Представьте, что перед вами не просто отчет о прибыли — а живая карта, где каждый рубль, потраченный на сервер, каждый час работы разработчика и каждая продажа составляют единую картину успеха. Команда компании R-Vision, разработчика систем цифровизации и кибербезопасности, выстроила своего рода финансовый радар, показывающий, какие вложения работают, а какие — тратят ресурсы впустую. Как ВI объединила данные из ИТ, CRM и продаж, почему сотрудники стали заинтересованы в аналитике, рассказывает Влада Новикова, руководитель направления цифровизации процессов компании R-Vision и номинант на премию BI Award.

- В чем суть вашего проекта, что вы сделали?

Мы получили наглядное представление, которое позволяет оценить вложения и результат их реализации. Мы совместили визуализацию технических, человеческих и финансовых ресурсов для получения наглядной картины финансового успеха компании. Таким образом можно оценить, какие вложения и куда именно приносят наибольший результат.

- Какие бизнес-задачи решает ваш проект и почему это важно для компании? Какую цель вы перед собой ставили на старте?

Все началось с цифровизации и автоматизации работы сотрудников разных отделов. Нужно было добиться упрощения рутинной работы и сохранить возможность иметь достаточное количество данных для дальнейшего построения аналитики.

На старте целью было получить аналитику по продуктам компании, с возможностью детализации в различных разрезах. Но проделав большую работу по цифровизации бизнеса, мы добавили к стандартной финансовой аналитике возможность видеть, из каких вложенных усилий складывается финансовый результат. То есть по данным от виртуальных машин иметь представление, когда и сколько технических мощностей было использовано, плюс сколько потрачено ресурсов команд, которые занимались разработкой определенного продукта.

- Какой подход был выбран? Какие требования предъявляли к создаваемому решению, какие принципы старались соблюдать?

Мы воспользовались data-driven подходом, но с точки зрения бизнеса, а не пользователя. Таким образом, добились возможности строить гипотезы и проверять их на основе полученных данных.

Основных требований было несколько. Во-первых, прозрачность – понимание, какие затраты какой результат приносят. Во-вторых, конфиденциальность. В данном случае это возможность спустить на разные уровни иерархии информацию о полученных результатах. То есть топ-менеджмент видит картину целиком, владельцы продуктов могут проанализировать успехи в рамках своего продукта, а каждый сотрудник — увидеть результат своей работы. Третье требование – информативность, возможность посмотреть результаты в разных разрезах и ретроспективно. И, наконец, масштабируемость. При увеличении штата, количества виртуальных машин или продуктовой линейки система должна продолжать функционировать.

- По каким критериям выбирались технологические компоненты для реализации проекта?

В построении BI мы использовали те системы, где уже была выстроена аналитическая работа, таск-трекинговую систему, собственную разработку для создания спецификаций заказчикам, а также данные о машинах от ИТ-отдела. Для визуализации выбрали платформу Metabase, так как она предоставляла возможность подтягивать информацию из всех информационных ресурсов, которые мы используем в компании, и создавать визуальное представление.

- Что представляет собой созданное решение?

Это cовокупность аналитических дашбордов с возможность гибкой настройки фильтров для получения информации в разных разрезах и ретроспективной аналитики.

- Какие данные охватывает созданная BI-система?

Мы собрали данные из таск-трекинговой системы о человеческих ресурсах, совместили их c данными о серверах, виртуальных машинах и мощностях от ИТ-отдела и добавили к ним данные из CRM собственной разработки, откуда взяли информацию о продажах и пайплайне по нашим продуктам.

- Что было сложнее всего реализовать в ходе проекта? Какие основные проблемы пришлось решать?

Сложнее всего было объединить данные из разных систем и «подружить» их. Если возвращаться к истокам, то самой большой и сложной задачей была цифровизация существующей деятельности компании, которая требует большой подготовительной работы как со стороны сотрудников, так и со стороны бизнеса. Но после того, как этот процесс отлажен, это каждому принесет свои плоды.

- Кто пользуется аналитической платформой и сколько всего пользователей?

Основными пользователями являются топ-менеджмент и владельцы продуктов компании, а также весь коммерческий отдел. В зависимости от уровня чувствительности информации на платформе ей может пользоваться любой сотрудник компании, то есть около 500 пользователей.

- Пришлось ли столкнуться с сопротивлением сотрудников, которых заставляли работать по-новому?

Мы старались реализовать этот переход максимально мягко и бесшовно. За счет того, что работа по цифровизации велась довольно давно и переход осуществлялся постепенно, это не вызвало сильных возражений. Но если они появлялись, то мы их обрабатывали и находили общее решение вместе с сотрудниками, так как никто не знает свою работу лучше, чем сам человек. И не стоит пытаться все перестроить, не вникнув в процессы.

- В чем главная «фишка» проекта? Чем действительно можно гордиться?

Полученной полной картиной и объединением разнородных данных из систем, возможностью видеть взаимосвязи и результаты работы. Мы получили аналитику на разных уровнях и для разных отделов, теперь каждый может оценить и скорректировать свою деятельность. Из неожиданных эффектов стоит отметить сокращение потребления мощностей — нашлись точки, где можно уменьшить потребляемые ресурсы. Кроме того, после наглядного представления данных увеличилась заинтересованность сотрудников в рамках их зон ответственности.

- Каков полученный эффект с финансовой точки зрения?

Более точное верхнеуровневое планирование и понимание, куда стоит направлять наибольшее количество ресурсов. А также сокращение технических затрат в тех местах, где их можно оптимизировать.

- Как планируется развивать проект и какие эффекты ожидаются в перспективе?

Мы хотим на основе полученных данных прогнозировать ресурсы и финансовый успех. То есть добавить предиктивную модель, которая помогала бы видеть не только текущее состояние бизнеса, но и предсказать его будущее развитие. Чтобы быть готовым к рискам и планировать, основываясь на предсказаниях модели.

Мы завершили первые два этапа проекта — цифровизацию и построение системы анализа полученных результатов. Следующий шаг — внедрение нейронных сетей для построения предсказаний по полученным результатам.