Консалтинг и автоматизация в области управления
эффективностью банковского бизнеса

Публикации

Rusbase

Почему многие проекты в сфере бизнес-аналитики обречены на провал

История развития аналитических инструментов и приложений ведет свое начало с 80-х годов прошлого века. Последние два десятка лет – в период реально массового присутствия этого ПО на отечественном рынке - прослеживается своего рода эффект маятника: внимание потребителей смещается то в сторону средств бизнес-анализа (Business Intelligence, BI), то к приложениям для бизнес-аналитики (Business Analytics, BA). Так, в начале 2000-х популярность стремительно набирали инструменты бизнес-анализа, результатом консолидации рынка в 2003-2005 гг. стали BI-платформы, объединившие средства для построения хранилищ данных, их анализа и подготовки отчетов. Первая волна BI-проектов оказалась «сырой» и потерпела фиаско. Потом настал черед BA-приложений, но их «взлет» остановил финансовый кризис 2008 года. Затем тема самообслуживания в аналитике возродила интерес к BI, который, увы, разбился о сложность «повзрослевших» и набравших сложность инструментальных платформ. Сегодня в фокусе вновь данные и бизнес-аналитика, позволяющая извлекать из них полезную информацию для разных категорий потребителей. Наряду с традиционными BA-приложениями для планирования и бюджетирования, управления прибыльностью, рисками, подготовки аналитической, управленческой и финансовой отчетности востребованы прикладные интеллектуальные алгоритмы анализа данных. Вместе с тем, количество провалов при внедрении аналитических технологий все эти годы практически не сокращается. Максим Астахов, руководитель коммерческого офиса компании Intersoft Lab, рассказывает, почему многие проекты по построению систем бизнес-аналитики не оправдывают возложенных на них надежд, и как с этим бороться.

Наступает эпоха аналитики

Тема данных и аналитики очень популярна. СМИ изобилуют красочными рассказами о возможностях, которые сулят «наука о данных» (машинное обучение, глубокое обучение и пр.) и ее венец - искусственный интеллект (ИИ).

Ажиотаж вокруг них имеет веские материальные основания. Например, по прогнозу McKinsey Global Insitute, потенциальная польза от применения идей ИИ может составить около 3,5-5,8 трлн дол. ежегодно[1]. Совместное использование ИИ и традиционных аналитических технологий способно дать прирост в экономической эффективности на 62%: в туризме – на 128%, в ритейле – на 87%, в сельском хозяйстве – на 55%, в банках – на 50%, в телекоммуникациях - 44%, в страховании – на 38%.

Аналитический разрыв

Несмотря на радужные перспективы многие аналитические проекты – и далеко не самые «передовые» - на поверку не оправдывают возложенных на них надежд.

В подтверждение - немного «отрезвляющей» статистики. Полтора года назад консалтинговая фирма KPMG опросила свыше тысячи генеральных директоров[2]. Выяснилось, что более половины из них не уверены в отчетных данных, на основании которых принимают решения.

Возращение к истоками или почему мы заговорили о хранилище данных

Система бизнес-аналитики – это «два в одном»: аналитические приложения опираются на корпоративное хранилище данных[3] (далее - ХД), или как его еще образно называют «единый источник правды». В идеале ХД служит источником выверенной информации, на основании которого решаются самые разные задачи в области бизнес-аналитики: планирование, бюджетирование и прогнозирование, управление доходностью и проч. и готовится разнообразная отчетность: аналитическая, управленческая, МСФО, для органов надзора и пр. Но это в идеале. По данным аналитиков Gartner, еще в 2005 году более 50% проектов построения ХД считались неудачными[4]. На сегодняшний момент ситуация мало изменилась - по оценке экспертов из McKinsey, только 20% банков, с которыми они работали, сумели построить ХД[5]. Статистика в отечественном финансовом секторе не менее печальная – по нашим оценкам 38% проектов построения ХД, о которых на протяжении последних 15 лет громко заявляли банки и поставщики ПО, потерпели сокрушительный провал; и это без учета ситуации в кредитных организациях, прекративших свое существование в результате отзыва лицензий.   

Несмотря на кажущуюся заурядность ХД, модным нынче технологиям без них просто не обойтись. В финансовой отрасли, например, консультанты EY прогнозируют применение программ-роботов для выполнения регуляторного анализа отчетных данных[6]. Подготовка этих данных перед отправкой в регуляторные органы – прямое назначение ХД.

Как не завалить проект внедрения аналитической системы

Понятно, что печальную статистику нужно улучшать, если мы хотим попасть в светлое цифровое будущее.

Предлагаем шотлист рецептов, на что обратить внимание, чтобы не завалить проект внедрения ХД и автоматизации на его основе различных задач бизнес-аналитики. Предложенные ниже рекомендации опираются на опыт работы компании автора в финансовом секторе. Несомненно, существуют отраслевые нюансы, но в целом его можно перенести и на другие отрасли. Финансовую вертикаль принято считать одной из наиболее продвинутых в освоении ИТ, поэтому будет интересно, услышать комментарии экспертов из других отраслей.

Помните: что посеешь, то и пожнешь

Наиболее часто в зарубежной прессе пишут о низком качестве исходных данных - GIGO[7] или по-русски «что посеешь, то и пожнешь» – как о главном препятствии к успешному внедрению ХД. В российской практике сложности с качеством данных также имеют место, но, по опыту, скорее могут привести к затягиванию проекта и перерасходу бюджета, чем к краху.

Для признания проекта неудачным это, строго говоря, недостаточно веские причины. Тем не менее – вот совет, как победить проблемы с качеством данных.

Нужно исходить из того, получение надлежащего качества данных не является разовой задачей и решать ее следует комплексно. Поэтому целесообразно построить собственную экспертизу в управлении данными - в дополнение к модулям контроля и обогащения данных, поставляемым в составе ХД, запросить у поставщика постановку технологии по обеспечению качества данных, а внутри организации создать специальное подразделение - службу качества данных, которое будет следить за ее исполнением. По такому пути, например, пошел при создании ХД Банк «Санкт-Петербург», что, по оценке его представителей, позволило существенно снизить количество ошибок в данных (в одном только кредитном портфеле в 15 раз), повысить доверие к данным, а вместе с ним и качество управленческих решений.

Не ставьте пятое колесо в телегу

Если инициатива по построению ХД не подкреплена объективными бизнес-потребностями, такой проект обречен. Подобная ситуация может возникнуть, например, если при решении о его создании реалии бизнеса пытаются подогнать под чужой опыт, который на самом деле успешен при многих прочих отличных условиях. Например, внедрение ХД не оправдано, если объем данных невелик и вполне может обрабатываться с помощью привычных электронных таблиц. В итоге ХД станет дорогим колесом от иномарки, но пятым и в телеге.

Рекомендация построить ХД может присутствовать и в высокоуровневой ИТ-стратегии, предписанной именитыми консультантами. Старт такого проекта в отрыве от интересов конечных потребителей чреват тем, что ИТ-служба организует наполнение ХД данными, не ориентируясь на решение конкретных прикладных задач. Такой процесс без результата очевидно не оправдает вложенных в него денег, финансирование прекратится и проект будет заморожен.

Совет здесь может быть только один – не начинайте проект, если он не опирается на реальные бизнес-потребности. Инструментальная платформа ХД в отрыве от приложений для бизнес-аналитики не принесет большой пользы.  В идеале, на входе в проект сделайте прогноз качественных и количественных выгод от решения реальных прикладных задач и окупаемости. Например, исходя и своего проектного опыта мы прогнозируем, что на каждом цикле подготовки управленческой отчетности на основе ХД экономия от автоматизации может достигать 1 млн рублей.

Среди наиболее часто встречающихся целей внедрения бизнес-аналитики в банках можно назвать обеспечение доверия к данным, повышение точности и гранулярности управленческой отчетности, сокращение трудоемкости и сроков ее подготовки, автоматизация методик аллокаций расходов, трансфертного управления ресурсами и функционально-стоимостного анализа, переход к самостоятельному расчету произвольных аналитических показателей. Так, в московском НОВИКОМБАНКЕ после внедрения системы управления эффективностью отчетность по финансовому результату готовится с учетом трансфертной стоимости ресурсов и разнесения накладных расходов по подразделениям, точкам продаж и клиентам.  Казахстанский Банк «ЦентрКредит» добился адекватной обоснованной оценки результативности бизнес-направлений, себестоимости банковских продуктов и рентабельности клиентов и клиентских сегментов. С помощью информационно-аналитической системы банк перешел на ежедневный режим подготовки управленческой отчетности, существенно сократив сроки расчета финансового плана и управленческого баланса. После внедрения сервиса самообслуживания в бизнес-аналитике Банк Казани централизовал в одном подразделении подготовку управленческой аналитики для всех служб и сотрудников. Используя для подготовки отчетности единое корпоративное ХД, в банке обеспечили согласованность показателей эффективности, применяемых для контроля различных бизнес-направлений на всех уровнях управления.

Избегайте иллюзорных обещаний

Каждый программный продукт имеет четко очерченные рамки применения и соответствующую архитектуру. Архитектура ХД ориентирована на быстрое извлечение информации из массива собранных данных, расчет показателей и представление полезной информации в виде отчетов.

Агрессивный маркетинг и продажи - на кону контракт с шестью нулями – подчас приводят к тому, что заказчики приобретают для создания аналитических систем программные платформы, архитектурно далекие от ХД. Так, под лозунгом «два в одном» в комплекте с основной учетной системой может поставляться псевдо ХД, которое на поверку оказывается копией АБС.  При такой конфигурации клон АБС искусственно освобождается от обработки транзакций, но это не меняет его архитектуру – она по-прежнему не оптимизирована для решения аналитических задач, как минимум, не позволяет быстро получать ответы на произвольные запросы к данным, что является ключевым требованием к инструментам бизнес-аналитики.

На практике не редки случаи, когда ХД пытаются строить с помощью инструментов интеграции данных. Такое хранилище по сути является промежуточным оперативным складом данных[8], лишенным отраслевой модели и обязательного для «правильного» ХД набора функциональности: системы контроля качества данных, управления метаданными, бизнес-логики и пр. Жизнь такого ХД скоротечна – подготовка более-менее сложного нового отчета потребует реинжиниринга и индивидуальной разработки, т.е. фактически финансирования и реализации нового проекта с нуля.

Чтобы не стать жертвой иллюзорных обещаний, стоит взять в штат ИТ-архитектора с успешным опытом создания ХД и, полагаясь на его экспертизу, выбирать ПО. Дополнительным подспорьем будут референс-визит к действующим заказчикам поставщика, у которых эксплуатируется ХД для поддержки нескольких прикладных задач. Например, в Группе «СМП Банк» решение тендерного комитета о выборе поставщика ХД основывалось на результатах референс-визитов сразу в несколько банков. Более того, старту основного проекта предшествовал пилотный этап, в ходе которого в головном Банке Группы были опробованы основные механизмы ПО для создания ХД и автоматизации управленческой и аналитической отчетности.

Откажитесь от бесплатного сыра

Наконец, последняя причина - отсутствие адекватного финансирования либо полное его отсутствие. Несмотря на то, что без бюджета и проекта быть не может, поставщик может предложить начать внедрение ХД даже бесплатно, чтобы «зайти» в банк, через голову конкурентов, но в последствии, так и не получив «должного» вознаграждения, «бросить» его. Другой случай – когда в условиях урезания всего ИТ-бюджета средства на развитие уже созданного ХД перестают выделяться, со временем ХД «деградирует» и в конце концов перестает использоваться.

Чтобы не оказаться в «хранилищеловке», заказчику следует выбирать открытое и документированное ПО, в ходе внедрения обучить работе с ним собственных специалистов и даже разделить с вендором часть работ по внедрению, чтобы проверить свои навыки в деле. Это позволит, с одной стороны, оптимизировать бюджет проекта, с другой, застрахует от проблем в случае наступления «трудных времен». Например, в упомянутой выше Группе «СМП Банк» после построения ХД в головном банке Группы, работы по загрузке в ХД данных бухгалтерского учета других участников группы - МОСОБЛБАНКа и Финанс Бизнес Банка, взяли на себя банковские специалисты. В НОВИКОМБАНКЕ бизнес-сопровождение управленческой модели в системе расчета финансового результата полностью осуществляется силами Финансового управления.

Имея компетенции во внедрении и сопровождении ПО, банк сможет в какой-то период самостоятельно развивать ХД без сопровождения поставщиком. И все же следует помнить, что любое ПО рано или поздно устаревает, и совсем без инвестиций в его развитие не обойтись.



[1] Michael Chui, James Manyika, Mehdi Miremadi, Nicolaus Henke, Rita Chung, Pieter Nel, and Sankalp Malhotra. Notes from the AI frontier: Applications and value of deep learning. Discussion Paper McKinsey Global Institute. April 2018.

[2] Building trust in analytics: Breaking the cycle of mistrust in D&A. KPMG’s Data & Analytics (D&A). October28, 2016.

[3] От англ. data warehouse

[5] Analytics comes of age. McKinsey Analytics. January 2018.

[6] Развитие индустрии RegTech: текущая ситуация и перспективы. Презентация Ernest and Young на технологическом форуме Thomson Reuters "Банковская индустрия в эпоху FinTech: вызовы для бизнеса". 15 ноября 2017 г.

[7] Сокр. с англ. garbage in – garbage out.

[8] От англ. operational data store.