Данные как актив

Данные — новая нефть?

«Data is the new oil» — фраза-клише. Но если серьёзно: данные — это актив, который требует инфраструктуры (data lake), культуры (data-driven decisions), процессов (governance), и людей (data scientists, engineers, analysts).

Модуль — не про технологии в вакууме, а про управление цифровой трансформацией. Когда инвестировать в ML (и когда НЕ нужно). Как измерять ROI цифровых инициатив. Почему только 5% AI-проектов доходят до внедрения. Что отличает X5 и Tesco от компаний, которые прогорели.

Иерархия уровней аналитики

Реальность vs амбиции

Только 5% AI-проектов доходят до production (MIT NANDA 2023). 81% проваливаются. Основная причина — качество данных, не сложность моделей.

• Data quality: пропуски, дубли, несогласованность между системами
• Labeled training data: нет или мало. Supervised ML требует размеченного
• Change management: модель есть, а менеджеры всё равно решают как раньше
• Integration: ML prediction не встроен в workflow, остаётся в аналитическом inbox
• Governance: без data governance данные быстро деградируют

Дерево метрик

Декомпозиция цели вниз по драйверам. Revenue = Чек × Трафик. Чек = avg items × avg price. Трафик = unique visitors × conversion. Каждый лист — зона ответственности конкретной команды.

Типы сравнений: план vs факт · факт vs факт (предыдущий период) · факт vs бенчмарк (отрасль).

Фреймворк Верховского (5 элементов)

5 шагов перехода в data-driven (X5)

1. Вовлечение CEO + большая идея. Без sponsor уровня CEO — провал гарантирован.
2. Быстрые победы «на глине и палках». MVP с минимальной инфраструктурой. Покажите value, потом инвестируйте в масштаб.
3. Организационные изменения. Новые роли (Chief Data Officer, data product managers), структура (data office), политики.
4. Тираж. Рабочие пилоты на всю компанию. С переобучением людей, не только deployment технологий.
5. Гибкая архитектура. Modular data platform, чтобы next wave новых технологий встраивалась без переделки основы.

Data infrastructure · components

• Data lake — хранилище raw data в разных форматах
• Data warehouse — структурированные данные для BI
• ETL pipelines — передача и трансформация данных
• ML platform — training, deployment, monitoring моделей
• BI tools — self-service аналитика для бизнеса
• Data catalog + governance — что где лежит, кто owner, какое качество

X5 · переход в data-driven

X5 Group (Пятёрочка, Перекрёсток, Карусель) — case study digital transformation в российском ритейле. Ключевые инициативы: персонализация акций (ML-based), дерево метрик магазина в реальном времени, predictive analytics для запасов, dynamic assortment. Амбиция — движение к autonomous retail к 2030.

Tesco · rebirth

Ping An · ИИ в финансах

Топ-5 financial company мира (Китай). ИИ автоматизирует:

• Найм (HR-X) — 70% screening автоматизированно
• Скоринг + биометрия — kредиты одобряются за минуты
• Страх. претензии — 95% точность по видео авто. Клиент снимает damage, AI оценивает → payout в течение часа
• Чат-боты с распознаванием лиц/голоса
• AskBob — AI-мед. ассистент, doctor knowledge + diagnosis support

Для людей остаётся: экспертиза, relationships, сложные случаи (high-net-worth clients, special claims).

Airbnb vs Hilton · disruption

Airbnb: 0 отелей, 7.3k сотрудников, $81B капитализация. Hilton: 7k отелей, 178k сотрудников, $58B. Каждые 10% доли Airbnb = −2–3% дохода традиционных отелей. Asset-light модель + network effects + data / ML (поиск, ранжирование, pricing) — классическая disruption формула.

Generative AI · где реальное применение

Где НЕ применять GenAI (пока)

• Mission-critical decisions без human-in-the-loop
• Legal / medical advice напрямую клиенту без verification
• Stable regulated processes — ROI low, compliance risk high
• Где традиционный ML работает — credit scoring, fraud detection. LLM там хуже и дороже

Privacy · GDPR · 152-ФЗ

Данные — актив, но и ответственность. GDPR (EU): strict consent, right to be forgotten, data minimization, DPO. 152-ФЗ (РФ): более мягкая версия, но обработка персональных данных россиян требует локализации серверов в РФ. Штрафы до 6 млн ₽ за серьёзные нарушения.

Скилы data-driven менеджера

1. Grasp of data types: понимать разницу structured vs unstructured, real-time vs batch
2. ML literacy: знать когда supervised, когда unsupervised, когда просто статистика
3. SQL basics: чтобы не быть зависимым от аналитика для простых запросов
4. Visualization: dashboards, умение читать graphs, не только tables
5. Ethics & risks: bias, privacy, model drift, accountability

Десять для памяти