Джордан Морроу - Как вытащить из данных максимум. Навыки аналитики для неспециалистов

Еще раз зададимся вопросом из начала этого раздела: кто из вас с радостью взялся бы просеивать информацию из огромной таблицы на 100 000 строк и 50 столбцов в надежде почерпнуть ценные знания? Если бы мне предложил такое мой начальник, я посмотрел бы на него как на ненормального. Вряд ли многие из вас взялись бы за такую работу с энтузиазмом – и это вполне понятно. Даже если вы обнаружите что-то ценное в начале таблицы, где гарантия, что через 24 000 строк ваш инсайт не будет опровергнут, а вы этого даже не поймете, потому что пропустили строку 174 в столбце 26? Слежение за строками и столбцами способно свести с ума кого угодно. Конечно, это гипотетический пример, и я очень надеюсь, что никто из вас в обозримом будущем не столкнется ни с чем подобным.

Однако есть прекрасный способ упрощения подобных таблиц, который поможет вам и вашей организации описать случившееся (дескриптивный анализ) и получить ценные знания (диагностический анализ). Это и есть визуализация данных. Она способна упростить огромный объем данных, собранных и произведенных организациями, и, кроме того, играет очень важную роль в дата-грамотности и ее связи с четырьмя уровнями аналитических методов. Сейчас поясню.

Для начала давайте рассмотрим влияние визуализации на дата-грамотность. Все это вам уже знакомо. Вспомним определение: дата-грамотность – это способность читать данные, работать с ними, анализировать их и общаться на языке данных. Мало кто из нас специально изучал статистику, и, когда руководители организации пытаются демократизировать данные, большинство сотрудников оказываются не в состоянии воспринимать их как есть. Им требуются специальные компьютерные программы, чтобы упростить представление. Здесь-то в игру и вступает ценнейший инструмент работы с данными – визуализация. Такие компании, как Qlik, Tableau Software и ThoughtSpot (и это лишь некоторые), разрабатывают специальное ПО для упрощенного представления данных. Читать данные и работать с ними становится легче, мы можем ставить правильные вопросы и делиться с другими визуализациями – и нередко это способно сдвинуть с мертвой точки даже самую запутанную ситуацию. Сотрудники изучают данные, прорабатывая их на каждом из четырех аналитических уровней, и черпают ценные знания. Как?

Визуализация особенно важна на первом уровне аналитических методов. Как вы помните, первый уровень – это дескриптивная аналитика, описывающая, что произошло в прошлом или происходит в настоящий момент. А как описать происходящее, если у нас собраны миллионы и миллионы единиц данных? Все эти данные мы можем объединить, например, в графики и таким образом получить убедительную визуализацию, которая впоследствии поможет нам разобраться, почему что-либо произошло.

Второй уровень аналитики – это диагностические методы, для которых визуализация также имеет большое значение. Диагностический анализ – это уровень инсайтов, озарений, это уровень, на котором мы выявляем причины случившегося. Визуализация данных в этом случае может стать катализатором, запускающим цепочку нужных вопросов. Откуда здесь такое резко отклоняющееся значение? Почему этот элемент так далеко отстоит от других? Я вижу, что этот столбик на диаграмме значительно выше других: что это за категория и почему он такой? Я вижу, что этот кластер данных находится в определенном временном интервале, но откуда у нас другие данные, вне этого интервала? Мы задумываемся обо всем этом благодаря наглядности: перед нами визуализация данных, которая сама подсказывает нам нужные вопросы (третий элемент дата-грамотности) и помогает находить ответы, что позволяет нашей организации продвигаться вперед. А после этого уже можно строить прогнозы.

Мы переходим к третьему уровню аналитики – предиктивному анализу. Имея перед глазами визуализацию (скажем, график), мы видим тенденции и направления. Если у нас все в порядке с дата-грамотностью, мы можем считывать данные, работать с ними, «крутить» их как угодно, а затем анализировать информацию, задавая вопросы. Все это дает нам важные знания, чтобы впоследствии мы могли надавить на нужные бизнес-рычаги. Таким образом, визуализация данных позволяет нам предсказать, в каком направлении движется наша компания. Это можно проиллюстрировать на примере линейного графика (см. рис. 4.4).

На нашей визуализации мы видим три линии, обозначающие разные штаты: Аризону, Айдахо и Юту. Каждая из этих линий имеет тенденцию к движению вверх. Это «дескриптивный анализ»: мы узнаем, какой была численность населения в последние десятилетия. Затем у нас могут возникнуть вопросы. Почему в Аризоне такой быстрый рост? Какие факторы могут влиять на темпы роста? Может быть, теплый климат или большое количество рабочих мест? Какими бы ни были причины, у нас есть знания, которые ведут нас к прогностическому анализу.

В нашем примере прогностическая модель может показать, какой будет численность населения к 2020 году – началу нового временного периода и моменту следующей переписи.

На уровне предсказательных методов, где анализ и получение знаний поддерживаются данными и технологиями, визуализация помогает нам наглядно представить сделанные прогнозы. А затем можно заново запустить процессы всех четырех уровней.

Итак, визуализация данных занимает очень важное место в мире дата-грамотности. Дата-грамотностью должны обладать все, а визуализация помогает значительно упростить восприятие того, что иначе могло бы оказаться слишком сложным для неспециалистов. Каждый из нас может поставить себе на службу визуализацию данных – для нашего собственного карьерного роста и для процветания наших компаний.

Может возникнуть вопрос: какую роль в мире дата-грамотности играют топ-менеджеры? Ведь они не только отвечают за стратегию и управляют инвестициями. Если говорить о данных и аналитике, к руководителям мы можем предъявить два требования. Во-первых, они сами должны обладать дата-грамотностью. Во-вторых, им необходимо обеспечивать дата-грамотность сотрудников организации (например, в форме специальных программ и других инициатив).

Итак, невзирая на большую загруженность, топ-менеджеры должны помнить о собственной дата-грамотности. Им приходится уметь читать разнообразные сводки и отчеты, содержащие множество данных.

Помимо чтения данных, руководители должны уметь работать с данными – это одна из их обязанностей, отнимающая немало времени. Работа с данными может быть совсем простой – например, быстрое изучение таблиц KPI за неделю. Оценка ключевых показателей эффективности (KPI) сотрудников – разве это не анализ данных? Разумеется. Работа с данными вовсе не обязательно должна быть сложной и требовать профессиональной IT-подготовки.