Гигиена данных RevOps: неброский фундамент оркестрации
Оркестрация настолько хороша, насколько хороши данные под ней. Почему негламурная гигиена данных — настоящий фундамент.
Гигиена данных в RevOps: непривлекательный фундамент оркестрации
Никого не повышают за дедупликацию аккаунтов. Для чётко соблюдаемого списка значений нет эффектной демонстрации на конференции, а на слайде для совета директоров не празднуют, что у большинства сделок наконец появилась отметка времени входа в этап. Гигиена данных — это сантехника. Незаметна, пока работает, дорого обходится, когда не работает, и хронически недофинансируется, потому что её ценность защитная.
Но каждый проект, которым на самом деле хочет заниматься руководитель RevOps, стоит на этой сантехнике. Атрибуция, скоринг, прогнозирование, следующее лучшее действие, сама оркестрация. Запустите хорошую модель на грязных данных, и вы получите уверенные, точные и неверные ответы. Мы наблюдали команды, которые месяцами строили модель скоринга, а потом обнаруживали, что значительная доля их аккаунтов — дубликаты, а значит, модель всё это время училась на разорванных историях активности. Гигиена — наименее гламурный слой архитектуры современной выручечной платформы, и от неё молча зависит всё остальное.
Четыре способа испортить данные
Выручечные данные деградируют предсказуемо, и у каждого вида порчи своё лечение, поэтому полезно назвать их по именам.
Дублирование. «Acme», «Acme Inc» и «Acme Corporation» существуют одновременно, потому что три инструмента независимо создали аккаунт, а ничто их не объединяет. Воронка раздувается, история активности делится натрое, и ни одна запись ничего не говорит целиком.
Неполнота. Поля, нужные для анализа, пусты. Если у 30% сделок нет источника лида, атрибуция по источникам не на 30% неопределённа. Она непригодна, потому что вы не знаете, похожи ли недостающие 30% на те 70%, которые видите.
Несогласованность. Одно и то же понятие закодировано в каждой системе по-своему. «Closed Won» здесь, «Won» там, «6 - Closed» в третьей. Каждое объединение данных между такими системами теряет или неверно считает строки, причём делает это молча.
Устаревание. Когда-то поле было верным. Чемпион ушёл, уровень аккаунта изменился, а обновить никто не стал. Устаревшие данные опаснее всего из четырёх, потому что выглядят чистыми. В поле есть значение. Оно просто неверно.
Большинство авралов вроде «у нас не сходятся цифры» сводится к одной из этих причин. Определить, к какой именно, — половина дела.
Разовые чистки не держатся
Когда в системе бардак, инстинкт подсказывает назначить чистку. Позвать консультанта, выделить квартал, составить таблицу слияний. Это работает ровно столько, сколько нужно, чтобы появилась новая грязь, то есть обычно несколько недель. Чистоту нельзя сохранить на складе. Её можно только постоянно восстанавливать.
Поэтому настоящая работа происходит в точках, где данные входят в системы и перемещаются между ними.
Проверяйте при записи. Отклоняйте или помечайте плохие данные в момент создания, а не спустя месяцы. Обязательные поля, ограничения формата и принудительные списки значений останавливают большую часть неполноты и несогласованности на входе.
Разрешайте сущности при поступлении. Пока записи попадают в общий слой данных, сопоставляйте их с каноническими сущностями сразу. Сделать это один раз, централизованно, гораздо проще, чем в каждом инструменте, и это один из самых сильных доводов в пользу общего слоя данных вместо интеграций «точка-точка». Иначе каждый инструмент дедуплицирует по-своему, и у вас получается четыре разных мнения о том, сколько у вас аккаунтов.
Мониторьте постоянно. Отслеживайте полноту, дублирование и свежесть как постоянные метрики с оповещениями, так же как вы следите за доступностью сервиса. Дашборд, показывающий «у 12% открытых сделок нет следующего шага», превращает невидимую проблему в такую, за которую кто-то должен отвечать.
Переход от периодической чистки к постоянно действующей системе — самое полезное изменение, которое может сделать большинство команд RevOps, и дело здесь в основном в том, где живёт логика гигиены, а не в том, насколько она изобретательна.
Достаточно чисто для чего
Идеальные данные — фантазия, а погоня за ними сама по себе вид провала. Полезный вопрос: достаточно ли чисты данные для решения, которое на них основано. Стандарты должны зависеть от потребителя.
Для прогноза руководству нужна высокая точность на узком наборе полей (этап, сумма, дата закрытия), а беспорядок в остальных полях допустим.
Для автоматической маршрутизации и обратной записи прежде всего нужна согласованность, потому что машины не применяют суждение. Значение списка с неверным регистром ломает правило, и никто не замечает этого, пока сделка не уйдёт не тому менеджеру. Слой обратной записи именно поэтому беспощаден к несогласованности на входе.
Для атрибуции нужна полнота точек контакта и идентификаторов, поскольку пробелы искажают всю модель. Каркас атрибуции целиком от этого зависит.
Если записать эти пороги, вы перестанете выпускать аналитику, которую данные не выдержат, и полировать поля, которые не читает ни одно решение.
С чего начать
Если вы смотрите на неряшливую систему, расставляйте шаги по рычагу влияния.
Сначала измерьте, потом чистите. Сперва запустите метрики полноты и дублирования, чтобы измерять прогресс и показать кому-то, что дала проделанная работа.
Сначала приём, потом накопленный хвост. Не пускать новую грязь важнее, чем убирать старую, потому что вычищенный хвост снова загрязнится, если вход остаётся открытым.
Стандартизируйте списки значений и обязательные поля во всех системах, чтобы одно понятие везде кодировалось одинаково. Это самая дешёвая победа с самым широким эффектом ниже по цепочке.
И назначьте владельца. У качества данных без владельца нет будущего. Один названный человек или команда, отвечающие за метрики гигиены, стоят больше любого инструмента, который можно купить.
Ничего из этого не сложно технически. Это сложно организационно, потому что гигиена конкурирует за внимание с заметной, интересной работой. Команды, которые остаются чистыми, делают гигиену скучной и автоматической, а не героической и периодической.
Ключевые выводы
- Плохие данные бывают четырёх видов: дубликаты, пропуски, несогласованные кодировки и устаревшие значения. Каждому нужно своё лечение, поэтому сначала ставьте диагноз.
- Квартальные чистки не держатся. Поместите логику гигиены в момент записи и в момент поступления данных и мониторьте её как доступность сервиса.
- Разрешайте сущности один раз, на общем слое, а не позволяйте каждому инструменту дедуплицировать по-своему.
- Понятие «чисто» зависит от потребителя. Прогнозу нужна точность, автоматизации — согласованность, атрибуции — полнота.
- Сложная часть организационная. Сначала измерьте, затем закройте вход, стандартизируйте и назначьте владельца.
Платформы оркестрации вроде Revnewo хороши ровно настолько, насколько хороши канонические данные, на которых они работают. Прежде чем вкладываться в более сложные модели, стоит проверить, выдержит ли их фундамент.