

Каролин Гисон-Бейсел/MIT SMR | Getty Images
Команда Google, занимающаяся аналитикой для малого и среднего бизнеса, поняла, что сложные модели данных могут не найти отклика у пользователей, если эти модели не имеют четкого описания и бизнес-контекста. В итоге команда пришла к выводу, что для создания эффективной модели рекомендаций по подбору персонала необходимо сосредоточиться не только на технических аспектах аналитического стека, но и на том, как его результаты представляются лицам, принимающим решения. В результате была разработана четырехслойная структура, в которой рассказ о себе занимает центральное место в аналитике.
Даже самые продвинутые Аналитические модели могут провалиться, если они не используют язык тех, кто принимает решения в организации. А когда процесс принятия решений заходит в тупик, это часто происходит потому, что в данных отсутствует четкое изложение, бизнес-контекст или связь с тем, что волнует руководителей. Эти уроки мы получили в подразделении малого и среднего бизнеса (SMB) Google, когда моя команда аналитиков построила сложную модель для оптимизации штатного расписания глобальной службы поддержки компании.
Модель могла прогнозировать нестабильный спрос в более чем 100 странах, моделируя тысячи возможных сценариев, и рекомендовать уровни персонала отдела продаж и поддержки клиентов. Она учитывала сезонность, географические различия и даже сложные правила определения приоритетов клиентов. Мы проверили данные, проверили предположения и испытали логику на прочность.
Но когда мы представили модель старшим заинтересованным лицам, они не проявили особого энтузиазма. Вместо того чтобы оценить сложность модели, заинтересованные лица сосредоточили обсуждение на практичности нашей модели рекомендаций. Один из руководителей спросил: "Что это значит для штатного расписания на следующий квартал в Латинской Америке?" Другой задался вопросом, как рекомендации повлияют на итоговый результат. Недели работы застопорились. Никаких бизнес-решений принято не было.
Это был не единичный случай. Неоднократно технически совершенные модели не приводили к движению на уровне руководителей. Хотя многие наши специалисты по работе с данными верили, что более совершенные модели приведут к улучшению результатов бизнеса, руководители были подавлены сложностью и скептически относились к "черным ящикам", которые они не могли осмыслить.
Урок был очевиден: аналитика должна быть создана для того, как принимаются решения, а не только для того, как анализируются данные. Это потребовало от нас переосмысления аналитического стека - не только данных и моделей, но и того, как повествование может направлять каждый этап процесса.
Поэтому в 2023 году мы начали создавать оригинальную систему, в основе которой лежит повествование, с целью дать возможность руководителям предприятий быстрее и увереннее принимать решения. В основу концепции легли уроки, полученные в ходе ряда внутренних проектов. После того как я разработал концепцию и структуру модели, она была доработана и протестирована на прочность в середине 2024 года моей командой аналитиков и заинтересованными сторонами бизнеса. С тех пор, возглавляя отдел аналитики подразделения Google по работе с малым и средним бизнесом, я непосредственно применяю этот подход в высокоэффективных проектах, связанных с оптимизацией стратегии продаж, бизнес-планированием и принятием решений руководителями.
#Google #Team #Built #Storytelling #Analytics

