Почему большие данные часто бесполезны для бизнеса

Большая четверка банков Австралии – Westpac, National, ANZ и Commonwealth – тратит огромные деньги и перелопачивает горы клиентских данных, сопоставляя набор переменных, например пол, возраст и профессию, с банковскими продуктами и услугами. Крупнейший банк страны Commonwealth объявил о большом проекте в сфере данных.

Две главные сети супермаркетов Австралии – Woolworths и Coles – тоже прочесывают клиентские данные. Они используют огромные вычислительные мощности и статистические методы, чтобы искать «инсайты»: например, сопоставляют активность в интернете и социальных сетях с паттернами покупок.

Без корреляционного и регрессионного анализа огромного объема данных не обойтись, но CEO и топ-менеджеры на этом часто успокаиваются и решают, что теперь им не нужно слушать клиентов, ведь всем занимается IT-отдел.

Чтобы изучить обманчивую привлекательность данных, посмотрим, как один бизнес много лет за ними прятался.

Кит – директор компании по управлению капиталом, обслуживающей в первую очередь состоятельных частных лиц. Фирма помогает им с инвестициями, предоставляя продукты, портфельные решения, советы по финансовому планированию и покупке недвижимости.

Как и компании-конкуренты, фирма Кита проводила опросы, чтобы анализировать свои результаты. Но в какой-то момент директор и менеджеры поняли, что опросы не дают результатов, которые помогали бы в разработке стратегии.

Поэтому команда Кита решила пойти другим путем: внимательно слушать клиентов. Они провели ряд интервью, на которых дали клиентам возможность свободно говорить, и результаты глубоко их поразили.

Во-первых, Кит понял, что его данные бесполезны. Вопросы в анкетах были построены на представлениях менеджеров о том, что им хотят сказать клиенты, а не на том, что клиенты хотели сказать на самом деле. Поэтому собранные данные, в свою очередь, тоже не отражали реальных пожеланий клиентов. Списки приоритетов, составленные по итогам интервью с клиентами, и того, что менеджеры считали приоритетом клиента, совпадали лишь в половине случаев.

Этот директор не одинок в своем заблуждении: исследования показывают, что большие данные часто бывают совершенно неверными. Deloitte приводит выводы одного из исследований: свыше двух третей респондентов заявили, что сторонние данные о них были в целом верны только на 0–50%. Треть респондентов сочли, что эта информация верна на 0–25%.

В случае Кита к этому прибавлялась ошибка в оценке приоритетов. Например, компания считала, что возрастные клиенты не будут ставить технологии (цифровые и онлайн-инструменты) высоко в списке требований. Однако по результатам интервью они обнаружили, что, хотя сами эти клиенты не были активными пользователями технологий, для них это все равно было важно. Потому что с сайтом за них работали ассистенты, которые ценили технологии, к тому же они считали современные технологии необходимым требованием для бизнеса.

Кит и его команда также с удивлением обнаружили: чтобы получить по-настоящему полезную информацию, понадобилось очень мало интервью. Он говорит, что всего 18–20 клиентов помогли выяснить все самое главное. Это так называемый эффект насыщения – исследовательский термин, который означает точку, где можно переставать проводить интервью, потому что ничего нового вы уже не услышите.

Общаться с клиентами – это не так интересно и ново, как инвестировать в большие данные. Зато у такого общения есть долгая история успеха. Вспомним, например, важный момент в истории Toyota.

Когда в Toyota решили разработать премиальный автомобиль для США, команда не засела в Токио, чтобы продумать идеальный дизайн, и не стала анализировать мнения клиентов о старых моделях. Вместо этого компания отправила своих дизайнеров и менеджеров в Калифорнию, чтобы те изучили целевую аудиторию (американских менеджеров мужского пола с высоким доходом), поговорили с ними и выяснили, что им нужно от машины. Полученная таким образом информация вместе с несомненно отличными инженерными навыками дали Toyota совершенно новое направление: экспорт элитных машин под брендом Lexus в США.

Поэтому, если ваши данные не из разряда совершенно неверных, используйте современные технологии, ищите паттерны в поведении клиентов, но понимайте ограничения больших данных. Это исторические и статичные данные. Исторические – потому что это информация о прошлом; ваши клиенты, скорее всего, уже ведут себя не так, как это показывают данные. И статичные – потому что, как и любой другой метод компьютерного моделирования, они никогда не смогут ответить на вопрос, который не пришел вам в голову.

Об авторе: Грэм Кенни – генеральный директор компании Strategic Factors

Статья впервые опубликована в «Harvard Business Review Россия». Оригинал статьи здесь