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

Итак, работа с данными на уровне описательной аналитики может принимать самые разные формы. Для каждого сотрудника в организации должны быть созданы комфортные условия совершенствования его навыков дата-грамотности – и, в частности, умения работать с данными.

Третий элемент дата-грамотности – анализ данных. На уровне описательных методов все очень просто: анализ означает наблюдение за значениями, тенденциями и тем, что происходит с данными перед вами. Например, сможете ли вы сказать, взглянув на графики (см. рис. 6.3), каковы тенденции в изменении численности популяций волков, львов и акул? Очевидно, что дикая популяция волков растет, а львов, напротив, уменьшается. А акулы? Мы видим, что на протяжении ряда лет их численность меняется незначительно и в целом остается практически неизменной.

Мы провели наблюдения и проанализировали данные. Но это лишь наблюдения – мы не размышляем, почему графики выглядят именно так, а не иначе. Мы просто констатировали факт. (К этому вопросу – «почему?» – мы, конечно же, вернемся, когда будем говорить о дата-грамотности и диагностическом анализе.)

И наконец, последний элемент дата-грамотности – общение на языке данных. Казалось бы, в этой составляющей нет ничего сложного, но порой общение на языке данных оказывается не такой простой задачей, а свободное владение данными затруднено (но, конечно, нам очень хотелось бы, чтобы это происходило пореже). Поэтому на уровне дескриптивной аналитики следует стремиться к тому, чтобы общение было простым, понятным и эффективным. Например, возвращаясь к рис. 6.3, мы можем сказать следующее: «Наши наблюдения показывают, что с 1990 по 1997 год численность волков в дикой природе росла, а численность львов – снижалась. Численность популяции акул колебалась вокруг среднего значения». Мы должны внимательно следить, чтобы нашим собеседникам или слушателям не показалось, будто мы говорим, почему происходит то, что происходит, – то есть строго ограничиваться наблюдениями.

При общении на уровне дескриптивного анализа не нужны красивые речи или сложные, запутанные идеи. Говорить следует просто и по существу. Как уже упоминалось в предыдущей главе, необходимо создать общий словарь данных и делиться с другими важными результатами описательного анализа, при этом используя понятный для всех язык.

Итак, можно сказать, что дескриптивный анализ – одна из самых прямолинейных вещей в мире дата-грамотности. Дата-грамотность помогает делать на этом уровне очень многое, и организации должны обеспечивать своим сотрудникам возможность совершенствовать навыки, чтобы дескриптивная аналитика была успешной и эффективной.

Второй из четырех уровней аналитических методов – это диагностическая аналитика, которую я называю уровнем «почему». Дескриптивный анализ, повторюсь, это просто наблюдения. Мы наблюдаем за тем, что произошло или происходит, но не ищем причин этого. Причины относятся уже ко второму уровню. Этот уровень аналитики – сама сущность дата-грамотности. Возможность выяснить, почему произошло что-либо, позволяет организации по-настоящему проникнуть в суть вещей, найти ответы и в итоге принять правильные решения. Да, мы можем успешно наблюдать, но полноценно применить навыки дата-грамотности можно только в процессе обретения знаний, отвечая на вопросы «почему?». Давайте выясним, отчего дата-грамотность так хорошо сочетается с диагностическим анализом.

Первая ступень путешествия по второму уровню аналитики – это чтение данных. Чтение данных, первый элемент дата-грамотности, означает способность воспринимать и понимать данные. Чтение данных, представленных в процессе дескриптивного анализа, жизненно необходимо для успешного перехода на следующий уровень – к пониманию причин происходящего. Кроме того, чтение данных позволяет человеку задавать больше вопросов, запрашивать больше данных и анализировать больше информации.

Второй элемент дата-грамотности – это работа с данными. Работа с данными – прекрасный способ углубиться в результаты описательного анализа и найти стоящие за ними «почему». Благодаря таким компаниям, как Alteryx, Qlik, Tableau Software и другим, у нас есть прекрасные инструменты не только для построения визуализаций и анализа, но и для подробного изучения данных и манипуляций с ними. На рис. 6.4 представлен пример сводки, построенной при помощи программы Qlik Sense.

Обратите внимание на фильтрацию, которую обеспечивает эта таблица. Фильтрация данных позволяет нам получать нужные сведения гораздо быстрее. Или это не так? Давайте переформулируем: фильтрация позволяет нам все глубже и глубже погружаться в данные, чтобы найти эти сведения.

В рамках диагностического анализа разные сотрудники организации также могут работать с данными по-разному. Приведем несколько примеров.

● Топ-менеджеры. Руководители могут и должны играть важнейшую роль в определении причин, стоящих за появлением тех или иных данных. Рассматривая отчеты, сводки и другую информацию, топ-менеджеры анализируют ее с привлечением своего многолетнего опыта. Они ставят вопросы, высказывают идеи и активно участвуют в обсуждении. Главное для них – полноценно донести до технических специалистов свои мысли о причинах происходящего, а затем обратиться к ним за дальнейшими исследованиями.

● Аналитики. Демократизация данных предоставляет команде аналитиков доступ к огромному количеству информации. Аналитики могут строить визуализации, а затем проводить фильтрацию и другие манипуляции с данными, чтобы, проведя описательный анализ, увидеть, что произошло, и грамотно диагностировать ситуацию.

● Специалисты по обработке данных. Эти сотрудники тщательно изучают данные, чтобы найти все возможные «почему». Затем, опираясь на найденные причины, они строят прогнозы и модели (мы поговорим об этом подробнее, когда будем разбирать третий уровень аналитики).

Конечно, в организации не только эти сотрудники так или иначе работают с данными: эта работа на диагностическом уровне аналитики может принимать самые разные формы.

Третий элемент дата-грамотности – анализ данных: в нашем случае ее можно считать несколько избыточной. Анализ данных – суть диагностического анализа. Давайте вспомним наш гипотетический пример с врачом: он должен помочь пациенту и поставить диагноз. Сначала он ищет описательные признаки – симптомы, наблюдаемые внешне и описываемые пациентом. Затем, опираясь на свой опыт и знания, он предполагает диагноз. Чтобы подтвердить диагноз, он должен привлечь все свои профессиональные навыки. Так он постепенно выясняет, что же действительно случилось с пациентом.