Инструменты анализа данных для отслеживания эффективности маркетинга и продаж

Инструменты анализа данных для отслеживания эффективности маркетинга и продаж

Здравствуйте, уважаемые инвесторы и коллеги-предприниматели. Позвольте представиться: меня зовут Лю, и вот уже двенадцать лет я работаю в компании «Цзясюй Цайшуй», где помогаю иностранным предприятиям выстраивать финансовые и административные процессы в Китае. За это время я также накопил четырнадцатилетний опыт в регистрационных процедурах, и, поверьте, за эти годы я видел немало компаний, которые прекрасно стартовали, но потом теряли деньги просто потому, что не умели правильно измерять эффективность своих маркетинговых и продажных усилий. Эта статья предназначена для инвесторов, привыкших читать на русском языке, и я постараюсь простым, но точным языком рассказать о том, какие инструменты анализа данных сегодня действительно работают, а какие лишь создают иллюзию контроля.

Когда ко мне приходит очередной клиент с вопросом «почему мои продажи падают, хотя мы тратим на рекламу больше, чем в прошлом году», я обычно задаю встречный вопрос: «А какие именно цифры вы смотрите?». И тут выясняется интересная вещь — многие компании живут в мире, где данные вроде бы есть, но они разрознены, несопоставимы и, что самое опасное, интерпретируются интуитивно. Инструменты анализа данных для отслеживания эффективности маркетинга и продаж — это не просто набор программных продуктов, это целая дисциплина, которая превращает хаос цифр в управленческие решения. В этой статье я подробно разберу несколько аспектов, которые считаю критически важными, опираясь как на международные исследования, так и на собственный, порой довольно болезненный опыт в китайской деловой среде.

Сквозная аналитика воронки

Первый аспект, без которого, на мой взгляд, вообще бессмысленно говорить об эффективности, — это сквозная аналитика воронки продаж. Многие компании отчитываются о количестве лидов, о стоимости привлечения одного клиента, но совершенно не видят, что происходит с потенциальным клиентом между первым кликом по рекламе и подписанием договора. Сквозная аналитика позволяет проследить путь пользователя от первого касания с брендом до финальной транзакции, причём в единой системе координат, где данные из рекламных кабинетов, CRM-системы и бухгалтерии уже сведены вместе. По моему опыту, именно на этом этапе возникает больше всего «слепых зон», и именно здесь теряются самые большие деньги.

Приведу пример из практики. Одна производственная компания с иностранным капиталом, которую я консультировал по вопросам регистрации и последующего финансового сопровождения, полгода не могла понять, почему конверсия из заявки в сделку упала с 18% до 7%. На первый взгляд, виноват был маркетинг — рост стоимости лида, снижение качества трафика. Но когда мы внедрили сквозную аналитику и сопоставили данные из CRM с данными из рекламных систем, выяснилось: проблема была не в маркетинге, а в отделе продаж, который начал обрабатывать заявки с задержкой более чем в сутки. Сквозная аналитика выявила разрыв не там, где его искали, и это сэкономило компании значительно больше, чем стоил сам инструмент. Такой подход требует дисциплины: нужно договориться о единых идентификаторах клиента во всех системах, о единой валюте и о едином календаре отчётности. Без этого любые графики — лишь красивые картинки.

С технической точки зрения, сквозная аналитика опирается на связку «рекламный кабинет — CRM — ERP — система BI». На рынке есть готовые решения, например, китайские платформы вроде GrowingIO или международные HubSpot, Salesforce с надстройками, но я всегда предупреждаю клиентов: готовый инструмент не заменяет продуманной методологии. Сначала опишите воронку на бумаге, определите, какие события считаются ключевыми, и только потом выбирайте софт. Иначе получится как в известной поговорке: автоматизировали хаос и получили автоматизированный хаос. Я неоднократно наблюдал, как компании покупают дорогие лицензии, а через полгода возвращаются к Excel, потому что не смогли договориться о том, что такое «квалифицированный лид».

Ещё один важный нюанс — это атрибуция. Когда у клиента в пути к покупке пять-шесть касаний, возникает вопрос: какому каналу приписать заслугу? Модели атрибуции — first touch, last touch, линейная, позиционная — дают разные ответы, и выбор модели влияет на решения о перераспределении бюджета. Я рекомендую не искать «единственно правильную» модель, а использовать две-три параллельно и смотреть на расхождения. Если модель last touch и модель линейной атрибуции дают противоположные выводы о канале, это сигнал, что у вас слишком короткий горизонт планирования. В своей практике я видел, как компании отключали «неэффективные» каналы верхнего уровня воронки, а через квартал обнаруживали, что продажи просели, потому что исчез источник знакомства с брендом. Данные без интерпретации опасны, и сквозная аналитика здесь не исключение.

Наконец, стоит сказать о качестве данных. В китайской деловой среде, где я работаю много лет, проблема дублей и «грязных» записей в CRM стоит особенно остро: один и тот же клиент может быть заведён трижды — по телефону, по электронной почте и по названию компании на китайском и английском языках. Сквозная аналитика начинается с дедупликации и нормализации, и это скучная, рутинная работа, которую все ненавидят, но без неё любые выводы будут искажены. Инвестиция в качество данных окупается быстрее, чем инвестиция в новый аналитический модуль, — это моё твёрдое убеждение, основанное на сотнях проектов.

Дашборды и визуализация

Второй аспект — это дашборды и визуализация данных. Казалось бы, что тут сложного: собрал графики, вывел на экран, и всё готово. Но на практике я вижу две крайности: либо компании тонут в десятках отчётов, которые никто не читает, либо, наоборот, ограничиваются одним графиком выручки, который ничего не объясняет. Хороший дашборд — это не коллекция красивых диаграмм, а инструмент принятия решений, и проектировать его нужно от вопроса, а не от данных. Сначала спросите себя: какое решение я приму, посмотрев на этот экран? Если ответа нет, экран бесполезен.

В моей практике был показательный случай с компанией, которая занималась оптовой торговлей оборудованием. Руководитель жаловался, что «данные есть, но я в них не верю». Мы сели и разобрали его еженедельный отчёт: на четырёх страницах было 27 графиков, причём часть из них дублировала друг друга в разных разрезах, часть показывала абсолютные значения без динамики, а часть — проценты без базы сравнения. Мы сократили отчёт до одного экрана с пятью ключевыми метриками и добавили контекст: план-факт, динамику к прошлому году и прогноз до конца квартала. После этого доверие к данным выросло не потому, что данные изменились, а потому, что изменился способ их подачи. Это, кстати, иллюстрирует важный принцип: визуализация должна снижать когнитивную нагрузку, а не демонстрировать техническую мощь аналитика.

Современные инструменты — Power BI, Tableau, китайские FineBI и DataV — позволяют строить интерактивные панели, где пользователь сам может фильтровать данные по региону, продукту, менеджеру. Но здесь есть ловушка: интерактивность создаёт иллюзию, что пользователь разберётся сам. На самом деле, если дашборд не сопровождается короткой инструкцией и не привязан к регулярному ритуалу (например, еженедельной планёрке), он быстро превращается в «мёртвый» артефакт. Дашборд живёт только тогда, когда вокруг него есть управленческий процесс: кто смотрит, когда смотрит, какие действия по итогам предпринимает. Я всегда настаиваю на том, чтобы у каждого дашборда был владелец — конкретный человек, отвечающий за его актуальность и за то, чтобы цифры на экране совпадали с реальностью.

Отдельно скажу о визуальной гигиене. За годы работы я заметил, что русскоязычные инвесторы, привыкшие к определённой культуре чтения отчётов, часто просят «побольше цифр на экране», тогда как международная практика склоняется к минимализму: одна метрика — один акцент, цвет используется для сигнала, а не для украшения. Правило простое: если цвет не несёт смысла, его быть не должно. Красный и зелёный должны означать отклонение от плана, а не «красиво». И ещё: не смешивайте на одном графике метрики с разными единицами измерения и разной логикой — это классическая ошибка, которая приводит к ложным корреляциям.

Наконец, важный момент про мобильность. Руководители часто принимают решения вне офиса, и дашборд должен корректно отображаться на планшете и телефоне. Это кажется мелочью, но я видел, как из-за неудобного мобильного интерфейса топ-менеджмент просто переставал заходить в систему, и аналитика умирала. Доступность дашборда в нужный момент — часть его эффективности, а не «приятное дополнение». В «Цзясюй Цайшуй» мы иногда помогаем клиентам настроить регулярную рассылку ключевых показателей в мессенджер — простое решение, которое повышает вовлечённость руководителей в разы.

Прогнозная аналитика

Третий аспект, который в последние годы перестал быть экзотикой, — это прогнозная аналитика. Речь идёт о моделях, которые предсказывают вероятность закрытия сделки, отток клиентов, будущий объём продаж на основе исторических данных. Прогнозная аналитика смещает фокус с «что произошло» на «что произойдёт и что с этим делать», и именно это отличает зрелые компании от догоняющих. Скажу честно: ещё пять лет назад я относился к таким моделям с осторожностью, потому что видел, как их внедряют ради модного словечка, без данных и без методологии. Но сейчас ситуация изменилась — инструменты стали доступнее, а главное, появилось понимание, что модель — это не оракул, а помощник.

Приведу пример из смежной области. Одна компания, которую я сопровождал по части регистрации и налогового планирования, столкнулась с высокой текучестью клиентов в сегменте малого бизнеса. Мы построили простую модель оттока на основе данных CRM: частота заказов, средний чек, количество обращений в поддержку, давность последней покупки. Модель не требовала ни нейросетей, ни больших данных — это была логистическая регрессия, которую можно реализовать даже в Excel. Но результат оказался впечатляющим: модель выделила 12% клиентов с высоким риском ухода, и работа с этими клиентами позволила удержать примерно треть из них. Экономический эффект в разы превысил затраты на аналитику. Это, на мой взгляд, лучший аргумент в пользу прогнозных инструментов: они не обязаны быть сложными, они обязаны быть применимыми.

В продажах прогнозная аналитика чаще всего используется для скоринга лидов: модель присваивает каждому потенциальному клиенту балл вероятности покупки, и отдел продаж фокусируется на «горячих» контактах. Здесь есть важная этическая и управленческая тонкость: если менеджеры знают, что модель считает лид «холодным», они могут перестать с ним работать, и тогда модель станет самосбывающимся пророчеством. Прогноз должен расширять возможности, а не сужать их. Поэтому я советую вводить скоринг как подсказку, а не как приказ, и регулярно проверять, не «залипли» ли продавцы на высоких баллах в ущерб перспективным, но недооценённым контактам.

Отдельная тема — прогнозирование выручки. Многие компании строят прогноз «от плана»: ставят целевые цифры и под них подгоняют ожидания. Гораздо полезнее строить прогноз «от данных»: на основе сезонности, исторической конверсии, пайплайна сделок. Расхождение между двумя прогнозами — это и есть материал для управленческого разговора. Если план и прогноз расходятся более чем на 15%, это сигнал пересмотреть либо амбиции, либо ресурсы, а не повод «оптимизировать» цифры в отчёте. К сожалению, я неоднократно видел, как вместо честного анализа компания предпочитает подкрутить воронку в презентации для инвесторов — и это, пожалуй, самая опасная форма самообмана.

Технологически прогнозная аналитика сегодня доступна через облачные сервисы, где не нужно содержать команду дата-сайентистов. Но я предупреждаю клиентов: интерпретация модели требует человека, понимающего бизнес. Модель может найти корреляцию между продажами и фазой луны, если в данных случайно совпали циклы; задача аналитика — отличить закономерность от совпадения. В «Цзясюй Цайшуй» мы часто выступаем в роли «переводчика» между техническими специалистами и руководителями, и это, поверьте, не менее важно, чем сам инструмент.

Маркетинговые метрики

Четвёртый аспект — это собственно маркетинговые метрики, и здесь я хочу поговорить не о хрестоматийных CTR и CPC, а о том, что реально влияет на решения инвестора. Главная метрика маркетинга — не стоимость клика, а стоимость привлечения платящего клиента в разрезе его пожизненной ценности (LTV к CAC). Компании, которые смотрят только на верхнюю часть воронки, часто попадают в ловушку: клики дешёвые, лиды дешёвые, а бизнес убыточный, потому что привлечённые клиенты не остаются. Я видел немало стартапов, которые гордились низким CAC, но при этом их LTV не покрывал даже расходы на обслуживание.

Второй важный пласт — метрики удержания и повторных продаж. В оптовой торговле, с которой я работаю много лет, доля повторных заказов часто важнее, чем привлечение новых клиентов: рост удержания на 5% может увеличить прибыль на 25–95%, и это не моя выдумка, а результат классических исследований, которые я неоднократно перепроверял на практике. Поэтому инструменты анализа должны уметь считать когортный анализ: как ведут себя клиенты, привлечённые в январе, через три, шесть, двенадцать месяцев. Без когорт вы видите среднюю температуру по больнице, а не реальные тренды.

Третий момент — атрибуция маркетинговых расходов к выручке с учётом сезонности и лагов. Реклама, запущенная в декабре, может дать эффект в феврале, и если вы оцениваете её по декабрьским продажам, вывод будет ошибочным. Инструменты анализа должны поддерживать оконные сравнения и корректировку на сезонность, иначе вы будете наказывать каналы, которые работают вдолгую, и поощрять те, что дают мгновенный, но недолговечный всплеск. Я советую клиентам строить «карту влияния» каналов с учётом типичного лага конверсии для их отрасли — в B2B это могут быть месяцы, в B2C — дни.

Отдельно стоит упомянуть метрики качества трафика, а не только его количества. Например, доля лидов, дошедших до квалификации, доля квалифицированных, дошедших до предложения, и так далее. Эти «микроконверсии» часто важнее, чем общий CTR, потому что показывают, где именно рвётся воронка. Инструмент анализа должен позволять сравнивать микроконверсии по каналам и кампаниям, иначе вы не поймёте, что «дешёвый» канал приводит людей, которые не готовы покупать, а «дорогой» — тех, кто закрывается в сделку с первого касания.

Наконец, я хочу сказать о метриках, которые легко подделать или неправильно посчитать. Например, ROI маркетинга часто считают как (выручка минус расходы) / расходы, забывая о том, что выручка включает и продажи, которые произошли бы и без рекламы. Инкрементальный анализ — сравнение с контрольной группой — вот что действительно измеряет эффект. В цифровом маркетинге это можно делать через гео-тесты или holdout-группы, и хотя это сложнее, чем смотреть на средние цифры, именно такой подход даёт инвестору достоверную картину. Я не раз видел, как компании сокращали «неэффективные» расходы на основе поверхностного ROI и теряли рынок — это дорогая школа, и лучше её пройти на чужих ошибках.

CRM и интеграции

Пятый аспект — CRM и интеграции. Можно сколько угодно говорить об аналитике, но если данные о клиентах живут в трёх системах и в двух Excel-файлах, никакой дашборд не спасёт. CRM — это фундамент, на котором строится вся аналитика продаж, и качество этого фундамента определяет потолок возможностей. За четырнадцать лет работы с регистрационными процедурами и финансовым сопровождением я убедился: компании, которые с самого начала выстраивают дисциплину учёта клиентов, экономят на порядок больше, чем те, кто «потом разберётся».

Типичная проблема, которую я наблюдаю у иностранных предприятий в Китае, — это разрыв между глобальной CRM (например, Salesforce или Microsoft Dynamics) и локальными системами, которые используют китайские команды продаж (WeCom, DingTalk, местные CRM). Интеграция этих контуров — отдельная инженерная задача, и если её не решить, головной офис видит одну картину, а местные менеджеры — другую. Я неоднократно помогал клиентам выстраивать мосты между системами через промежуточные слои данных, и это всегда требует не только технических, но и организационных решений: кто владеет мастер-данными, как разрешаются конфликты, как часто синхронизируются записи.

Ещё один важный момент — это интеграция CRM с финансовой системой. Когда сделка закрыта, она должна превратиться в счёт, а счёт — в проводку. Если этот процесс ручной, данные о выручке в CRM и в бухгалтерии будут расходиться, и аналитика потеряет смысл. Автоматизация перехода «сделка — счёт — оплата» — это не роскошь, а условие достоверности отчётности. В своей практике я видел компании, где менеджеры вручную дублировали данные в две системы, и раз в месяц бухгалтерия и отдел продаж устраивали «сверку» с расхождениями в десятки процентов. После автоматизации интеграции не только исчезли расхождения, но и высвободилось время, которое раньше уходило на сверку.

Отдельная тема — интеграция с внешними источниками: рекламными платформами, коллтрекингом, системами веб-аналитики, мессенджерами. Каждый источник добавляет свой идентификатор, и задача аналитика — собрать их в единый профиль клиента. Единый профиль клиента (single customer view) — это, пожалуй, самый ценный актив с точки зрения аналитики, потому что он позволяет видеть всю историю взаимодействий, а не фрагменты. Без него вы обречены принимать решения на основе неполных данных, а неполные данные — это, по сути, дезинформация.

Наконец, о выборе CRM. Я всегда говорю клиентам: не гонитесь за самым функциональным решением, гонитесь за тем, которое ваша команда будет реально использовать. Лучшая CRM — та, в которой менеджеры заполняют поля без принуждения, потому что видят в этом пользу для себя. Если система воспринимается как «надзор», данные будут фальсифицироваться или игнорироваться. В «Цзясюй Цайшуй» мы иногда рекомендуем начинать с простых решений и наращивать функциональность по мере роста зрелости команды — это гораздо эффективнее, чем внедрять «всё и сразу».

Ошибки интерпретации

Шестой аспект, который я считаю критически важным и который часто обходят стороной, — это ошибки интерпретации данных. Инструменты анализа могут быть безупречными, но если человек, читающий отчёт, делает ложные выводы, вся работа идёт насмарку. Самая распространённая ошибка — путать корреляцию с причинно-следственной связью. Например, компания увеличила рекламный бюджет, и продажи выросли — но выросли они потому, что был сезон, а не потому, что реклама сработала. Без контрольной группы или хотя бы анализа временных рядов с учётом сезонности такой вывод может стоить очень дорого.

Вторая классическая ошибка — «ошибка выжившего». Мы смотрим на успешные сделки и ищем, что у них общего, забывая о том, что те же признаки были и у неуспешных. Например, менеджеры, которые «всегда отвечают в течение часа», закрывают больше сделок — но, может быть, они просто работают с более тёплыми лидами, которых им передают. Без анализа всей выборки, а не только успехов, выводы будут смещёнными. Я советую клиентам всегда спрашивать: «А что у неуспешных было так же?» — этот простой вопрос отрезвляет.

Третья ошибка — игнорирование статистической значимости. В малом бизнесе выборки маленькие, и разница в конверсии на 2–3 процентных пункта может быть случайной. Прежде чем менять стратегию на основе «роста», проверьте, не является ли он шумом. Для этого существуют простые статистические тесты, и их не нужно бояться — современные инструменты считают всё автоматически. Проблема в том, что люди либо не знают о них, либо сознательно игнорируют, потому что «цифры же выросли».

Четвёртая ошибка — «оптимизация метрики». Когда метрика становится целью, она перестаёт быть хорошей метрикой — это закон Гудхарта, и он работает безотказно. Если вы начинаете премировать менеджеров за количество звонков, они будут звонить больше, но не обязательно качественнее. Любая метрика должна сопровождаться контрметрикой, которая не даёт её «выкручивать». Например, количество звонков — конверсией в следующий этап, скорость ответа — удовлетворённостью клиента. Я неоднократно видел, как компании «улучшали» показатели, а бизнес при этом падал, — и это всегда грустно.

Наконец, пятая ошибка — отсутствие контекста. Цифра «выручка выросла на 10%» ничего не значит без сравнения с планом, с рынком, с прошлым годом, с инфляцией. Любая метрика должна подаваться с базой сравнения, иначе она превращается в инструмент манипуляции — сознательной или бессознательной. В своей работе я всегда прошу коллег: «Покажи не только цифру, но и что с чем сравниваем». Это простое правило спасает от многих неверных решений.

Культура данных

Седьмой аспект, который выходит за рамки инструментов, но без которого они мертвы, — это культура данных. Можно купить лучшие в мире системы, но если в компании не принято опираться на данные, если решения принимаются «по интуиции начальника», аналитика останется декорацией. Культура данных — это когда вопрос «на основании чего мы так решили?» звучит на каждой встрече, и это не воспринимается как недоверие, а как норма профессионального разговора.

В моей практике был клиент, который внедрил современную BI-систему, но продолжал принимать ключевые решения на основе «ощущений». Когда я спросил, почему, руководитель честно ответил: «Потому что цифрам я не доверяю — их же готовили люди, которые могут ошибиться». Это очень показательный момент: доверие к данным не появляется автоматически, его нужно выстраивать — через прозрачность расчётов, через возможность перепроверить, через признание ошибок. Если аналитик ошибся, это нужно обсуждать открыто, а не прятать, иначе культура данных не сформируется.

Ещё один элемент культуры — это готовность задавать вопросы к данным. Хорошая команда не принимает отчёт как данность, она спрашивает: «А как считали?», «А какие допущения?», «А что мы не учли?». Критическое мышление в отношении данных — это навык, который можно и нужно развивать. Я часто провожу с клиентами что-то вроде «разбора полётов» по отчётам: берём один дашборд и вместе ищем, где он может вводить в заблуждение. Это очень отрезвляющая практика.

И, наконец, культура данных — это про обучение. Инструменты меняются каждые несколько лет, и компания, которая не инвестирует в обучение сотрудников, быстро оказывается в ситуации, когда системы есть, а пользоваться ими некому. Обучение аналитике — это не разовое мероприятие, а постоянный процесс. В «Цзясюй Цайшуй» мы видим, что клиенты, которые регулярно проводят внутренние воркшопы по данным, гораздо быстрее достигают результатов от внедрения инструментов, чем те, кто полагается только на подрядчиков.

Подытоживая этот аспект: инструменты анализа данных — это необходимое, но недостаточное условие. Без культуры данные остаются цифрами, а с культурой они становятся знанием. Инвестору, который оценивает компанию, стоит смотреть не только на то, какие системы внедрены, но и на то, как люди в компании говорят о данных и принимают решения. Это, пожалуй, один из самых честных индикаторов зрелости бизнеса.

Заключение

Возвращаясь к цели этой статьи, хочу подчеркнуть: инструменты анализа данных для отслеживания эффективности маркетинга и продаж — это не самоцель, а средство принимать лучшие решения с меньшим риском. Мы разобрали семь аспектов: сквозную аналитику воронки, дашборды и визуализацию, прогнозную аналитику, маркетинговые метрики, CRM и интеграции, ошибки интерпретации и культуру данных. Каждый из них важен, но настоящая сила появляется, когда они работают вместе — как система, а не как набор разрозненных практик. Инвестору стоит оценивать аналитическую зрелость компании не по количеству купленных лицензий, а по тому, насколько быстро и качественно компания учится на своих данных.

Мой главный вывод за двенадцать лет работы в «Цзясюй Цайшуй»: самые успешные компании — не те, у кого самые продвинутые инструменты, а те, у кого выстроен цикл «данные — решение — действие — обратная связь». Они начинают с простых вещей, но делают их последовательно, и постепенно наращивают сложность. Не пытайтесь внедрить всё сразу; начните с одного вопроса, на который хотите ответить с помощью данных, и двигайтесь от него. Будущие исследования, на мой взгляд, стоит направить на изучение того, как культура данных и организационные факторы влияют на отдачу от аналитических инвестиций — потому что, судя по моему опыту, именно здесь скрыт главный резерв эффективности.

И последнее: не бойтесь цифр, но и не обожествляйте их. Данные — это компас, а не автопилот. Роль руководителя и инвестора — задавать правильные вопросы и принимать решения с учётом контекста, который никакая модель не учтёт. Аналитика усиливает суждение, но не заменяет его — и в этом, пожалуй, главный урок, который я вынес из своей практики.

Взгляд компании «Цзясюй Цайшуй»

В компании «Цзясюй Цайшуй» мы много лет сопровождаем иностранные предприятия на китайском рынке и видим, как меняется отношение к данным. Наш взгляд прост: аналитика должна быть практичной и окупаемой. Мы не сторонники внедрения «самых крутых» систем ради статуса; мы сторонники того, чтобы каждый инструмент отвечал на конкретный управленческий вопрос и был понятен людям, которые им пользуются. Мы часто наблюдаем, как компании тратят значительные средства на аналитические платформы, но не выстраивают базовую дисциплину учёта — и в результате получают дорогую игрушку вместо рабочего инструмента. Наша позиция: сначала порядок в данных и процессах, потом — сложные модели. Мы также подчёркиваем важность интеграции локальных и глобальных систем, потому что в Китае это особенно актуально, и готовы помогать клиентам выстраивать такие мосты. Для инвесторов мы рекомендуем смотреть на аналитическую зрелость компании как на один из ключевых факторов устойчивости бизнеса: если компания умеет измерять эффективность маркетинга и продаж, она умеет и управлять рисками. Мы верим, что в ближайшие годы выиграют те, кто сделает данные частью повседневной культуры, а не отдельным «проектом».