Мне всегда было интересно, как управляются разные бизнесы: как работает завод, ритейл, другие сферы. Я пытался изнутри наблюдать за бизнесом, где создаётся конечная ценность. Где-то работает автократия, в других компаниях уже есть зрелая бюрократия, а где-то все договариваются на словах, но нигде это не прописано.
Я видел, что даже в среднем бизнесе решения принимаются на основании чуйки хозяина. Тогда как в entreprise решения принимаются на основании процедур, отчётов. Люди страдают и ненавидят этот процесс, так как много времени уходит на оцифровку. Но при этом корпорации довольно эффективны, что показал мой дальнейший опыт. Они работают на 4-ку, но стабильно. Малый бизнес может сегодня сработать на 5, а завтра на 2.
Так у меня появилось убеждение, что в своих решениях нужно опираться на данные. Большой компанией можно стать только та, где есть система принятия решений.
Я ушёл из enterprise в малый бизнес и старался туда привносить то, что увидел в корпорациях. Собственники компаний принимали интуитивные решения, которые могли приводить к просадке выручки в 2 раза за несколько месяцев. Такие ситуации лишь укрепили мою убеждённость в своей правоте.
В этой статье я расскажу, как и кому может помочь аналитика данных.

Большинство компаний в МСБ, с которыми мы работали, по-прежнему ведут ключевые отчёты в Excel. Когда компания ещё была маленькая, это и правда работало. Но по мере масштабирования сотрудников и задач становилось всё больше, и Excel переставал справляться.
Ниже я расскажу основные проблемы, которые возникали.

Из моей личной практики есть кейс, когда начальник отдела сопровождения клиентов на большом производстве тратит личное время не только на общение с клиентами, но и на создание отчётов. Ситуация как у учителей в школе – иногда больше времени уходит не на уроки с детьми, а на заполнение разных бумажек.
Посчитайте, сколько в деньгах теряет компания каждый месяц, если руководитель отдела 2 дня в неделю тратит на подготовку отчёта к еженедельной встрече.
А потом представьте, что в корпорациях таких сотрудников не один и не два, а десятки.
Поэтому система BI-аналитики быстро убивает Excel, так как подготовить отчёт можно за несколько минут.

Ещё одна проблема отчётности в Excel в том, что в ней много ошибок. Чтобы получить хотя бы 2-3 отчёта, согласовать и быть уверенными в корректности цифр, проходит 2 недели на подготовку и создание отчёта. А затем нужно регулярно тратить время на поддержание этого отчёта, а любое изменение превращается в геморрой.
Делать такую отчётность очень дорого с точки зрения затрат времени. И чтобы добавить ещё одну новую метрику, приходится преодолевать сопротивление команды.
На одном из проектов мы делали BI-отчёт и должны были привлечь одного сотрудника, который будет этим отчётом регулярно пользоваться. И вот на первой встрече женщина увидела, что цель совещания – регулярная отчётность. Она начала нас ругать: да сколько можно, вы меня задолбали, мне нужно работать, а не тратить время на ваши отчёты.
Казалось бы, полезное нововведение, откуда такая реакция? Но человек привык, что ему нужно много делать руками, чтобы пользоваться предыдущей системой отчётности, поэтому поначалу изменения воспринимала в штыки. В течение нескольких встреч нам пришлось убеждать её, что лично ей ничего делать не нужно, отчёты собираются сами. Всё, что от неё требовалось – только пользоваться системой. И когда нам всё же удалось её убедить начать пользоваться системой, она нас отблагодарила за упрощение её работы.

Сборка нового отчёта в Excel формате и проверка гипотезы вызывает столько вопросов и проблем, что проще этого не делать. С построенной BI аналитикой новый отчёт можно сделать всего за сутки. Он будет нормальный, рабочий, за пару итераций его можно докрутить, чтобы он был ещё и удобный.
Представьте, что вы едете в танке и смотрите только в триплекс. У вас открывается очень узкий обзор. А потом вы пересаживаетесь в крузак с камерой на 360 градусов, а ещё и статистикой проезда по этому месту, чтобы знать всё про дорогу. Вот так выглядит разница между Excel и BI-системой.
BI позволяет просто задавать вопросы и получать на них ответы. Даже если мы сделаем дашборды, которые не пригодятся людям, их создание занимает мало времени. И через несколько итераций люди поймут, какие данные им реально нужны и будут ими пользоваться. В отличие от Excel.

Кому и какая аналитика нужна
Важно не забивать гвозди микроскопом, пытаясь внедрить инструменты BI-аналитики там, где они не нужны или не применимы. Поэтому разберём, когда аналитика не нужна вообще, в каких случаях достаточно одного Excel, а в каких он уже не справляется.

В каких случаях аналитика не нужна вообще:

• В бизнесе нет системы автоматизации бизнес-процессов CRM, ERP, WMS и т.д. Тут я немного лукавлю: аналитика возможно и нужна, но невозможна, так как неоткуда взять данные
• В бизнесе мало транзакций (лидов, сделок, людей). То есть мало данных. В таких бизнесах ответ на вопросы можно получить, просто поговорив с командой.
• Когда в компании нет тех, кто умеет пользоваться аналитикой. Её внедрение в таком случае будет бесполезно. Аналитика данных – лишь инструмент, имеют смысл действия, которые делают на её основе

Пример:
Агентство по разработке, которое работает на подряде у одной компании. Один проект, один договор, там просто нет никаких данных для анализа.
Если резюмировать, то аналитика данных не нужна в том случае, либо когда данные просто не собираются, либо когда сбор данных никаким образом не влияет на принятые решения в компании.
Кому аналитика нужна, но в формате Excel:

• Есть хотя бы одна или две системы (CRM, ERP и др.) и уже есть данные.
• Кол-во транзакций не превышает в общей сумме 500-1000 (лидов, сделок и т.д.)
• Короткие сквозные процессы в рамках одной систем. Например, и учёт лидов и оплаты считаются в одной CRM. В таком случае не нужно связывать друг с другом данные из разных систем.
• Простые пошаговые бизнесы. Это почти все услуги в B2B, где нет большого сильного проектного учёта. Например, дизайн-агентство, где проект делает один человек. Достаточно занести лида в crm и больше никаких танцев с бубнами.

Пример:
Агентство по разработке, которое ищет лидов через партнёрки, цикл сделки 2 месяца, нанимают подрядчиков на работу. Данных чуть больше, но всё равно Excel хватает за глаза.
А теперь представьте себе такую цепочку. У компании появился лид, в CRM сразу завели сделку. Дальше сделка перешла в производство. Выполнили по ней отгрузку. Выставили документы. Получили деньги. И всё это – отдельные действия, каждое порождает артефакты в системах. И чем сложнее цепочка, тем больше данных собирается.
Поэтому плавно переходим к тем случаям, когда и кому нужна аналитика, но в BI-системах.
BI-аналитика нужна:

• Бизнесам, где много разных систем (crm, erp, логистика, склад, рекламные кабинеты, маркетплейсы, закупки, MES системы).
• В этих системах много данных, которые нужно свалить в одну кучу
• В компании много ролей, которые смотрят на данные со своей точки зрения. Маркетинг и продажи; производство, логистика, финансы, закупки. Каждая из этих ролей смотрит на одни и те же данные по-другому. Например, маркетинг и продажи может по-разному понимать, кто является лидом
• Данные должны быть консистентными и непротиворечивыми. Это значит, что данные для продавцов должны быть понятным образом преобразовываться в данные для закупщиков. BI решает проблему консистентности данных, Excel уже не вывезет

Пример:
Агентство разработки, работающее на широком рынке, привлекающее лидов через SEO, рекламу, с разными продуктами, долгим циклом сделки, кол-во разработчиков от 80 человек и с почасовой оплатой. Им нужно строить сквозную аналитику от прихода лида до получения оплаты, чтобы посчитать цену и прибыль с каждого клиента.
Пока бизнес, попадающий под описание выше, не начнёт системно собирать данные и анализировать их через BI-системы, собственник периодически будет просыпаться с беспокойством, что он перестал контролировать свою компанию.
Итог
В конце расскажу, какие шаги можно сделать, если вы захотели себе аналитику данных:

• Выделить человека, который будет заниматься только аналитикой. Методики расчёта и интерпретации цифр очень зависят от методики расчёта и корректности сбора данных. То есть очень зависимы от человека, который этим занимается. Например, если у аналитика начальник – руководитель отдела продаж, скорее всего данные по продажам будут собраны, посчитаны и представлены в пользу отдела продаж. Чтобы такого не было, аналитик должен находиться в другой части оргструктуры компании.
• Создать непротиворечивую логическую модель бизнеса. В компании все по-разному понимают слова: что такое «лид, сделка, заказ, выручка», что такое «хорошо/много/эффективно». Слова должны иметь одинаково понимаемое всеми значение. Тогда все смогут пользоваться дашбордами.
• Смиритесь, что это бесконечный процесс, а не разовый проект. Аналитики не бывает много, и она всё время меняется. Люди любопытны и всегда хотят узнать что-то ещё. В проектах люди накидывают много идей, что они хотят узнать. Заказчик выбирает, какие данные он бы хотел отслеживать. Параллельно мы смотрим, какие дашборды реально используются. и вместе с заказчиком уже решаем, что делать с остальными.

Либо наймите команду, которая закроет вам эти вопросы. Так как только профессионалы могут сделать качественно, дёшево и быстро. Не пытайтесь экономить на разработке системы, так как дешёвая в разработке система будет дорога в эксплуатации и поддержке.