Интервью с CIO крупного ритейлера: как мы строим data-driven культуру

# Интервью с CIO крупного ритейлера: как мы строим data-driven культуру

В ритейле data-driven культура не появляется сама по себе: она начинается с управляемых данных, понятных бизнес-метрик и дисциплины в принятии решений. Если этого нет, даже дорогая аналитическая платформа превращается в набор красивых дашбордов без влияния на выручку и операционные процессы. За годы работы с крупными розничными сетями я вынес для себя одну простую истину: культура — это не софт и не алгоритмы. Это способность организации держать удар цифрами, когда интуиция подводит, а ставки высоки.

Почему для ритейла data-driven культура — это не мода, а способ выживания

Ритейл живет в среде, где решения нужно принимать быстро: по запасам, ассортименту, ценам, промо, логистике и клиентскому опыту. Когда компания опирается не на данные, а на интуицию отдельных руководителей, ошибки масштабируются очень быстро. Именно поэтому компании, которые системно выстраивают data-driven подход, выигрывают в скорости реакции и качестве управленческих решений. В моей практике был случай, когда сеть из трехсот магазинов теряла до 5% маржи просто из-за того, что категорийные менеджеры назначали цены «по рынку», не имея перед глазами рассчитанной эластичности спроса по каждому SKU.

Важно понимать: data-driven культура — это не только BI-платформа и не только «аналитики в отделе». Это привычка всей организации задавать вопрос: какие данные подтверждают это решение? Такой подход особенно важен для крупных сетей, где любое локальное изменение может повлиять на десятки процессов сразу. Вопрос «на основании чего мы это делаем?» должен звучать на каждом операционном совещании так же естественно, как вопрос о бюджете.

С чего начинается data-driven культура в компании

Обычно разговор о data-driven культуре в ритейле начинают не с технологии, а с цели. И это правильно: прежде чем строить витрины данных и внедрять ML-модели, нужно ответить на вопрос, какие решения должны улучшиться. Без этого мы получаем дорогостоящий «зоопарк» отчетов, на которые никто не опирается. В практике CIO чаще всего речь идет о пяти направлениях:

• управление запасами;
• прогноз спроса;
• ценообразование;
• эффективность промо;
• клиентская аналитика.

Если цель не сформулирована, данные остаются «общим благом», но не становятся инструментом бизнеса. В зрелых компаниях именно бизнес-заказчик определяет, какой KPI должен измениться, а ИТ и аналитика подбирают модель работы с данными под этот KPI. Проще говоря, не ИТ приходит в бизнес с идеей «давайте внедрим ML», а бизнес говорит: «Я хочу снизить потери с 3% до 1,8%, что вам для этого нужно?». Это кардинально меняет динамику работы — от сервисной функции к партнерской.

Как понять, есть ли у вас основа для data-driven подхода

Проверьте, отвечают ли сотрудники на три простых вопроса:

• какие данные используются в каждом ключевом решении;
• кто владеет определением метрики;
• что происходит, если данные противоречат мнению руководителя.

Если ответы расплывчаты, data-driven культура еще не стала частью операционной модели. По моим наблюдениям, третий пункт — самый диагностический. Когда на совещании директор магазина говорит: «Я чую, что спрос пойдет вверх», а система показывает падающий тренд, чью сторону принимает организация? Если побеждает «чутье», вы не data-driven, вы все еще на стадии интуитивного менеджмента, просто теперь с дорогой инфраструктурой.

Как CIO строит data-driven культуру: практический взгляд

Управление данными в ритейле нельзя свести к одному проекту. По сути, CIO выстраивает систему, в которой данные становятся управленческим активом, а не побочным продуктом транзакционных систем. Обычно это происходит в несколько этапов, и каждый следующий опирается на фундамент предыдущего. Перепрыгнуть через этап не получится — в лучшем случае вы создадите иллюзию контроля.

1. Наводим порядок в определениях

Одна из самых частых проблем — разные подразделения по-разному считают одно и то же. Например, «активный клиент», «маржинальность», «потерянная продажа» или «наличие товара» могут иметь несколько трактовок. Пока компания не договорится о единых правилах расчета, спорить будут не о решении, а о цифре. Это бич корпоративной аналитики: совещание тонет в склоках о том, чей отчет правильный, а суть ускользает.

Что помогает:

• единый каталог метрик;
• владельцы показателей со стороны бизнеса;
• согласованные правила расчета;
• контроль версий определений.

Без каталога метрик, закрепленного на уровне регламента, любая data-driven инициатива рассыпается в кросс-департаментных войнах. Я всегда рекомендую начать с 20–30 ключевых метрик верхнего уровня, а не пытаться описать все тысячи показателей сразу.

2. Строим доверие к данным

Data-driven культура не работает, если сотрудники не доверяют цифрам. Доверие появляется только тогда, когда данные стабильно точны, доступны и объяснимы. Для этого CIO обычно выстраивает сквозной контроль качества: от источника до витрины и отчета. Если пользователь один раз нашел ошибку в отчете и не получил внятного объяснения, он подсознательно перестанет опираться на эти цифры.

В практике это означает:

• контроль полноты и актуальности данных;
• фиксацию источника истины (часто это учетная система, а не чья-то Excel-таблица);
• прозрачную историю изменений;
• понятные правила исправления ошибок, в идеале — зафиксированный SLA на пересчет.

Зрелость здесь определяется просто: если директор по маркетингу начинает утро не с вопроса «где там наша отчетность», а сразу открывает дашборд, значит доверие сформировано.

3. Делает данные частью ежедневной работы

Если аналитика существует отдельно от операционных процессов, она не меняет поведение людей. Поэтому данные должны быть встроены в рутину: планерки, закупки, промо-планирование, оценку эффективности магазинов, работу категорийных менеджеров. Я часто вижу, как красивые стратегические дашборды пылятся, пока реальные решения принимаются по звонку или в табличке, которая живет своей жизнью на почте у троих человек.

Именно здесь data-driven культура становится реальной: когда решение нельзя принять, не посмотрев на показатель. К примеру, согласование заказа на пополнение должно быть заблокировано в системе, если прогнозный коэффициент оборачиваемости падает ниже порога, а менеджер не указал обоснование. Это не про бюрократию, а про вшивание данных в ДНК процессов.

Главные барьеры на пути к data-driven культуре

Большинство компаний сталкиваются не с отсутствием технологий, а с организационными ограничениями. Ниже — самые типичные. По сути, это универсальный список «граблей», на которые наступали даже очень крупные игроки.

Почему технологии сами по себе не решают проблему

Даже лучшая платформа не заменит управленческую дисциплину. Если руководители продолжают поощрять решения без аргументации, data-driven культура не закрепится. Технология дает возможность, но привычку формирует система управления. Я не раз видел, как после внедрения продвинутой аналитики совет директоров продолжает одобрять стратегические инициативы, основываясь на «звонке другу из отрасли», а не на прогнозных моделях. Это мгновенно обнуляет все инвестиции в ИТ.

Какие роли нужны для устойчивой data-driven модели

Data-driven культура держится не на одном CIO. Нужна команда ролей, где у каждого есть ответственность. Отсутствие хотя бы одной из них создает критичный разрыв в управлении данными как активом.

• CIO отвечает за технологическую платформу, интеграции и надежность данных.
• CDO или руководитель по данным управляет методологией, качеством и использованием данных.
• Бизнес-владельцы метрик определяют, что именно считается успехом, и отвечают за бизнес-интерпретацию.
• Аналитики превращают данные в понятные выводы и сценарии, выступая переводчиками между сырыми цифрами и языком бизнеса.
• Руководители функций используют аналитику в принятии решений и формируют спрос на качественные данные.

Если хотя бы одна из этих ролей не определена, data-driven культура начинает зависеть от личной вовлеченности отдельных людей, а не от системы. В какой-то момент ключевой сотрудник уходит, и вся конструкция дает трещину.

Что обязательно должно быть в архитектуре данных

Для крупного ритейлера data-driven культура невозможна без базовой архитектурной опоры. Важно не просто хранить данные, а обеспечить их движение и пригодность для бизнеса. Без этого любое изменение в ландшафте источника мгновенно разрушает витрины и подрывает доверие пользователей.

Минимальный набор элементов

• источники данных из касс, ERP, CRM, e-commerce и логистики — весь контур операционной деятельности;
• интеграционный слой, гарантирующий доставку без потерь;
• хранилище или lakehouse-подход, позволяющий работать как с сырыми логами, так и с агрегатами;
• слой качества и управления справочниками (очень большая тема в ритейле, где НСИ критична);
• витрины данных для бизнеса, оптимизированные под конкретные запросы;
• BI- и self-service-инструменты;
• мониторинг качества и доступности, метрики самого пайплайна данных.

Что проверять в первую очередь

• можно ли получить одну и ту же метрику из разных систем без расхождений;
• сколько времени проходит от события до появления данных в отчетности (задержка критична для операционных решений);
• понимает ли пользователь, откуда взялась цифра (data lineage);
• есть ли контроль доступа и защита чувствительных данных, особенно персональных данных покупателей.

Архитектура, не прошедшая этот чек-лист, будет бесконечно генерировать инциденты, и команда аналитики превратится из проактивного партнера в вечно тушащую пожары службу поддержки.

Как внедрять data-driven культуру без сопротивления бизнеса

Сопротивление обычно возникает не потому, что люди против данных. Чаще всего им неудобно работать по новым правилам. Поэтому внедрение должно быть не «сверху вниз» в виде приказа, а через полезные сценарии. Задача — не продавить, а сделать так, чтобы новый способ работы стал объективно более удобным и выгодным для конечного пользователя.

Рабочий подход

1. Выберите 2–3 решения с заметным финансовым эффектом. Лучше всего заходят кейсы с управлением уценкой или промо-бюджетом — там эффект виден в цифрах быстро.
2. Покажите, как данные улучшают именно эти решения. Не в виде презентации, а в виде конкретного A/B-теста или пилота на одной категории.
3. Зафиксируйте новый процесс принятия решения, сделав его формальным стандартом.
4. Сделайте результат видимым для руководства и, что важно, публично признайте вклад тех, кто применил данные.
5. Расширяйте практику на другие функции, используя успешный кейс как аргумент.

Так data-driven культура перестает быть абстрактной идеей и становится рабочим инструментом. Когда коллеги из смежного департамента сами приходят и спрашивают: «А можно нам так же, как у них?», — вы на правильном пути.

Какие KPI помогают понять, что data-driven культура реально работает

Нельзя управлять тем, что не измеряется. Для оценки зрелости data-driven культуры полезно смотреть не только на бизнес-эффект, но и на поведение организации. Числовые метрики здесь — лакмусовая бумажка глубины изменений.

Примеры показателей

• доля решений, принятых на основе данных, от общего числа решений в ключевых процессах;
• время подготовки управленческой отчетности (от закрытия периода до получения выверенного отчета);
• процент метрик с закрепленным владельцем в каталоге;
• доля данных, проходящих контроль качества, с измеряемым уровнем дефектности;
• число пользователей, регулярно работающих с аналитикой (а не зашедших один раз);
• влияние аналитических инициатив на выручку, маржу или потери в деньгах.

Если KPI есть только у ИТ, а бизнес их не использует в своем контуре управления, data-driven культура остается на уровне проекта. Если же метрики встроены в регулярный цикл управления и влияют на мотивацию, это уже признак зрелости.

Что чаще всего делают неправильно

Ошибки в этой теме повторяются из компании в компанию. Вот самые опасные из них, каждая из которых способна отбросить программу на годы назад:

• запускают платформу раньше, чем определили бизнес-цели — получается «решение в поиске проблемы»;
• считают, что BI сам по себе формирует культуру — но это лишь инструмент, а не готовая культура;
• не назначают владельцев данных — и качество деградирует до уровня «никто не отвечает»;
• не обучают руководителей читать аналитику — в итоге мощные инсайты остаются невостребованными;
• не связывают data-проекты с финансовым результатом — это лишает программу поддержки топ-менеджмента при первой же турбулентности.

Эти ошибки особенно заметны в ритейле, где высока скорость операций и любое управленческое промедление быстро превращается в потери. Слишком высокая цена ошибки, чтобы учиться на собственном опыте, а не на чужом.

Практический чек-лист для CIO и CDO

Если вы хотите оценить текущую зрелость data-driven культуры, проверьте:

• есть ли единый список ключевых метрик, принятый на уровне правления;
• определены ли владельцы данных и показателей, записаны ли их KPI;
• можно ли отследить путь данных от источника до отчета (происхождение каждой цифры);
• пользуется ли бизнес аналитикой ежедневно для операционных решений;
• есть ли контроль качества данных с автоматическими алертами;
• измеряется ли экономический эффект от аналитики в деньгах;
• обучены ли руководители работе с данными и интерпретации результатов;
• встроена ли аналитика в реальные управленческие процессы (регламенты, чек-листы).

Если хотя бы половина пунктов вызывает сомнения, компания еще только строит data-driven культуру, а не управляет ею. Это не приговор, а точка отсчета для системного движения.

FAQ

Что такое data-driven культура простыми словами?

Это привычка принимать управленческие решения на основе проверенных данных, а не только интуиции или опыта отдельных руководителей. Это когда «я так думаю» уступает место «данные показывают».

С чего начать внедрение data-driven культуры в ритейле?

С выбора 2–3 приоритетных бизнес-задач и согласования единых метрик, которые действительно влияют на результат. Не с выбора вендора, не с архитектурной диаграммы, а с вопроса «где мы теряем больше всего денег из-за отсутствия данных?».

Почему data-driven культура часто не приживается?

Потому что компании внедряют инструменты, но не меняют управленческие привычки, ответственность за данные и правила принятия решений. Культура — это то, что происходит после того, как вы выключили проектор с красивой презентацией стратегии.

Кто должен отвечать за data-driven культуру — ИТ или бизнес?

Ответственность делится, и это принципиально: ИТ обеспечивает платформу и качество данных, а бизнес определяет метрики, сценарии и использует аналитику в управлении. Одна сторона без другой создает лишь видимость движения.

Как быстро можно увидеть эффект?

Первые результаты обычно видны там, где есть понятный бизнес-кейс: запасы, промо, цены, потери, клиентская аналитика. При грамотном пилоте эффект можно получить за 1–2 квартала. Но устойчивый эффект появляется только после закрепления процесса и дисциплины использования данных, а это горизонт года и более.