Сейчас уже никого не интересует вопрос, что такое Big Data. От маркетингового бума и рассказов — сколько много всего можно извлечь из больших данных — мы поднимаемся на следующую ступень и переходим к наиболее интересному этапу развития технологий — технологий анализа данных.Если в течение нескольких последних лет вся шумиха приводила к появлению проектов по построению решений для хранения данных, то сейчас каждый клиент интересуется — зачем ему вся эта инфраструктура, если он не понимает под какую бизнес задачу он ее может использовать. С чего же начать?
Big Data: Можно хранить сколь угодно данных, собирать их, закупать из внешних источников, объединять. Но если нет понимания как данные использовать, если бизнес не готов сформулировать те задачи, для которых эти данные будут крайне необходимы, то пользы от их накопления для организации не будет.
В Российском бизнесе очень явно прослеживается тенденция использовать решения, которые уже есть у кого-то. Если кто-то что-то внедрил или начал внедрять у себя, то старт аналогичного проекта у ближайшего конкурента не заставит себя ждать. Ну или как минимум будет четкое понимание, почему нам не нужно стартовать эту тему (по крайней мере пока не будет явного результата у конкурента).
С учетом кризисных течений, которые меняют наши подходы к ведению бизнеса в последнее время, тенденция следить за тем, что делают конкуренты только усилилась. Никто не хочет потратить деньги и «обучить» рынок, что делать не следует.
Так же происходит и с проектами по большим данным. Скорость их появления и распространения прямо пропорциональна скорости появления успешных кейсов на рынке. И тут встает очень важный вопрос. Ждать ли появления рабочего кейса или запускать процесс инноваций в организации, ставить на поток отработку аналитических гипотез и активно «создавать» новых людей с гордым званием Data Scientist.
Как я уже говорил ранее, наиболее ценными данными для организации являются собственные — First Party Data. Именно из них возможно извлечение максимально возможных знаний для повышения эффективности бизнеса. И именно поэтому ориентироваться на кейсы, которые реализует кто-то из конкурентов и коллег по рынку, а потом стараться повторить их на своих собственных данных, крайне не конструктивно.
Мы сталкивались на собственном опыте когда, например, обогащение CRM данных, данными из внешних источников приводило к совершенно разным результатам даже у ближайших с точки зрения операционной деятельности банков. В одном случае был получен очень хороший результат, а в другом игра не стоила свеч.
Не стоит искать кейс, который подойдет, как вам кажется, на 100% к вашей организации. Использование больших данных в организации не должно рассматриваться как точечный проект. Это длинный путь, в котором вам предстоит проверить множество гипотез, удачных и не очень. Но с каждым шагом вы будете получать все больше и больше новых знаний о ваших клиентах. А с пониманием, что вы можете извлечь из ваших данных, вы сможете понять какие внешние данные смогут существенно повысить результативность ваших гипотез.
Построение процесса проработки гипотез и отработки кейсов очень тесно перекликается с постановкой на поток процесса инноваций. Ключевым элементом в этом процессе являются Бизнес подразделения, которые должны стать драйверами и генераторами гипотез для проработки.
И, возможно, начав работать с большими данными, вы сможете открыть в своей организации новый управляемый поток инноваций, кейсов и идей, выводящий организацию на новые уровни развития!
