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

Представьте себе компанию по производству автомобилей, которая хочет запустить новую модель. Способность читать данные и, следовательно, анализировать рынок чрезвычайно важна при решении, каким быть новому автомобилю и когда лучше начать его производство.

Вспомните все современные стриминговые сервисы – Netflix, Hulu и другие. Очень многое в работе таких сервисов – запуск новых проектов, построение моделей зрительских предпочтений и т. д. – зависит от способности правильно читать данные и обмениваться ими.

Обратите внимание, как работают больницы и система здравоохранения в целом, особенно в моменты кризисов. Способность руководства медицинского учреждения планировать использование коечного фонда, занятость операционных и т. д. напрямую связана с чтением и пониманием поступающих данных, а также с эффективной коммуникацией между отдельными людьми и властями городов, регионов и страны (иногда – ряда стран).

Наконец, задумайтесь о том, как власти реагируют на различные масштабные события: природные катастрофы, экономические кризисы, пандемии и т. д. Способность правильно читать данные и эффективно делиться ими гражданами имеет жизненно важное значение. Кроме того, это можно назвать сутью дата-грамотности для граждан, поскольку нам необходимо уметь общаться на языке данных, чтобы понимать и поддерживать инициативы властей.

Итак, у дата-грамотности есть четыре элемента: способность читать данные, работать с ними, анализировать их и общаться на языке данных. Все начинается со способности читать и понимать данные: ведь невозможно работать с данными, анализировать их и, наконец, общаться на языке данных, если вы попросту не можете их прочитать. В этой главе мы рассмотрели некоторые важные аспекты мира чтения данных и общения на их языке. Из следующих глав вы узнаете, как чтение и общение на языке данных становится все более важной частью мира дата-грамотности.

В предыдущих главах мы рассмотрели четыре уровня аналитических методов, или просто четыре уровня аналитики. Напоминаю: это дескриптивный (описательный), диагностический, предиктивный (предсказательный) и прескриптивный (предписывающий) уровни. Эти четыре уровня, если их включить в целостный план и подход к работе с данными и их анализом, помогают руководителям раскрыть потенциал организации – и, разумеется, вернуть инвестиции в эту сферу. Вы можете спросить: какое отношение к четырем уровням аналитики имеет дата-грамотность? Если вспомнить определение дата-грамотности как способности читать данные, работать с ними, анализировать и общаться на языке данных, то можно сказать, что каждый из элементов, каждая из составляющих дата-грамотности играет очень важную роль на всех четырех уровнях аналитических методов.

Чтобы углубить наши знания, давайте подробнее рассмотрим каждый из уровней аналитики и свяжем их с четырьмя элементами дата-грамотности. Лучше понять возможности каждого уровня нам помогут примеры.

Если помните, первый уровень – это описательная аналитика, то есть уровень наблюдений, уровень понимания, что произошло в прошлом. Это очень важный аспект для любой организации. Всем нужно знать, что произошло в прошлом, чтобы планировать будущее, – например, понимать, как развиваются тенденции в торговле, насколько успешно прошла маркетинговая кампания и массу других вещей. Какое место в мире описательного анализа занимает дата-грамотность?

Первый элемент дата-грамотности – это чтение данных. Мне кажется, здесь все понятно. При дескриптивном анализе вы должны, глядя на информационную панель, визуализацию или отчет, понимать информацию, представленную вам. Взгляните, например, на визуализацию лондонского метро 1908 года (рис. 6.1). Что вы видите? Расположение линий метрополитена, где разные линии обозначены разными оттенками серого, и станции на них. Понимаете? Эта визуализация совершенно проста и однозначна, ее легко прочитать. Прочитав данные, представленные на схеме, кто угодно сможет легко найти путь к нужной точке.

Давайте возьмем другой пример: гипотетические расходы американского правительства (рис. 6.2). И в этом случае мы можем прочесть представленные на рисунке данные. Можете ли вы сказать, какая статья расходов – самая крупная? А как насчет гарантированных доходов?

Оба эти примера описательной аналитики легко прочитать благодаря понятному построению визуализации. Как мы помним, чтение данных – это способность воспринимать и понимать то, что мы видим (слышим, ощущаем…). Это может быть визуализация, ежегодный отчет, презентация в PowerPoint и т. д. Следует стремиться к тому, чтобы люди, совершенствуя дата-грамотность, учились читать представленные им результаты дескриптивной аналитики.

Обратите внимание: мы в этой книге не рассматриваем миллион способов, как сделать плохую визуализацию или написать плохой отчет: о том, чего нужно избегать в своей работе, прекрасно пишут другие авторы – например, Б. Джонс в книге «Как избежать ловушек в данных» (Avoiding Data Pitfalls) или С. Векслер, Дж. Шеффер и Э. Котгрейв в «Большой книге об информационных панелях» (Big Book of Dashboards), которую я уже упоминал. А наша цель – просто помочь вам осознать важность чтения результатов описательной аналитики.

Второй элемент дата-грамотности – это, конечно же, работа с данными. Мы уже знаем, что дескриптивный анализ и работа с данными идут рука об руку, особенно если работа с данными подразумевает визуализацию, – но есть и другие, менее очевидные способы работы с данными. Вы когда-нибудь смотрели на показатели бюджета или прибыли, держа в руках месячный или годовой отчет? Видели на экране компьютера сведения о показателе кликабельности в рамках маркетинговой кампании? Изучали презентацию PowerPoint с графиками и диаграммами? Все это – варианты работы с данными на уровне описательной аналитики.

Сотрудники, занимающие в организации разные должности, работают с данными по-разному: в коллективе множество ролей, положений и обязанностей. Для кого-то работа с данными может ограничиваться созданием презентаций или изучением сводок и отчетов. Для кого-то применение описательных методов и получение результатов – основная рабочая обязанность. А еще кто-то должен указывать другим, какие именно методы нужны бизнесу (этот случай соприкасается с общением на языке данных, поскольку именно его задача – доносить до других, что именно нужно извлечь из имеющихся данных).