Есть парадокс, который наблюдается во всех компаниях, достигших определенного уровня data-зрелости. С одной стороны, растут инвестиции в аналитику, улучшается качество данных, а дашборды становятся красивее. При этом доля решений, которые реально опираются на аналитические сигналы, не увеличивается. Компании не смотрят на выводы, прошедшие путь от сырых данных до интерпретации, и указывающие на конкретное основание для действия. Наоборот, качество работы с аналитикой зачастую даже падает: чем больше данных, тем сложнее извлечь из них конкретные действия — приходится тратить еще больше времени на поиск решения.
Это не проблема качества аналитики. Это и есть есть last mile problem — разрыв между моментом, когда инсайт сгенерирован, и моментом, когда он превращается в решение.
Последняя миля в аналитике — это не про данные и даже не про модели. Это про перевод инсайта в действие. Для этого нужно структурно менять подход к аналитике и вводить отдельные метрики в команду. И именно здесь возникает разрыв: данные становятся всё лучше, но решения не принимаются быстрее, потому что организация не умеет превращать выводы в конкретные шаги.
Где именно теряется инсайт
Если посмотреть на путь аналитического сигнала от источника до решения как на конверсионную воронку, становится видно, что потери происходят на трех принципиально разных уровнях. Каждый уровень требует отдельного решения.
Первый уровень — сигнал не доходит. Инсайт технически существует, но до нужного человека не добирается в нужное время в необходимом формате. Он может теряться в отчетах, быть не в том формате или же попасть не к тому человеку. Или, например, быть проблемой архитектуры: когда модельные метрики не связаны с бизнес-результатами, аналитика генерирует сигналы, которые технически точны, но операционно нерелевантны для тех, кто принимает решения.
Второй уровень — сигнал не понимают. Сигнал дошел, но decision-maker (лицо, принимающее решение) не может или не хочет его интерпретировать как основание для действия.
Здесь работают три отдельных механизма:
- когнитивный барьер (инсайт требует технической экспертизы, которой нет);
- контекстуальный барьер (данные есть, но нарратив, связывающий их с текущим решением, отсутствует);
- барьер доверия (методология или источник данных вызывает сомнения, поэтому инсайт отклоняется еще до того, как его рассмотрят).
Даже технически безупречный инсайт не работает, если нет доверия к данным и к тому, как они получены.
Третий уровень — сигнал понимают, но не действуют. Это самый болезненный случай, потому что здесь инсайт понят и принят, но не конвертируется в решение.
Нет владельца, нет дедлайна, нет механизма эскалации. Инсайт уходит в категорию «учтем» и растворяется в бэклоге, пока не устареет настолько, что перестанет быть релевантным. Именно на этом уровне ломается большинство data-driven организаций: они научились производить качественные сигналы, но не спроектировали организационную инфраструктуру для их конверсии в действия.
Почему стандартные решения не работают
Типичная реакция на last mile problem — улучшить коммуникацию аналитиков, провести data-тренинги, сделать дашборды понятнее. Все это адресует второй уровень и частично первый, но полностью игнорирует третий — и именно поэтому эффект оказывается временным или незаметным.
Корень проблемы в том, что аналитика в компании устроена как фабрика инсайтов, а не как система принятия решений. Это принципиально разные архитектуры. Производство инсайтов оптимизирует покрытие метриками, качество данных, скорость обновления дашбордов. Система поддержки решений оптимизирует конверсию сигнала в действие — и для этого требует явных точек принятия решений, закрепленной ответственности, временных окон и механизмов эскалации для time-sensitive инсайтов.
Это как строить идеальный онбординг без единого момента, где пользователь должен совершить конкретное действие — можно сделать всё правильно, но активации не будет.
Что реально меняет ситуацию
Практика, которая системно работает — переход от модели «аналитика производит, бизнес потребляет» к модели, где аналитический цикл структурно интегрирован в процесс принятия решений. Это означает несколько конкретных изменений в том, как организована работа.
- Инсайт должен приходить не с выводами, а с вопросом о решении: не «вот, что происходит», а «на основе этих данных необходимо принять решение X или Y — кто владелец и в какой срок». Это изменение формата взаимодействия, которое переносит ответственность за конверсию с аналитика на организационный процесс.
- Необходимы точки обязательного решения. Не «посмотрим на данные на следующей встрече», а конкретный момент в процессе, где команда обязана зафиксировать позицию на основе аналитики. Без этого инсайт всегда будет проигрывать интуиции и политике — просто потому что у них есть инерция и авторитет, а у данных нет.
- Наконец, эффективность аналитической функции нужно измерять через конверсию: какая доля аналитических инсайтов за период привела к решению в срок за последний месяц/год. Это неудобная метрика именно потому, что она честная — она показывает, где в организации инсайты умирают, и делает проблему последней мили видимой и управляемой.
Микро-кейс. В продуктовой команде, с которой я работала, ввели простое правило: каждый еженедельный аналитический срез заканчивается не выводами, а решением. Даже если решение «мы осознанно не действуем, потому что X». Это изменило динамику полностью. Аналитики перестали готовить отчеты в вакуум. Продакты перестали кивать, не думая. За два квартала доля инсайтов, которые приводили к изменению продукта или процесса, выросла втрое.
В итоге
Last mile problem в аналитике — это не вопрос качества данных и не вопрос культуры в абстрактном смысле. Это структурная проблема, заключающаяся в том, как организация спроектировала путь от сигнала до действия. Данные не меняют поведение сами по себе — это делают решения, принятые на их основе.
