Данные — это деньги. Но затраты или прибыль — решать вам.
Споры о возможности монетизации данных и получения их достоверной оценки в деньгах ведутся в каждом бизнесе, вставшем на путь дата-трансформации. Если бы все было очевидно, CDO по всему миру не поднимали бы буквально на каждой конференции по данным такие вопросы:
• Как доказать важность функции управления данными руководству?
• Как получить измеримую оценку от инициатив с данными в деньгах?
Во многом книга, которую вы держите в руках, была написана для ответа на них.
CDO при ответе на эти вопросы, как водится, делятся на три лагеря: оптимисты, пессимисты и реалисты.
Оптимисты говорят: «Все просто. И к тому же давно описано в учебниках по данным. Сначала находишь бизнес-кейс с заинтересованным стейкхолдером. Потом в коллаборации с департаментом финансов пишешь методику оценки для него. Защищаешь перед руководством, тебе выделяют бюджет на стратегическую программу управления данными, и ты получаешь эти эффекты ежегодно в отчете о прибылях и убытках, повышая стоимость бизнеса. Потом повторяешь для других доменов данных».
Пессимисты возражают: «Это практически невозможно. Управление данными лежит далеко за пределами сферы интересов руководства. Я пытался донести эту мысль долгие годы. Какие только бизнес-кейсы ни презентовал. Топ-менеджмент так и не осознал, в чем ценность данных, и не поверил в прогнозы».
Сегодня мы предлагаем вам встать на сторону дата-реалистов и хотим поделиться своей (не единственной) версией правды.
Итак, в этой главе мы обсудим:
• как связаны данные и деньги;
• от каких факторов зависят затраты и выручка от данных;
• что такое бизнес-кейс и как его обосновать;
• почему сложно убедить руководство в необходимости старта программы управления данными;
• как все-таки посчитать ROI от улучшения подходов к управлению данными.
Бизнес сегодня подобен витязю на распутье — но ни коня, ни жизнь он терять не хочет. И концептуальных дорог перед ним всего две. Ведут они в будущее, которое для кого-то наступит через каких-нибудь пять — семь лет, а для кого-то уже завтра.
Первую дорогу выбирают data-driven-компании. Для них данные стали тем, что эксперты называют «энэйблером» — ключевым механизмом, включающим ценность для бизнеса. Они не просто «работают с данными». Такие компании выстроили вокруг них весь свой бизнес так, что без них продукт просто не существует или становится бесполезным, как машина без двигателя. Клиент платит именно за эту уникальную, точную, моментально доставляемую пользу, которую невозможно скопировать без аналогичной «нервной системы» из данных.
По второй дороге бредут те, кто пока не решился на эту перестройку. Они всё еще пытаются продавать «двигатель» отдельно, «колеса» отдельно, а «руль» — в виде необязательного аксессуара. Их продукты знакомы, но громоздки. Их решения работают, но с задержкой. Их клиенты терпеливы, но уже заглядываются на соседнюю, более быструю и удобную машину.
Возьмем, например, компанию, которая, хотя и продает колеса отдельно, но, выбирая путь data-driven, достигла невероятного успеха, что подтверждает ее популярность среди клиентов, выливающаюся в цифры продаж и бессменное лидерство в международных рейтингах[57].
ОПЫТ MICHELIN: КАК ОПЕРАТИВНЫЙ ДОСТУП К ДАННЫМ УЛУЧШАЕТ КАЧЕСТВО ПРОДУКТА И ПОВЫШАЕТ ЛОЯЛЬНОСТЬ КЛИЕНТОВ
Во всех крупных производственных компаниях есть одна и та же боль. На заводах скапливаются горы данных — от датчиков температуры, контроллеров пресс-форм, записей о качестве сырья. Инженеры и технологи чувствуют эти данные кожей: где-то здесь, в тысячах переменных, прячется ответ, почему на одной линии брак выскакивает чаще, чем на другой. Но чтобы до него добраться, нужно звать программиста, ждать выгрузки, неделями перебирать гипотезы. К моменту, когда причина найдена, брак уже успевает стать статистикой.
Во французском Michelin такая ситуация была нормой до недавнего времени. Шесть месяцев уходило у технологов на то, чтобы распутать клубок факторов, влияющих на качество шин. Интуитивно они понимали, что важны и температура в цехе, и возраст оснастки, и влажность. Но смоделировать, как именно эти факторы переплетаются друг с другом, не получалось. Данные молчали, потому что были заперты в руках узких специалистов.
В 2021 году Michelin начала разворачивать единую дата-платформу, доступную не только ИТ-специалистам и дата-сайентистам, а напрямую инженерам на заводах. К середине 2025 года платформой пользовались уже полторы тысячи сотрудников на пятидесяти с лишним заводах. Восемьдесят процентов из них — не программисты, а технологи, механики, специалисты по качеству. Теперь анализ, который раньше тянулся полгода, укладывается в час[58]. Инженер сам заходит в систему, выбирает нужные параметры, и платформа ранжирует сотни переменных — показывает, что на самом деле влияет на дефект, а что просто шум.
Результатом стала не просто экономия времени. Изменилась сама культура производства. Технолог перестал быть просителем данных у программистов. Он стал их прямым пользователем и интерпретатором. Он может не только найти причину сбоя, но и сразу проверить гипотезу: а что, если мы изменим давление в форме на три процента? Система за считанные минуты покажет, к чему это приведет.
Сейчас Michelin пошла дальше. На заводах тестируют голосовых агентов, с которыми инженер может говорить как с коллегой: «Посмотри временные ряды за прошлую неделю, найди аномалии, подготовь график». Данные окончательно перестали быть чьей-то монополией. Они стали просто рабочим инструментом — таким же, как гаечный ключ или измерительный прибор.
Эта работа, невидимая для клиента, как и в других успешных бизнесах, не только приносит Michelin рост финансовых показателей за счет сокращения брака на производстве и повышения лояльности клиентов в долгосрочной перспективе, но и становится основой будущей конкурентоспособности компании. Ведь для любого бизнеса важно понимать, на какой стадии жизненного цикла находятся его продукты, технологии, компетенции персонала: если финансовые показатели хороши, но производственные мощности истощены, технологии устарели, а компетентный персонал уходит из компании, причины для будущей конкурентоспособности исчерпаны. Как в анекдоте:
Квартира. Звонит телефон:
— Алло, а Петрович дома?
— Петрович еще дома, но венки уже вынесли.
Бизнес — это всегда про выбор и про ставки. Сегодня, прямо сейчас, каждый собственник или топ-менеджер своим действием или бездействием делает ставку на то, по какой дороге пойдет его компания. Ставка заключается в ответе на вопрос: станут ли данные важным дифференциатором, тем, что выделит вас на рынке и даст неоспоримое преимущество? И если да, как это отразится на ваших доходах?
Мы однозначно ставим на то, что станут. И вот почему.
СКОРОСТЬ КАК ГЛАВНОЕ СВИДЕТЕЛЬСТВО
Самый наглядный признак компании, которая сделала данные своим «энэйблером», — не красивые дашборды и не отдел Data Science. Это скорость, с которой бизнес может создавать новые продукты и принимать решения.
Давайте сравним два подхода.
Сценарий А: «Данные как проекты». В традиционной компании рождается идея нового продукта, например персональной рекомендации клиентам в мобильном приложении. Формируется проектная команда. Она тратит первые несколько недель только на то, чтобы выяснить, какие данные вообще есть в компании, где они хранятся, какого они качества и как получить к ним доступ. Потом начинается долгий процесс согласований, выгрузок, очистки. Создается отдельная, «точечная» витрина данных под конкретный проект. На все это уходит в среднем от трех до восьми месяцев. ИИ-модель для рекомендаций, если она нужна, часто создается «на коленке» аналитиком на этих же самых, с трудом добытых данных. Она может быть даже эффективной, но это черный ящик, живущий на локальном компьютере. Она хрупка. И когда этот аналитик, получив предложение о работе с зарплатой вдвое выше, увольняется из компании, вместе с ним уходит и вся «магия» его модели. Восстановить логику, провести аудит, доказать регулятору обоснованность решений становится поистине невыполнимой задачей. Эти полгода работы превращаются в цифровые руины, что мы не раз видели на практике.
Сценарий Б: «Данные как платформа». В компании, где данные — это «энэйблер», процесс выглядит иначе. Та же идея персональных рекомендаций возникает у продакт-менеджера. Он открывает внутренний каталог данных — что-то вроде «библиотеки» всех доступных активов. Он видит, какие данные есть, в каком они виде, кто за них отвечает. Через стандартизированные процедуры он запрашивает доступ к уже очищенным, готовым к анализу блокам информации. Инженеры не тратят 80% времени на добычу и очистку, а сразу начинают строить логику продукта. Новая витрина или сервис на основе данных собирается не за полгода, а за две-три недели, а иногда и за считанные часы. ИИ-модель обучается не на сырых и разрозненных данных, а на стабильных, управляемых потоках. Ее можно отследить, проверить, развернуть и обновить за дни, а не месяцы. И если кто-то из команды уходит, продукт не разваливается — он построен на общей, корпоративной платформе, а не на личных навыках и песочницах данных одного-двух крутых дата-сайентистов.
Так работают data-driven-компании, технологические гиганты, для которых данные — это кровь. Netflix, который тестирует тысячи вариантов интерфейса, чтобы вы не отключили сериал. «Яндекс», который в реальном времени перестраивает логистику десятков тысяч курьеров. Michelin, который не случайно десятилетиями сохраняет лидерство в отрасли. Они перешли от «проектов» к «платформе». И их скорость — не просто удобство и операционная эффективность. Это их главное оружие на рынке[59].
ПАРАДОКС ЦЕНЫ: ПОЧЕМУ УПРАВЛЯТЬ ДАННЫМИ ТАК ДОРОГО?
Здесь возникает закономерный вопрос: если все так очевидно и выгодно, почему не все выбирают дорогу «энэйблера»?
Ответ прост и сложен одновременно: потому что это требует огромных, непрерывных и на первый взгляд неочевидных инвестиций.
Одним из рабочих названий этой книги было: «Управлять данными дорого». Это не фигура речи. Годовые инвестиции компании из «Сценария Б» в свою платформу данных, команды дата-инженеров, инструменты описания и контроля, обучение сотрудников в разы превышают бюджет средней компании с традиционной бизнес-моделью на поддержку и развитие платформы данных.
Создание надежной, масштабируемой, безопасной и прозрачной среды для работы с данными сродни строительству современной скоростной магистрали вместо грунтовой дороги. Стоимость строительства вначале пугает. Но как только дорога построена, по ней с минимальными затратами начинают ездить тысячи машин — новых продуктов, сервисов, аналитических моделей. Скорость перемещения (внедрения) вырастает на порядок.
Приступим к самой сложной части нашего путешествия, в которой позволим себе дать несколько метрик, формул и цифр.
Если говорить коротко, оценка экономической эффективности программы управления данными похожа на оценку пользы здорового образа жизни:
• регулярные усилия нужно прилагать сегодня и ежедневно, что требует дисциплины и ответственности;
• эффект начинает ощущаться лишь по прошествии времени;
• доказать позитивное влияние ЗОЖ в отрыве от других факторов, влияющих на хорошее самочувствие, довольно трудно или практически невозможно;
• при этом ЗОЖ критически влияет на продолжительность жизни[60] (или, говоря бизнес-языком, на то, что компания продолжит свою деятельность в обозримом будущем — принцип going concern).
Если вы готовы к более долгому и конкретному разговору про эффекты программы управления данными и хотите узнать, как связаны данные и деньги, предлагаем взглянуть на пять метрик[61] (табл. 10.1).
** — [62]
*** — [63]
Цифры из нижней части таблицы (метрики 3–5) характеризуют затратную сторону вопроса. Самая большая цифра в бюджете программы управления данными — годовые затраты на поддержание и развитие платформы (метрика 5). У data-driven-компаний эта цифра может в разы превышать затраты, а подчас и возможности традиционного бизнеса. Например, бюджет на импортозамещение платформы данных в крупной организации в 2026 году составляет несколько десятков миллиардов рублей.
Полнота описания данных (метрика 4) вкупе с правилами по цитируемости данных (метрика 3) также грозят вылиться в дополнительные постоянные затраты на увеличенное количество дата-инженеров (в 10 раз на уровне развития технологий, актуального в 2026 году)[64] и перестроение архитектуры потоков данных. А без описания данных и установления правил по цитируемости невозможно повысить скорость разработки новых дата-продуктов (ключевой метрики доходной части).
Это и есть та часть сметы, увидев которую, компания может остановиться на пути к прогрессу. Для сравнения, однако, стоит отметить, что эти затраты несоизмеримо меньше инвестиций, необходимых, например, для создания собственной LLM[65] — суммы, принципиально неподъемной практически для любой корпорации и страны мира с учетом текущего уровня развития технологий.
Теперь обратимся к доходной части. Эти цифры конвертируются в деньги не напрямую, а через скорость вывода дата-продуктов в промышленную эксплуатацию и через их содержание.
Повышение скорости вывода в промышленную эксплуатацию дата-продуктов более чем в 20 раз при переходе от традиционной к data-driven-модели ведения бизнеса существенно сокращает стоимость дата-продукта. Ведь эта стоимость напрямую зависит от количества часов работы дата-инженеров над каждой витриной, отчетом, моделью, включая модель ИИ. Например, банки, создавшие описание данных в дата-каталоге и внедрившие Data Lineage (метрика 4 в расходной части), на практике сокращают стоимость разработки дата-продуктов более чем на 70% за счет оптимизации метрик 1 и 2[66].
Еще важнее компонента содержания дата-продукта, которая приносит дополнительные доходы. Вокруг нее и строятся так называемые бизнес-кейсы — прогноз по прибыли от внедрения элементов системы управления данными.
ОЦЕНКА БИЗНЕС-КЕЙСА
Когда заходит речь об управлении данными, многие руководители слышат лишь общие фразы: «повысим качество», «обеспечим прозрачность», «станем data-driven». Это всё правильные слова, но они как воздух: вроде бы нужны, а за что платить — непонятно. Именно здесь появляется бизнес-кейс.
Бизнес-кейс — не документ, который пишут для галочки. Это прикладной инструмент, который переводит разговор о данных с языка абстракций на язык цифр и конкретных результатов.
Если совсем просто, бизнес-кейс в программе управления данными отвечает на четыре вопроса.
1. Какая у нас боль? Какую конкретную проблему бизнеса мы решаем с помощью данных? Не «улучшим качество данных в целом», а «перестанем терять 50 миллионов в год на отгрузках не тем клиентам из-за неверных адресов».
2. Сколько это стоит прямо сейчас? Во что обходится компании эта боль? Посчитанные в деньгах потери от неверных решений, упущенной выгоды, ручного труда сотрудников, которые вместо анализа перекладывают цифры из отчета в отчет.
3. Что предлагаем и сколько это будет стоить? Набор конкретных шагов, технологий, людей, которые нужны, чтобы с болью справиться. А еще — цена этих шагов.
4. Когда и как вернем инвестиции? Цифры, сроки и метрики, по которым мы поймем, что запланированный эффект достигнут.
Хороший бизнес-кейс похож на паспорт проекта перед большой стройкой. Вы же не начнете заливать фундамент, не прикинув бюджет, сроки и не поняв, как этот дом будет зарабатывать деньги? С данными то же самое.
Самое сложное в бизнес-кейсе для управления данными — посчитать «стоимость боли». Убытки от того, что скоринговая модель ошиблась, посчитать можно. Штрафы регулятора за утечку — легко. А вот упущенную выгоду оттого, что мы не узнали вовремя о потребностях клиента, — несоизмеримо сложнее. Но без этой цифры разговор с руководством всегда будет упираться в «нам кажется, что это важно».
Именно это отражается в бизнес-кейсах: какие дополнительные доходы мы могли бы получать уже сейчас? И сколько заработаем, если пересмотрим наш подход к управлению данными и принятию решений?
Хороший бизнес-кейс делает управление данными осязаемым. Он показывает не «мы хотим внедрить Data Governance», а «мы хотим перестать платить 10 миллионов в год за ручную сверку отчетности и высвободить трех аналитиков для разработки новых продуктов, нужных клиенту». Это язык, на котором говорят люди, принимающие решения о бюджетах.
Бизнес-кейсы специфичны для каждой отрасли и каждого домена данных внутри компании. Но можно привести типовые примеры.
1. Кейсы, связанные с основной деятельностью бизнеса
Знания о клиенте для сервисных компаний, например:
• внедрение профиля «Клиент-360»;
• внедрение новой MDM-системы или переключение ее из аналитического в онлайн-контур принятия решений для запуска триггерной аналитики;
• введение новых контролей ввода по клиентским атрибутам;
• улучшение алгоритмов нормализации и дедубликации клиентских данных и, как следствие, повышение показателей конверсии из лида в клиента;
• подключение внешних источников данных для улучшения базового профиля клиента (идентификационной информации) — например, портал госуслуг;
• подключение новых данных для улучшения расширенного профиля клиента с глубоким уровнем детализации — например, данные от компаний группы о покупке новых продуктов, о марке автомобиля, о работодателе и др.
Знания об актуальном состоянии оборудования или других технических объектов, например:
• анализ данных с датчиков на оборудовании для прогнозирования отказоустойчивости, снижения простоев и оптимизация графика ремонтов, которое приводит к снижению расходов и брака;
• сбор данных о вождении с датчиков, установленных на автомобилях клиентов страховых компаний, для предложения более гибких условий страхового договора в зависимости от стиля вождения и др.
Оптимизация логистической функции, например интеграция данных от поставщиков и логистических партнеров для создания цифрового двойника цепочки поставок для снижения логистических издержек и «быстрой реакции» на сбои и др.
2. Кейсы, связанные с оптимизацией функции финансов
• Рост качества данных и оперативности при подготовке управленческой и регуляторной отчетности.
• Внедрение инструментов онлайн-прогнозирования и стресс-тестирования финансового состояния и финансовых результатов для корректировки бюджетов и оптимального управления собственными средствами бизнеса.
• Повышение уровня автоматизации и качества данных в процессе ценообразования продуктов, например risk-based pricing в розничном банковском бизнесе и др.
3. Маркетинговые кейсы
• Рост эффективности коммуникаций с клиентами за счет сбора данных и построения моделей склонности к покупке выбранного типа продукта.
• Повышение качества персонализации предложений за счет данных базового и расширенного профилей клиента после внедрения MDM-системы и др.
4. Кейсы в области управления персоналом
• Разметка базы данных действующих и ушедших сотрудников для построения моделей прогнозирования успешности прохождения испытательного срока.
• Внедрение ранжирования сотрудников по степени вовлеченности для снижения ротации персонала в отделе продаж.
• Разметка данных входящих резюме для построения ИИ-агента по отбору резюме для передачи в отдел персонала и др.
5. Кейсы, связанные с взаимодействием с внешней средой
Дата-партнерства:
• создание дата-продуктов для продажи на рынок в части скор-баллов на основании кредитной истории;
• покупка скоринга телеком-операторов;
• подключение данных социальных сетей;
• продажа данных о поисковых запросах;
• обмен данными о транзакционной активности клиента внутри компаний группы и др.
Регулятор:
• создание единой платформы согласий на обработку персональных данных и рекламные рассылки с возможностью сохранения версии согласия, подписанного клиентом, оперативного отражения информации о его отзыве для снижения регуляторных штрафов и повышения лояльности клиентов и др.;
• повышение качества данных для актуализации размера регуляторных резервов и нормативов, рассчитанных по положениям Банка России, и др.
Оценка бизнес-кейса невозможна без проактивного участия бизнес-заказчика аналитики данных, а также его обещания получить заявленные эффекты. Этот пункт часто становится причиной неуспешности программы управления данными. К любому топ-менеджеру непросто найти подход, а к руководителю бизнес-подразделения (основного, кто зарабатывает деньги для компании) — особенно. Здесь CDO необходимо проявить лидерские качества, навыки ведения переговоров и управления ожиданиями, эмпатию, понимание основ финансового анализа и оценки и хотя бы поверхностное знание предметной области, в которой реализуется бизнес-кейс.
Оценка каждого бизнес-кейса — непростая и творческая задача. В любой оценке всегда существенную роль играет профессиональное суждение оценщика. Практически любую оценку можно оспорить[67], поэтому диапазоны прогноза по прибыли у разных профессионалов могут различаться в разы. Это еще одна значимая сложность при согласовании целесообразности запуска программы управления данными. Например, попробуйте доказать главе маркетингового отдела вашей компании, что после дедубликации клиентских данных конверсия маркетинговых предложений повысится в 3–5 раз. Какие бы аргументы вы ни приводили и на каких прогнозах и опросах ни основывали свое суждение, цифра 3–5 может легко снизиться.
Но на этом сложности не заканчиваются: при сопоставлении доходной и расходной частей программы управления данными также важен учет временной стоимости денег. Ведь инвестиции в модернизацию платформы данных, изменение ее архитектуры и создание описания данных требуются здесь и сейчас и в большом объеме. А рост доходной части происходит постепенно, часто после полноценного перехода на модернизированную платформу данных (в среднем не ранее чем через три года со старта проекта), и может продолжаться пять — семь лет при условии постоянной актуализации дата-продуктов с учетом требований рынка и клиентов. Об этом мы подробно говорили в главе 6: ожидание мгновенных результатов может загубить программу управления данными на корню, не дать древу дата-трансформации вырасти.
При этом снижение расходов на создание дата-продуктов (метрики 1 и 2) зависит от их планового количества: чем больше их будет, тем выше эффекты от программы управления данными. И здесь результат программы и успех CDO в реализации заявленных эффектов сильно зависит от планов бизнеса и отдела моделирования.
Это даже более актуально для дополнительных доходов от дата-продуктов. Убедиться в реалистичности прогноза по дополнительному доходу от функции управления данными можно лишь с момента внедрения инструментов DG (напомним, что существенные инвестиции от бизнеса нужны уже сейчас). А еще в момент оценки прибыли в прогнозе и по факту ее получения необходима поддержка бизнес-подразделений, которые могут посчитать, что дополнительная прибыль и продажи — результат работы исключительно бизнеса, и новые подходы к управлению данными здесь ни при чем.
Есть еще один дискуссионный аргумент, связанный со стратегическим риском. Существует риск, что компании, не внедрившие подходы по управлению данными, не выживут в мире будущего. Это еще одна ставка, которую нужно сделать бизнесу и в которой, как и во всех решениях в бизнесе, можно ошибиться.
На наш взгляд, учитывая тренды на ИИ-зацию экономики, интернет вещей, экосистемность бигтехов и других традиционных игроков, уход многих бизнесов в онлайн, переход к триггерной аналитике и предсказанию следующего наиболее вероятного действия клиента, так называемого next best action, лежащего в ядре продуктов будущего, ставка на работу с данными сыграет. Более того, она уже сыграла у бигтехов — Netflix, Google, «Яндекса» и др.
СЧИТАЕМ ROI
Теперь, наконец, мы готовы посчитать ROI программы управления данными:
• в числителе мысленно соберем метрики 1 и 2 и их производные, включая рассчитанные бизнес-кейсы, продисконтированные к сегодняшнему дню, и умножим на вероятность реализации стратегического риска;
• в знаменателе соберем затратные метрики 3–5, включая многомиллиардные затраты на модернизацию платформы данных, изменение ее архитектуры, ужесточение практик производственного процесса в ИТ.
Формула выше может дать лишь верхнеуровневое представление о том, как на практике считается технико-экономическое обоснование программы управления данными. При этом выкладки по бизнес-обоснованию могут занимать десятки, а иногда и сотни слайдов для руководства[68].
Это уравнение сравнивает два параметра: сколько мы потеряем, если ничего не делать (с поправкой на то, что беда может и не случиться), и сколько заплатим, чтобы беда не случилась никогда.
Числитель — цена нашего бездействия. Дисконтированные убытки от неверных решений, упущенные контракты, штрафы регуляторов, репутационные потери, умноженные на вероятность того, что все это действительно произойдет. В хорошие времена кажется, что вероятность мала. Но в плохие — когда рынки падают, регуляторы ужесточают контроль, а конкуренты уходят вперед — она ползет вверх.
Знаменатель — стоимость порядка. Деньги на новую платформу, перестройку архитектуры, людей, которые будут следить за качеством, обучение сотрудников. Это огромные цифры, от которых у финансового директора дергается глаз. Но у них есть важное свойство: они конечны и предсказуемы. Вы платите один раз (или равными долями) и знаете за что.
Представьте, что вы заходите в лифт вместе с председателем совета директоров вашей компании. У вас есть время, пока лифт поднимается с первого до двадцатого этажа, — примерно минута, чтобы объяснить ему, почему компании нужно инвестировать несколько десятков миллионов долларов в непонятную для него «платформу данных» и роль CDO.
Вы начинаете: «Видите ли, речь о трансформации сырых данных в стратегический актив через внедрение скоординированных процессов, каталога данных и Lineage. Для этого требуются большие вложения в ближайшее время, но достоверно оценить позитивный эффект не представляется возможным. Однако у нас есть исследования, которые показывают, что…» Двадцатый этаж. Дверь открывается. Руководитель кивает: «Интересно. Обсудим как-нибудь подробнее» — и уходит, погруженный в мысли о квартальной отчетности и завтрашних переговорах с инвесторами. «Как-нибудь» никогда не наступает.
Это наша ежедневная реальность. Окно внимания человека, принимающего ключевые финансовые решения, в среднем не превышает минуты. За этот отрезок времени нужно успеть не просто бросить звучный термин, а донести суть: данные — не только расходы на ИТ, но и деньги. Более того, это будущая валюта, курс которой в вашей компании уже сейчас определяется подходами к ее управлению. Объяснить за минуту, почему это требует отдельной «монетарной политики» (стратегии), «казначейства» (команды) и «стандартов чеканки» (метаданных и качества), — задача почти невыполнимая. Нужны контекст, примеры, медленное разжевывание причинно-следственных связей.
Для этого и написана наша книга. Каждая предыдущая глава — попытка растянуть ту самую минуту в лифте до десяти спокойных часов чтения. Чтобы у вас, как у руководителя, сложилось целостное понимание, какую конкретную экономику скрывает в себе функция управления данными. Где именно находятся точки возврата инвестиций? Почему «управлять данными дорого», но не управлять ими — катастрофически дороже? В этой главе мы лишь попытались перевести техническую «матчасть» на язык бизнес-последствий: потеря клиентов, упущенная выручка, невозможность инноваций, репутационные риски. Сделать это на практике гораздо сложнее, и чуть ниже мы оценим готовность к этому путешествию.
В 1980-е Ли Якокка, культовая фигура мирового автопрома и человек, вытащивший Chrysler из финансовой пропасти, издал книгу-бестселлер о менеджменте[69]. Среди рассуждений о лидерстве, кризисном управлении и переговорах с профсоюзами он отвел отдельную главу абсолютной необходимости внедрения и использования ремней безопасности.
Странно, правда? Ведь сейчас кажется, что ремни безопасности в автомобилях появились вместе с первой машиной в начале прошлого века.
Но история говорит об обратном. Первой страной, сделавшей ремни безопасности обязательными для всех новых автомобилей, стала Австралия, причем лишь в 1970 году. В США, которые тогда задавали тон всей индустрии, первый заводской ремень появился в 1950-е на отдельных моделях. А первым штатом, обязавшим водителей и пассажиров пристегиваться, стал Нью-Йорк и только в 1984-м — в тот самый год, когда Якокка писал свою книгу.
Ему, практику и инсайдеру, приходилось доказывать коллегам-менеджерам и потребителям то, что для нас теперь аксиома: ремень безопасности — это не опция. Это вопрос жизни и смерти. На фоне этого прочие усовершенствования — будь то мощный двигатель или система кондиционирования — выглядят не такими уж важными.
Мы твердо верим, что наступит время — и, возможно, очень скоро, — когда нам больше не придется объяснять, зачем нужно управлять данными и почему данные — это деньги. Это станет такой же аксиомой делового мира, как ремни безопасности в автомобилестроении. Управление данными будет восприниматься не как «модная опция», а как обязательная «система жизнеобеспечения» любой компании, которая хочет двигаться вперед, не подвергая себя неоправданному риску. Данные станут не «новой нефтью», а просто валютой доверия — между вами и клиентом, регулятором, вашим акционером.
Прежде чем закрыть эту главу и задуматься о будущем, предлагаем сделать паузу и честно ответить себе на несколько практических вопросов. Они перекликаются со всеми предыдущими главами, связывая теорию с вашей личной реальностью.
1. CEO — инициатор программы управления данными в вашей компании? Если нет, насколько сейчас он осознаёт ценность функции или, даже если не осознаёт, готов ее поддерживать административно и финансово? (Глава 1.)
2. Стратегия и дорожная карта инициатив написана, утверждена и принята основными стейкхолдерами? В стратегии содержатся конкретные финансовые метрики и цели? (Глава 2.)
3. Владельцы данных назначены и поддерживают инициативу по данным в компании? (Глава 4.)
4. Бизнес-кейсы рассчитаны (глава 10), утверждены департаментом финансов и владельцами?
5. Владельцы данных включили в свои ежегодные цели обязательства по достижению подсчитанных эффектов? Эти цели включены в KPI (глава 7) и влияют на премию владельцев по итогам квартала и года?
6. В каком состоянии находится ИТ-инфраструктура[70]? Готова ли она к дата-трансформации или бюджет на ее модернизацию необходимо включить в программу управления данными?[71]
7. Учитывая все трудности, описанные выше, готовы ли вы подняться на борт нового круизного лайнера с табличкой «Программа управления данными» и пуститься в это увлекательное плавание?
Если на какой-то из этих вопросов вы мысленно или вслух ответили «нет» или «не знаю», приготовьтесь к тому, что путь предстоит небыстрый. Вам потребуются не столько бюджет и технологии, сколько три вещи: серьезные внутренние силы, стратегическая целеустремленность и изрядное терпение.
Ведь управление данными — культурная и властная трансформация. Это как пытаться построить современный, безопасный город с четкой планировкой на месте стихийно сложившегося поселения, где каждый квартал живет по своим законам. Вам будут сопротивляться не потому, что люди плохие, а потому, что вы меняете складывавшийся десятилетиями уклад.
И здесь нередко все упирается в одну точку — осознанное отношение к данным топ-менеджмента в компании. Без этого любая инициатива обречена на медленное угасание. Один из опытных CDO, чье интервью вошло в материалы для этой книги, сформулировал это так: «Если мне предложат роль CDO в другой компании и дадут пусть даже в десять раз больше моей нынешней зарплаты, но при этом я буду знать, что генеральный директор по-настоящему не верит в ценность данных и не готов быть главным спонсором перемен, я, скорее всего, откажусь».