Как считать отдачу от data-проектов. Основные методы на примере финтеха
Data-driven — бизнес-подход, в основе которого лежит управление данными, стал почти золотым стандартом для крупных компаний. Анализ данных позволяет компаниям объективно оценивать потенциал новых продуктов и сервисов, а значит, быстрее находить новые возможности на рынке и успешнее конкурировать.
Обычно разработкой и реализацией data-проектов занимаются специальные команды департаментов данных или data-офиса. Инициатор таких проектов и ключевой заказчик — бизнес, например топ-менеджеры, команда продукта или маркетинга. IT-специалисты прорабатывают архитектуру решения, опираясь на рекомендации аналитиков данных. Эффективные data-проекты получаются, когда аналитики, бизнес и IT работают в команде. Только в такой конфигурации можно получить результат, который реально принесет пользу компании.
Реализовать data-проект бизнес может несколькими способами: например, развернуть хранилище на собственной инфраструктуре, использовать облако или гибридное решение.
Почему аналитика data-проектов — это сложно
Большинство участников рынка признают важность ориентации на результат при работе с данными, но если опираться на цифры из отчета IBM «Директора по данным-2023: превращение данных в ценность» (2023 Chief Data Officer Study: Turning data into value)», то лишь у 8% руководителей data-отделов инвестиции в проект окупились. Исследование от Designing for Analytics, независимого консалтингового агентства по созданию data-продуктов, тем временем показало, что 85% таких инициатив оканчивается неудачей. Парадоксальная ситуация: в области, которая тесно связана с цифрами, не у всех получается считать эффективность. Однако интерес к data-инструментам остается высоким: по нашим данным, в 2023 году спрос на инструменты для аналитики данных — от сбора и структурирования до визуализации и разработки моделей машинного обучения — вырос в 1,7 раза.