Бизнес-аналитика и прозрачная методика учёта для нефтегазового предприятия: опыт внедрения

Промышленные предприятия с распределённой структурой, в том числе и в нефтегазовой отрасли, почти всегда приходят к аналитике через боль. Холдинг растёт, активы присоединяются в разное время, каждое предприятие живёт по собственным правилам, использует свои системы учёта и подходы к расчёту показателей. До определённого момента это не мешает: локальная отчётность закрывает локальные задачи. Проблемы начинаются, когда управляющей компании требуется целостная картина — сравнимая, воспроизводимая и пригодная для управленческих решений. Как получить единую картину деятельности такого холдинга?

Опытом делится Марина Доманецкая, руководитель группы разработки аналитических решений «ДАР» (ГК «КОРУС Консалтинг»).

Единая аналитическая платформа для холдинга — секреты успеха

Рассмотрим нефтегазовый холдинг с большим количеством активов и филиалов, разными информационными системами и несколькими версиями 1С. Задача заключается в том, чтобы выстроить прозрачную отчётность для HR-отдела, а простыми словами, собрать данные о сотрудниках со всех филиалов и посчитать, где сколько людей работает, сколько ещё нужно нанять и сколько денег они получают. Формально исходные данные от всех предприятий холдинга у нас уже есть, отчёты формируются, но фактически ни один показатель нельзя сопоставить между филиалами.

Даже базовые метрики, такие как фактическая численность персонала, могут считаться по разным правилам. Например, где-то учитывают сотрудников в декрете, где-то — нет. Где-то включают длительные отпуска, где-то исключают. В результате цифры могут сойтись арифметически, но они не будут иметь управленческого смысла.

Давайте вместе разберёмся: какие шаги и решения помогут прийти к прозрачной методике учёта?

Процессы и Data Governance

Первый и самый важный шаг в построении системы аналитики для любого промышленного предприятия — это признание того факта, что проблема не в инструменте аналитики. Пока нет единого подхода к учёту данных и расчёту показателей, любая визуализация лишь ускоряет распространение недостоверной информации. Если этот этап пропустить и начать сразу с внедрения витрин и дашбордов, компания получает красивую, но бесполезную аналитику, которой не доверяют ни бизнес, ни руководство. В лучшем случае такие отчёты используют как справочные, в худшем — игнорируют полностью.

Поэтому начинать надо с методологии и внедрения комплексного подхода к управлению данными. Data Governance, или управление данными, — это не технология и не отдельный программный продукт. Это целая стратегия, которая задаёт понятные и прозрачные правила работы с данными в компании. Она определяет, кто за какие данные отвечает, как принимаются решения по этим данным и по каким правилам рассчитываются показатели. Реализация такой стратегии требует не только внедрения ИТ-решений, но и изменений в процессах, появления новых ролей и регламентов.

Люди

В нашем случае первая роль, которую следует ввести, это роль Владельца данных. Владелец данных — это сотрудник компании, который чётко понимает, откуда берутся данные, где хранятся, как и кем используются. В этой роли могут выступать разные люди. Одно из ключевых решений — выбрать такого человека. Если мы говорим о холдинге, то это должен быть человек из управляющей компании, обладающий реальным авторитетом и полномочиями. Его задача — принимать решения в спорных ситуациях, утверждать методологии и нести ответственность за то, как считаются ключевые показатели. Если владельца данных нет, или эта роль формальна, проект неизбежно застревает в бесконечных согласованиях. При этом каждая методологическая дискуссия превращается в компромисс, размывающий смысл метрик.

Показатели

Следующий шаг — описание показателей деятельности предприятия. Есть разные подходы к описанию и хранению данных. Можно забрать сразу все данные из источника, а потом использовать только то, что нужно. В некоторых случаях такой подход оправдывает себя.

Но если в компании показатели пока плохо описаны, люди не привыкли к новым источникам данных и к новым отчётам, лучше сознательно ограничиться ключевыми KPI, действительно важными для принятия решений. Сделать фокус на этих показателях, проработать всю цепочку от источника до дашборда, а после уже расширять аналитический инструментарий по обкатанным процессам.

Что важно описать при анализе показателей? В базовый набор характеристик входят методика расчёта показателя, единицы измерения, используемые справочники, источник данных и ответственное лицо. Набор характеристик можно расширять по мере необходимости. Чтобы ничего не забыть в процессе описания, можно помогать себе вопросами «а как мы будем этим пользоваться? В каких случаях нам могут понадобиться те или иные данные?».

На этом этапе появляется первый формализованный артефакт — бизнес-глоссарий. На рынке много готовых инструментов для удобного ведения бизнес-глоссария, но на первом этапе подойдёт простой Excel-файл.

Если этот шаг пропустить, то даже при централизованном хранилище данные продолжают «плыть». Каждое предприятие интерпретирует показатели по-своему, а любые расхождения объясняются «особенностями бизнеса». В результате аналитика не масштабируется, а каждое новое предприятие увеличивает хаос.

Итак, этап методологии пройден. Теперь необходимо выбрать пилотный актив, то есть одно предприятие для внедрения нового подхода, что позволит проверить методологию на реальных данных, выявить пограничные кейсы и доработать правила до того, как начинать тиражирование. Без пилота ошибки обнаруживают уже на стадии масштабирования, когда их исправление становится в разы дороже и болезненнее.

Архитектура решения

Итак, теорию мы проработали, переходим к практике. Следующий принципиальный шаг касается архитектуры будущего аналитического решения. Опять же можно по-разному подойти к сбору и хранению данных. Можно забирать уже готовые показатели из источников. Это сократит и время внедрения, и место в хранилище.

Но в случае, если компания не может обеспечить расчёты показателя на стороне источника или не может пока доверять этим расчётам, стоит рассмотреть вариант, при котором в хранилище данных поступает только первичная информация, а все показатели рассчитываются исключительно в нём.

К примеру, для HR-аналитики это означает, что вместо готовых агрегированных цифр в систему загружаются индивидуальные записи по каждому сотруднику, событию и атрибуту.

Такой вариант помогает унифицировать методологию и обеспечивает полную прозрачность расчётов. Любую цифру можно разложить до конкретных людей и конкретных оснований включения или исключения. Если этот принцип нарушить и позволить источникам передавать уже посчитанные показатели, контроль над логикой расчётов потеряется, а доверие к данным снизится при первом же расхождении.

Ещё один вопрос, который необходимо решить на старте проекта, — это управленческое решение об отказе от исключений при расчётах. Все филиалы считают свои показатели одинаково. Если новый филиал приходит со своей «уникальной» методикой, она либо аргументированно пересматривается для всех, либо не принимается вовсе. Да, это усложняет процесс согласования и требует сильного владельца данных, но именно это решение делает систему масштабируемой. Без единой методологии аналитика превращается в набор частных случаев, которые невозможно использовать на уровне управляющей компании.

Тиражирование

После пилотной части решение можно делать типовым и разворачивать в каждой новой организации. Типовое решение включает набор дашбордов, бизнес-глоссарий, проектную документацию, инструкции для ИТ-специалистов и бизнес-пользователей, а также чек-листы для сопровождения ключевых процессов.

С этим набором можно приходить в каждый новый филиал, настраивать источники данных, проводить сверку показателей и обучать пользователей. С каждым подключением документация обогащается, а процесс внедрения ускоряется. Именно так аналитическая система перестаёт быть разовым проектом и превращается в устойчивую платформу на уровне всего холдинга.

Что важно помнить

Успех таких инициатив определяется не выбором конкретного технологического инструмента и не сложностью архитектуры. Он определяется тремя факторами. Во-первых, движением от бизнес-показателей, а не от данных ради данных. Во-вторых, включением Data Governance в саму суть проекта, а не как факультативного дополнения. В-третьих, жёстким следованием единой методологии для всех активов.

Если эти шаги соблюдены, аналитика начинает работать на бизнес: сокращаются затраты на подготовку отчётности, повышается прозрачность процессов, руководители начинают доверять цифрам и использовать их в управленческих решениях. Если нет — компания продолжает терять время, ресурсы и деньги, несмотря на формально «внедрённую» аналитику.