От того, на сколько хорошо компания управляет данными, зависит успех или потери прибыли.

Если данными не управлять, то будут возникать технические проблемы — данные будет сложно получить, в данных будут ошибки. Что это будет значить для  клиентов? Компании не смогут оказывать тот сервис, к которому клиенты привыкли у других компаний. Например, если вы пользуетесь сервисами Яндекса, и в одном приложении экосистемы указали домашний адрес, то вам не придется вводить адрес второй раз — все сервисы экосистемы Яндекса будут знать, где вы живете - и это удобно. Вы ожидаете от всех компаний такого же уровня управления данными. Если приходится каждый раз при бронировании билетов сообщать авиакомпании о своих предпочтениях в еде, то лояльность к компании снижается.

Также при плохом управлении данными могут происходить утечки информации к конкурентам или мошенникам. Это будет приводить к снижению доверия клиентов к компании, претензиям и штрафам, и конечно потерям в прибыли.

В парадигме традиционного бизнеса, допустим нефтегазового сектора, лидерские позиции достигаются годами. Это связано с материалистичностью самого бизнеса — нужно построить завод, наладить производство. Как бы феноменально мы не управляли процессом строительства нового завода, какие бы инвестиции не были на входе, догнать и перегнать Shell было бы слишком амбициозной задачей. Даже если мы Лукойл и не стартуем с нуля.

Но в цифровой экономике есть масса стартапов, которые взрывают рынок, выходят на IPO и становятся успешными в отраслях, где традиционно были другие фавориты.

Показательный пример компании Disney.
В период пандемии родители оказались в 4х стенах вместе с детьми на неопределенный срок. Родителям был нужен детский контент, чтобы выжить в новых условиях. Disney вышел на рынок стриминговых сервисов только 24 марта 2020 года, и смог меньше чем за полгода обогнать Netflix. За 5 месяцев Disney сделал то, на что у Netflix ушло 7 лет.

Каким бы ни был успешным бизнес в современном мире, если вы не управляете данными, то можете быстро лишиться лидерских позиций.

Навыки работы с данными сегодня нужны всем. Предположим, вы работаете в бизнес-подразделении и хотите понять, как погодные условия влияют на обращения в техническую поддержку? Возможно, в дождь люди звонят и пишут чаще, и нужно усиливать команду сопровождения если синоптики обещают осадки.

Если вы обратитесь с таким запросов в ИТ-подразделение, то понадобится техническое задание и бюджет. Но вы пока не уверены, что погодные условия влияют на количество обращений пользователей.

Как дата-грамотный человек вы сможете проверить гипотезу самостоятельно:

• Найти данные
• Обработать данные (например, соединить несколько таблиц  — о погоде, и об обращениях)
• Проанализировать информацию
• Протестировать выводы
• Принять решение на основе выводов

Если вы придете к выводу, что увеличение обращений в техническую поддержку в дождь это не совпадение, а закономерность, то сможете оптимизировать бизнес-процессы. Например, создавать рекомендательные модели по расчету оптимального количества сотрудников технической поддержки на основе прогнозов погоды.

Нужно осознать, что данные — не только модно, это важно и полезно.

Нужно научиться понимать — какие данные нужны для решения задачи, освоить исследовательские инструменты по поиску данных.

Важно уметь обрабатывать данные. Для работы с данными потребуется, как минимум, продвинутые возможности excel, пониманием математической статистики — чем мода отличается от медианы, а также продвинутые инструменты. Например, СУБД и BI-инструменты.

Самое важное — уметь убеждать с помощью цифр и статистики. Если вы работали месяц с Excel, то табличка для вас уже родная. Для других это бессмысленный набор цифр.

Дата-грамотность не только в том, чтобы суметь разобраться в террабайтах данных.
Дата-грамотность - умение представить терабайты информации в одной диаграмме и графике так, чтобы одного взгляда было достаточно для понимания смысла.

Про решение этих задач расскажем на Марафоне.

Конечно есть!

1. Airbnb использует данные для оптимизации ценообразования для арендодателей с учетом местоположения, сезонности и спроса. Это привело к увеличению доходов арендодателей и улучшению качества обслуживания клиентов.
2. Starbucks использует данные для анализа предпочтений клиентов и моделей покупок, чтобы информировать покупателей об изменениях в меню и рекламных акциях. Это привело к увеличению удовлетворенности клиентов и увеличению продаж.
3. Uber использует данные для оптимизации маршрутов водителей и ценообразования, сокращая время ожидания и повышая эффективность бизнес-модели. Это привело к улучшению качества обслуживания клиентов и увеличению доли рынка.