Но человек продолжил продвигать свою идею, приводя доказательства и разъясняя бизнес-кейс, пока, в конце концов, не убедил кого-то из руководства провести тестирование. Начальный тест дал хорошие результаты, и постепенно этот процесс был внедрен по всей компании. Вероятно, точно такая же картина постепенного преодоления сопротивления наблюдалась и в других компаниях, первыми принявших новый подход. После того как эта аналитическая концепция доказала свою эффективность и результаты были преданы огласке, другие операторы связи быстро присоединились к лидерам. Сегодня применение анализа социальных сетей для оценки абонента является общепринятой практикой бизнес-аналитики, но так было не всегда. Если бы не готовность специалистов-аналитиков осуществить масштабную маркетинговую кампанию, чтобы привлечь внимание к казавшейся безумной идее, ее ни за что бы не приняли.

Другой пример связан с анализом данных из социальных сетей. Легко забыть, что в 2014 г. большинству платформ социальных медиа не исполнилось даже и 10 лет. Традиционно организации использовали строгий научный формат опросных исследований и очень тщательно отобранные фокусные группы, которые обеспечивали надежную, управляемую обратную связь касательно маркетинговых инициатив, продуктов и имиджа бренда.

Теперь представьте, что некто первым предложил использовать данные из социальных сетей в качестве дополнения к опросным исследованиям и фокусным группам, а также в качестве способа узнать, как люди воспринимают компанию. Комментарии в социальных сетях исходят от случайных людей со всего мира, и обычно невозможно узнать, кто эти люди, каков их демографический профиль и имеют ли они вообще какое-либо отношение к компании. Но если выборка из социальных сетей может быть ужасающе пристрастной, то можно ли по таким данным определить тренды?

И эту идею поначалу восприняли со скептицизмом. Но со временем было установлено, что в некоторых ситуациях анализ зараженных информационным шумом, неконтролируемых данных из социальных сетей может добавить ценности. Безусловно, пионерам, применившим такой тип анализа, пришлось провести длительную маркетинговую кампанию, чтобы заручиться необходимой поддержкой. Каждая аналитическая команда должна быть готова сделать то же самое, когда она обнаруживает новые аналитические процессы, которые могут оказать сильное воздействие.

Не каждый операционно-аналитический процесс будет работать так хорошо, как ожидалось. На каждую найденную в стоге сена иголку придется несколько неудачных попыток. Выход за установленные рамки в поиске новых способов применения данных и приложения аналитики к бизнесу сопряжен с определенными рисками. И многие аналитические инициативы, особенно на этапе исследований, не принесут желаемых результатов. Нужно быть готовым к неудачам, а вместе с тем и адекватно управлять ими. Другими словами, необходимо создать культуру правильного отношения к неудачам. Давайте посмотрим, как это сделать.

Популярная поговорка гласит, что плохих идей не бывает. На деле же плохие идеи бывают, и наша задача – их избежать. К счастью, аналитика позволяет довольно легко проверить, является ли данная идея хорошей или плохой. Насколько бы безумной ни казалась идея, но, если она может быть протестирована, ее следует протестировать. Объективные результаты, основанные на аналитике, покажут, работоспособна она или нет.

Сегодня во многих случаях разработать и провести такие тесты можно быстро и дешево. Интернет-компании по максимуму задействуют эту возможность с упором на так называемый метод постоянного апробирования. На современном сайте электронной коммерции в любой момент могут тестироваться десятки, если не сотни или тысячи новых идей. Эти тесты могут варьироваться от крупных экспериментов, таких как тестирование совершенно нового облика сайта, до совсем незначительных, таких как изменение шрифта в описании товара. Сайты в случайном порядке показывают пользователям либо стандартный, либо тестовый контент, после чего при помощи аналитики оценивается, как нововведение повлияло на поведение пользователей. Подобное экспериментирование должно стать частью любой корпоративной культуры, а не только компаний электронной коммерции.

Ранее мы уже говорили о том, что сначала надо создать базовый аналитический процесс, а затем уже масштабировать его до операционного уровня. Перед запуском аналитической производственной линии необходимо провести в небольшом масштабе тесты на подмножестве решений. Это позволяет проверить, как будет работать процесс в реальных условиях. Когда речь идет о физических сборочных линиях, например по производству потребительской электроники, внесение изменений может обойтись весьма дорого, поскольку потребует тщательной переналадки большого количества очень чувствительного и тяжелого оборудования. В случае же операционной аналитики, как правило, это не так. Все, что требуется, – просто ввести и протестировать новую аналитическую логику в операционных системах. Изменить строки кода в виртуальной «производственной линии» гораздо легче, чем переналадить тяжелое оборудование на реальной производственной линии. Простота тестирования новой логики практически не оставляет оправданий для отказа от тестирования новых идей.

Из всего вышесказанного вытекает одно важное следствие, а именно необходимость изменения модели финансирования аналитических проектов, когда дело касается обнаружения данных. Вместо того чтобы финансировать каждый проект в отдельности на основе надежно прогнозируемой рентабельности инвестиций в него, проектами следует управлять на портфельной основе. Другими словами, в конце года отдача, полученная от ресурсов, которые были потрачены на обнаружение данных, должна продемонстрировать, что предпринятые на протяжении года действия обеспечили хорошую совокупную доходность. Важно не то, сколько проектов в портфеле оказались неудачными, а то, что успешные проекты с лихвой компенсировали все неудачи.

Это потребует изменения подхода к бюджетированию, однако может значительно повысить продуктивность. Прежде всего, аналитическая команда должна составить список исследовательских проектов. Она должна быть уверена в том, что некоторые идеи обязательно окажутся работоспособными, хотя может и не знать наверняка, какие именно. Подобно тому как бэттер в бейсболе не станет связывать себя обязательством, сколько именно мячей он отобьет, так и аналитики не могут гарантировать успех отдельных исследовательских проектов. Главное для них – получить хороший средний показатель по итогам года. Таким же образом работает и венчурный капитал. Даже самые опытные венчурные капиталисты теряют все свои инвестиции в большинство стартапов. Однако оставшиеся в портфеле успешные стартапы оправдывают риски.