5-Ways-Big-Data-Can-Destroy-or-Save-Your-Business

По данным исследования «Качество корпоративных данных 2016», проведенном Blazent и 451 Research, 81% гендиректоров считает, что анализ данных помогает найти новые способы получения прибыли. 51% респондентов считает, что данные повышают доходы, но на деле может выйти и наоборот.

Неправильное применение данных может привести к финансовым потерям (как считают 42% респондентов) и принятию неверных решений (39%). 94% признают, что некачественные данные вредят бизнесу, но только 40% уверены в достоверности своих корпоративных данных.

Business value of data

Польза данных для бизнеса

Вот как данные могут навредить и как этого избежать:

1. Неактуальные данные

70% компаний уверены, что объемы данных увеличатся на 20% в следующем году. А когда данных слишком много, они становятся проблемой. Неактуальные данные выливаются в расходы на выделение необходимой информации из моря случайных фактов, но есть и другой выход.

Expected data volume increase

Ожидаемое увеличение объема данных в следующем году

Любой организации пригодятся универсальные инструменты управления данными: ETL (извлечение, преобразование и загрузка), инструменты визуализации и профилирования. Есть и специализированные инструменты в зависимости от того, чем вы занимаетесь. С их помощью вы исключите то, что неактуально и ненадежно, а сотрудники получат доступ к качественным данным.

DQM Tools Services Needed Most

Инструменты управления качеством данных

Кроме этого придется объяснить сотрудникам, как и когда применять эти инструменты. В интернете полно бесплатных ресурсов и даже готовых курсов на эту тему.

2. Миграция

47% опрошенных руководителей считают некорректную миграцию причиной некачественных данных. Компания Bloor Research выяснила, что половина всех проектов по миграции в итоге стоят больше и длятся дольше, чем планировалось. Поэтому не думайте, что это рутинная задача.

Вот пример неудачного проекта: интернет-магазин начал мигрировать данные в новую систему без планирования и команды профессиональных аналитиков. Это вылилось в ошибки и затраты на их исправление. Пришлось поставить на паузу некоторые бизнес-проекты, что привело к финансовым потерям и недовольству клиентов.

Перед миграцией проверьте корректность данных и утвердите бюджет. Составьте подробный план работы. Не пытайтесь мигрировать все за один раз. Придерживайтесь графика и не забудьте о тестировании в процессе. Также не пропускайте этап оценки результатов. Воспользуйтесь этим списком для старта проекта и работайте совместно с командой, которая будет выполнять задачу. Избегайте ИТ-специалистов, которые считают миграцию легким заданием — выбирайте тех, кто серьезно отнесется к делу.

3. Подводные камни

То, что информация хранится в разных отделах, не должно мешать ее распространению — подумайте, как информация из одного отдела влияет на работу других.

В одном интернет-магазине электрооборудования отсутствие взаимодействия между отделами привело к затруднениям. Заказчик пожаловался на странице в Facebook на проблемы с корзиной на сайте. Жалобу отправили команде разработчиков и вопрос был решен. Однако отделы не общались между собой, и маркетинг опубликовал обобщённый ответ клиенту. Заказчик же оказался программистом-любителем и быстро отметил недостатки сайта. Выглядело так, будто компания не разбирается в технологиях настолько, насколько должны разработчики с 16-летним опытом. Пришлось уволить некоторых сотрудников и ввести политику совместного использования данных. Но эта история все равно подпортила репутацию.

Problems Caused by Poor Data Quality

Проблемы, вызванные плохим качеством данных

Чтобы убедиться, что важные данные не упускаются из виду, сортируйте информацию по специализации и обязанностям сотрудников. Так они не потеряют интерес к работе из-за того, что на них валится весь поток данных сразу. Новая информация должна распространяться по мере поступления. Например, в Itransition команды из всех отделов получают напоминания о новых данных еженедельно.

4. Агрессивная разработка данных

Малейшая оплошность при анализе поведения покупателей приводит к тому, что клиент чувствует себя оскорбленным. Так, сеть магазинов Target отправила купоны на продукцию для новорожденных отцу, который не знал, что его дочь беременна.

Еще один пример — когда заказчик видит данные, которые не должен. В OfficeMax отправили письмо скорбящему отцу с заголовком «Mike Seay/Дочь погибла в автокатастрофе/Текущие сделки». После этого компания заявила, что улучшила систему отсеивания неуместной информации. Но что сделано, то сделано.

Конфиденциальные сведения — только для внутреннего пользования. Да, клиенты делятся с вами информацией добровольно, но это не значит, что с ней можно обходиться необдуманно. Так разрушаются отношения и теряются заказчики.

Data Attributes That Need to Be Addressed

Свойства данных, над которыми нужно работать

Если же случилась неприятная ситуация, исправляйтесь сразу. Расскажите, почему так произошло и как вы восполните ущерб. Опубликуйте официальные извинения и свяжитесь с каждым клиентом. Так вы покажете, что они имеют значение. Отличный пример устранения последствий — случай с компанией AppFirst. База данных с контактами клиентов, которым предоставлялась бесплатная продукция, была удалена. Генеральный директор и сооснователь Дэвид Рот (David Roth) опубликовал извинения, отправил письмо каждому заказчику, лично перезвонил всем и прояснил ситуацию. Это заняло 4 дня, но стоило того. Клиенты готовы простить ошибку, если вы сразу принесете извинения.

5. Неверные данные

К плохому качеству данных приводят человеческий фактор и технические неполадки. Даже маленькие ошибки в обработке информации наносят ущерб. В 2014 году компания Golden Key International отправила клиенту конверт, адресованный «Лизе Девушке Легкого Поведения МакИнтайер». Сработал человеческий фактор, а инструмент для скрининга данных не определил ошибку.

Causes for Poor Data Quality

Причины плохого качества данных

В таких ситуациях недостаточно программ для стандартизации адресов, исправления опечаток и автозаполнения. Будьте критичны в работе с информацией. Если результаты анализа данных кажутся подозрительными, ищите ошибки и исправляйте.

Поддаться моде на последние писки в ИТ легко. Однако они приносят больше вреда, чем пользы, если не понимать, как работают новые веяния. Изучите успешный опыт других компаний перед началом своего проекта.

Используете ли вы данные в процессе принятие решений? Что бы вы сделали, если данные использовались неверно?