Valeriy Kozlov: Transition to Fact-Based, Data-Driven Decision Making in B2B Tech Companies: Challenges, Examples, and Benefits (UA)
•
0 likes•14 views
Valeriy Kozlov: Transition to Fact-Based, Data-Driven Decision Making in B2B Tech Companies: Challenges, Examples, and Benefits (UA)
Kyiv IT Outsourcing Forum
Website – www.liof.org
Youtube – https://www.youtube.com/startuplviv
FB – https://www.facebook.com/ukrof
1 of 18
More Related Content
Valeriy Kozlov: Transition to Fact-Based, Data-Driven Decision Making in B2B Tech Companies: Challenges, Examples, and Benefits (UA)
3. Як управлінські компанії використовують
централізовану аналітику ?
• Які саме, як, чому, коли?
• Централізована vs «острівна» аналітика
VK Advisory 04.
CEO малої компанії (HC 20-200) CEO середньої компанії (HC 300+)
• хочу вирішити поточну операційну проблему • хочу створити операційний framework, щоб
менеджери вирішували проблеми і досягали
цілі, і це все було прозоро
• Щоб всі були on the same page
• хочу бачити бізнес в об'ємі, а не в проекціях
Драйвер: несприятливі зміни на ринку, потреба у
виживанні, оптимізація витрат.
Драйвер: необхідність системного менеджменту
під час росту
5. Проблемні точки внутрішніх BI проектів
Обмежені ресурси
та експертиза
Відсутність
узгодженості в
керівництві
компанії
Відсутність чіткого
бачення та цілей
Мала обізнаність
щодо інстрементів
та архітектури BI
рішень
Обмеження IT
інфраструктури
Проблемні
підходи в
реалізації
VK Advisory 04.
6. Що відбувається, якщо BI проект триває
три роки замість одного ?
VK Advisory 04.
2020 2021 2022 2023 2024
Пандемія Повномасштабне вторгнення в Україну
Запуск ChatGPT та конкурентів
Звільнення в тех гігантах
Економічна рецесія
Зменшення попиту на послуги з розробки ПЗ
7. AIRBNB роздає 250M, щоб втримати
клієнтську базу під час пандемії
VK Advisory 04.
9. Ймовріні дисбалансовані сценарії
VK Advisory 04.
Сценарій Дія Наслідки
АВТОРИТАРНИЙ
CEO «Давайте роздамо гроші,
я відчуваю що це важливо»
ОК, розповсюдили «на
хлопський розум», без
чітко ообгрунтованого
підходу
Не вгадали - гроші витрачено
без імпакту на клієнтську базу,
іміджеві втрати
КОНСЕНСУС
інвестори наполягли –
зменшити суму або витратити
на інші цілі
Витратили більшість суми
на утримання працівників
Клієнтська база суттєво
зменшилася -> утримання
працівників не мало змісту.
Короткозорість
АНАЛІТИЧНИЙ - У нас
недостатньо даних
Розповсюдили аби-як Низький ROI
АНАЛІТИЧНИЙ - У нас неповна
модель
Давайте розробимо кращу
модель
Втратили час та вікно
можливостей
10. Коли важко обійтися без централізованої
аналітики?
Зміни середовища, що вимагають адаптації
Кризові ситуації
Орг трансформації
Ріст, масштабування, збільшення к-сті підлеглих
Впровадження management by objectives (каскадування стратегії через OKR)
Cуттєві зміни в структурі біз-процесів
Впровадження go-to market strategy
Малопомітна орг деградація
VK Advisory 04.
11. Чому аналітика потрібна в усіх цих
ситуаціях ?
• Всі управлінці мають мати
системний погляд на бізнес
• Якість та швидкість
прийняття рішень
VK Advisory 04.
АНАЛІТИЧНІ ДАНІ ТА МОДЕЛІ
• Допомагають сформувати незалежний об'єктивний критерій для
досягнення консенсусу в прийнятті управлінського рішення, яке
• відображає реальність
• має високий шанс на виконання
• приведе до мети (вирішення проблеми)
• враховує ключові інтереси сторін
12. Фактори успіху в централізованій аналітиці
Розуміння циклу
BI проекту
Дані Модель
Лідерство та
експетриза
Облік витрат Agility
VK Advisory 04.
13. Цикл BI проекту
VK Advisory 04.
Identify Capture Prepare Store Analyze Report Act
QUESTION DECISION
14. Фактори успіху в централізованій аналітиці
Розуміння циклу
BI проекту
Дані Модель
Лідерство та
експетриза
Облік витрат Agility
VK Advisory 04.
15. Agility в аналітиці
Загальна Agile екcпертиза
Різноманітність думок як у технічних, так і в бізнес-питаннях
Агностичність щодо інструментів
Швидке прототипування
Гнучкість в інфраструктурі
Ітераційний підхід
VK Advisory 04.
17. Agility в аналітиці - приклади
VK Advisory 04.
ETL PIPELINE /
DATA PREP
DataIku visual recipes (100+) vs PowerQuery / Airflow
ChatGPT + Pandas + python vs custom coding
G Sheet data processing functions vs ETL tool setup
DATA SECURITY Data anonymization & DS
switchover;
model sharing & mock data
generation
vs Secure access & restrictions & NDA
QUALITY Data quality dashboard w alerts;
Pivot table test
vs Fully automated data & UI test
CALCULATIONS AWS QS LAC functions
PowerBI DAX
vs Gold layer in data pipeline