Сегодня цифровизация частного бизнеса и государственных предприятий – это не просто часть национальной программы «Цифровая экономика», а фактически новая национальная идея. Однако, не все так гладко: сегодня мы рассмотрим, почему на практике большинство проектов цифровой трансформации терпят неудачи или сталкиваются с существенными трудностями в процессе реализации. Читайте в нашей статье о наиболее значимых факторах, которые препятствуют цифровизации по версии исследовательского агентства Gartner, а также при чем тут Аналитика больших данных и обучение руководителей технологиям Big Data.
5 проблем цифровизации для CDO/CDTO и пути их решения
Как мы уже не раз упоминали, цифровизация вообще и аналитика больших данных в частности – это, прежде всего, управленческая зрелость бизнес-процессов, ИТ-инфраструктуры и самих данных. Поэтому директор по цифровой трансформации (Chief Digital Transformation Officer, CDTO) и ТОП-менеджер по данным и аналитике (Chief Data Officer, CDO) стремятся сделать данные и аналитику стратегической дисциплиной во всей организации. Однако, при этом руководители, скорей всего, столкнутся со следующими препятствиями, согласно ежегодному опросу Gartner [1]:
- корпоративная культура – data-driven подход к деятельности предполагает максимальную открытость и прозрачность бизнес-процессов, их результатов и функциональных подразделений, что предполагает существенные культурные изменения. Чтобы снизить риск неприятия новых норм и ценностей, следует сообщать сотрудникам о стратегии и целях в области данных и аналитики, демонстрируя выгоду этого направления на реальных примерах. Например, можно показать результаты успешного эксперимента или запустить внутренний хакатон по использованию корпоративных данных [2].
- недостаток финансирования и ресурсов – в реальности часто возникает ситуация, когда сложно оценить будущую финансовую выгоду от предлагаемой Data-инициативы. Поэтому CDO и CDTO не получают от бизнеса желаемого финансирования и ресурсов для своих идей. Чтобы хотя бы частично снизить риск недостатка бюджета, следует создать такую организационную модель данных и аналитики, которая гибко реагирует на динамику меняющихся обстоятельств, например, таких как пандемия COVID-19, при том отвечая общим бизнес-целям по мере их перехода к цифровому бизнесу. Практически это выражается в виде небольших кросс-функциональных команд, которые будут интегрировать различные источники данных, оценивать качество данных и давать представление о том, какие данные и аналитика действительно необходимы бизнесу. В частности, недавно мы рассказывали, что в большинстве случаев, прежде чем запускать крупные Data Science проекты, следует по максимуму использовать потенциал BI-систем.
- низкая информационная грамотность рядовых сотрудников и ТОП-менеджмента, которая означает не только способность читать, писать и передавать данные в контексте, но и понимание потенциала технологий Big Data и результатов аналитики с точки зрения ценности для бизнеса. Корпоративные курсы цифровой грамотности решат эту проблему. Начать следует с ограниченной и узконаправленной пилотной программы по обучению профильной группы специалистов с учетом их прикладной направленности. В частности, учебные программы для продавцов и проектировщиков, также как для менеджеров и линейных работников, должны отличаться друг от друга по составу и содержанию модулей, а также наглядным примерам (кейсам). Наличие заинтересованности и энтузиазма у обучаемых повысит вероятность успеха и практической ценности этого образовательного процесса.
- нехватка компетенцией в области данных и аналитики – Data-профессионалы (аналитики и инженеры данных, архитекторы и разработчики Big Data решений, а также Data Scientist’ы) сегодня весьма востребованы во множество прикладных областей, от ИТ до медицины. Чтобы понять, кто именно нужен для успешной цифровой трансформации вашей компании, прежде всего, проанализируйте имеющиеся навыки, роли и компетенции. Далее эту информацию следует сопоставить с бизнес-запросами от различных функциональных подразделений. Таким образом, станет понятным дефицит компетенций для эффективной работы с данными и аналитикой. Далее можно повышать квалификацию имеющихся сотрудников, перепрофилируя таланты, и параллельно запускать поиск новых членов команды.
- недостаток внимания к наиболее важным инициативам в области данных и аналитики не позволяет организациям улучшить собственную data-driven зрелость. Это создает сложности при использовании данных и аналитики для всего бизнеса. Например, куда инвестировать в первую очередь: создать управляемое озеро данных или запустить самообслуживаемую (self-service) систему обработки клиентских запросов на основе Machine Learning? Решить эту проблему поможет непрерывный мониторинг и оценка управленческой зрелости, например, по модели CMMI, которая проясняет возможности и недостатки данных и аналитики в компании. Анализ текущего состояния данных, людей, процессов и технологий в организации позволит осознать разрыв между текущим и желаемым состоянием (т.н. gap analysis), чтобы разработать соответствующую стратегию по переходу на следующий уровень зрелости.
Примечательно, что данные факторы являются универсальными и не зависят от специфики отрасли или масштаба бизнеса. Поэтому с ними можно столкнуться как в рамках локального проекта цифровизации небольшой компании, так и глобальной цифровой трансформации крупной госкорпорации, что подтверждает недавний отчет аналитической компании KMDA, который мы разбираем здесь. Как избежать этих проблем на практике, эффективно реализуя собственные проекты цифровизации частного бизнеса или цифровой трансформации государственных и муниципальных предприятий, вы узнаете на нашем обновленном курсе «Аналитика больших данных для руководителей» в лицензированном учебном центре обучения и повышения квалификации разработчиков, менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data в Москве.
Источники
