Data-driven или data-informed: почему цифра не заменит человека?
- Джимшер Челидзе
- 23 мар. 2023 г.
- 11 мин. чтения
Обновлено: 2 окт.
Цифровизация и цифровая трансформация неотделимы от использования данных для принятия решений. Но как можно использовать данные для принятия решений?
Содержание
Всего, существует 4 стратегии использования данных для принятия решений:
No-Data
Data-driven
Data-informed
Data-inspired
И наиболее распространенный запрос и тезис в России: "Мы Data-driven". Но что за этим скрывается, и почему мировые ИТ-гиганты отходят от этой стратегии как единой для всех ситуаций и направлений деятельности?
No-Data
No-data - управление и принятие решений без учета данных и аналитики. Это наиболее распространенный подход в малом и среднем бизнесе. Его использует доминирующее количество руководителей и организаций.
Data-driven
Data-driven - управление и принятие решений исключительно количественных на данных и метрик
Сначала получают цифры/метрики, а потом на их основе принимают решения. Полученные числа — первое, на что посмотрят, решая, куда двигаться дальше. Отлично подходит для обоснования решений перед вышестоящим руководством / акционерами.
Data-informed
Data-informed - управление и принятие решений с учетом данных.
Метрики привносят дополнительную информацию, которая может быть полезна при принятии решений. Однако, окончательное решение принимается с учетом прошлого опыта, экспертизы, интуиции и т.д.
Data-inspired
Data-inspired - подход, при котором анализ рынка и трендов, поиск неочевидных связей в разрозненных данных служит для принятия стратегических решений и поиска новых возможностей. Ключевое - мы опираемся не на опыт и анализ событий, а на видение будущего и исследования.
Позволяет строить стратегию, но имеет наибольшие риски
Давайте разберем, а какие слабые места есть у Data-driven и почему в наиболее передовых компаниях появляются другие подходы?
Недостаток креативности
Data-Driven не дает места креативности и разным точкам зрения
Узкая фокусировка
Данные могут ответить качественно только на те вопросы, которые были изначально заложены на этапе проектирования
Исключение экспертных знаний
Data-driven подход не учитывает экспертные знания и опыт
Необъективность
Создать абсолютно объективный набор метрик практически невозможно, в любом случае взгляд менеджера найдет отражение в наборе метрик
Сложность оцифровки реакции людей
Data-driven плохо учитывает человеческий фактор: эмоции и чувства, субъективное мнение
Требовательность к качеству данных
Data-driven требователен к качеству исходных данных и проработке нормативно-справочной информации
При этом, именно работа с данными и качество данных - одна из ключевых причин большинства проблем в ИТ-проектах
А какие же проблемы существуют в работе с данными, и к каким проблемам они приводят?
Давайте приведем пару практических примеров.
Пример первый: "Внедрение системы производственной безопасности"
Проблема: на старте проекта не было проведено обучение сотрудников правилам сбора данных, не подготовлены правила расположения объектов в НСИ. Один и тот же объект даже внутри одного дочернего общества мог находиться на разных уровнях.
Последствия: использование аналитики для принятия решений, выявления лучших и худших подразделений было невозможно.
Пример второй: "Внедрение системы управления активами (организация ТОиР)"
Проблемы:
Для проекта было определено порядка 40 метрик
При старте проекта не были учтены инициативы регулятора и внедрение других ИТ-систем
При старте проекта не был проведен анализ, зачем, кому и для чего нужны данные в системе
Последствия:
Руководители были перегружены данными, что в итоге приводило к совещаниям по 3 часа без принятия решений
По ходу реализации проекта в НСИ пришлось добавлять «костыли», и в итоге интеграция с другим ИТ-решением стала недоступной
Никаких изменений в подходах планирования ремонтов не произошло
Теперь, давайте ответим на несколько вопросов:
Возможно ли в наших компаниях создать решения с идеальными данными?
Возможно ли создать объективные метрики и не перегрузить руководителей?
Насколько это все реально в условиях постоянных изменений и неопределенности?
Что важнее всего в условиях неопределенности?
А возможно ли ситуация, когда после внедрения ИТ наши метрики ухудшаться?
А возможна ли ситуация, когда мы не можем оценить изменения из-за того, что на данный момент просто не можем измерить метрику?
И тут снова приведем несколько практических примеров.
Пример с оценкой энергоэффективности.
Проблема: Компания имеет подразделения по всей России. Затраты на электроэнергию составляют десятки миллионов рублей в месяц. Однако, все данные собираются в ручном режиме.
Последствия: Невозможно определить, какой же эффект будет от внедрения решения для сбора данных об электропотреблении и оптимизации режимов работы оборудования.
В итоге все понимают, что нужно решать проблему, но из-за корпоративной культуры, где все только на основе метрик, никто этим заниматься не готов.
Пример второй с оценкой брака.
Проблема: Информация о браке собирается на основе ручной фиксации и внесения данных в ИТ-системы. Доля брака – 1%. После автоматизации процессов контроля качества доля брака выросла до 5%.
Последствия: Формально проект привёл к ухудшению показателей.
Поэтому нужно отслеживать косвенные показатели (отзывы, рекламации и т.д.) и наблюдать за показателями в динамике.
В итоге можно обозначить, что Data Driven плохо подходит для принятия решений в условиях неопределённости и при низком качестве исходных данных. А попытка создать идеальную систему метрик может привести к бесконечной стоимости роста каждого решения, перегрузке руководителей данными и к критичным ошибкам.
А современный мир, по модели Киневив, это зачастую запутанная и хаотичная системы, в которых необходима гибкость.
При этом Data-driven отлично подходит для принятия ежедневных небольших решений или решений в условиях стабильности, в простых системах
Data-informed помогает ориентироваться в ситуациях неопределенности и сочетать экспертные качества с анализом данных, планировать ближайшее будущее.
Недостатки подхода:
не подходит для принятия стратегических решений и поиска новых возможностей, так как основан на опыте и анализе событий и фактов
сложнее обосновать свои решения руководству и заинтересованным сторонам, потому что они не полностью основаны на количественных данных и во многом зависят от точки зрения и картины мира, опыта и экспертности
существует риск влияния когнитивных искажений
проблема множественного выбора — слишком много входных данных, их придется приоритизировать, искать корреляцию, а информация на выходе может быть противоречивой.
Data-inspired помогает строить стратегии и работать на долгосрочное будущее, находить новые решения.
Недостатки подхода:
не подходит для оперативного и тактического управления
решения на основе такого подхода наиболее рискованные
формирует абстрактные идеи и предположения
еще сложнее обосновывать свои решения руководству и заинтересованным сторонам, целиком зависит от квалификации того, кто анализирует данные
No Data стратегия (Интуитивные решения)
✅ Удачные примеры
1. Southwest Airlines
Ситуация: В 1967 году Херб Келлехер основал авиакомпанию на принципах низкой стоимости без детального анализа рынка авиаперевозок.
Подход: Интуитивное понимание того, что людям нужны недорогие перелеты без излишеств - еды, назначенных мест, стыковочных рейсов.
Результат: Southwest стала крупнейшей бюджетной авиакомпанией США, показывающей прибыль 44 года подряд.
Причины успеха: Правильное понимание базовых потребностей рынка, простота концепции, фокус на основных потребностях клиентов.
2. Howard Schultz и Starbucks
Ситуация: В 1983 году Шульц решил трансформировать продажу кофейных зерен в кофейни по итальянской модели, опираясь исключительно на личный опыт поездки в Милан.
Подход: Решение принято на основе эмоционального восприятия итальянской кофейной культуры и интуитивного понимания того, что американцам это понравится.
Результат: Создание глобальной кофейной империи с годовой выручкой свыше $30 млрд.
Причины успеха: Сильная эмоциональная связь с продуктом, создание уникального клиентского опыта, правильная интуиция о культурных потребностях.
❌ Неудачные примеры
1. Ресторан убирает популярное блюдо
Ситуация: Владелец ресторана решил убрать блюдо из меню, поверив мнению официантов о том, что его редко заказывают.
Подход: Решение принято исключительно на основе субъективного мнения персонала без анализа данных о продажах, прибыльности или времени подачи.
Результат: Выручка просела на 15%, постоянные клиенты начали уходить, блюдо пришлось срочно возвращать в меню.
Причины неудачи: Игнорирование объективных данных о продажах и прибыльности, HiPPO-эффект (мнение наиболее влиятельного человека).
2. Quibi - стриминг платформа
Ситуация: В 2018-2020 годах запущена мобильная видео-платформа за $1.75 млрд на основе интуиции основателей о поведении молодежи.
Подход: Инвесторы и основатели решили, что короткие видео на мобильных устройствах - это будущее развлечений, без глубокого исследования рынка.
Результат: Полная потеря инвестиций, закрытие платформы через 6 месяцев после запуска.
Причины неудачи: Переоценка спроса на новый формат контента, неправильное понимание медиа-привычек целевой аудитории, игнорирование конкуренции с TikTok и YouTube.
Data Driven стратегия
✅ Удачные примеры
1. Netflix и "Карточный домик"
Ситуация: В 2013 году Netflix решил инвестировать $100 млн в создание первого оригинального сериала.
Подход: Анализ данных о предпочтениях 23 миллионов пользователей выявил три ключевых фактора: любовь к британскому оригиналу "Карточный домик", популярность режиссера Дэвида Финчера и актера Кевина Спейси.
Результат: Сериал получил рейтинг 9.0/10, Netflix привлек 3 миллиона новых подписчиков, запустил эру оригинального контента.
Причины успеха: Точные данные о пользовательских предпочтениях, правильная интерпретация паттернов, качественная реализация на основе выявленных инсайтов.
2. Amazon рекомендательная система
Ситуация: Amazon разработал персонализированную систему рекомендаций товаров на основе поведенческих данных клиентов.
Подход: Алгоритмы машинного обучения анализируют историю покупок, просмотров, поисковых запросов, время на странице и предлагают релевантные товары.
Результат: Рост продаж на 35%, суммарная выручка от рекомендательных алгоритмов превысила $150 млрд за 10 лет.
Причины успеха: Большие качественные данные, мощные алгоритмы, постоянная оптимизация на основе обратной связи.
❌ Неудачные примеры
1. Target и кейс с беременностью
Ситуация: Алгоритм Target определил беременность несовершеннолетней по изменению покупательского поведения и отправил рекламу детских товаров на домашний адрес.
Подход: Автоматический анализ паттернов покупок без учета этических аспектов и человеческого контроля над результатами алгоритма.
Результат: Громкий скандал в СМИ, судебные иски за нарушение приватности, серьезный ущерб репутации компании.
Причины неудачи: Игнорирование этических аспектов использования данных, отсутствие человеческого контроля над автоматическими решениями.
2. Microsoft Tay чат-бот
Ситуация: В 2016 году Microsoft запустила ИИ-чат-бота Tay, который должен был обучаться на основе взаимодействий с пользователями Twitter.
Подход: Полностью автоматическое машинное обучение на пользовательских данных без предварительной фильтрации и модерации контента.
Результат: Через 16 часов бот начал публиковать оскорбительные и экстремистские сообщения, был немедленно отключен.
Причины неудачи: Недооценка социальных факторов, отсутствие системы модерации обучающих данных, слепое доверие алгоритму.
Data Informed стратегия
✅ Удачные примеры
1. Apple и iPhone
Ситуация: Разработка революционного смартфона, который должен был объединить телефон, iPod и интернет-коммуникатор.
Подход: Стив Джобс сочетал анализ рыночных данных с глубоким пониманием потребностей пользователей, технических возможностей и пользовательского опыта.
Результат: Революция в индустрии смартфонов, совокупная выручка Apple от iPhone превысила $365 млрд.
Причины успеха: Идеальный баланс между данными и интуицией, фокус на пользовательский опыт, итеративная разработка с постоянной обратной связью.
2. Procter & Gamble и Tide Pods
Ситуация: P&G стремилась упростить процесс стирки и создать инновационный продукт в зрелой категории.
Подход: Компания провела исследования привычек стирки, проанализировала данные о поведении потребителей и применила креативный подход к упаковке моющего средства.
Результат: Создание совершенно новой категории продуктов, рост продаж стирального порошка на 40%.
Причины успеха: Успешное сочетание количественных исследований с качественными инсайтами, креативность в решении обычных проблем.
❌ Неудачные примеры
New Coke (Coca-Cola, 1985)
Ситуация: Coca-Cola провела масштабные исследования нового вкуса, включая 200,000 слепых тестов.
Подход: Компания собрала количественные данные (слепые тесты показали превосходство новой формулы), но неправильно сбалансировала их с качественными факторами - эмоциональной привязанностью к бренду.
Результат: Массовое возмущение потребителей, падение продаж, возврат к классической формуле Coca-Cola Classic через 79 дней.
Причина неудачи: Классическая ошибка переоценки количественных данных в ущерб качественным факторам при сбалансированном подходе.
Microsoft Kinect для Xbox One (2013)
Ситуация: Microsoft решила сделать контроллер Kinect обязательным для Xbox One, несмотря на смешанные сигналы от исследований.
Подход: Исследования показали технический интерес к жестовому управлению и голосовым командам, но команда недооценила данные об обеспокоенности пользователей вопросами приватности и стоимости.
Результат: Xbox One изначально продавался значительно хуже PlayStation 4, Microsoft была вынуждена убрать обязательный Kinect и в итоге прекратила его разработку.
Причина неудачи: Неправильное взвешивание различных типов данных - технические возможности против социальных опасений пользователей
Data Inspired стратегия
✅ Удачные примеры
1. Tesla и электромобили
Ситуация: Илон Маск решил создать массовые электромобили в индустрии, где предыдущие попытки провалились.
Подход: Анализ экологических трендов, технологических возможностей батарей и создание революционного видения будущего автомобильного транспорта.
Результат: Рыночная капитализация Tesla превысила $800 млрд, запуск революции в автомобильной индустрии.
Причины успеха: Правильное видение долгосрочных трендов, готовность к масштабным долгосрочным инвестициям, системный подход к инновациям.
2. Spotify Discover Weekly
Ситуация: Создание персонализированного музыкального плейлиста, который обновляется еженедельно для каждого пользователя.
Подход: Анализ музыкальных трендов + изучение поведения пользователей + креативные алгоритмы машинного обучения для поиска новой музыки
Результат: Engagement пользователей вырос на 30%. Значительно улучшилось удержание подписчиков. Создан новый стандарт музыкальных рекомендаций в индустрии
Причины успеха: Spotify не просто улучшил рекомендации - они создали новый способ взаимодействия людей с музыкой, превратив открытие новых треков в еженедельный ритуал.
❌ Неудачные примеры
1. Google Glass
Ситуация: Google инвестировала более $50 млн в разработку AR-очков, которые должны были изменить взаимодействие людей с информацией.
Подход: Технологический прорыв в дополненной реальности без достаточного учета социального восприятия и готовности рынка.
Результат: Прекращение массовых продаж через 2 года, значительный урон репутации Google в области инноваций.
Причины неудачи: Техно-центричность без учета социального контекста, проблемы приватности, высокая цена и неготовность рынка.
2. Segway
Ситуация: В 2001 году Segway позиционировался как революционное средство передвижения, которое изменит городской транспорт.
Подход: Инновационная технология самобалансирующегося транспорта без глубокого понимания практических потребностей и ограничений пользователей.
Результат: Прекращение производства в 2020 году после 19 лет убытков, так и не достигнув окупаемости.
Причины неудачи: Переоценка революционности технологии, недооценка практических ограничений (цена, вес, инфраструктура), неправильная оценка размера рынка.
1. Парадокс равной эффективности
Все четыре стратегии имеют успешные и неуспешные примеры, что разрушает миф о существовании "лучшей" стратегии принятия решений. Успех определяется не выбором конкретной стратегии, а качеством ее применения в контексте.
2. Контекстная зависимость успеха
Каждая стратегия демонстрирует максимальную эффективность в специфических условиях:
No Data: Дефицит времени + высокая экспертиза + простые задачи
Data Driven: Большие данные + четкие цели + операционные процессы
Data Informed: Сложный контекст + данные + эксперты
Data Inspired: Неопределенность + инновации + долгосрочность
3. Критичность компетенций команды - недостаток ключевых компетенций является основной причиной неудач независимо от правильности выбора стратегии:
Data Driven требует аналитических навыков и этического контроля
Data Informed нуждается в навыках синтеза и понимании пользователей
Data Inspired предполагает креативность и готовность к рискам
No Data опирается на глубокую экспертизу и интуицию
4. При этом, у каждой стратегии есть свои "слепые зоны"
No Data
HiPPO эффект - доминирование мнения руководства
Игнорирование объективных данных
Неправильная оценка ситуации / рынка и т.д.
Data Driven
Слепое следование данным без контекста
Отсутствие этического контроля
Недооценка социальных факторов
Data Informed
Страх каннибализации существующего бизнеса и условий
Недооценка социального контекста
Переоценка технического превосходства
Data Inspired
Переоценка революционности инноваций
Недооценка социального контекста
Игнорирование практических ограничений
5. Ключевые факторы успеха для каждой стратегии
No Data работает при наличии глубокого понимания рынка, простых потребностях клиентов и сильной интуиции основанной на опыте.
Data Driven эффективна при наличии качественных данных, правильной интерпретации и учете этических аспектов.
Data Informed оптимальна для сложных решений, требующих баланса между данными и экспертизой, с фокусом на пользовательский опыт.
Data Inspired подходит для долгосрочных инноваций при готовности к высоким рискам и правильном понимании трендов.
6. Критические ошибки, которых нужно избегать
Применение Data Driven без обеспечения качества данных и этического контроля
Использование No Data подхода для сложных стратегических решений с высокими рисками
Data Informed без достаточной экспертизы или с переоценкой количественных данных
Data Inspired без готовности к высоким рискам и долгосрочным инвестициям
Игнорирование социального контекста и потребностей пользователей во всех стратегиях
Недоинвестирование в развитие компетенций команды для выбранной стратегии
Недооценка влияния организационной культуры на успех применения стратегии
7. Что же надо делать?
Обеспечивать качество данных и этику в Data Driven: внедрять data governance, метрики качества (полнота, точность, актуальность), регулярные аудиты, назначать владельцев данных.
Ограничивать No Data сферой быстрых низкорисковых задач: для стратегических решений собирать минимально достаточные данные, проводить быстрые эксперименты
Усиливать Data Informed через синтез: сочетать количественные метрики с качественными инсайтами (custdev/UX, интервью), вводить явные веса аргументов при принятии решений и проводить кросс‑функциональные ревью.
Дисциплинировать Data Inspired: использовать портфель инноваций с лимитами рисков, stage‑gate и пилоты, лимитированные бюджеты на исследовательские задачи, чёткие критерии переходов между стадиями и горизонты инвестиций.
Встраивать социальный контекст и потребности пользователей: проводить регулярные исследования, stakeholder‑картирование, оценки социального/этического воздействия и мониторинг последствий внедрений.
Инвестировать в компетенции: развивать data literacy, обучать фреймворкам решений (DACI/RAPID), создавать сообщества практик, закрывать разрывы через целевой найм и развитие специализированных сотрудников (CDO, Data Steward и т.д.).
Создавать data‑культуру и систему поощрений: обеспечить лидерское спонсорство, ритуалы (демо, ретроспективы), прозрачные метрики и каталоги данных, а также KPI и стимулы, привязанные к использованию качественных данных в решениях.
8. Самое важно, что серебряной пули» не существует – нет единого подхода для всех ситуаций:
Data-driven – отличный инструмент для решения повседневных/оперативных задач или в условиях стабильности, т.е. для принятия 80% всех решений. Это инструмент оперативного управления и планирования / контроля
Data-informed необходим при создании новых продуктов, работе с людьми и планировании ближайшего будущего. Это инструмент тактического управления и планирования
Data-inspired помогает создавать стратегии и находить новые решения, работать на долгосрочное будущее. Это инструмент стратегического управления и планирования.
Человек все равно остается ключевым элементом любого подхода. Только свой опыт и экспертизу он может тратить не на ежедневную рутину, а на интеллектуальную работу. И согласно исследованиям, 95% компаний неудачно внедряют решения на основе данных именно из-за неправильного выбора стратегии под конкретную ситуацию. Успех зависит не от самих данных, а от культуры их использования и понимания ограничений каждого подхода руководителями.
Пример того, для каких задач можно применять каждую стратегию в таблице ниже.
Data-driven | Data-informed | Data-inspired |
A/B - тесты Оценка производительности и стабильности новых функций | Дорожная карта развития Приоритезация разработки новых функций | Стратегия Поиск новых возможностей |
Полезные материалы
Полезные ссылки
