Как оценить потенциал дата‑проекта. Основные метрики на примере финтеха

Анализ данных позволяет бизнесу объективно оценивать потенциал новых продуктов и сервисов, снижать издержки и риски, грамотно планировать бюджет, а значит, эффективнее масштабироваться. Поэтому всё больше крупных компаний выбирают подход data‑driven — способ принимать бизнес‑решения на основе анализа данных.

По данным Yandex Cloud, в 2023 году спрос на инструменты для аналитики данных вырос в 1,7 раз. Это сервисы для сбора, структурирования и визуализации данных, разработки моделей машинного обучения и другие решения.

Но если опираться на цифры из отчёта Chief Data Officer Study, то окажется, что лишь у 8% CDO инвестиции в дата‑проект окупились. Частая причина неудач — компании не знают, как оценить эффективность проекта до его старта. Обратная ситуация — уже завершённый проект оказался успешным, но у аналитика и руководителей недостаточно данных, чтобы это подтвердить.

Как оценить отдачу от дата‑проектов: распространённые метрикиКак оценить отдачу от дата‑проектов: распространённые метрики

• ROI (Return of Investments) — процентное соотношение между доходом и инвестициями в проект.

  Чем выше ROI, тем эффективнее инвестиции.

• RICE (Reach, Impact, Confidence, Effort) — метрика, которая помогает приоритезировать любые задачи или проекты.

  RICE используют для того, чтобы решить, какой проект запускать в первую очередь, а какой вообще отложить.

• CBA (Cost Benefit Analysis) — оценка издержек и выгод или анализ эффективности затрат. Проводится для оценки рисков и отсева наименее эффективных решений. Аналитик использует измеримые финансовые или нематериальные показатели: суммирует потенциальные выгоды от ситуации или действия, а затем вычитает общие затраты, связанные с этим действием.

  Если после всех подсчётов окажется, что ваша компания получит больше выгоды, чем потратит ресурсов, это говорит о том, что проект эффективен.

Какой подход выбрать руководителю: опыт финтех‑компанийКакой подход выбрать руководителю: опыт финтех‑компаний

Среди лидеров по использованию сервисов платформы данных — финтех. Это в чистом виде цифровой бизнес, где данные — ключевой актив. Именно с финтеха началось внедрение в бизнес‑процессы AI‑технологий и аналитики данных. У таких команд самый большой опыт работы с данными. Именно поэтому подходы, которые они используют, могут пригодиться компаниям из других индустрий.

Своим опытом поделились участники рынка:

«В Альфа‑Банке используем традиционный для многих IT‑проектов подход Cost Benefit Analysis (CBA): оцениваем соотношение затрат и прибыли на горизонте двух‑трёх лет. В затратах учитываем расходы на инфраструктуру, хранение данных и вычисления; покупку лицензий для программного обеспечения; инвестиции в загрузку и обработку данных, построение витрин, отчётов и моделей; стоимость сопровождения дата‑продукта и обработки обращений.

Облачные платформы ускоряют и упрощают расчёты эффективности дата‑проектов: действия пользователей логируются и мы видим, как сотрудники работают с данными».

«Для оценки эффективности своих дата‑продуктов и решений мы применяем классические метрики: доходность, число клиентов, влияние на капитализацию компании, ROI проекта, удовлетворённость клиента — NPS (Net Promoter Score) — причём как внешнего, так и внутреннего. Классическими показателями качества производства могут служить метрики качества тестирования, например Defect containment, отклонение от планов по срокам и бюджету, скорость от появления идеи до внедрения (Time to Market) и до получения ценности (Time to Value), метрики эффективности работы с бэклогом (Lead time, Cycle time). Если говорить об IT‑проектах, нацеленных на обеспечение дата‑продуктов данными, то здесь могут применяться специализированные метрики, например количество вычислений в единицу времени или стоимость 1 ТБ данных».

«На начальном этапе, когда формируются проектные инициативы различными подразделениями, применяем методику RICE. Это позволяет оценить потенциальный охват, уверенность в достижении результатов, нужные усилия и ожидаемое влияние на клиентов, тем самым выявляя наиболее перспективные проекты. Следующий шаг — уточнение оценки с помощью CBA-анализа: подсчёт потенциального экономического эффекта инициативы и затрат на её реализацию. Особое внимание уделяется согласованию ожидаемых результатов с заказчиком.

На этапе ретротестирования или пилотного исследования проектных решений мы оцениваем влияние аналитических решений на бизнес-процессы, сравнивая реальные данные с результатами CBA. А окончательную оценку проекта производим после его внедрения: анализируем фактический вклад в чистый операционный доход, прирост транзакционной активности и операционный доход от удержания клиентов».

Где узнать больше о подходе data‑driven, управлении проектами и анализе данныхГде узнать больше о подходе data‑driven, управлении проектами и анализе данных

Полную версию этой статьи можно прочитать в РБК Pro. Там мы рассказываем, как защитить проект после того, как вы оцените его эффективность.

А ниже собрали несколько историй успеха — статьи о том, как компании из разных индустрий эффективно управляют данными в облаке:

• Как «Автостэлс‑Тех» построил аналитическую платформу для управления данными

• Сократить на 80% время внедрения изменений в дата‑продукты при снижении стоимости эксплуатации. Опыт «М.Видео‑Эльдорадо»

• Как «ДелоТех» разрабатывает DWH на базе платформы данных