Как достичь окупаемости 192% при внедрении проекта по управлению нормативно-справочной информацией (НСИ) ?

Компании годами пользуются устаревшими, полными ошибок и задвоений справочниками клиентов, контрагентов или товаров, но не рассчитывают, насколько дорого это обходится. Справочники и классификаторы, содержащие основные данные бизнеса, называются НСИ (нормативно-справочная информация), и в предыдущем материале Qlever Solutions подробно рассматривал, почему ими важно управлять.

Несмотря на убытки, вызванные некачественными данными, бизнес часто откладывает проект по внедрению системы управления НСИ как дорогостоящий. В этой статье на примере расчета ROI (return of investment – коэффициент рентабельности инвестиций) покажем, как телеком-компания уже на 2 год может выйти на окупаемость 192%, а на третий ROI превысит 300%. Также рассмотрим пошаговый план внедрения, который позволит не затянуть проект и выйти на окупаемость в кратчайшие сроки.

Бизнес редко задумывается о работе с мастер-данными, пока низкое качество данных не становится камнем преткновения.

Некачественные данные создают проблемы:

• несоответствия и ошибки в идентичных справочниках и каталогах (материально-технических ресурсов, основных средств, товаров (SKU), контрагентов, клиентов) снижают качество бизнес-процессов;
• отсутствие синхронизации данных между подразделениями замедляет работу и провоцирует конфликтные ситуации;
• время получения релевантного сводного отчета по компании занимает несколько дней;
• ошибки в аналитике и стратегическом планировании, построенном на «грязных данных», вызывают прямые финансовые потери;
• проблемы в коммуникации с клиентами, вплоть до конфликтов из-за потери данных.

До старта проекта важно не просто четко сформулировать, чего планируется достичь с помощью внедрения НСИ, но и оцифровать цели. Это позволит измерить влияние проекта на эффективность бизнеса. Оформите причины и цели внедрения системы НСИ в документе или презентации. Это поможет не только сохранить фокус внимания в процессе внедрения, но и переубедить скептиков.

Поддержка проекта со стороны руководства даст гарантии, что под него будут выделены необходимые ресурсы, а также поможет преодолеть сопротивление, которое часто сопровождает перестройку процессов внутри компании. Вот три совета, как заручиться поддержкой на высшем уровне:

• Начните с пилотного проекта. Покажите, как порядок в данных в одном бизнес-процессе принес выгоду. Например, удаление дублей в базе данных контрагентов снизило расходы на почтовую рассылку.
• Вовлекайте заинтересованные подразделения: отдел маркетинга, отдел логистики, HR, операционный блок. Владельцы данных могут лучше сформулировать, как данные влияют на результативность.
• Говорите на языке бизнес-ценностей, которые важны для руководителей. Свяжите порядок в основных данных с бизнес-драйвером и покажите влияние на ключевые показатели эффективности: уровень удовлетворенности клиентов, рост продаж, время протекания процессов.

При внедрении проекта по управлению основными данными, полезно знать отправную точку и точку, в которую нужно попасть через несколько месяцев. Сделать это можно, задав следующие вопросы:

• Каким образом собираются, хранятся и администрируются данные?
• Сколько источников данных подключено к справочникам?
• Внедрены ли стандарты управления данными?
• Какая часть данных является структурированной, а какая – слабоструктурированной и неструктурированной?
• Сколько времени тратится на исправление данных вручную без автоматизации?
• Как данные передаются от подразделения к подразделению и где есть узкие места?
• Происходят ли регулярные внутренние конфликты между ИТ и бизнес-пользователями по вопросам работы с данными?

И главный вопрос:

• Как можно оценить качество данных в компании? Являются ли данные своевременными, полными, точными, уникальными и соответствуют ли они правилам стандартизации?

Ответы на эти вопросы помогут определить дорожную карту и этапы внедрения проекта.

Управление мастер-данными — это не только ИТ-проект. В нем участвуют бизнес-пользователи (маркетологи, HR, отдел продаж и проч.), которые являются владельцами данных и должны иметь к ним разные уровни доступа – роли.

Например, малый бизнес может назначать доступ в соответствии с должностью. В этом случае доступ к основному идентификатору дается руководителю отдела, а другим пользователям предоставляется доступ только для чтения.

У крупного предприятия, такого как банк или ритейл, в разы больше членов команды работает с данными, в том числе – с мастер-данными. В таких случаях необходимо определить роли с учетом принятой в компании политики ИТ-безопасности. В крупной компании не обойтись без специалистов по работе с мастер-данными (аналитиков НСИ) или даже создания специального подразделения - службы НСИ.

Взвесив ресурсы организации и компетенции сотрудников, компания может принять решение, будет проект внедрен силами in-house команды или посредством аутсорсинга решения стороннего поставщика программного обеспечения.

На рынке представлены решения, каждое из которых имеет особенности, набор функций или технологические нюансы. Вот некоторые вопросы, которые следует задать при выборе:

• Решение совместимо с основными информационными системами компании?
• Какие ключевые функции решения отвечают особенностям работы с данными в компании? Как реализованы базовые функции – очистка, проверка соответствия, дедупликация, интеграция с внутренними и внешними источниками.
• Это решение упростит работу сразу или потребует длительного обучения персонала?
• Как решение повлияет на скорость работы или организацию бизнес-процессов?
• Какова стоимость решения и насколько цена отвечает возможностям и целям бизнеса? Могут ли возникнуть дополнительные или скрытые расходы, связанные с внедрением – например, необходимость приобретения новой СУБД или сервера для хранилища данных.

Для выбора оптимального инструментария управления мастер-данными из представленных на рынке, вы можете обратиться к компании-эксперту внедрения MDM. Это сократит время поиска и позволит реализовать проект с наименьшими рисками.

Управление мастер-данными – сложный процесс, поэтому необходим надежный план управления проектом.

Распределите этапы и обязанности, назначьте ответственных. Измеряйте KPI и требуемые результаты для каждого этапа. Например, насколько сократились затраты после удаления 3000 повторяющихся записей в базе данных direct-рассылки.

Усредненную стоимость проекта по менеджменту мастер-данных трудно определить. Различия существенны в зависимости от таких факторов, как потребность в лицензированном программном обеспечении, найме специалистов, обучении и обслуживании, а также технической поддержке. Расходы можно примерно рассчитать, оценив:

• Затраты на программное обеспечение. Узнайте стоимость лицензии у поставщиков либо попросите обсчитать коммерческое предложение по развертыванию корпоративного MDM-решения. Если планируете внедрять собственную разработку, оцените срок работ, состав команды разработчиков и их зарплату для работы над проектом.

• Затраты на оборудование. Серверы, устройства хранения и т.д., если существующих мощностей не хватает.

• Затраты на персонал или аутсорс. Расходы на найм новых специалистов в команду, оборудование рабочих мест, обучение сотрудников. На этапе запуска проекта целесообразно привлечение аутсорсинговой опытной команды по НСИ и консультации внешних экспертов

Управление мастер-данными требует инвестиций, но рентабельность превышает затраты. Вот пример анализа окупаемости инвестиций в проект НСИ для клиентской базы телеком-провайдера с 15 тысячами абонентов и 100 тысячами потенциальных клиентов. В процессе внедрения НСИ в результате очистки и консолидации клиентских баз были получены следующие положительные эффекты:

1. В результате очистки за счет исключения дублей, устаревших и неполных данных произошло сокращение базы данных на 33 тысячи строк.
2. Снизились расходы на маркетинг на 30%.
3. Выросла конверсия маркетинговых каналов за счет консолидации данных о клиентах в едином источнике на 15%.
4. Сократились расходы на подготовку и доставку документов на 20%.
5. Выросла скорость подготовки отчетов. Достигнуто быстрое выявление отклонений от плана. Управленческие решения принимаются обоснованно с опорой на данные.

Аналитическая компания Gartner отмечает, что около 90% предприятий терпят неудачу при первой попытке внедрить data governance подход. Какие ошибки могут привести к провалу?

• Реализация проекта MDM в спешке. Авральная программа преобразований сопряжена с рисками потери критически важных данных, превышения бюджета, несоблюдения сроков и пренебрежения качеством результата.

• Саботаж проекта сотрудниками или нескоординированные действия. Люди неохотно меняют привычные схемы работы и могут препятствовать реализации проекта намеренно или не понимая его сути. Чтобы избежать этого, заручитесь поддержкой руководства и привлекайте владельцев данных к проекту с самого начала – это описано в начале этой статьи.

• Отсутствие политики управления данными и бизнес-правил. Документируйте процессы и прописывайте исчерпывающие правила работы с данными. Позаботьтесь о том, чтобы эти правила были доступны сотрудникам.

• Неадекватные или отсутствующие протоколы проверки. Средства контроля и автоматизированные протоколы проверки – это основа точности, своевременности и качества основных данных.

• Фокусировка на внедрении технологий, а не на задачах бизнеса. Не случайно обоснование системы НСИ с точки зрения бизнес-задач является первым шагом проекта по внедрению управления мастер-данными. Технологии ради технологий не создают ценность для бизнеса.

• Недостаточные компетенции команды внедрения. Отсутствие передового опыта в вопросах работы с данными и попытки решить новые проблемы старыми инструментами могут приводить к затягиванию сроков проекта, излишним затратам и неудовлетворительному результату. Грамотный консалтинг при внедрении MDM позволит сэкономить бюджет, даст сторонний экспертный взгляд на данные компании и гарантирует внедрение в более короткие сроки.

Команда Qlever Solutions успела зарекомендовать себя как надежный партнер в реализации проектов по управлению мастер-данными. Мы рады применить наш опыт и экспертизу, чтобы ваша компания могла достичь гарантированно качественного результата при использовании своих данных.