Бизнес в цифрах: от хаоса к порядку

LT: Илья Александрович, горизонт планирования у многих компаний сократился до квартала или даже месяца. Как адаптировать data driven-стратегию под такие короткие циклы?

ИЛЬЯ БАЛАХНИН: Я бы сначала разделил два понятия: горизонт стратегии и горизонт управленческого цикла. Они часто смешиваются, хотя это разные вещи.

Стратегия может быть рассчитана на три-пять лет — она определяет рынки, позицию и рычаги роста. А квартал или месяц — это лишь частота проверки гипотез.

Поэтому в коротком цикле я бы не переписывал стратегию каждый месяц. Я бы пересматривал только три вещи: изменились ли исходные предпосылки, подтверждаются ли опережающие показатели и нужно ли перераспределить ресурсы между ставками.

Нормальная система выглядит так: долгосрочная цель, портфель ставок и короткий ритм проверки. Каждый месяц компания решает, продолжать, усиливать, пересобирать или останавливать конкретную ставку. Сокращение горизонта — это повод быстрее проверять основания стратегии, а не отказываться от неё.

Можно ли вообще строить долгосрочную стратегию на данных в условиях, когда внешние факторы меняются быстрее, чем успевают накапливаться исторические данные?

Исторические данные вообще не должны напрямую отвечать на вопрос, что произойдёт через пять лет. Они на это не способны.

История нужна, чтобы понять механику бизнеса: откуда возникает прибыль, какие параметры действительно влияют на результат, где система имеет ограничения, как ведут себя клиенты и какие решения раньше давали эффект. А будущее строится уже через сценарии, гипотезы и ранние сигналы.

Ошибка — взять временной ряд, продолжить линию вправо и назвать это стратегией. Если среда нестабильна, компания должна работать сразу с несколькими сценариями. Для каждого сценария нужны наблюдаемые признаки: что должно произойти на рынке, в поведении клиентов, в себестоимости или в каналах, чтобы мы поняли, какой сценарий начал реализовываться.

Тогда стратегия превращается не в прогноз, который обязан угадать будущее, а в систему подготовленных решений. Если происходит А — усиливаем одну ставку. Если Б — переключаем ресурс. Если В — прекращаем инвестиции.

Хорошая стратегия не обещает правильно предсказать будущее. Она сокращает время между изменением среды и осмысленным действием компании.

Назовите одну самую частую ошибку, которую компании совершают при внедрении аналитики и data-driven-культуры. Как её распознать и исправить?

Самая частая ошибка — начинать с данных и инструментов, а не с управленческого решения.

Компания покупает BI-систему, соединяет CRM, 1С, рекламные кабинеты, строит сорок дашбордов. Руководители получают ещё больше цифр, но управлять лучше не начинают. Потому что никто заранее не ответил на простой вопрос: какое решение мы собираемся принимать с помощью каждой метрики?

Распознать эту ошибку легко. Нужно взять любой показатель и спросить:

● кто его владелец;

● как часто он рассматривается;

● какое отклонение требует реакции;

● какое действие запускается после отклонения;

● как это действие влияет на прибыль.

Если ответов нет, перед нами не управленческая аналитика, а информационный интерьер.

Исправление начинается с карты решений. Сначала определяем, какие решения принимает собственник, коммерческий директор, производство, маркетинг. Затем выясняем, какие данные нужны для каждого решения. И только после этого строим витрины, отчёты и дашборды.

Компании собирают метрики из десятков источников, но не знают, что с ними делать. Как вы помогаете бизнесу навести порядок в этом хаосе?

Мы начинаем не с объединения таблиц. Мы начинаем с модели прибылеобразования.

Сначала раскладываем итоговый финансовый результат на параметры, которыми компания действительно может управлять: число клиентов, частоту покупок, средний чек, маржу, стоимость привлечения и обслуживания, загрузку мощностей, скорость прохождения сделки. Затем для каждого параметра определяем показатели трёх уровней.

Первый уровень — результат. Что произошло с выручкой, валовой прибылью, денежным потоком.

Второй — драйверы. Почему это произошло: изменилась конверсия, частота заказов, структура ассортимента, скидка, загрузка или срок сделки.

Третий — диагностические показатели. Где именно возникло отклонение: в конкретном сегменте, канале, продукте, регионе, менеджере или этапе процесса.

После этого создаём словарь показателей. Для каждой метрики фиксируем формулу, единицу анализа, период, источник, владельца и частоту обновления. Это важно, потому что часто два подразделения используют одно слово — например, «клиент», «заказ» или «маржа» — и считают под ним разные вещи.

Только когда определения согласованы, можно собирать единый слой данных и визуализацию. Иначе компания автоматизирует не управление, а собственные противоречия.

Data-driven-подход часто критикуют за то, что он «не видит» качественные факторы: настроение команды, культурные особенности, репутационные риски. Как вы учитываете эти неизмеримые вещи в своих стратегиях?

Качественные факторы — это тоже данные. Просто они имеют другую форму и требуют другого способа проверки.

Интервью, наблюдение, причины отказов, поведение сотрудников на совещаниях, конфликт между подразделениями — всё это можно собирать и сопоставлять. Проблема начинается, когда единичную яркую цитату объявляют мнением всей компании или, наоборот, игнорируют повторяющийся сигнал только потому, что он не лежит в таблице.

Мы используем треугольник: количественные данные, качественные данные и наблюдаемое поведение. Если все три слоя дают один вывод, основание достаточно сильное. Если они расходятся, это не помеха аналитике, а предмет отдельного исследования.

Приходилось ли мне принимать решения вопреки данным? Вопреки конкретному дашборду — да. Вопреки совокупности доказательств — нет.

Дашборд может быть собран на неверном периметре, может запаздывать или измерять не тот объект. Например, данные показывают рост продаж, но интервью с клиентами и структура скидок говорят, что компания покупает этот рост снижением маржи и будущей перезатаркой канала. Формально показатель зелёный. Экономически решение может быть опасным.

Поэтому данные не отменяют управленческого суждения. Они делают видимыми основания, на которых руководитель это суждение строит.

Сегодня ИИ и автоматизация обещают всё посчитать и предсказать. Как вы оцениваете реальную пользу этих инструментов для среднего бизнеса?

Среднему бизнесу не нужен «ИИ вообще». Ему нужны конкретные операции, в которых ИИ либо сокращает стоимость, либо повышает скорость и качество решения.

Я разделяю четыре режима.

Первый — автоматизация. Повторяемая операция, явные правила, достаточно данных, результат легко проверить. Здесь ИИ можно передавать значительную часть работы.

Второй — усиление человека. ИИ собирает источники, сопоставляет версии, ищет противоречия, готовит варианты. Эксперт проверяет основания и принимает решение.

Третий — разведка. ИИ ищет слабые сигналы, необычные связи и аномалии. Его вывод ещё не становится решением, но показывает, куда смотреть человеку.

Четвёртый — операции, которые машине передавать нельзя. Это решения с высокой ценой ошибки, необратимыми последствиями, неявным профессиональным знанием или персональной ответственностью: увольнение человека, выбор стратегии, обещание клиенту, принятие инвестиционного риска.

Аналитики уже могут передавать ИИ первичную очистку и классификацию данных, расшифровку документов, поиск аномалий, подготовку запросов, черновой анализ и проверку согласованности. Но постановка вопроса, выбор причинной модели и ответственность за вывод остаются у человека.

Главный вывод: можно иметь идеальные данные и принимать слабые решения. Можно иметь неполные данные, но ясно понимать ограничения, провести быстрый эксперимент и принять сильное решение.

Поэтому data-driven-управление — это не управление цифрами. Это управление решениями на проверяемых основаниях.