Антон Слученков, ПЭК: От хаоса данных к управленческой ясности: как построить эффективную систему аналитики в крупной компании

В современном бизнесе ключевым фактором эффективности становится работа с данными. В этой статье я поделюсь опытом своей компании: в ПЭК под моим руководством была проведена масштабная цифровая трансформация. Результатом стала выстроенная система управленческой отчетности, основанная на полной оцифровке процессов и единых метриках.

Возможно, основной принцип, который был положен в основу изменений, звучит категорично: если бизнес-процесс не оцифрован, его для компании не существует. Зато такой подход позволяет исключить субъективные оценки и опираться исключительно на данные. Это особенно важно в распределенных структурах: когда количество филиалов выросло с 80 до 300, только сквозная цифровизация позволила сохранить управляемость.

На начальном этапе в компании ПЭК была внедрена система рейтинговой оценки филиалов. Каждый показатель пропускался через фильтры, присваивались грейды, а отклонения от нормативных значений фиксировались. По итогам года худшие показатели могли привести к смене руководства филиала. Эта система не только повысила дисциплину, но и стала катализатором полной оцифровки процессов.

Одной из главных проблем, с которой пришлось столкнуться компании, была разрозненность данных. Разные департаменты представляли различные цифры по одним и тем же показателям – выручке, кубатуре, другим ключевым метрикам. Собственники получали противоречивую информацию, что затрудняло принятие решений. Поскольку данные от производственного департамента, обладавшего компетенциями в разработке, были проверены и признаны самыми точными, именно они были взяты за основу.

Создание единого хранилища данных позволило окончательно решить эту проблему – появилась «единая версия правды», одинаково доступная для всех подразделений.

Эволюция инструментов анализа в ПЭК прошла несколько этапов: от сложных Excel-файлов с формулами, которые понимал один специалист, через громоздкие SQL-процедуры к современным ML-моделям, таким как LLaMA, реализованным на Python.

Особенно показателен случай, когда после ухода сотрудницы, виртуозно владевшей Excel и создававшей сложнейшую модель, потребовались недели для расшифровки ее логики. Этот случай убедительно доказал необходимость перехода на более прозрачные и масштабируемые решения.

Сейчас же в компании прогнозируется около 180 производственных показателей – от количества фур, гвоздей и фурнитуры до кепок для грузчиков. Внедрение машинного обучения позволило добиться средней точности прогнозов на уровне 2% отклонения. Точность регулярно проверяется каждые 15 дней путем сравнения с историческими данными. Система самообучается и улучшается, хотя были и периоды более высоких отклонений, например, в 5,5%.

Масштаб системы впечатляет: 500 дашбордов, которые являются не «показухой», а необходимостью, обусловленной полной оцифровкой бизнес-процессов. Ключевым принципом стало создание дашбордов не ради самих отчетов, а для отображения конкретных бизнес-процессов. Данные организованы в единый портал-путеводитель по категориям (склад, финансы, логистика). При этом реализована многоуровневая система доступа, интегрированная с HR-системой, где права доступа настраиваются автоматически. Кладовщик не видит данные по зарплатам, а директор по логистике — глубокую аналитику по складу. Каждый сотрудник видит только те данные, которые необходимы для его работы.

Ежедневно системой пользуются около 1800 уникальных пользователей. 40 самых популярных отчетов смотрят более 400 человек. Дашборды, которые не востребованы, компания «убивает».

Для топ-менеджмента созданы одностраничные дашборды верхнего уровня (около 10 штук), позволяющие за 5 секунд оценить состояние ключевых показателей. Если все значения зеленые и в норме – дополнительного анализа не требуется. При обнаружении отклонений (красных значений) руководитель может углубиться в детализацию одного из 500 дашбордов для глубокого анализа.

Особое внимание уделяется прогнозной аналитике. Собственников и топ-менеджмент интересует не столько текущее состояние, сколько будущее компании и сценарии его развития. Для прогнозирования используются не только внутренние данные, но и внешние источники, такие как Spark (аналог S&P).

Сравнение трендов помогает выявлять критические расхождения. Например, если у ключевого клиента (Wildberries) в отрасли фиксируется рост, а наши объёмы перевозок с ним падают – это сигнал для глубокого анализа.

После 2022 года из-за влияния внешних факторов прогнозирование по историческим данным старыми методами стало невозможно. Клиентское поведение полностью изменилось, многие компании ушли с рынка или трансформировали бизнес.

Поэтому мы перешли на машинное обучение и сложные методы математического анализа, а также увеличили сбор данных для повышения точности прогнозов.

Опыт компании ПЭК показал: создание единой системы данных не приводит к росту штата. За последние 10 лет бизнес вырос кратно, объем задач увеличился, а команда BI-разработки и аналитики осталась прежней – 16 человек. При этом бэклог задач не превышает одной недели.

Бизнес был бы готов платить и в два раза больше, но самый ценный эффект – не экономия средств, а ликвидация хаоса, прекращение споров о данных и создание прозрачной, понятной системы управления, которая делает бизнес предсказуемым и управляемым.

Этот опыт особенно важен на фоне примеров других компаний. Осознание необходимости структурирования данных приходит к компаниям по мере роста, но создавать каталог данных и уходить от Excel нужно уже сейчас, а не дожидаясь кризисных ситуаций.

Ключевые уроки, которые можно извлечь из нашего опыта:

1. Полная оцифровка процессов – необходимое условие эффективного управления. Нет цифры – нет процесса.
2. Единые метрики должны быть одинаковыми для всех подразделений. Одна выручка для всех отделов.
3. Дашборды должны отражать процессы, а не создаваться ради отчетов.
4. Автоматизация прогнозирования с помощью ML-моделей значительно повышает точность.
5. Каталог данных (Data Catalog) и система прав доступа – основа защиты и структурирования информации.
6. Одностраничные дашборды эффективны для принятия решений топ-менеджментом.
7. Главный KPI успеха – порядок в данных и возможность масштабироваться без роста команды.

Этот опыт демонстрирует: современная система управления данными – необходимое условие конкурентоспособности в цифровую эпоху. Инвестиции в создание такой системы окупаются за счет повышения качества управленческих решений, снижения операционных издержек и создания надежного фундамента для роста.

Антон Слученков, директор департамента разработки и визуализации данных, ПЭК