Данные для бизнеса: как аналитика помогает компаниям принимать стратегические решения

Текст: Дана Кауменова, вице-президент Citigroup

Фото: Taylor Vick, Unsplash

Данные сегодня — это топливо для бизнеса. Опросы консалтинговой компании Wavestone показали: c 2023 по 2024 год доля топ-менеджеров, которые заявляли, что в их организациях «создана культура данных и аналитики», увеличилась с 21% до 43%. Вдвое выросло и количество компаний, называющих себя data-driven, — они опираются на данные, принимая бизнес-решения. Такой подход особенно актуален для высококонкурентных сфер, включая финансы и банковское дело. Как структурированная аналитика данных помогает компаниям в стратегическом планировании и поддержании долгосрочной устойчивости бизнеса, выяснила для «Инк.» вице-президент Citigroup Дана Кауменова.

Структурированная аналитика — это подход, предполагающий использование четкой методологии для анализа информации. Он основывается на объективных данных, статистических методах и алгоритмах, снижает вероятность ошибок и предвзятости и делает выводы более надежными. С ним напрямую связано понятие долгосрочной устойчивости бизнеса. Последняя предполагает способность компании сохранять свою конкурентоспособность, эффективно управлять ресурсами и минимизировать риски даже в условиях неопределенности.

Ключ к финансовой устойчивости

В финансовой сфере банки и инвестиционные компании применяют аналитические модели для управления рисками — они оценивают волатильность рынков, процентные ставки, кредитоспособность заемщиков, прогнозируют вероятность дефолта. В частности, анализ исторических данных о клиентах помогает выявить поведенческие модели, связанные с повышенным риском, и применять более строгие условия кредитования к людям из высокорисковых сегментов. В конечном счете это позволяет минимизировать убытки и сохранить устойчивость.

В инвестиционных банках аналитика используется для моделирования сценариев и стресс-тестов, которые помогают оценить влияние рыночных изменений на портфели активов. А в потребительском банкинге финансовые организации анализируют поведение клиентов, чтобы предлагать персонализированные продукты и услуги. Например, если клиент часто путешествует за границу, аналитика может выявить эту закономерность и банк предложит ему кредитную карту с минимальными комиссиями за международные трансакции. Это улучшает клиентский опыт и повышает лояльность.

Пример из личного опыта эксперта, который показывает эффективность структурированной аналитики, — проект с крупным американским региональным банком. Последний планировал увеличить долю рынка в определенных штатах и запустить новый продукт. Для этого в компании провели глубокую аналитику клиентских данных — проанализировали профили потребителей, их предпочтения, способы взаимодействия с банком, выявили ключевые закономерности и сегментировали клиентов на основе общих характеристик. Выяснилось, что молодые профессионалы, как правило, предпочитают мобильные банковские приложения, которые не требуют комиссии за обслуживание счета. На основе этих данных банк смог разработать соответствующее решение и адаптировать свою маркетинговую стратегию.

Пошаговый подход к анализу

Процесс структурированного анализа, как правило, выглядит так.

• Определение целей и задач. На этом этапе важно четко понять, какую проблему нужно решить и на какие вопросы ответить. Например, компания хочет запустить новый продукт и анализирует потребности своих клиентов, чтобы предложить именно те функции, которые будут пользоваться спросом.
• Сбор данных. Компании используют CRM-системы, Google Analytics и другие аналогичные инструменты, проводят опросы и интервью с потребителями, скачивают отчеты консалтинговых и исследовательских агентств. Качество собранных данных напрямую влияет на точность результатов.
• Очистка и подготовка данных. Данные часто содержат неточности, так что их нужно обработать и подготовить для анализа: удалить или исправить ошибки, заполнить пропуски, привести информацию к единому формату (например даты в виде YYYY-MM-DD). Так анализ будет более надежным.
• Анализ данных. На этом этапе применяются статистический анализ, кластерный анализ, методы прогнозирования, в том числе с использованием алгоритмов машинного обучения, и т. д. Это основная стадия, где данные превращаются в полезную информацию. Именно на ней можно извлечь важные инсайты, зависимости и ключевые факторы, влияющие на результат.
• Интерпретация результатов. Результаты необходимо перевести в понятные выводы. Аналитики объясняют значимость данных, выявленных трендов и связей, а потом дают рекомендации к действиям. В частности, анализ может показать, что наибольшие продажи приходятся на конкретные дни. Или — что клиенты из определенных регионов покупают какой-то продукт чаще.
• Представление результатов. Это отдельный и важный пункт, так как на этом этапе результаты анализа и предложенные действия представляются заинтересованным сторонам. Для этого используются отчеты, презентации, инфографика и другие средства визуализации. Они помогают сделать выводы понятными для разных департаментов.

На основе полученной информации принимаются решения — топ-менеджеры могут сформировать долгосрочную стратегию для компании, поменять ценообразование, запустить новый продукт или даже направление, изменить стратегию найма, оптимизировать какие-либо процессы.

Данные как фундамент

В основе структурированной аналитики могут лежать самые разные типы данных — клиентские (например о частоте и объеме трансакций), о рыночных трендах, конкурентной среде, и т. д. Для принятия стратегических решений наиболее ценны данные, которые обладают такими характеристиками, как релевантность, точность, актуальность и интерпретируемость.

Наконец, интерпретируемость означает, что данные понятны и доступны для анализа. Они представлены в таком виде, который позволяет легко извлечь из них значимые выводы. Простой пример: если компания указывает общий доход от продаж, но не делит его по сегментам (розничные продажи, оптовые продажи, и т. д.), невозможно будет понять, какая категория приносит наибольшую прибыль.

Для обработки этих данных можно использовать самые разные инструменты. Excel и Tableau подходят для визуализации и анализа больших объемов информации. SQL помогает организовать и оптимизировать хранение и доступ к данным. А Python остается одним из ведущих языков программирования для глубокого анализа и построения сложных моделей. Стоит упомянуть и облачные решения, которые позволяют быстро масштабировать ресурсы и интегрировать различные источники — в этой области лидируют AWS, Google и Microsoft.

Трудности анализа

В процессе анализа данных компании сталкиваются с рядом сложностей. Дана Кауменова выделяет следующие основные факторы:

• проблемы с качеством данных — для их решения банки, такие как Citi, разрабатывают стандарты и политики на уровне всей организации. Они также формируют специальные команды data governance. Последние отвечают за процедуры, направленные на улучшение качества данных и их стандартизацию, а также предотвращение ошибок при сборе и обработке;
• управление конфиденциальностью и соответствие регуляторным требованиям включает работу с чувствительными данными (например персональной или финансовой информацией) и предотвращение утечек. Часто проводятся регулярные тренинги для сотрудников по соблюдению правил, а также используются системы контроля и мониторинга доступа к информации;
• проблемы с интерпретацией и коммуникацией результатов — иногда результаты могут трактоваться командами по-разному. Одна может сосредоточиться на росте продаж, а другая — на снижении издержек. Чтобы прийти к общему знаменателю, полезно использовать простые и понятные визуализации для представления результатов. Также важно грамотно выстроить процессы и иметь посредников между техническими специалистами и бизнес-пользователями для плавных коммуникаций.

Как пример автоматизированного решения для повышения точности — разработка системы оповещений о проблемах качества данных в Citigroup. Эти проблемы снижали точность расчетов ликвидности залоговых акций, которые влияют на внутренние и регуляторные расчеты риска. Компания внедрила решение, которое автоматически отправляет отчеты о качестве и уведомления соответствующим командам. Это ускоряет процесс реагирования и сокращает время на выявление и исправление ошибок.

Будущее — за нейросетями (но не только)

Основой аналитики данных становится искусственный интеллект. Алгоритмы машинного обучения могут анализировать миллионы трансакций и другие данные за секунды. В частности, нейросети могут активно использоваться в прогнозной аналитике — они помогут компаниям стать активными, а не реактивными, когда дело доходит до оценки и устранения рисков. С их помощью можно предсказывать проблемные области до того, как они перерастут в кризисы. Например, нейросети позволят оптимизировать оценку кредитоспособности: анализировать исторические данные для прогнозирования будущих кредитных рисков, вероятности дефолта и потенциальных убытков.

Также повышается роль экологических, социальных и управленческих (ESG) факторов в аналитике. В условиях растущего внимания к устойчивому развитию компании стремятся интегрировать ESG-метрики в свои аналитические системы. Для финансового сектора это особенно важно, поскольку ESG-факторы напрямую влияют на оценку инвестиционной привлекательности активов. Как отмечает E&Y, пандемия усилила важность вопросов ESG и ускорила переход к более «инклюзивному капитализму». Инвесторы все больше верят, что компании с фокусом на ESG менее рисковые, ориентированы на долгосрочную перспективу и лучше подготовлены к неопределенности.

Наконец, бизнес активнее использует решения, которые позволяют анализировать данные в режиме реального времени. Это особенно актуально в условиях высокой волатильности рынков. Компании, которые анализируют данные «на лету», могут мгновенно адаптировать свои стратегии в ответ на изменения внешней среды, будь то рыночные колебания или новые требования клиентов. В финансовом секторе это может проявляться в моментальных изменениях стратегии торговли или управления ликвидностью.