Встраивание инструментов качества данных в бизнес-процессы: главная ценность и результаты

Стабильно поддерживать качество данных на нужном уровне поможет встраивание набора определенных процедур и инструментов в бизнес-процессы организации еще на этапе проектирования ее систем и процессов, обеспечивающих сбор и обработку данных, — в этом, собственно, и заключается главная идея подхода Data Quality by Design (DQ by Design). Какой результат можно получить благодаря применению этого подхода и что ценного для себя получит бизнес? Эти вопросы мы обсудили с экспертами, наметившими участие в очередной, седьмой по счету Всероссийской конференции «Качество данных».

В целом эксперты единодушны, выделяя в качестве главных бизнес-результатов перехода на DQ by Design повышение эффективности процессов, ускорение принятия управленческих решений, снижение операционных рисков, так или иначе связанных с некачественными данными, и расширение возможностей для монетизации имеющихся активов данных. Помимо них, эксперты отмечают ряд других важных результатов от встраивания качества данных в процессы.

Экономический эффект и рост бизнеса

Дарья Кагарлицкая: «Качественные данные обеспечивают прямой финансовый эффект и устойчивый рост бизнеса»

Некоторые эксперты на первое место ставят улучшение ключевых бизнес-показателей. Так, Дарья Кагарлицкая, технический директор системного интегратора и разработчика Navicon, считает главным результатом превращение данных в надежный операционный актив, повышающий эффективность бизнеса и снижающий затраты: «Благодаря DQ рост производительности персонала может достигать 25%, сокращение ручных операций и дублирования клиентов — 30%, уменьшение складских площадей — 18%, ускорение закупочных циклов, снижение уровня неликвидов и уменьшение ИТ-расходов — 10–30%. Также повышается точность планирования, снижаются операционные риски, растет полнота использования клиентской базы и повышается лояльность клиентов. Качественные данные обеспечивают прямой финансовый эффект и устойчивый рост бизнеса».

Александр Галайдюк: «Встраивание DQ в процессы обеспечивает понимание того, кто несет ответственность за данные и кто ими владеет»

Александр Галайдюк, менеджер проектов DWH&BI направления технологической практики компании Kept, называет главной ценностью встраивания DQ в процессы высокий экономический эффект, достигаемый путем повышения эффективности процессов, увеличения прибыли, снижения трудозатрат на анализ и изменения в бизнес-процессах и выпуск новых продуктов, а также снижения уровня рисков. «Встраивание DQ в процессы обеспечивает понимание того, кто несет ответственность за данные и кто ими владеет (это основа Data Governance), — добавляет Галайдюк. — Кроме того, оно дает организациям возможность следующего шага цифрового развития, в том числе внедрения ИИ и продвинутой аналитики».

Дарья Капланская: «Встраивание инструментов DQ в бизнес-процессы — это, по сути, изменение подхода к управлению компанией»

Дарья Капланская, руководитель Центра экспертизы НСИ российской платформы B2B- и B2G-торговли В2В-РТС, видит главную ценность встраивания инструментов DQ в переходе от постоянного «тушения пожаров» к проактивному управлению, где данные становятся надежным фундаментом для кратного роста бизнеса и увеличения доходов: «Встраивание инструментов контроля качества данных в бизнес-процессы — это, по сути, изменение подхода к управлению компанией. Главный результат, к которому нужно стремиться, — переход от ручного контроля и бесконечного исправления ошибок к устойчивым бизнес-процессам, которые изначально опираются на качественные данные и автоматизированные проверки для минимизации влияния человеческого фактора. Ценность такого подхода в том, что, во-первых, повышается операционная эффективность и снижаются издержки: меньше ручной работы, меньше задержек, меньше потерь из-за ошибок. Во-вторых, повышается качество управленческих решений и заметно снижаются риски: руководители работают с актуальной и сопоставимой информацией. В-третьих, создается устойчивая основа для цифровой трансформации, внедрения аналитики, моделей и автоматизации».

Повышение доверия к данным

Многие эксперты в качестве главного результата выделяют повышение доверия к данным, используемым для принятия решений.

Игорь Моисеев: «Подход Data Quality by Design формирует основу для доверительного отношения к информации»

«Подход Data Quality by Design формирует основу для доверительного отношения к информации, делая ее прозрачной, понятной и надежной, — отмечает Игорь Моисеев, директор по развитию бизнеса DataCatalog (входит в Группу Arenadata). — Главной ценностью подхода является достижение высокого и измеримого качества данных — оно позволяет избежать убытков из-за ошибок в данных и выстроить системный, контролируемый процесс управления качеством данных. Подход предполагает тщательное проектирование структуры баз данных, выбор методов контроля и проверки данных, разработку стандартов и процедур обработки данных таким образом, чтобы минимизировать риски ошибок и повысить точность и надежность собираемых данных. Подход включает несколько ключевых этапов: проектирование процессов и архитектуры данных, контроль их ввода, мониторинг состояния данных и управление изменениями, а также обучение сотрудников и повышение их осведомленности».

Кирилл Евдокимов: «Ценность DQ для бизнеса в целом заключается в сокращении рисков и создании фундамента для дальнейшей цифровизации и внедрения ИИ»

Кирилл Евдокимов, директор по продуктам Data Ocean Governance EMM и DQ компании Data Sapience, главным результатом встраивания инструментов и процессов DQ в бизнес-процессы считает формирование единой системы доверия к данным: «Бизнес-пользователи получают скорость и уверенность: корректные данные доступны в любой момент, проблем с расчетом метрик или значений атрибутов нет, поэтому время принятия решений ускоряется. ИТ- и дата-команды также получают пользу: реализация проектов и задач ускоряется благодаря сокращению или исключению этапа очистки данных. Проблемы с качеством данных выявляются уже на ранних этапах, в результате снижается количество инцидентов с данными, требующих вмешательства в “пожарном” порядке. Ценность для бизнеса в целом заключается в сокращении рисков, в том числе регуляторных, и создании фундамента для дальнейшей цифровизации и внедрения ИИ».

Екатерина Каннуникова: «DQ дает бизнесу ценность, которую довольно легко обосновать: снижение затрат, ускорение создания и разработки продуктов, снижение рисков»

Екатерина Каннуникова, директор по продуктам направления дата-сервисов компании VK Tech, предлагает рассматривать в качестве главного результата то, что данные становятся доверенным ресурсом, на который бизнес может опереться при принятии решений: «В Gartner утверждают, что около 40% бизнес-инициатив не достигают своих целей из-за низкого качества данных (Data Ladder). Ежегодные финансовые потери крупных организаций из-за низкого качества данных составляют в среднем в 12,9 млн долл. Эти исследования подтверждают, что DQ дает бизнесу ценность, которую довольно легко обосновать: снижение затрат, ускорение создания и разработки продуктов, снижение рисков. Кроме того, без наличия качественных данных невозможно внедрять ИИ в бизнес: если данные, на основе которых учится или работает ИИ, ненадежны, любые инициативы по автоматизации и внедрению умных алгоритмов обречены на провал».

Евгений Евстратьев: «Главная ценность DQ — это превращение данных в надежный, управляемый актив. Выгоды в результате получают все стороны»

Евгений Евстратьев, руководитель группы консалтинга BI компании «Омега», соглашается с коллегами: «Главная ценность DQ — это превращение данных в надежный, управляемый актив, обеспечивающий доверие к отчетности, снижение операционных рисков и уверенность в принятии решений. Выгоды получают все стороны: бизнес — достоверную информацию, ИИ-департамент — сокращение внеплановых работ, менеджмент — контроль и соответствие стандартам».

Сергей Белостоцкий: «Бизнес получает возможность принимать решения на основе информации, которой действительно можно доверять»

Сергей Белостоцкий, генеральный директор PIX Robotics, видит главный результат в появлении в компании устойчивого подхода к работе с данными: «Благодаря нему бизнес получает возможность принимать решения на основе информации, которой действительно можно доверять. При этом ожидания относительно качества данных часто расходятся. С технической точки зрения данные могут быть полностью корректными: все продажи отражены, атрибуты заполнены, формат единый. Но для конкретной бизнес-задачи (например, прогнозирования спроса) эти же данные могут оказаться недостоверными: типичные выбросы, нерепрезентативные значения, структурные искажения дают сбой там, где требуется математическая устойчивость. В других сценариях (например, при расчете премий), наоборот, важно учитывать каждую аномальную сделку. Так возникает различие между техническим качеством и бизнес-достоверностью — это ключевая тонкость, которую важно учитывать при проектировании любых процессов DQ».

Светлана Кузнецова: «Основной результат — повышение надежности и доверия к данным: это напрямую влияет на снижение операционных рисков и повышает эффективность бизнес-процессов»

Светлана Кузнецова, руководитель направления бизнес-автоматизации в компании SimbirSoft, также отдает приоритет повышению надежности и доверия к данным: «Для бизнеса в целом это означает уменьшение ошибок в отчетности, повышение точности прогнозов, снижение затрат на ручную коррекцию данных. Для регуляторов и аудиторов встраивание инструментов DQ — это прозрачность и соответствие нормативным требованиям. Для ИТ-команд — сокращение затрат на сопоставление данных, облегчение интеграции систем, упрощение разработки отчетов, дашбордов и так далее. Финансовый департамент получает более высокую корректность расчетов: суммы сходятся, валюты соответствуют справочнику, пропущенных записей нет. Отдел продаж перестает тратить время на “битые” лиды: устраняется дублирование клиентов в базе, а электронные адреса автоматически проверяются на достоверность. Аналитики получают стабильные отчеты с реальными цифрами. Снабжение знает, что уже есть на складе и под какие изделия эти запасы зарезервированы, а что нужно закупить и в каком количестве».

Мария Русина: «Управляемое качество данных является базовым условием для реализации всех инициатив, основанных на данных»

Мария Русина, руководитель центра компетенций Data Governance & Data Quality «ДАР» (ГК «КОРУС Консалтинг»), основной целью управления качеством данных называет сокращение инцидентов, связанных с их качеством, и повышение доверия к данным и к принимаемым на их основе решениям: «Результатом становится сокращение издержек на несистемное и ситуативное исправление выявленных ошибок, а также снижение рисков, вызванных некорректными данными. Управляемое качество данных является базовым условием для реализации всех инициатив, основанных на данных, — аналитических, предиктивных и генеративных».

Григорий Бокштейн: «Главный результат — это переход от реагирования на проблемы к их предотвращению»

Григорий Бокштейн, ведущий эксперт по управлению данными компании TData, как главный результат рассматривает переход от реагирования на проблемы с данными к их предотвращению, создающий основу для доверия к данным: «Это дает бизнесу скорость и уверенность в решениях, ИТ-службам — предсказуемость процессов, а владельцам процессов — прямой контроль над своими активами и рисками».

Улучшение психологического климата

Что любопытно, некоторые эксперты в качестве одного из важнейших результатов выделяют улучшение психологических условий работы бизнес-пользователей.

Дмитрий Дорофеев: «В результате внедрения DQ снимается огромный пласт психологически неблагодарной работы и создается принципиально новое качество контроля»

«У компании наконец-то появляется ясность вокруг того, что происходит с данными на всех этапах их подготовки, — поясняет Дмитрий Дорофеев, главный конструктор платформы Luxms BI в ГК Luxms. — Обычно чтобы понять, где возникла ошибка, приходится пересматривать всю цепочку загрузок, преобразований, выгрузок — это, как правило, ручной, медленный и довольно бессмысленный процесс: пока ищут причину в одном месте, успевает всплыть что-то новое в другом, да и отчет уже теряет актуальность. Ситуация меняется, когда проверки качества встроены в процесс их подготовки: менеджеры видят, что в их распоряжение поступили недостоверные данные, и могут не показывать отчет, пока их не исправят. В результате снимается огромный пласт психологически неблагодарной работы и создается принципиально новое качество контроля. Даже минимальное внедрение DQ улучшает работу над ошибками при подготовке данных, переводя ее на новый уровень, — исчезает элемент неожиданности, при этом скорость реакции на ошибки многократно возрастает».

Георгий Нанеишвили: «Если данные — это “цифровая кровь” современной организации, то некачественные данные в ней — это как заражение крови в организме»

Георгий Нанеишвили, руководитель отдела по работе с клиентами и развитию бизнеса компании DATAREON, продолжает: «Если данные — это “цифровая кровь” современной организации, то некачественные данные в ней — это как заражение крови в организме. Принятие неверного или несвоевременного решения может обойтись управленцу (особенно среднего звена) очень дорого — вплоть до увольнения. Этот дамоклов меч ведет к высокому уровню стресса и быстрому выгоранию, особенно у молодых управленцев. Принятие решений на основе данных снимает подобные проблемы: если решение оказалось неверным, то виноватым становится не менеджер, а некая машина, генерирующая неверные данные, или некорректная модель. В этом случае модель корректируем, тюнингуем, данные чистим и надеемся на то, что следующее принятое решение уж точно будет верным».

Другие важные результаты

Наши эксперты не упустили из виду и другие важные результаты и нюансы встраивания DQ в процессы.

Павел Егоров: «Благодаря внедрению DQ повышается качество бизнес-критичных процессов, снижаются риски, минимизируется вероятность убытков»

Павел Егоров, руководитель направления Big Data «Инфосистемы Джет», обращает внимание на то, что инструменты DQ дают эффект в сценариях использования дата-продуктов именно в критически важных процессах, где любое снижение качества информации приводит к рискам, убыткам или недополученной выгоде: «Благодаря внедрению инструментов DQ повышается качество бизнес-критичных процессов, снижаются репутационные и финансовые риски, минимизируется вероятность убытков. Важно при этом учитывать три важных аспекта. Первый: необходимо понимать, какие данные влияют именно на критичные процессы (внедрение DQ с охватом всех элементов и данных в компании, скорее всего, не окупится). Второй: чтобы инструменты DQ работали, на каждом этапе подготовки данных нужно определить сотрудника, отвечающего за их получение, полноту, корректность и исправления. Третий: каждый этап подготовки данных должен быть задокументирован — это даст возможность отслеживать происхождение данных (Data Lineage) и упрощает локализацию и устранение неточностей и ошибок в них».

Никита Назаров: «Главная ценность DQ в том, что ИТ-департамент помогает бизнесу увидеть, где именно данные влияют на деньги и на клиентский опыт»

Никита Назаров, технический директор компании HFLabs, отмечает: «Обычно проект по DQ начинается как инициатива ИТ-департамента: его специалисты внедряют каталоги данных и полезные утилиты, но при этом работают изолированно от бизнеса. Потом они приходят к пользователям и предлагают им стать владельцами данных. У пользователей возникает резонный вопрос: зачем им эта дополнительная ответственность? Вот здесь и кроется ключевое противоречие между ИТ и бизнесом. В крупных структурах коммуникация между ними разорвана, и, как следствие, ценность от внедрения DQ теряется. Зато начинается война между бизнесом и ИТ с перекладыванием ответственности или попытками ее возложения на тех, кто не хочет ее принимать. Главная ценность DQ — не в процессах и не в инструментах, а в том, что ИТ-департамент помогает бизнесу увидеть, где именно данные влияют на деньги и на клиентский опыт, и они вместе устраняют найденные проблемы с данными».

Павел Савченко: «Особенно масштабный эффект достигается в организациях, где процессов DQ ранее вообще не существовало»

Павел Савченко, presale-архитектор CedrusData, считает важным эффектом то, что подход DQ by Design обеспечивает автоматизацию и ускорение (в типовых сценариях) процессов обслуживания и улучшения DQ, ускорение реакции на инциденты DQ, а также их унификацию, систематизацию и повышение доступности информации по ним. «Особенно масштабный эффект достигается в организациях, где процессов DQ ранее вообще не существовало: повышается качество и скорость принятия решений, ускоряется разработка и анализ данных, снижаются регуляторные и прочие риски, уменьшается количество инцидентов с данными, повышается удовлетворенность дата-продуктами и доверие к ним внешних и внутренних пользователей и пр., — добавляет Савченко. — Как итог, наблюдается снижение затрат и рост бизнеса».

Итак, встраивание компонентов управления качеством данных в бизнес-процессы позволяет получить широкий диапазон ощутимых полезных результатов и эффектов — от повышения ключевых бизнес-показателей до улучшения психологического климата в коллективах пользователей и выстраивания более конструктивных отношений между ИТ и бизнесом. Чтобы получить достаточные объемы финансирования инициатив в области качества данных, необходимо заручиться поддержкой различных заинтересованных сторон. Командам, отвечающим за данные и их качество, следует вести тесный диалог с ними, делая акцент на тех результатах и их аспектах, которые в наибольшей степени интересуют эти стороны.