Джордан Морроу - Как вытащить из данных максимум. Навыки аналитики для неспециалистов
- Название:Как вытащить из данных максимум. Навыки аналитики для неспециалистов
- Автор:
- Жанр:
- Издательство:Литагент Альпина
- Год:2022
- Город:Москва
- ISBN:978-5-9614-7563-0
- Рейтинг:
- Избранное:Добавить в избранное
-
Отзывы:
-
Ваша оценка:
Джордан Морроу - Как вытащить из данных максимум. Навыки аналитики для неспециалистов краткое содержание
Для тех, кто хочет научиться говорить на языке данных уверенно, признанный эксперт в области дата-грамотности Джордан Морроу и написал свою книгу. Это практическое руководство позволит даже неспециалисту освоить четыре базовых уровня аналитики и узнать, как принимать эффективные решения на основе данных, чтобы извлекать максимум из информации и быть успешным в быстро меняющемся цифровом мире.
Как вытащить из данных максимум. Навыки аналитики для неспециалистов - читать онлайн бесплатно ознакомительный отрывок
Интервал:
Закладка:
Предиктивные методы – это более продвинутый уровень аналитики. Предсказательный анализ позволяет понять, что произойдет в будущем.
● Отдел продаж хотел убедиться, что новый импульс, полученный в результате повышения прибылей за счет программы стимулирования, не пропадет зря. Команда дата-аналитиков построила новые модели, которые показывали, что именно улучшилось с точки зрения продаж и прибылей, и это позволило им спрогнозировать: «Если торговые представители сделают А, то произойдет Б». Это поможет планированию и сохранит динамику.
● Отдел маркетинга рассмотрел данные, прибег к помощи аналитиков и начал работу по прогнозированию последствий смены места ссылки в теле письма. Были проведены разнообразные тесты, на основе которых аналитики спрогнозировали вероятные результаты запуска новых email-кампаний и предположили, где лучше разместить ссылку. Благодаря проведенному анализу у маркетологов теперь есть полный отчет о прогнозах.
● После обнаружения сбоя команда вернулась к поиску способов повысить потребительскую лояльность, эффективно используя имеющиеся у нее технологии получения данных и построения прогностических моделей для анализа и улучшения показателей.
Кто может участвовать в предсказательном анализе? Правильно: все! Конечно, специалисты по обработке данных и другие «технические» сотрудники играют важную роль, так как именно они строят прогнозы и модели. Когда руководителям компании нужно предсказать, что произойдет в результате тех или иных действий, они должны как следует донести это до специалистов, которые заняты прогнозами. Различные отделы компании должны делиться своими планами, опытом и всем остальным, чтобы прогнозы были более точными.
Прескриптивный анализ подразумевает следующее: технология «подсказывает» организации, что делать.
● У отдела продаж теперь есть огромное количество данных, которые получены при анализе подхода, основанного на стимулировании, и специалисты могут использовать машинное обучение для поиска тенденций и закономерностей: компьютер сам придумает, что делать дальше. Очень важно, чтобы специалисты могли ставить правильные вопросы по поводу данных, а затем эффективно применять на практике полученные ответы.
● Отдел маркетинга, получив массу данных по коэффициенту кликабельности и почтовым рассылкам, может использовать соответствующие алгоритмы и технологии, чтобы получать рекомендации по размещению ссылок в теле письма.
● При работе с индексом потребительской лояльности главным аспектом становится не анализ данных, а сами действия по улучшению обслуживания клиентов. Руководители работают с командой дата-аналитиков, чтобы при помощи компьютера найти нужные закономерности и предсказать, что нужно сделать для достижения успеха. Это может быть лишний телефонный звонок или небольшое увеличение бонусов для клиентов – зависит от ситуации. Это позволит компании тестировать варианты и еще успешнее работать с клиентами.
Кто участвует в директивном анализе? Вы и сами знаете ответ: все! Здесь, как и на предсказательном уровне, большую роль играют технические специалисты, но для дела нужен каждый сотрудник – лишь бы он умел задавать правильные вопросы машине, а затем применять результаты ее работы.
Краткое содержание главы
Когда мы смотрим на четыре уровня аналитических методов, нам хочется понять, что лежит в основе каждого из них. Нужно разобраться, как устроена аналитическая мозаика и кто окажется в проигрыше, если ее не удастся собрать правильно. Чтобы организация могла добиться успеха в работе с данными и дата-аналитикой, мозаика должна сложиться.
Но мы не можем собирать ее так, как делают маленькие дети, – просто выхватывая кусочки из общей кучи в надежде, что они сложатся сами собой. Необходимы вложения в каждый уровень – как в сотрудников с их способностями и навыками, так и в технологии и ПО.
Дескриптивные методы рассказывают о том, что уже произошло, диагностические – находят причину случившегося, предиктивные – предсказывают будущее, а прескриптивные – позволяют компьютерам подсказывать, что нужно сделать. Разобравшись во всех четырех уровнях, организация может успешно развивать стратегию работы с данными. Если вы уже разобрались, что к чему, готовы ли вы познакомиться с определением термина «дата-грамотность»? Тогда переходим к следующей главе.
03
Определение дата-грамотности
Теперь, когда мы поняли, что наш мир захватили данные, и разобрались в четырех уровнях их анализа, может быть, стоит наконец-то дать определение дата-грамотности? Конечно, давайте попробуем.
Для начала нужно исключить то, чем дата-грамотность не является. Я знаю, о чем вы думаете: ну вот, нужно возвращаться за парту, изучать всякие технические аспекты, статистику и т. д. Но это не так. Дата-грамотность – это не теория анализа и обработки данных. Не всем нужно быть специалистами по data science, но всем нужна дата-грамотность.
Эксперты по обработке данных обладают продвинутыми техническими навыками. Они умеют программировать, хорошо разбираются в статистике и тому подобных вещах. Data science в чистом виде – это применение к данным научного метода. Хотите во все это ввязаться? Вряд ли многие хотят. Но это и не нужно всем и каждому – зато каждый должен уметь изучать данные и использовать их с выгодой для себя. Это не просто помогает нам успешно бороться с конкурентами и строить карьеру, но и дает практические навыки, которые пригодятся в жизни.
Итак, мы вывели за скобки научные методы обработки данных – а теперь давайте вернемся к определению дата-грамотности. Их существует немало, но мы остановимся на наиболее полном определении, которое используется в Университете Эмерсона и Массачусетском технологическом институте.
Итак, дата-грамотность – это способность читать данные, работать с ними, анализировать их и использовать как аргумент [18] Knight, M. (2019). The Importance of Data Literacy, Dataversity.net, 12 March. https://www.dataversity.net/the-importance-of-data-literacy .
.
Мне нравится это определение, но для ясности хотелось бы расширить и несколько видоизменить формулировку «использовать как аргумент». Понятно, что в данном случае она означает «подкреплять свою точку зрения данными», но не слишком ли это узко? Не нужен ли дополнительный смысл? Мне бы хотелось расширить определение.
Дата-грамотность – это способность читать данные, работать с ними, анализировать их и общаться на языке данных.
Дело в том, что «общение на языке данных» вовсе не обязательно подразумевает именно споры и дискуссии. Способность к такому общению – это не просто способность подкрепить свою точку зрения данными, хотя и это тоже важно. Способность подкрепить свое профессиональное «чутье» данными повышает ценность сотрудника для компании. Но есть и еще один аспект коммуникации – рассказывать с помощью данных некие «истории», привнося в анализ и статистические выкладки контекст и практическую применимость.
Читать дальшеИнтервал:
Закладка: