Зрелость данных: уровни и модели оценки

Автор

Единого автора нет. Идея выросла из модели зрелости процессов SEI для разработки ПО; свои варианты опубликовали Gartner, Дэвенпорт и Харрис, CMMI Institute и BCG вместе с Google, 1986 (модель SEI); 2007; 2014; 2019

Уровень

301 · Продвинутый

Подходит

растущая компания, корпорация

Время на внедрение

полдня на оценку, неделя на проверку подтверждений

Что понадобится

одна опубликованная модель, выбранная как общий словарь · 4–6 человек, которые видят данные с разных сторон: маркетинг, продукт, финансы, разработка · документы, подтверждающие каждую оценку: план трекинга, дашборд, список владельцев данных

Модель зрелости данных — ступенчатая шкала, по которой оценивают, как организация собирает, ведёт и использует данные: от россыпи таблиц внизу до аналитики, которая определяет решения, наверху. Стандартной версии нет. Gartner, Дэвенпорт и Харрис, CMMI Institute и BCG вместе с Google публикуют свои, и делят шкалу на разное число ступеней. На этой странице сравниваем четыре модели, смотрим, на чём они держатся, и показываем, как пользоваться любой из них, не принимая ступени за закон природы.

Откуда взялась идея

Модели зрелости данных копируют схему из разработки ПО. Институт программной инженерии (SEI) при Университете Карнеги — Меллона начал строить рамку зрелости процессов в 1986 году, а его Capability Maturity Model for Software версии 1.1 вышла в 1993-м. Ещё раньше ступенчатую идею предложил Ричард Нолан: он описал стадии роста вычислительной техники в компании в статье Harvard Business Review 1979 года. Модели данных взяли форму лестницы: несколько уровней, и каждый упорядоченнее предыдущего.

Четыре опубликованные модели рядом

Модели отвечают на немного разные вопросы, поэтому смешивать их нельзя.

Оригинальный документ Gartner об analytics ascendancy мы открыть не смогли, поэтому строка опирается на исследовательский препринт: он описывает модель как «лестницу ценности аналитики» (analytic value escalator), где более высокие типы анализа дают больше ценности и сложнее. Работу Дэвенпорта и Харриса мы смогли прочитать только в рецензиях: Information Age называет нижнюю и верхнюю стадии и описывает нижнюю как полёт вслепую с вопросами, обращёнными в прошлое. Статья, с которой начался этот круг работ, — публикация Дэвенпорта в HBR 2006 года.

DMM — самая прикладная из четырёх. SD Times писал в 2014 году, что её построили на принципах CMMI вместе с Enterprise Data Management Council и что её проверили более 140 экспертов. В интервью InfoQ руководитель программы называет 25 областей процессов и больше 300 описаний практик. По ходу разработки цифры менялись: в обновлении SEI за 2012 год значились 6 категорий и 15 составляющих областей. Названия уровней в найденных вторичных описаниях расходятся, поэтому мы их не приводим.

Исследование BCG, опубликованное в 2019 году по заказу Google, опросило старших маркетологов более чем из 200 брендов в 2018 году. Около 90% попали между стадиями emerging и connected. По данным отчёта, компании на верхней стадии заявили об экономии затрат до 30% и росте выручки до 20%. Это собственные оценки компаний, а не измеренные результаты. Более ранней версии 2017 года мы не нашли.

Что подтверждают данные

Почти всё построено на самооценке. В опросе Gartner 2018 года респонденты оценивали себя сами: 5% поставили себе первый уровень, 21% — второй, 34% — третий, 31% — четвёртый и 9% — пятый. Оценка от самих оцениваемых показывает, что они о себе думают.

Два исследования сильнее. Бриньолфссон, Хитт и Ким изучили 179 крупных фирм и обнаружили, что решения на данных сопровождались выпуском и производительностью на 5–6% выше, чем предсказывали остальные инвестиции фирм. Они же проверили гипотезу об обратной причинности. Но это исследование измеряет практики, а не оценки по какой-либо из моделей выше. Лисмонт с коллегами опросили компании по пяти измерениям и кластеризацией получили четыре стадии: нет аналитики, самоучки (bootstrappers), устойчивые последователи (sustainable adopters) и прорывные новаторы (disruptive innovators). Эти стадии получены из данных, а не из диаграммы вендора.

Ступени — рабочие схемы, а не измеренные законы

Исследования, которое показало бы, что компании проходят какие-либо из этих ступеней по порядку или что каждая ступень вызывает следующую выгоду, мы не нашли. История старых ступенчатых моделей настораживает. Кинг и Крамер оценили модель стадий Нолана в 1983 году и пришли к выводу: это полезная организующая рамка, но не эмпирически подтверждённая модель, какой её считали сторонники.

Исследователи моделей зрелости сомневаются в том же. Беккер, Кнакштедт и Пёппельбус насчитали в 2009 году больше сотни моделей зрелости для ИТ и назвали методы их разработки плохо задокументированными. Рёглингер, Пёппельбус и Беккер проверили десять моделей управления бизнес-процессами и выяснили, что принципы проектирования для предписывающего применения, то есть для подсказки, как улучшаться, почти не соблюдены. Считайте ступень описанием того, что обычно делают организации на этой ступени, а не дорожной картой с гарантированной отдачей.

В ту же сторону указывает и рамка Gartner 2011 года: в ней сказано, что единственно верного воплощения нет, а людей и процессы она ставит рядом с платформой.

Используйте как профиль, а не как рейтинг

Оценивайте области по отдельности. Единый уровень прячет то, что вас тормозит, как показывает иллюстрация.

Каждая область связана с практикой, которую можно внедрять. Трекинг — это план трекинга событий. Объединённые записи о клиентах дают платформа клиентских данных. Доверие к цифрам по каналам зависит от единого измерения эффективности. Решения улучшаются, когда метрики собраны в дерево метрик и у каждой есть владелец. План Growth Lab начинается с такого профиля, а затем берёт одну область, улучшение которой меняет реальное решение.

Как применять: Зрелость данных: уровни и модели оценки по шагам

1. Выберите одну модель и держитесь её. Возьмите одну опубликованную шкалу, например пять уровней Gartner или DMM от CMMI Institute, и не смешивайте названия ступеней из разных моделей. Результат: общий словарь для всех следующих разговоров.
2. Разделите работу с данными на 4–6 областей. Оценивайте области по отдельности, например: трекинг, качество данных, ответственность, навыки и использование в решениях. DMM устроена так же, в ней шесть категорий. Результат: список областей вместо одного размытого уровня на всю компанию.
3. Ставьте оценку по подтверждениям, а не по мнению. К каждой оценке просите артефакт: план трекинга, дашборд, который открывали на последней планёрке руководства, владельца метрики с конкретным именем. Нет артефакта — нет оценки выше самого низкого уровня. Результат: оценки, которые может проверить скептично настроенный коллега.
4. Найдите самую слабую область, которая блокирует решение. Возьмите самую низкую оценку и спросите, какое бизнес-решение она останавливает. Низкое качество данных важно, если из-за него вы не доверяете отчёту по конверсии, на котором строите бюджет. Результат: один пробел, привязанный к конкретному решению.
5. Поставьте цель на одну ступень с метрикой. Поднимите одну-две области на одну ступень и привяжите к цели измеримый результат из вашего дерева метрик. Перепрыгивая через ступени, команды покупают инструменты, с которыми потом не справляются. Результат: цель с ответственным и сроком.
6. Пересчитывайте по графику. Через полгода повторите оценку по тем же правилам подтверждений и с теми же людьми. Результат: динамика, которую можно сравнивать, а не разовый снимок.

Примеры

Сеть стоматологий накануне открытия четвёртой клиники

Иллюстративный пример. Сеть оценивает пять областей по шкале от 1 до 5. Трекинг получает 4: онлайн-записи размечены и доходят до системы записи. Качество данных — 3. Навыки — 2, потому что все отчёты строит один аналитик. Решения — 3. Средний балл 3,2 намекает, что в целом всё неплохо. Профиль показывает другое: единственный аналитик ограничивает скорость, с которой сеть получает ответы на вопросы. Цель на одну ступень — обучить двух управляющих клиник читать дашборд, чтобы навыки выросли с 2 до 3.

Платёжный стартап перед проверкой данных регулятором

Иллюстративный пример. Стартап оценивает себя высоко по аналитике, у него в работе модель оттока, но низко по ответственности: за определения данных о транзакциях никто не отвечает, а две команды по-разному считают активных клиентов. По логике DMM, где управление данными и качество данных — отдельные категории, стартап откладывает вторую модель и тратит квартал на определения и владельцев. Результат, который стоит проверить: одно согласованное определение активного клиента.

Когда применять

Применяйте, когда руководство спрашивает, готова ли компания к крупным вложениям в аналитику, когда две команды спорят, чьи цифры верны, или перед выбором платформы данных. Шкала даёт общий язык для первого честного разговора о пробелах.

Когда не применять

Не нужна, если проблема в одном сломанном отчёте или одном пропавшем событии: это за день чинит план трекинга. Не превращайте оценку в цель для отчёта наверх и не покупайте бенчмарк-отчёт, чтобы узнать, как вы выглядите на фоне других: многие опубликованные цифры респонденты поставили себе сами.

Частые ошибки

• Считают высший уровень целью. Сети из трёх клиник предписывающая аналитика не нужна. Подбирайте уровень под решения, которые вы реально принимаете.
• Выводят одну общую оценку. Среднее скрывает самую слабую область, а она обычно и сдерживает остальные.
• Оценивают по мнению. Цифры Gartner за 2018 год получены от организаций, которые оценили себя сами, а самооценку без артефакта проверить нельзя.
• Пропускают ступени. Покупать предиктивные инструменты при неполном плане трекинга — значит обучать модели на недостающих данных.
• Превращают зрелость в ИТ-проект. В опросе 2021 года среди руководителей по данным 92% назвали главным барьером на пути к управлению на данных людей, процессы и культуру, а не технологии.

Вопросы и ответы

Какие бывают уровни зрелости данных?

Зависит от модели. В модели Gartner для данных и аналитики пять уровней, Дэвенпорт и Харрис описывают пять стадий от «аналитически слабых» до «аналитических конкурентов», в DMM от CMMI Institute пять уровней возможностей, а BCG вместе с Google выделяет четыре стадии от nascent до multimoment. Единой стандартной шкалы нет.

Что такое модель зрелости управления данными?

Это модель зрелости того, как данными управляют, а не только анализируют их. Модель Data Management Maturity (DMM) от CMMI Institute, выпущенная в 2014 году, охватывает шесть категорий, включая стратегию, управление данными и качество данных, в 25 областях процессов. Оценивают её по пяти уровням возможностей.

Как оценить зрелость данных?

Выберите одну модель, оцените четыре–шесть областей по отдельности и потребуйте артефакт для каждой оценки, например план трекинга или владельца метрики с конкретным именем. Затем найдите самую слабую область, которая блокирует реальное решение, и спланируйте улучшение на одну ступень. Через полгода оцените заново.

Всегда ли высокий уровень зрелости данных лучше?

Доказательств, что это верно для любой компании, нет. Самая известная связь — исследование Бриньолфссона, Хитта и Ким 2011 года по 179 фирмам: решения на данных сопровождались производительностью выше на 5–6%. Но оно изучало практики, а не оценки по ступеням. Высокие ступени стоят дороже, поэтому подбирайте уровень под свои решения.

Источники

1. BCG, Dividends of digital marketing maturity (Field, Patel, Leon), 2019
2. MacTech, reporting Gartner's 2018 survey on data and analytics maturity
3. Gartner, Gartner's Business Analytics Framework, G00219420, 2011
4. Leonard Heilig et al., From digitalization to data-driven decision making in container terminals, arXiv preprint, 2019
5. Harvard Business Review, Thomas H. Davenport, Competing on analytics, 2006
6. Information Age, Ian Cowley, Competing on analytics (review of Davenport and Harris), 2007
7. Harvard Business Review, Thomas H. Davenport, Analytics 3.0, 2013
8. SD Times, CMMI Institute looks to improve data management with DMM model, 2014
9. InfoQ, Improving data management with the DMM (Melanie Mecca interview), 2014
10. Software Engineering Institute, Rawdon Young, Data Management Maturity (DMM) Model update, 2012
11. Software Engineering Institute, Paulk et al., Capability Maturity Model for Software, Version 1.1, 1993
12. Harvard Business Review, Richard L. Nolan, Managing the crises in data processing, 1979
13. John L. King, Kenneth L. Kraemer, Evolution and organizational information systems: an assessment of Nolan's stage model, ICIS 1983
14. Jörg Becker, Ralf Knackstedt, Jens Pöppelbuß, Developing maturity models for IT management, Business and Information Systems Engineering 1(3), 2009
15. Jens Pöppelbuß, Maximilian Röglinger, What makes a useful maturity model?, ECIS 2011
16. Maximilian Röglinger, Jens Pöppelbuß, Jörg Becker, Maturity models in business process management, Business Process Management Journal 18(2), 2012
17. Roy Wendler, The maturity of maturity model research: a systematic mapping study, Information and Software Technology 54(12), 2012
18. Erik Brynjolfsson, Lorin Hitt, Heekyung Kim, Strength in numbers: how does data-driven decisionmaking affect firm performance?, ICIS 2011
19. Jasmien Lismont, Jan Vanthienen, Bart Baesens, Wilfried Lemahieu, Defining analytics maturity indicators: a survey approach, International Journal of Information Management 37(3), 2017
20. MIT Sloan Management Review, Thomas H. Davenport, Randy Bean, Execs bullish on AI but wary of data leadership, 2021

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn