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

● В нашем первом примере торговый представитель рассматривает потенциальных клиентов организации. Благодаря владению дата-грамотностью он может прочитать представленные ему данные и предположить, с какими из потенциальных клиентов будет наиболее выгодно работать. Это очень ценное умение. Затем торговый представитель может проанализировать данные о выбранных клиентах, чтобы спланировать общение с ними.

● Второй пример – распределение клиентской базы по демографическим показателям. Описательный анализ не дает нам полной картины, а вот дальнейшая диагностика – почему те или иные клиенты тратят определенное количество денег и покупают определенные продукты – позволяет лучше их понять и правильно выстроить взаимодействие с ними.

● Наконец, продавцу, стремящемуся выполнить месячную норму, просто необходимо понять тенденции продаж в сравнении с ранее сделанными прогнозами. Изучая реальное положение дел (которое может оказаться лучше или хуже предсказанного), он переходит от дескриптивного анализа к диагностическому и пытается выявить, почему все оказалось так, а не иначе. Этот навык крайне важен, и применять его следует регулярно. Кроме того, такой анализ дает организации возможность составлять более точные прогнозы в будущем.

Вышеприведенные примеры со вспышкой холеры и продажами наглядно показывают, что способность к наблюдению при помощи дескриптивной аналитики и умение совершить переход к поиску причин при помощи диагностических методов жизненно необходимы для успешной деятельности организации. Руководство должно предоставлять сотрудникам возможность развивать навыки дата-грамотности – чтение данных, работу с ними, их анализ и, наконец, общение на языке данных. Ни в коем случае нельзя забывать о последней составляющей – общении, то есть возможности делиться друг с другом полученными в ходе анализа знаниями. Только представьте, как все могло бы обернуться в Лондоне в 1854 году, если бы Джон Сноу не смог донести до других людей свое открытие по поводу колонки на Брод-стрит. А что было бы с продажами в нашей гипотетической компании, если бы ее торговые представители не смогли поделиться полученными при анализе данных важными знаниями о потенциальных клиентах? Странная была бы ситуация, согласитесь: специалисты нашли в демографической структуре клиентской базы важные факторы, определяющие те или иные тенденции, но никому о них не рассказали. Навыки общения на языке данных нужно совершенствовать в рамках дескриптивного и диагностического анализа.

Третий уровень аналитических методов – конечно же, предиктивный , то есть предсказательный. Какое отношение имеет к нему дата-грамотность? Ведь не все обязаны обладать техническими навыками. К сожалению, из-за того, что прогностический (и следующий уровень, прескриптивный) анализ может требовать технической подготовки, например умения программировать или знания статистики, часто считается, что он не для всех. Но такой подход вредит общей работе с данными. Дата-грамотность напрямую связана с прогностическим анализом – давайте посмотрим, каким образом.

Во-первых, мы помним, что в понятие дата-грамотности входит один ключевой навык – чтение данных. После того как специалисты с помощью предсказательных методов построили модель или провели анализ, все остальные заинтересованные лица должны суметь прочитать его результаты. Только в этом случае они смогут принять обоснованные решения – для чего и нужна дата-грамотность.

Во-вторых, дата-грамотность тесно связана со свободным владением данными, то есть способностью говорить на языке данных. Представьте себе: вы работаете на маркетинговую фирму, и вам нужно проанализировать данные по последней кампании (вспомним третью составляющую дата-грамотности – способность анализировать данные). Проблема в том, что представленные вам данные слишком сложны, поэтому вы вынуждены обратиться к специалисту, который сможет их обработать с применением не только дескриптивных методов. Иными словами, вам нужна помощь в диагностике. Если вы достаточно хорошо владеете дата-грамотностью, то сможете эффективно описать другому, что вам нужно. Вам удастся успешно донести до технических специалистов, что вы хотели бы получить из этих данных, а затем вы вместе с ними завершите анализ. Это и есть целостная работа всех четырех уровней аналитики.

Чтобы лучше понять, что к чему в предсказательном анализе, давайте рассмотрим примеры.

Всем нам интересно, какой будет погода в ближайшее время. Кто из вас пользуется специальными метеоприложениями для смартфона, чтобы вовремя узнавать, как лучше одеться? Наверняка многие из вас, а лично я – всегда, особенно если планирую рабочие поездки. Как-то в ноябре я собирался в командировку в Финляндию. Надо сказать, ноябрь в Финляндии не самый теплый месяц. Я, конечно, все же взял с собой не самое подходящее пальто, но без прогноза погоды наверняка замерз бы насмерть в такой дальней поездке.

А осознаете ли вы, сколько труда за прогностическим моделированием погоды? Подробно останавливаться на этом я не буду, Нейт Сильвер прекрасно раскрыл тему в своей книге «Сигнал и шум: Почему одни прогнозы сбываются, а другие – нет» (The Signal and the Noise: Why So Many Predictions Fail – but Some Don't) [34] Сильвер Н. Сигнал и шум: Почему одни прогнозы сбываются, а другие – нет. – М.: КоЛибри, 2021. . И все же следует заметить, что метеорологический прогноз – это уникальная задача.

Во-первых, погода – очень сложная система. В последние годы метеопрогнозирование шагнуло далеко вперед, однако не забывайте: специалисты по предиктивной аналитике должны не только провести анализ, но и донести его результаты до простых граждан, то есть до нас с вами. Если у нас нет сомнений, что прогноз нам понятен, то мы можем принять решение, какую одежду, исходя из ожидающейся погоды, стоит иметь под рукой. И вот мы снова видим в действии дескриптивный (прогноз), диагностический (почему погода будет такой) и предиктивный (как может измениться погода в дальнейшем) уровни аналитики. А дата-грамотность имеет к этому самое прямое отношение: здесь есть и чтение данных (и со стороны тех, кто строит модели, и со стороны тех, кто изучает прогноз, чтобы принять решение), и работа с данными (построение моделей, дальнейший их технический анализ и сообщение результатов аудитории).

Есть и еще одна сфера, где прогнозы делаются постоянно: это, конечно же, спорт. Если вы следите за спортивными событиями, вспомните последний матч: какая команда была фаворитом? Были ли прогнозы, сколько голов забьет ваш любимый игрок? А как насчет прогнозов на сезон (кто выиграет чемпионат, кто станет лучшим бомбардиром и т. д.)? А еще интереснее – насколько верными оказались все эти прогнозы? В спорте так много факторов, что предиктивный анализ способен серьезно помочь спортсменам, тренерам и руководителям спортивных команд в достижении успеха. Приведу конкретный пример.