Как перейти в продуктовый подход и не слить миллионы бюджета из-за некачественных данных?

Вступительное слово:

Продуктовый подход и продуктовость звучит из каждого утюга и выглядит как серебряная пуля, которая должна решить все проблемы бизнеса за счет цифровизации в парадигме продуктового подхода.

В Интернете масса материалов, тренингов, курсов на тему «Как создать идеальный ИТ-продукт». Однако, с нашей точки зрения, которую подтверждают реальные практики из крупных FMCG компаний, сама продуктовость – это всего лишь инструмент достижения стратегических целей компании, и движение в продуктовость требует определенной зрелости компании на более фундаментальных уровнях, например, в части управления данными и управления по метрикам. В этой статье практики-эксперты FMCG рынка, среди которых эксперт по Data Governance с многолетним опытом Вадим Уланов, как раз раскрывают, что необходимо сделать, чтобы можно было всерьез задуматься о продуктовом подходе внутри корпорации.

Об эксперте Вадиме Уланове:

Вадим Уланов, Эксперт по Data Governance
Вадим за свою карьеру прошел путь от разработчика до руководителя направления данных. Более 10 лет опыта проектной работы в области управления данными в FMCG -компаниях и ритейле, в том числе на позиции руководителя группы по управлению проектами. С начала 2022 года – директор по данным онлайн-гипермаркета «Всеинструменты.ру»

О продуктовом подходе

Для начала поговорим о продуктовом подходе. На сегодняшний день во многих CPG-компаниях он активно используется, другие компании находятся в начале пути внедрения, и есть компании, которые пока думают о целесообразности внедрения продуктового подхода у себя. Как компании CPG формируют понятие продуктового подхода? Обратимся к смыслам, которые вкладывают в это понятие эксперты и представители рынка.

Senior Digital Products Manager крупной FMCG-компании, входящей в ТОП-5:
Продуктовый подход – это наше всё. Это, в первую очередь, цель, которую надо закрыть, – добавленная ценность, которую несет цифровой продукт, и само развитие продукта как таковое. Нам было сложно на первом этапе научить бизнес понимать разницу между проектом и продуктом. Донести, что такое добавленная ценность и как её оценивать с точки зрения роялти.

Вадим Уланов, эксперт по Data Governance:
Я расскажу, что для меня продуктовый подход. Во-первых, обособленная зона ответственности. Для того чтобы продукт работал, должна быть возможность обособленно принимать решения здесь и сейчас, используя только свои ресурсы. Здесь история про конкретные метрики, которые мерят и в которые вкладываются. Первый способ не слить миллионы – не идти в историю с продуктовым подходом, если вы к этому не готовы. В моей практике были компании, которые на волне внедрения продуктового подхода рассчитывали, что продуктовый подход придёт и всё наладится. Но поскольку это всё-таки про метрики, на которые мы должны прозрачно смотреть и растить их, изначально должны быть нормальные Data. И если в компании не внедрена культура, когда люди хотя бы смотрят и калибруют свои решения на базе данных, в продуктовый подход идти не стоит. Для меня продуктовая история, в первую очередь, базируется на данных, и у этого всего должны быть активаторы – цели и задачи.

Игорь Сергеев (GROTEM), эксперт в области продуктовой инхаус-разработки, создания цифровых экосистем CPG
Для меня со стороны ИТ-вендора продукт всегда рядом с вопросом масштабирования. Если я вижу потенциал масштабирования какой-либо уникальной системы, встает вопрос упаковки подобной системы в “продукт” с целью снижения CAPEX, OPEX, Time-to-market в процессе развития бизнеса вокруг этого продукта. С этой точки зрения системы, рожденные внутри корпораций как результат уникального проекта, сейчас начинают упаковывать в “продукты” для того, чтобы их масштабировать либо внутри корпорации, но на другие рынки Россия -> СНГ, либо пытаются выйти на рынок ИТ-вендоров.

Да, такие кейсы мы тоже наблюдаем. Пока не стоит вопрос масштабирования, продуктовость – это, скорее, концепция управления уникальной системой по продуктовым методологиям: продуктовые метрики, циклы релизов и т.д. Однако мне кажется, что без стратегической цели на масштабирование это не дает максимального эффекта от концепции продуктовости.

Перед тем, как перейти к запуску продуктового подхода и оценке его эффективности, крайне важно прийти к реальным данными, без которых невозможно оценить результаты работы нового подхода. Ведь в отличие от проектного подхода, когда мы говорим чаще о процессе, например, замена платформы (импортозамещение), то в продуктовом подходе мы говорим о том, как нам решить конкретную бизнес-задачу, например, как сделать так, чтобы сократить скорость обработки заказа с момента формирования заявки на портале до доставки. И в данном случае мы управляем метриками такими, как скорость, а наш проект будет направлен на то, чтобы найти точки роста именно у этой метрики.

Цели и задачи, которые решает направление данных в компании

Приоритетность каждой конкретной задачи, стоящей перед отделом аналитики, варьируется в зависимости от этапа эволюции и уровня зрелости компании.

В первую очередь поговорим об активаторах – целях и задачах, которые должны стоять перед отделом аналитики.

Цели:

  • Повысить прибыльность компании
  • Повысить эффективность компании
  • Соответствовать скорости развития бизнеса

Для достижения заявленных целей требуется выполнение ряда задач:

  • Наращивание технической экспертизы (разработка БД и инструментов аналитики, управление данными)
  • Наращивание бизнес-компетенций
  • Оперативное предоставление аналитических инструментов
  • Повышение качества данных
  • Построение и развитие бизнес-процессов
  • Помощь/лидирование процесса оптимизации и развития системного ландшафта компании

Основные этапы эволюции компаний на рынке

Для того, чтобы понимать, какая функция данных требуется компании, в первую очередь важно определить, на каком этапе/фазе развития она находится. Кратко разберём 7 этапов развития компании с особенностями, присущими каждому из этапов.

I. Фаза продвижения продукта. Компании запускают продукт и получают кратный рост. На этом этапе BI, скорее, не нужен, поскольку компания и так получает прирост здесь и сейчас за счёт продукта, а получение отдачи от BI – игра в долгую. Когда же компания упирается, например, в тысячи SKU, а эффективность не находит, – это тот момент, когда нужно переходить на следующий этап.

II. Фаза приоритетного развития бизнес-процессов. Когда мы понимаем, что продукт уже не достигает кратного роста, нам необходимо оптимизировать бизнес-процессы и искать в них эффективность. За счет того, что процессы нестандартизированы, аналитика на этом этапе в принципе не работает, и главная задача эти процессы стандартизировать.

III. Фаза автоматизации бизнес-процессов. На этом этапе продолжается стандартизация и оптимизация бизнес-процессов, но уровень автоматизации с приоритетных процессов переходит на второстепенные и т.д.

IV. Компания, управляемая данными. К моменту перехода в эту фазу у компании скапливается большое количество данных и нередко не только разнящихся, но и противоречащих друг другу. И в этот момент компания нуждается в централизации данных и в построении грамотной архитектуры. Здесь появляются три основных критерия, на которых должна смотреть аналитика:

  1. Доступность и контроль качества данных являются императивом
  2. Демократизация аналитических данных – простые инструменты, которые мы опускаем вниз с минимальным количеством KPI
  3. Работа с множеством инструментов – признак неэффективности

V. Фаза внешней интеграции. Когда мы централизовали аналитику, она превращается в актив компании, который имеет ценность и цену. На этом этапе компания старается получить синергию – делиться накопленными данными и получать ценную информацию взамен (например, обмен данными с сетями).

VI. Фаза внедрения искусственного интеллекта. До стадии внедрения осознанного ИИ доходят немногие компании, поскольку на предыдущих этапах лежит множество точек для повышения эффективности. То есть идти в ИИ попросту не всегда нужно.

VII. Фаза платформатизации. Здесь речь о будущем, к которому мы когда-то придём. На этом этапе аналитика выходит на уровень data-платформ и интеграций в рамках них множества компаний.

Основные этапы эволюции компаний на рынке

От фаз развития компании переходим к этапам зрелости. Ключевой маркер здесь – как менеджмент компании принимает решения. На рынке существует три уровня зрелости:

  1. Data-inspired – Решения принимаются на основе бизнес-опыта, а на данных получаем пищу для размышления. На этом этапе бизнесу важно прийти к пониманию, почему данные имеют ценность.
  2. Data-informed – Решения на основе бизнес-опыта, но с учётом данных. Это пограничная история, когда бизнес уже начинает сверять свои решения с данными. В некоторых случаях на этом этапе зрелости уже допустимо переходить к внедрению продуктового подхода.
  3. Data-driven – В основе принятых решений лежат данные. На мой взгляд, Data driven то, куда придут все успешные компании. Поскольку бизнес усложняется, и если раньше можно было выжить на одной Sell in и понимать, как расти дальше, то сейчас уже IR не всегда хватает, чтобы вести конкурентную борьбу.

Реальную отдачу от вложенных инвестиций аналитика приносит только в том случае, если команда понимает, на каком этапе зрелости находится компания, и выстраивает стратегию, отталкиваясь от картины “AS-IS”.

Архетипы решения, существующие на рынке (преимущества и недостатки)

Переходим к стратегиям управления данными, существующим на рынке, и их краткому сравнительному анализу. В чистом виде существуют два подхода: децентрализованная и централизованная аналитика. Главное различие состоит в том, на каком уровне находится аналитика, которая дает пищу для принятия решения.

Децентрализованный подход

При децентрализованной модели работа с данными изолирована на уровне подразделений и по своей сути неуправляема. Этот подход хорошо работает в большом бизнесе, у которого есть надежный запас прочности. В таких компаниях любые данные даже с большой погрешностью дают возможность принятия правильных решений, которые позволяют расти с большой скоростью. Но в какой-то момент разнородные витрины начинают нарастать как снежный ком, компания на местах получает разнящиеся данные, и тут возникает потребность в централизации. Перестроить модель тяжело и дорого, поскольку на местах уже выстроены свои процессы и решения принимаются на базе своих данных. Требуется огромный реинжиниринг, и нередко на этапе оценки инвестиций компания в централизацию данных не идёт. В конечном итоге это может стать причиной проигрыша в конкурентной гонке, поскольку принимать решения на разнородных данных, к которым нет доверия, всё равно что принимать их в слепую.

Централизованный подход

Централизованный подход в классическом варианте подразумевает работу с данными только через IT. На старте он работает медленнее, требует времени на впитывание бизнес-компетенции и не позволяет компании быстро бежать. Но в конечном итоге эта модель гораздо менее рискованная. В тот момент, когда функция достаточно зрелая и стабильная, а бизнес уверен в основных метриках, компания может передавать самостоятельность в домены, но уже ровно в том объеме, в каком нужно. При построении централизованной модели важно задумываться, насколько те или иные отчеты и инструменты продвинут компанию и принесут эффективность. В каких-то ситуациях прокачка Data Officer может дать больший толчок к централизации, чем стремление к Data Governance.

Какие условия должны быть выполнены, чтобы перейти к каждому из архетипов

Требования при децентрализованном подходе:

  • Выстроенная коммуникация и взаимодействие между структурой DM и A

  • Наличие регламентов и стандартов разработки новых инструментов

  • Процесс сохранения технических компетенций в бизнесе

Требования при централизованном подходе:

  • Выстроенная коммуникация и взаимодействие между бизнесом и Data Office

  • Сильные бизнес-компетенции в Data office

  • Возможность поддерживать Data office’ом динамику развития бизнеса

Как оценивать эффективность работы функции активатора стратегии данных

Компании на разных этапах эволюции инвестирует в аналитику большие деньги, и на каждом шаге бизнес должен четко понимать, какие эффекты он получит. Здесь один из важных принципов – в Data Office должны быть люди из бизнеса с мотивацией на конкретный бизнес-результат.

В конечном итоге эффективность функции аналитики можно оценивать по двум метрикам:

  • сэкономленные FTE (эффективность процессов)

  • заработанные компанией деньги

Только на базе последнего показателя можно строить прямой расчет возврата инвестиций, вложенных в аналитику.

Выводы:

Вадим Уланов, Эксперт по Data Governance
Продуктовая история – это следующий этап эволюции компании, когда анализ данных и принятие решение на их основе стали культурой и органически прижились. Попытки перешагнуть эволюцию будут приводить в конечном счете к потере времени, денег и авторитета людей, которые занимаются внедрением данного подхода. Важно понимать, что на этом этапе доступность и качество аналитических данных являются базой, без которой продуктовый подход теряет свою скорость и эффективность. В тоже время важно понимать, что для бизнеса всегда будет важна скорость реакции и любое внедрение культуры данных и строгих методологий разработки не должны превращаться в постоянную бюрократию. Поэтому Личность, которая возглавляет эту функцию, играет очень важную роль. Да, именно личность, потому что заложить эту задачу в должностную инструкцию роли крайне сложно.


Игорь Сергеев (GROTEM), эксперт в области продуктовой инхаус-разработки, создания цифровых экосистем CPG
Продукт живет на потоках данных как автомобиль на топливе, а система метрик – это, скорее, панель приборов. Без sell out, off takes, shelf data нельзя представить себе SFA, DMS, PROMO TOOL. Однако мне кажется, бизнес-пользователи еще не до конца осознают, что данные могут быть разного уровня качества и требуется системный подход в управлении пайплайнами сбора и обработки данных. «Плохие» данные при всей идеальности продукта не позволят достигать целевых показателей.

6315

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.