Татьяна Тимина
Секреты аналитики, или Аналитика без секретов
1.3. «А это наш менеджер отдела развития и эффективности!»
– Знакомьтесь, коллеги, а это наш менеджер отдела развития и повышения эффективности.
Я впервые предстала перед коллегами в новом качестве. Коллеги знали меня давно: около семи лет мы работали с ними вместе в разных регионах. Моими были сначала регионы от Перми до Владивостока, а потом Северо-Западный, я была очень хорошим региональным и территориальным менеджером. В этом качестве меня знали, уважали, но мне хотелось дальнейшего развития. Я давно мечтала стать менеджером отдела развития и повышения эффективности бизнеса. И вот моя мечта реализована, да еще реализована как в сказке – в канун Нового года.
Моя радость не знала границ, но при этом каким-то странным образом переплеталась со страхом. Да, как региональный менеджер я часто внедряла лучшие практики, многие из которых потом использовали и мои коллеги. Я точно знала, что нужно делать в регионе, чтобы добиться успеха. А вот должность менеджера по повышению эффективности была совсем новой.
Конечно, как во всяком конкурсе на получение новой должности я встречалась со своим будущим руководителем и представляла свою концепцию развития нового направления, даже первые проекты, но это все было на бумаге, а тут мне это надо было реализовывать вместе с моими коллегами. Причем коллеги-то мне совсем не подчинялись. И единственный инструмент у меня был – убеждение.
Какую же основу выбрать для убеждения? Скажу честно, нашла ее я не сразу. Но этой основой стали аналитика и анализ. Именно аналитика стала таким «общим знаменателем», к которому я прибегала, когда мы с коллегами имели разную точку зрения на дальнейший план действий. И вот цифры, логика, расчеты – то, что как раз является составными частями анализа, аналитики или бизнес-анализа, и стали моими любимыми инструментами, моими любимыми «слугами»7.
За время работы вместе с коллегами удалось реализовать много проектов, которые в среднем повышали нашу эффективность на 5–15% каждый. И каждый раз я убеждалась, что самым важным и сложным было научить их использовать данные, цифры для подготовки и для обоснования решений. Научить их мыслить логически, для начала, просто сводить все цифры воедино.
В тот период мне нужно было обучить более 1000 человек, находящихся в разных городах.
Это были сотрудники отделов продаж, считающие себя «творческими личностями, не нуждающимися в данных», а нуждающиеся, по их мнению, в креативе и вдохновении, чтобы убедить клиента правильно воспринять информацию, представленную во время визита.
А также сотрудники департаментов финансов и маркетинга, регулярно пользующиеся данными в своей работе.
Тогда у меня впервые возник вопрос: «а есть ли какая-то разница между обучением аналитиков, то есть тех людей, которые занимаются анализом профессионально, и сотрудников более творческих, я бы сказала, специальностей?». На ум пришло знакомое с детства стихотворение:
Что-то физики в почете.
Что-то лирики в загоне.
Дело не в сухом расчете,
дело в мировом законе.
(Б.А.Слуцкий).
Вспомнился мне и Александр Сергеевич Пушкин, всегда имевший крайне низкие оценки по математике. Так можно ли в принципе обучить анализу последних?
«Если говорить о физиках и лириках в приложении к аналитике, то их образы можно воспринимать буквально: физики – это, в первую очередь, люди с математическим складом ума, заточенным под работу с естественными науками. К примеру, физики, математики, статисты, отчасти экономисты или финансисты. А лирики – это, пожалуй, все-таки меньшая часть аналитиков. В основном, это коллеги, которые закончили гуманитарные факультеты уважаемых ВУЗов и волею су́деб (или суде́б, если подобно лирикам прибегать к исторической, сохранившейся в некоторых устойчивых выражения, нормой ударения) оказались в этой сфере и начали работать» – сказал мне как-то Николай Демидов, более 10 лет руководивший компанией, одной из крупнейших в России, специализирующейся на анализе рынка.
Этот вопрос я задала себе на самом первом обучении, которое проводила по анализу деятельности – обучении менеджеров по работе с ключевыми клиентами (КАМов). Они отвечают за работу с крупными клиентами, такими, как аптечные сети или региональные дистрибьюторы. Нужно было подготовить с ними программу по повышению эффективности работы с сетями.
КАМы были людьми весьма аналитичными и не боялись никого, даже нашего самого главного тренинг-менеджера. Поэтому я была очень рада, когда именно аналитика помогла мне найти с ними общий язык и успешно достичь целей обучения.
После этого мне приходилось учить сотрудников отдела продаж планировать, отчитываться и оценивать эффективность расходов, выделенных на их деятельность. Это были уже «творческие личности».
Затем нужно было внедрить новые методы оценки эффективности для сотрудников маркетинга. Здесь снова потребовалось смешать анализ и творчество.
Люди были абсолютно разные: кто-то из них был абсолютным креативщиком, хорошо придумывал прорывные стратегии, но при этом был не в ладах с цифрами. Кто-то, наоборот, очень любил цифры, и был, как я тогда думала, хорошим аналитиком. И работая с такой неоднородной аудиторией, я поняла, что научить анализу можно каждого: и абсолютно творческую личность, и менее творческую личность, и абсолютно аналитичную личность. Основные подходы в их обучении весьма схожи.
Самой большой разницей было то, что творческому человеку надо было приводить для начала «творческие примеры» – из книг, фильмов, разбивать сложные формулы на простые части, а «физику» можно было сразу привести формулы, и лишь потом книги и фильмы, чтобы он научился понимать анализ своих более творческих коллег.
Сейчас, когда моими студентами побывало больше 3000 человек, когда я научилась использовать разные методы: и дистанционного обучения, и традиционного обучения, и создала такие неформальные внутрикорпоративные сообщества, как, например, аналитический клуб или комитет по введению инноваций, я могу с уверенностью сказать, что анализу можно и нужно учить каждого. И каждый способен не только освоить, но и полюбить его или как минимум им заинтересоваться и научиться извлекать из него практическую пользу.
1.4. Какую работу может делать аналитика Jobs to Be Done. Или чем конкретно Вам может быть полезна аналитика и эта книга
В современном маркетинге есть такая концепция – Jobs to Be Done («Работа для выполнения», JTBD).
Она основана на простой мысли – потребитель «нанимает» продукт на работу, а не просто покупает его. Продукт должен соответствовать требованиям, которые предъявляет к нему покупатель. JTBD как раз помогает понять, что это за требования.
Например, стакан любимого капучино в серый день может поднять мне настроение. А когда я покупаю кофе утром, JTBD совсем иная – помочь мне проснуться, взбодриться. И для этого я выбираю другой вид – эспрессо.
Очень образно JTBD описал Чарльз Ревсон, глава корпорации Revlon: «На фабриках мы производим косметику, а в магазинах – продаем мечту». Правда я бы немного перефразировала: «…а в магазинах продаем сбывшуюся мечту». На мой взгляд, это будет точнее описывать работу, на которую мы «нанимаем» косметику.
Подход JTBD применим к любому продукту или услуге.
Например, JTBD анализа поможет «узнать, как обстоят дела компании, и успокоиться» – оценить статус продукта на рынке и отношение к нему со стороны покупателя. Для этой цели может быть применен стандартный отчет, показывающий, как мы достигли основных показателей эффективности (Key Performance Indicators, KPI).
А вообще, какие Jobs To Be Done или какие «работы по найму» может быть у аналитики? Ответы на этот вопрос могут быть разными, и они во многом зависят от готовности использовать анализ для их решения.
Что обычно интересует на самом первом уровне, когда только начинаешь заниматься анализом? Например, сколько денег я трачу – чтобы оценить, сколько денег мне нужно в среднем в месяц. Или оценить, сколько времени я трачу на ту или иную работу, чтобы рассчитать, сколько времени мне надо выделить в следующий раз, чтобы выполнить задание спокойно, не напрягаясь, не боясь получить выговор от своего руководителя.
Это был пример обыденных, повседневных задач, которые можно выполнить, прибегнув к самому простому анализу – просто собрать все данные по затраченному времени или тратам на листочке бумаги или листе Excel. Такого рода аналитика называется описательной.
Хорошо, я свела все свои расходы в общий файл, понимаю, сколько денег или сколько времени мне нужно, и получила возможность спокойно строить планы на будущее (спокойствие и комфорт при построении планов – еще одна «JTBD» аналитики), опираясь на результаты анализа. Теперь у меня могут возникнуть вопросы: как мне уменьшить время выполнения задач? Как мне сократить траты в месяц? Почему столько денег уходит в месяц именно на костюмы или платья, а гораздо меньше – на питание? Можно ли это изменить? Почему я потратила именно столько?
Когда я задаю себе вопрос, почему так произошло, я уже начинаю использовать аналитику более профессионально, более зрело. И такая аналитика называется диагностической. Она позволяет мне понять: «А почему произошло то, что произошло?» И благодаря этому я уже могу в большей степени влиять на ситуацию, и отчасти даже изменить ее в свою пользу. Понимание причин – это очередная JTBD.
И тогда помимо спокойствия и понимания причин у меня возникает еще и возможность управления своим будущим. То есть возможность завтра жить лучше, чем вчера. Например, понять, что я бы хотела тратить больше денег на путешествия, поскольку они мне приносят гораздо больше радости, чем новое платье. Поэтому в следующий раз, прежде чем покупать платье, я подумаю: а хватит ли мне на путешествие?
И после этого я могу захотеть усилить контроль над своим будущим. Мне станет интересно: а что будет, если я буду делать, что и вчера? Каких результатов я достигну, сколько денег заработаю? Что вообще будет происходить в дальнейшем? И тут мы уже переходим к следующему уровню работы аналитики, к тому, что отвечает на вопрос «что будет?». Эта аналитика чаще всего основана на предположении результатов уже выполненных действий (тех же, что и «вчера»). Такая аналитика называется прогностической. Она мне поможет ответить на вопрос, например, «когда я смогу отправиться в путешествие».
И наконец, если я пойму, что в путешествие отправлюсь еще не скоро, если буду делать то же самое, что и вчера. Например, если я буду откладывать на путешествие по 2000 рублей в месяц как делала вчера, и накоплю нужную сумму только через два года, а мне бы хотелось поехать уже в конце этого. И тогда возникает вопрос: а что нужно делать, чтобы получить результат, который я хочу? И в данном случае аналитика начинает выполнять для меня по-настоящему профессиональную работу – помогать добиваться поставленных целей и реализовывать мечты, управлять моим будущим. Такая аналитика называется предписывающей.
Таким образом, работа, на которую я «нанимаю» аналитику, может быть разной: она может помочь проанализировать мою жизнь сейчас, выявить слабые аспекты, на которые стоит обратить более пристальное внимание; построить детальный и действенный план. Например, в первом случае, когда я использую только диагностическую аналитику, я могу подумать о том, как быстрее сводить данные. Тогда я буду не только знать, что происходит по факту, но и получать такого рода информацию быстро, экономя на этом время. А если я хочу управлять своим будущим и достичь поставленных целей, то мне нужно уже, конечно, использовать и «нанимать на работу» предиктивную (прогностическую) аналитику.
Если представить все виды аналитики на одном рисунке 1, у нас получится:
Рисунок 1. Виды аналитики
Таким образом, используя аналитику, я чувствую себя спокойнее от понимания, что происходит и почему. Я обретаю уверенность при принятии решений относительно будущего, потому что заранее просчитываю варианты и могу выбрать тот, который мне нравится больше. И, конечно же, при грамотном использовании аналитики я еще приобретаю дополнительное время, экономя его на принятии решений и понимании ситуации.
Более того, помимо практической пользы аналитика может также приносить удовольствие: это похоже на решение интересных логических задач, к каждой из которых нужно найти индивидуальный подход. И порой решение таких задач может быть интереснее самого захватывающего детектива, ведь в этом случае вам отводится не роль простого зрителя, а настоящего следователя – аналитика.
А если главной целью анализа является принятие правильного стратегического решения, то без прогностической (предсказательной) аналитики в качестве продукта нам не обойтись.
Я часто спрашиваю слушателей и посетителей моих аналитических курсов: «Каких результатов вы хотите добиться в итоге?» И в тех случаях, когда мы совместно находим лучшее из возможных применений метода JTBD, отличный результат не заставляет себя ждать.
За время работы, опрашивая своих коллег, руководителей, я собрала типичные примеры преимуществ метода JTDB:
1. Ощущение свободы и уверенности на бизнес-ревью и совещаниях с руководством.
2. Легкость в принятии решений: в ситуации, когда «все карты на стол», сомнения пропадают, и 3. все сразу становится понятным.
4. Уверенность в правильности принятого решения, особенно когда приходится делать сложный выбор из «миллиона» вариантов.
5. Свободное время: в среднем от одного до трех дней освобождается на подготовку предложений и материалов для отчетов о результатах работы.
6. Эффективное построение карьеры менеджера, руководителя, радость и удовольствие при подготовке отчетов.
А какие результаты JTDB от владения анализом хотите получить вы?
1.5. Немного о диджитализации
Глава, которую вы, если перед вами не стоит цель внедрения в компанию аналитической культуры, можете не читать.
Когда я стала работать руководителем отдела развития и повышения эффективности в крупной фармкомпании, передо мной часто вставали задачи «управления данными» или внедрения «цифрового подхода». Ни разу эти задачи не оказались легкими или тривиальными. Каждый раз возникали новые сложности.
Поэтому я решила привлечь диагностическую аналитику и разобраться в причинах возникающих сложностей.
Начала, как всегда, с основ. Вообще популярный сегодня подход «назад к основам» (back to basics) меня ни разу не подводил.
Итак, что такое «управление данными» (data-driven) и «цифровой подход» (digital)?
Эти понятия были предложены IT-специалистами, занимающимися созданием IT-программ и написанием программных кодов.
Именно они создали код, который изменялся в зависимости от исходных данных, становясь по своей сути «data-driven», т. е. в буквальном смысле слова «движимым данными».
Поэтому не удивительно, что именно IT-специалисты и стали движущей силой, пытающейся внедрить «data-driven» в компаниях, развивая мощность серверов, создавая специальные платформы и множество программных продуктов. Они же создали и техническую возможность сбора и обработки данных, практически вне зависимости от их структуры и количества8.
Их труд и энергия безусловно заслуживают самой высокой оценки и искреннего восхищения. Более того, они смогли успешно «продать» свои идеи и продукты высшему менеджменту крупных компаний, вселив в последних твердую уверенность: «IT придет и все Вам сделает!»
Увы, на практике все оказывается гораздо сложнее.
Так в чем же основные сложности, с которыми сталкиваются компании при внедрении data-driven и digital трансформации?
Я могу выделить 3 основных трудности:
1. Уже упомянутый миф «IT придет и все Вам сделает».
2. Неготовность бизнеса или наличие «эффекта» ареола, иногда называемого HIPPO (Highest Paid Person Opinion, что буквально переводится как «Мнение самого оплачиваемого сотрудника»). То есть компания полагается не на четкие данные, а на чей-то авторитет, поддерживаемый его опытом и стажем работы в компании.
3. Неготовность самих аналитиков и аналитических подразделений.
Причем при отсутствии минимальной готовности на каждом из этих уровней так необходимая трансформация будет внедряться в компании в лучшем случае долго, в худшем – не внедрится никогда.
Большой разницы между этими двумя сценариями для компании нет, так как по итогам любого из них компания не сможет стать «Аналитическим конкурентом» или даже «Аналитической компанией».
Итак, рассмотрим последовательно каждый из этих камней преткновения или «мифов»:
Миф «IT придет и все Вам сделает»
Как мы уже сказали, роль IT-подразделений в развитии культуры управления данными сложно переоценить. Безусловно, цифровая трансформация («Digital transformation») невозможна без развития IT-технологий. Однако и преувеличение роли IT часто приводит к неуспеху проекта.
Основные причины я вижу в том, что:
Во-первых, у сотрудников IT-подразделений отсутствует вовсе или недостаточно глубокое понимание бизнеса, его движущих сил. Тогда все самые лучшие прогностические модели, созданные IT-специалистами на R или Python9,остаются не более, чем красивыми теоретическими выкладками.
Во-вторых, обнаруживается различное видение идеалов у IT и бизнеса. Идеал IT – система, раз создав которую, нужно просто поддерживать процесс, периодически (как можно реже) исправляя возникающие недочеты. А вот идеал бизнеса – система, в которую можно вносить любые изменения каждый день.
В-третьих, неумение IT говорить на простом языке, понятном бизнесу.
Неготовность самого бизнеса принимать решения на основе данных:
Здесь также можно выделить три основные причины: две из них лежат в области парадигм принятия стратегических решений, а третья – в области знаний основ анализа.
Если говорить о парадигмах принятия решений, то они как правило сводятся к:
Первая: HIPPO (High Paid Person Opinion), иными словами, эффект ореола первого лица. Кстати, если генеральный директор увлечен аналитикой, успешная полоса в развитии компании также может определяться любовью и глубоким «единоличному мнению» (Personal Opinion) или его «первоначально-единоличным увлечением» аналитикой10. Увы, фраза, которую периодически приходится слышать на совещаниях при обращении к начальству: «Как Вы скажете, так и сделаем», так хорошо знакома многим из нас.
Вторая: Наш личный прошлый опыт. Увы, первые лица компаний не одиноки в своих желаниях принимать решения на основе собственного опыта. Как часто мы сами, следуя их примеру, отвергаем или проявляем скептицизм при внедрении инноваций, говоря: «Мы много раз делали так, и это всегда приводило нас к успеху. Зачем нам что-то менять?»
Особенно велико желание привести обоснование из прошлого опыта, когда выводы и рекомендации, основанные на цифрах, нам не слишком нравятся, говорят о нашей недостаточной эффективности или результативности. В этом случае мы охотно следуем принципам иррациональной логики: «Если из А следует В, и В неприятно, то А – неправильно». То есть если полученные в результате анализа цифры и выводы нам не нравятся, мы пытаемся всеми силами доказать, что они неправильные.
Наконец, третьей причиной является сложность для бизнеса в понимании «элегантных» математических выкладок или принципов работы статистических моделей. Все эти цифры, полученные на основе работы моделей, представляются бизнесу «магией», в которую он не готов просто верить.
И, наконец неготовность самих аналитических подразделений или аналитиков
Первая причина здесь очень похожа на происходящее в ИТ-подразделениях: недостаток глубокого понимания бизнеса, которое необходимо, чтобы предложить бизнесу лучшие способы проведения анализа с учетом контекста11.
Вторая причина связана с привычкой держать основной фокус в работе на сборе и обработке данных, а не на подготовке рекомендаций на основе анализа и предложении бизнесу конкретных решений.
Наконец, третья причина – взгляд на мир через «таблицы Excel», неумение просто и понятно для бизнеса представить результаты анализа, поговорить с бизнесом на его языке, посмотреть на мир его глазами12.
Итак, если подвести небольшой итог этой главы, есть нечто общее во всех этих «мифах»: три ключевые стороны, ответственные за успех «цифровой трансформации», не понимают друг друга, не умеют говорить на одном языке.
На основании своего опыта, в частности создания «Международного аналитического клуба», в котором эта проблема была решена на уровне крупной фармкомпании, могу сказать, что таким единым языком может и должен стать язык «аналитический». Его мы также будем осваивать в этой книге.
