KPI для инициатив в области Big Data

Узнайте о том, как согласовать инициативы big data со стратегией организации и контролировать работу при помощи ключевых показателей эффективности.

Основные темы статьи:

Согласование инициатив Big Data со стратегией при помощи KPI

Система показателей Big Data
Воспользуйтесь бесплатным планом для доступа к 30 шаблонам ССП, включая Система показателей Big Data.


Конец года – отличное время для обсуждения новейших трендов: беспилотные автомобили, искусственный интеллект, виртуальная реальность и интернет вещей. Каким образом эти тенденции могут изменить ваш бизнес? Как можно учитывать возможное воздействие революционных идей? Все эти тренды заслуживают тщательного рассмотрения, однако одно явление связано с каждым из них. Я говорю о Big Data. Они необходимы искусственному интеллекту, функционирование беспилотных автомобилей основано на их обработке и, разумеется, многие компании уже их используют.

Компания BSC Designer специализируется на реализации стратегии и управлении KPI. В этой статье я предлагаю рассмотреть способы сосредоточения хорошо описанной стратегии и индивидуализированных KPI на инициативах в области big data. План статьи:

  • Big data. Что это? Каковы основные задачи?
  • KPI для big data. 4 уровня KPI и достижение согласованности стратегии.
  • План действий. Внедрение измеримых big data.

Что такое Big Data?

Big data имеет дело с анализом больших неструктурированных наборов данных.

Big data можно охарактеризовать при помощи совокупности признаков трех «V»:

  • Volume – объём. Наборы данных должны быть большими. По некоторым оценкам, они должны составлять от 10 Гб до 1 Тб, однако, вероятно, лучшим критерием является необходимость распределения big data (с точки зрения их хранения и обработки). Набор данных стал действительно большим, если вам пришлось перейти на Hadoop или другой похожий фреймворк.
  • Variety – разнородность. Представьте себе различные источники структурированных и неструктурированных данных. Они могут быть обнаружены в тексте, социальных сетях, прогнозе погоды или в любом другом материале, с которым вы имеете дело.
  • Velocity – скорость. Большой объём данных – результат их быстрой генерации. Представьте себе тысячи элементов самолётов, которые находятся под постоянным наблюдением1, непрерывный поток комментариев в социальных сетях, данные, предоставляемые носимыми устройствами в реальном времени.

Нередко (например, в IBM2 или EY3), для описания big data используется четвёртая «V», означающая «Veracity» или «достоверность».

  • Veracity — достоверность. Имея дело с данными, мы вынуждены учитывать определённый уровень неопределённости. Как были получены данные? Были ли проанализированы все факторы? Подвергались ли они манипуляциям? Можем ли мы доверять этим числам?

Как используются big data?

Big data используются для разнообразных видов прогностического и поведенческого анализа. Организации используют big data для сокращения затрат, лучшего понимания потребностей клиентов и минимизации рисков. К примеру, big data могут применяться для предоставления клиентам индивидуальных услуг или для проверки мошеннических операций в сфере электронной торговли.

В начале этой статьи я упомянул несколько новых тенденций: big data связаны с каждой из них. Чтобы получить о них больше информации, я советую прочесть книгу “7 Amazing Companies That Really Get Big Data4”, написанную признанным экспертом области Бернардом Марром.

Основные сложности, связанные с Big Data

Описанное видение big data кажется очень амбициозным. Тогда почему компании не торопятся внедрить этот тренд? Каковы основные сложности, связанные с big data?

Data mining уже не является основной сложностью

В октябре я выступал на конференции, организованной SCIP5 (Сообщество специалистов в области стратегической и конкурентной разведки). Члены этой организации занимаются big data в сфере рыночного анализа. Однако, в противоположность ожиданиям, основной темой конференции было вовсе не обнаружение данных для конкурентной или бизнес-аналитики, но согласование работы в области аналитики со стратегией организации. Иными словами, если компания знает, какие именно вопросы она хочет задать, получение ответов становится относительно простым (см. данные исследований далее).

Если data mining больше не является проблемой, в чем состоят основные сложности?

Задача 1. Фокусировка big data

Основная сложность – это фокусировка big data на действительно важных вещах и предоставление информации верному получателю. Иными словами, в организации должен быть человек, который будет задавать правильные вопросы.

Для иллюстрации этого принципа я приведу пример Target6, получивший известность в 2012 году. Компания успешно использовала данные покупательской аналитики для предсказания беременности некоторых клиенток. Рассмотрим эту историю (не принимая во внимания часть, связанную с конфиденциальностью), чтобы понять, что произошло на самом деле. Эндрю Поул, занимавшийся статистикой в компании Target, не просто предоставлял все возможные данные. Он должен был выполнить для отдела маркетинга конкретную задачу: определить покупательниц на втором триместре беременности.

Работа была сфокусирована на определённой цели, которая обладала огромной ценностью для бизнеса: ожидающие появления ребёнка покупатели склонны менять покупательские привычки, приобретая все товары в одном магазине. Речь шла не об обычном анализе данных, но о выявлении информации, способной ответить на очень конкретный вопрос.

Задача 2. Согласование со стратегией бизнеса

Если big data обладают конкретной ценностью, они способны кардинальным образом изменить ваш бизнес. В своём Big Data Executive Survey7 NewVantage Partners спросили респондентов о культурных сложностях, связанных с внедрением big data. 42.6% участников опроса выбрали ответ «Недостаток согласованности в организации». Другие ответы включали отсутствие принятия, отсутствие согласованной стратегии данных и отсутствие общего видения.

Возвращаясь к примеру Target, необходимо отметить наличие в нём двух важных компонентов:

  1. Big data были сфокусированы на конкретном вопросе: аналитика данных попросили определить покупательниц на втором триместре беременности.
  2. Согласование со стратегией бизнеса: данные обладали понятной ценностью, так как семьи с ребёнком надолго становятся клиентами одного магазина.

Задача 3. Безопасность данных и конфиденциальность

Эта проблема ещё не так широко распространена, однако любая компания понимает, что сбор и анализ информации должны быть этичными и легальными. В Европе «Общие правила защиты данных» (GDPR) вступили в силу 25 мая 2018 года. В других странах были приняты аналогичные правила. При обработке персональных данных компании должны всерьёз относиться к соблюдению подобных положений.

Поговорим о KPI в контексте big data.

KPI и big data

Заменят ли big data KPI? Не совсем. Big data станут для KPI источником более точной и актуальной информации.

Возьмём для примера NPS (показатель лояльности клиентов):

  • NPS сейчас. Как NPS (показатель лояльности клиентов) рассчитывается в вашей организации сегодня? Вероятно, раз в квартал вы проводите опрос клиентов. Поэтому иногда вы получаете данные слишком поздно. Если с бизнесом что-то произойдёт, NPS покажет это лишь через несколько месяцев.
  • NPS на базе big data. Теперь представьте, что для анализа эмоций клиентов в реальном времени вы используете big data (см. пример Heedbook далее). В этом случае показатель NPS станет KPI в реальном времени. Так вы сможете увидеть реакцию конкретного клиента на конкретное предложение и на конкретный подход к продажам.

В некоторых случаях вы захотите провести более глубокий анализ, чтобы разобраться в конкретных ситуациях. В иных случаях вам понадобятся агрегированные данные за неделю, месяц или год.

KPI для big data

Для использования big data мы должны сделать значительные инвестиции в новые инструменты и архитектуру, поэтому нам стоит поддерживать эти инициативы при помощи достоверных данных. Инициативы big data необходимо представлять количественно и измерять. Мы можем сделать это на различных уровнях.

Уровень 1. Показатели 3-V

3V (Volume, Variety, Velocity) больших данных очень легко представить количественно:

  • Volume – объём данных сам по себе является метрикой (Гб, Тб и т.д.)
  • Variety – разнородность можно подсчитать как количество различных типов данных.
  • Velocity – скорость определяется как объём данных, сгенерированных и проанализированных за определённый период.

Четвёртая V, Veracity или достоверность, поддаётся подсчету не так легко. Вам придётся определить, какие именно данные считаются достоверными, а это зависит от контекста. Например, точными данными для автомобилей с двигателем внутреннего сгорания является текущая скорость с уровнем погрешности +-5 км/ч. Однако для электромобилей этой точности не достаточно. Определите 1-2 показателя, которые дают представление о точности данных в вашем случае.

Являются ли показатели 3-V полезными? Это зависит от контекста. В качестве примера возьмем беспилотный автомобиль Google, который выдает 1 Гб данных с датчика в секунду8. Это число кажется внушительным! Мы можем подсчитать объём данных, однако это не поможет нам решить 3 упомянутые ранее задачи.

KPI для системы показателей Big Data, созданной в BSC Designer

Система показателей Big Data
Воспользуйтесь бесплатным планом для доступа к 30 шаблонам ССП, включая Система показателей Big Data.

Уровень 2. Показатели обработки big data

Прейдём на следующий уровень абстракции и рассмотрим процесс обработки big data. Упрощенная модель может быть представлена следующим образом:

  • Запрос
  • Сбор
  • Анализ
  • Отчет

В этом случае наиболее полезные показатели связаны со временем:

  • Частота сбора данных
  • Время, необходимое для того, чтобы данные стали доступными для анализа
  • Время, необходимое для трансформации данных в KPI

Эталонное время зависит от контекста бизнеса. Например:

  • Беспилотный автомобиль собирает и анализирует данные в режиме реального времени, поэтому имеет значение даже разница в миллисекундах
  • Однако в случае NPS управляющих может интересовать анализ данных, собранных за неделю

С точки зрения эффективности процесса, мы можем отслеживать:

  • Коэффициент конверсии запросов в отчеты, %. Сначала необходимо определить, чем является квалифицированный запрос. Затем мы должны подсчитать, на сколько процентов запросов смогли ответить наши аналитики данных.
  • Возможности сбора данных. Уровень достоверности собираемых данных (идеи, которые рассматривались в разделе о достоверности). Для некоторых компаний эти возможности являются устойчивым конкурентным преимуществом.

Показатели этого уровня дают нам представление об эффективности big data, однако они не отвечают на вопрос о том, каково влияние больших данных на процесс достижения целей бизнеса.

Уровень 3. KPI результата. KPI, проверяющие успешность big data.

Другой вопрос – проверка успешности инициатив big data. С одной стороны, компания вкладывает значительные средства в инфраструктуру, с другой стороны, big data должны окупаться при помощи генерации новых бизнес-идей. Как можно определить их денежную ценность?

В этом случае мы должны отслеживать улучшения, которые можно отнести к использованию big data:

Как можно видеть, на этом уровне применимы классические KPI, которые использовались раньше. Наша цель – соотнести определённые улучшения с внедрением big data.

Этот подход может быть необъективным:

  • Мы склонны считать положительные изменения своими достижениями.
  • При этом отрицательные изменения считаются нормальными колебаниями.

Решение – стремиться к более крупным и осязаемым целям.

Многие компании игнорируют эту часть измерения и просто покупают «какие-то big data». По данным отчета9 Capgemini Consulting, 67% организаций, принимавших участие в опросе, не имеют точных критериев для измерения успеха инициатив в области big data. Учитывая объём необходимых инвестиций, компаниям необходимо выработать более систематический подход к определению целей и успеха внедрения big data.

Стратегическая карта big data, согласованная с KPI, в BSC Designer Online

Система показателей Big Data
Воспользуйтесь бесплатным планом для доступа к 30 шаблонам ССП, включая Система показателей Big Data.

Уровень 4. KPI действия. Обеспечение успеха big data.

Теперь мы знаем о том, как измерить результат внедрения big data. Как насчет отслеживания действия? Что необходимо делать для обеспечения успеха инициатив в области big data?

«Жесткий» аспект big data вполне конкретен и может быть измерен при помощи следующих общих показателей:

  • Размер инвестиций в инициативы в области big data.
  • Время, потраченное на инициативы в области big data.

Big Data, сфокусированные на целях бизнеса

Реальный сценарий: компания инвестирует миллион долларов в инфраструктуру, инструменты и сбор big data при помощи кластера Hadoop, однако не происходит ничего измеримого. Именно об этом мы говорили в разделе, посвященном первой задаче: Big data не являются искусственным интеллектом, они не могут говорить, поэтому ваша команда должна научиться задавать вопросы. Как можно изменить роль команды?

Следующие идеи можно использовать в качестве исходной точки:

  • Эффективность обучения в области big data. Ключевые члены команды должны пройти определённый тренинг в области big data. Ваши сотрудники не обязательно должны стать аналитиками данных, однако они должны понимать, какие вопросы можно задать и как их сформулировать. В этом случае показатели будут связаны с эффективностью обучения10.
  • % стратегических целей, включающих инициативы в области big data. Мы можем отслеживать количество запросов, сформулированных каждой командой, однако этот опрос является очень формальным и менее удобным. Лучший способ – отслеживание согласованности между целями и запросами big data. Попросите команду проанализировать свои стратегические цели, а затем спросите их о том, какие данные им могут понадобиться для принятия наилучших решений в контексте этих целей.

Big data помогают формулировать новые цели бизнеса

Процесс сопоставления контекста бизнеса и big data является двунаправленным. Иногда мы ищем конкретный инструмент big data для решения конкретной задачи (как в случае Target), в иных ситуациях мы находим интересный инструмент и пытаемся сопоставить его с нашими целями. Например:

  • Член вашей команды нашел Heedbook11, сервис, анализирующий эмоции клиентов в реальном времени. Он построен на базе Microsoft Azure и доступен в Cloud. Команда может решить использовать этот сервис для более эффективного подсчета NPS.
  • Сотрудников отдела ИТ попросили найти программное обеспечение для DLP (защиты от потери данных). Они нашли SearchInform12 способный не только анализировать сообщения и передаваемые файлы, но и предпринимать определенные меры безопасности. Таким образом, ИТ-стратегию организации можно обновить с учетом возможностей этого инструмента.

Как бы то ни было, согласование целей бизнеса с требованиями к big data может оказаться полезным.

План действий. Измеримость big data.

Сформулируем некоторые выводы статьи. Я предпочитаю сделать это в виде плана действий.

  1. Пересмотрите big data. Как данные собираются сейчас? Какие возможности сбора данных у вас есть (в качестве модели вы можете использовать показатели обработки big data).
  2. Выполните домашнее задание. Сформулируйте стратегию на карте, каскадируйте её в отделы компании. Пересмотрите текущие KPI.
  3. Улучшайте возможности. Запланируйте инициативы по улучшению навыков команды в области big data. Ключевые члены команды должны понимать, какие вопросы можно задать и как их можно сформулировать.
  4. Сфокусируйте big data. Пересмотрите стратегическую карту, выделите возможности применения big data для достижения целей бизнеса. Сформулируйте запросы big data.
  5. Внедрение. Проанализируйте идеи, сгенерированные при помощи big data, при необходимости отразите их в форме KPI.

Краткое руководство для пользователей BSC Designer

Пользователи BSC Designer обладают мощным инструментом, способным автоматизировать многие аспекты согласования стратегии и KPI, рассмотренные в этой статье.

  • Стратегическое согласование и фокусировка big data. Создайте стратегическую карту, представляющую цели бизнеса, согласуйте KPI с целями на карте. Если у вас пока нет стратегической карты, используйте для её создания мастера стратегических карт.
Онлайн-мастер поможет создать профессиональную стратегическую карту с бизнес-целями, ключевыми показателями эффективности и инициативами.

Мастер стратегической карты - сбалансированная система показателей за 6 минут

Ответьте на простые вопросы - постройте профессиональную стратегическую карту за 6 минут.

Начать!

  • Обеспечение наличия у команды возможностей для работы с big data. Чтобы убедиться в наличии у команды необходимых навыков, используйте систему показателей обучения (вы можете начать с этого примера).
  • Поддержка KPI при помощи big data. Отслеживайте показатели эффективности инициатив в области big data. Для внедрения в показатели данных отчетов в реальном времени используйте RESTFul API.

Если вы пока не являетесь пользователем программы, вы можете начать с бесплатной версии BSC Designer, доступной онлайн.

Что дальше?

  • Доступ к шаблонам. Воспользуйтесь бесплатным планом BSC Designer для доступа к 30 шаблонам ССП, включая Система показателей Big Data из этой статьи.
  • Отточите навыки. Запишитесь на тренинг по ССП. Отточите ваши навыки стратегического планирования.
  • Автоматизация. Узнайте что такое софт для ССП и как он может облегчить создания стратегически карт и работу с индикаторами.

Другие примеры Сбалансированны Систем Показателей

Стратегическая карта сформированная с помощью программного решения BSC Designer
8 ШАГОВ Для Создания Стратегической Карты от BSC Designer
KPI для Корпоративного Управления
  1. Why every flight you take is obsessively monitored, 2015, Dan Bobkoff, Business Insider
  2. The Four V’s of Big Data, IBM Big Data & Analytics Hub
  3. Big data. Changing the way businesses compete and operate., 2014, Insights on governance, risk and compliance
  4. 7 Amazing Companies That Really Get Big Data, Bernard Marr, 2015, Wiley
  5. Strategic and Competitive Intelligence Professionals (SCIP)
  6. How Companies Learn Your Secrets, Charles Duhigg, 2012, The New York Times Magazine
  7. Big Data Executive Survey, 2017, NewVantage Partners
  8. Google X: Leveraging data and algorithms for self-driving cars, 2017, Harvard Bussiness School
  9. Cracking the Data Conundrum: How Successful Companies Make Big Data Operational, Capgemini Consulting, 2014
  10. Training Scorecard: From Exam Scores to KPI Effectiveness, Aleksey Savkin, 2016, BSC Designer
  11. Heedbook — оценка обслуживания клиентов посредством нейронной сети
  12. SearchInform — компания, занимающаяся информационной безопасностью в СНГ
Цитирование: Alexis Savkín, "KPI для инициатив в области Big Data", BSC Designer, 9 января, 2021, https://bscdesigner.com/ru/big-data.htm.

Оставьте комментарий