Однако бывают случаи, когда решение что-то изменить или попробовать нужно принять очень быстро и времени на подробный анализ нет (либо не было возможности собрать информацию заранее). Например, несмотря на то что директор Amazon Джефф Безос решительно предпочитает проводить количественную оценку реакций пользователей, перед тем как внедрять новые функции, он не мог испытать предложенную компанией опцию поиска внутри книги, не проверив ее на достаточном количестве файлов (по меньшей мере на 120 000). К тому же разрабатывать такую функцию было дорого, а это повышало риск. Так что в данном случае Безос положился на интуицию и сказал «да». И все сработало.

Супераналитики нанимают соответствующих сотрудников – и, как и все компании, чье богатство составляют таланты, стремятся быть лучшими. Когда Amazon потребовался новый руководитель сети глобальных поставок, компания наняла Ган Юя, профессора теории управления и предпринимателя в сфере ИТ, одного из ведущих мировых экспертов по аналитике оптимизации. Бизнес-модель Amazon предполагает, что компания управляет постоянным потоком новых продуктов, поставщиков, клиентов и акций, а также привозит заказы к конкретным датам. С момента прихода в компанию Ган Юй и его сотрудники занялись разработкой и формированием сложных систем поставок, чтобы оптимизировать эти процессы. Оказалось, этот человек умеет не только жонглировать фразами типа «нестационарные стохастические процессы», но и доступно объяснять начальству суть новых методов.

Авторитетные супераналитики, такие как Capital One, силами огромного множества специалистов проводят количественные эксперименты, а получив результаты – формируют новые предложения по кредитным картам и другим финансовым услугам. Для этого нужен специалист с особыми навыками – о чем и сказано в описании типичной вакансии аналитика в Capital One:

Другие компании тоже нанимают таких людей, но у супераналитиков их гораздо больше. Прямо сейчас Capital One ищет втрое больше аналитиков, чем производственного персонала, – а для банка это редкость. «Мы прежде всего компания аналитиков, – заявил один из руководителей корпорации. – Они – наши главные люди».

Хорошие аналитики должны уметь объяснять сложные понятия простыми словами, а также продуктивно общаться с теми, кто принимает решения. Одна компания, производящая потребительские товары, в штате которой состоит 30 аналитиков, ищет «PhD с человеческим лицом», то есть людей, разбирающихся в математике, статистике и анализе данных и умеющих, помимо того, говорить простым языком бизнеса, укрепляя позиции компании как изнутри, так порой и снаружи. Вот что глава отдела анализа потребительского поведения Wachovia Bank рассказывает о том, какие отношения с другими сотрудниками стараются наладить его подчиненные: «Мы стремимся сделать наших людей частью команды. Мы хотим, чтобы они могли наравне с другими обсуждать ключевые вопросы работы компании, определять, какая информация нужна бизнесменам, и рекомендовать партнерам по бизнесу поступать так или иначе. Мы хотим быть не просто вспомогательным звеном, но и активной, важной частью успеха компании».

Разумеется, специалиста, который поднаторел и в аналитике, и в бизнесе, и в общении, найти нелегко. Когда в компании SAS (это разработчик программного обеспечения и спонсор нашего исследования наряду с Intel) решают, что им потребуется специалист по современным бизнес-программам, таким как прогнозирующее моделирование или рекурсивное секционирование (вид анализа дерева решений, применяемый к очень сложным массивам данных), его начинают искать за полтора года до того, как он должен будет приступить к работе.

Можно сказать, что талант аналитика в начале 2000‑х – это как талант программиста в конце 1990‑х. К сожалению, на американском и европейском рынках труда по-настоящему одаренных аналитиков не так много. Некоторые организации решают эту проблему, заключая контракты с компаниями из Индии (где очень много специалистов по статистике) и других стран. Это хорошая идея в том случае, если иностранные аналитики работают над самостоятельными задачами. Но если от них требуется постоянное обсуждение действий с руководителями бизнеса, расстояние может существенно усложнить работу.

Конкурировать в сфере аналитики – значит конкурировать в технологиях. Самые успешные компании не только изучают современные статистические алгоритмы и теорию принятия решений, но и постоянно мониторят и внедряют новинки в области ИТ. В одной компании, производящей потребительские товары, даже построили собственный суперкомпьютер, поскольку пришли к выводу, что имеющиеся на рынке модели им не подойдут. Такие подвиги обычно излишни, но все же для серьезной аналитики вам кое-что понадобится.

Стратегия работы с данными. Компании вкладывают миллионы долларов в системы, собирающие данные из всевозможных источников. Планирование корпоративных ресурсов, управление связями с клиентами, точками продаж и многим другим – все это требует, чтобы ни одна операция и ни одно значимое изменение не проходили незафиксированным. Но, чтобы задействовать получаемые данные с пользой, компании должны быть в состоянии представить их в стандартном формате, интегрировать, разместить в хранилище и обеспечить к ним легкий доступ. И такой информации должно быть много. Случается, что компания несколько лет накапливает данные о разных методах маркетинга, прежде чем проанализировать эффективность рекламной кампании. Dell использовала DDB Matrix, продукт рекламного агентства DDB Worldwide, чтобы за семь лет создать базу данных из полутора миллионов записей о своей рекламе в печати, на радио, сетевом и кабельном телевидении, а также о продажах Dell в каждом регионе, где давали такую рекламу (до и после ее появления). На основании этой информации компания смогла оптимизировать рекламную стратегию для каждого региона и для каждого вида рекламы.

Решения для бизнес-анализа. Термин «бизнес-анализ», впервые появившийся в конце 1980‑х, относится к большой совокупности процессов и программ, предназначенных для сбора, изучения и распространения данных, необходимых для принятия оптимальных решений. Соответствующие инструменты позволяют сотрудникам получать, преобразовывать и загружать данные для анализа (профессионалы называют этот процесс ETL – extract, transform and load), а затем отражать результаты в отчетах, уведомлениях и оценочных листах. Отчасти растущая популярность аналитики связана с появлением такого комплексного инструментария.

Аппаратное обеспечение. Объемы данных, с которыми имеют дело программы аналитики, таковы, что слабые компьютеры и сервера с ними могут и не справиться. Многие компании-супераналитики переходят на 64-битные процессоры и благодаря этому быстро обрабатывают огромные массивы данных.