Эра новых технологий: как любой человек может превратиться в богача
Внедрение новых технологий и работа с big data заставляет бизнес трансформироваться, обучается не только главного директора, но и других сотрудников
Новые реалии изменили и правила игры, к которым привыкли в компаниях - работа над проектом в области Data Science не всегда приводит к коммерческой выгоде, но приносит положительные результаты для работы команды и последующих задач.
В каких странах есть практика внедрения Chief Data Officer
Данные являются ключевым активом в эпоху цифровой экономики, наравне с людьми и финансами. Но если за управление людьми отвечает функция HR, за финансы - контроллинг, риск-менеджмент, казначейство и другие подразделения, то данные исторически не контролировал никто.
Они как бы общие, но в то же время - ничьи. Сейчас это отношение меняется, в компаниях внедряются практики Data Governance и вводится должность Chief Data Officer.
Практика внедрения роли Chief Data Officer приходит с Запада: подавляющее большинство компаний с этой должностью находится в США или Западной Европе.
Вместо строгих офисов - опенспейсы
Организации сейчас сталкиваются с острым дефицитом квалифицированных кадров: мало образовательных программ готовят специалистов по анализу данных. А хорошие специалисты склонны мигрировать в сторону мировых лидеров ИТ-индустрии. Идет борьба буквально за каждый цифровой талант.
Поэтому компании меняют свой подход к найму. Если лет десять назад собеседование аналитика данных начиналось со слов «Расскажите, пожалуйста, почему мы должны взять в нашу компанию именно вас», - то сейчас разговор больше идет о том, почему кандидат должен выбрать именно эту компанию, как он сможет творчески реализоваться в ней, какие интересные данные и прочие способы профессионального развития работодатель ему предложит.
Образование на всех уровнях
Недостаточно просто утвердить роль CDO и политику Data Governance или укомплектовать штат высококлассными дата-сайентистами. Для эффективной работы над инициативами Data Science необходимо изменить культуру внутри компании.
Например, банки хорошо знали, кто их конкуренты, каково их место в рейтинге, что они будут делать в ближайшие два-три года. И каждый понимал: если он будет делать то же, что другие так же хорошо, как и прежде, - скорее всего, сохранит свой «кусок пирога».
Чтобы выжить в новых условиях, нужно масштабно изменить мышление и арсенал навыков на всех уровнях организации: на уровне топ-менеджмента, на уровне менеджеров среднего звена, на уровне дата-сайентистов.
Терпимость к отрицательному результату
Проект в Data Science внешне похож на разработку программного обеспечения - в обоих случаях целью является получение экономической выгоды или создание для клиентов дополнительной ценности. Чтобы добиться этой цели, пишется код. Поэтому менеджеры часто ожидают от процессов Data Science таких же прямолинейных результатов, как при разработке ПО, и успех измеряется именно тем, удалось ли достигнуть желаемого.
Готовность вступать в игру, исход которой заранее не известен, - это новое требование, не характерное для классического подхода, при котором не достигший бизнес-цели проект принято считать провалом.
В случае банкинга примером успешной модели может служить предсказание по косвенным признакам и историческим данным доходов клиентов. Банк на основе полученных данных может предложить индивидуальный кредитный продукт без официального подтверждения доходов.
Границы возможного в Real-time decision-making
Благодаря совершенствованию технологий, широкому распространению интернета и удешевлению систем хранения появилась способность собирать гораздо больше данных о процессах, которые раньше были для людей «черным ящиком».
Например, раньше аналитические системы банка строили отчетность каждый день по состоянию на вчера. Имея отчетность за определенный период в прошлом, можно было видеть основные тренды и предвидеть, что произойдет в ближайшем будущем, на что нужно повлиять в первую очередь на макроуровне. Но при этом упускался ряд событий, которые имеют короткий жизненный цикл.
