это снижает качество аналитики и мешает находить верные точки роста.
-
Визуальные искажения. Неправильный дизайн графиков в приложении или отчетах может искусственно завышать конверсию, подталкивая руководство принимать решения на основе оптических иллюзий, а не реальности.
Как правильно выбирать источники данных?
База должна включать веб-ресурс, социальные сети и программы управления взаимоотношениями с клиентами (CRM от англ. Customer Relationship Management). Проверьте возможности интеграции, чтобы набор сведений был единым и полным со стороны всех каналов.
Какие признаки того, что команда уже работает на основе данных?
Когда команда переходит на внедрить аналитический формат работы, это отражается на всех процессах. Вот ключевые признаки того, что компания действительно освоила подход как принимать решения на основе цифр:
Аргументация через факты. В дискуссиях фраза «мне кажется» заменяется на «данные из Яндекс Метрики показывают». Любой маркетолог или менеджер может подтвердить свои гипотезы через реального покупателя и его путь.
Единая база данных. Все отделы смотрят в одни и те же отчеты. Устранена проблема, когда маркетинг и продажи оперируют разными цифрами из-за отсутствия интеграции систем.
Прогнозируемость. В планах на год заложены не просто желания, а четкие показатели эффективности. Аналитика позволяет находить аномалии на ранних этапах, что снижает риски провала стратегии.
Исследовательская культура. Любой дизайн интерфейса или запуск новой рассылки предваряет анализ поведения целевой аудитории. Команда понимает, что анатический подход — это непрерывный цикл «тест – вывод – внедрение».
Доступность инструментов. Сотрудники обладают базовыми навыками работы в аналитических системах и программах. Им не нужно ждать неделю, пока аналитик выгрузит отчет — данные становятся доступными в пару кликов даже в мобильном приложении.
Автоматизация. Рутинный сбор информации заменен на автоматические процессы. Это освобождает время, чтобы создавать новые смыслы, а не просто перекладывать цифры в таблицы.
Data-driven-подход: в двух словах
-
Подход на основе данных (data-driven) — это принятие решений на основе аналитики. Такой подход эффективнее тем, что собственник опирается на объективные показатели, а не только на свою интуицию и субъективное мнение остальной команды.
-
Чтобы перейти на работу с данными, крупные компании внедряют специальные решения и нанимают отдельную команду, но для малого и среднего бизнеса это необязательно. Легче начать с простых, но не менее полезных вещей: структурировать информацию в в электронных таблицах или внедрить учетную систему.
-
Для большей эффективности подхода его стоит внедрить в корпоративную культуру. Нужно показать сотрудникам, как данные могут упростить работу и повысить их продуктивность. В дальнейшем можно требовать, чтобы сотрудники предлагали изменения, только если могут аргументировать это с помощью объективной информации.
-
Сначала данные собирают по понятным правилам, чтобы в них не было хаоса и было проще принимать решения. Потом анализируют, смотрят тренды и выдвигают гипотезы, например стоит ли избавляться от товара с низкой выручкой или развивать новый проект. После теста гипотезы оценивают результат: сработало или нет. И так по кругу: постоянно собирают данные, проверяют и улучшают процессы.
Читайте в Нескучной газете:
Что такое сквозная аналитика: рассказали просто о сложном и добавили примеры
Бизнес-аналитик: кто это, обязанности, навыки, когда пора нанимать
Поможем увидеть свой бизнес в цифрах и увеличить прибыль
Мы не внедряем системы аналитики, но поможем сделать первый шаг к подходу, основанному на данных, — внедрим управленческий учёт. С ним и другими финансовыми инструментами станет понятно на что уходят деньги компании и сколько на самом деле зарабатывает бизнес.
Наши услуги помогут выстроить надёжную финансовую основу:
Восстановление бухгалтерского учёта за год — приведём в порядок отчётность, устраним расхождения и подготовим базу для дальнейшего анализа.
Автоматизация процессов бюджетирования — настроим систему планирования и контроля расходов, чтобы вы всегда знали, куда направляются средства.
Составление бизнес‑плана под ключ — разработаем стратегию роста с чёткими KPI и финансовой моделью, которая покажет точки роста прибыли.
Вот лишь несколько примеров того, какие результаты получают при работе с нами:
Вы тоже можете прийти к нам со своей бизнес-задачей: тип бизнеса, город и даже страна не важны. Мы работаем онлайн, поэтому можем сотрудничать с бизнесом из любого города России, СНГ и Европы.
А самый простой способ подробнее узнать о том, как финдир НФ помогает решать бизнес-задачи, — это онлайн-экскурсия. ↓
