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

Может возникнуть вопрос: а что делать со скептиками от медицины – врачами, медсестрами и администраторами, которые не хотят идти по этому пути? Медицина, как и естественные науки в целом, постоянно развивается. Три тысячи лет кряду одной из самых распространенных медицинских практик было кровопускание, когда больному для облегчения состояния вскрывали вены, чтобы выпустить «дурную» кровь (это, конечно, упрощенное описание, но можете сами что-нибудь почитать об этом методе, если хотите) [37] Greenstone, G. (2010). The History of Bloodletting, BC Medical Journal, January and February. https://bcmj.org/premise/history-bloodletting . . Из той же статьи мы узнаем, что кровопускание прекратили применять только в конце XIX века, то есть сравнительно недавно. Если бы не новые знания (данные, если хотите), врачи пускали бы нам кровь до сих пор, надеясь на лучшее. Не знаю, как вы, но лично я очень рад переменам.

Второй пример представляется мне весьма очевидным, но давайте все-таки его рассмотрим: это продажи продукта. Как вы думаете, много ли может дать прескриптивный анализ компаниям, которые хотят продать свой продукт, определить, какие продукты нужны потребителю и т. д.? Если вы ответили, что очень много, то вы правы.

Возьмем, к примеру, некоторые из наших любимых компаний (хорошо-хорошо, из наиболее популярных). Представьте себе, что вы работаете с данными и дата-аналитикой в Coca-Cola. Это один из наиболее узнаваемых брендов, он часто попадает в десятку самых успешных брендов мира. Руководство Coca-Cola отлично разбирается в данных. Допустим, ваша задача – определить три показателя: самые популярные вкусы газировки; где лучше всего продается продукция; где стоит запустить маркетинговые кампании для повышения продаж. Хотите ли вы собственноручно перелопачивать все данные? Хотите ли вы поручить это машине, которая способна обучаться гораздо быстрее, чем вы (простите, но это правда), или искусственному интеллекту, который сам проанализирует все данные и поможет вам выбрать правильный курс? Лично я выбрал бы второе. Означает ли это, что техника никогда не ошибается? Нет, конечно! Но мы, обладая дата-грамотностью, всегда можем все перепроверить и внести коррективы в наши планы.

Другая организация, получающая огромную выгоду от прескриптивного анализа, – это Ford Motor Company. Какие модели и типы автомобилей стоит выпускать, основываясь на имеющихся данных? Какие характеристики стоит добавить? И, возможно, самое главное: как эти новые характеристики и другие изменения повлияют на безопасность? С помощью прескриптивных методов организация может работать со сложными данными и моделями, анализировать различные предполагаемые результаты и принимать верные решения – при наличии уверенных в своей дата-грамотности сотрудников.

Последний пример, который мне хотелось бы привести, – это Disney, одна из моих любимых компаний. Disney довольно редко терпит неудачи с фильмами и сериалами, с парками, с товарами. Компания поставила себе на службу машинное обучение и искусственный интеллект, чтобы лучше понимать, какие товары пользуются наибольшим спросом, о чем должен быть следующий фильм, как еще больше порадовать посетителей тематических парков. Disney прекрасно знает, чего хочет, и умные машины стали замечательным инструментом в его арсенале.

Итак, прескриптивный анализ – это очень мощный инструмент. Способность машин выполнять трудоемкую работу с данными высвобождает время и силы сотрудников для других важных дел, где необходимо участие человека. Поэтому сотрудники должны обладать дата-грамотностью, чтобы проверять и верно интерпретировать результаты, выданные компьютерами.

Прочитав эту главу, вы, вероятно, поняли, насколько важна дата-грамотность для успеха четырех уровней аналитики. Способность человека читать данные, работать с ними, анализировать их и общаться на языке данных напрямую связана со сбором аналитической мозаики. Если организация испытывает проблемы на любом из аналитических уровней, она не сможет выработать и воплотить стройную общую стратегию. Способность читать данные позволяет нам наблюдать за происходящим, понимать прогнозы и результаты. Работа с данными дает возможность манипулировать информацией, которая у нас в наличии, лучше ее понимать, фильтровать, модифицировать и смотреть на нее по-новому. Благодаря этим двум важнейшим процессам мы получаем новые знания, необходимые для поиска причин при диагностическом анализе. Способность анализировать данные зиждется на чтении и понимании данных, она позволяет рассматривать варианты и искать закономерности. Так как нам необходима целостная картина, это делается на всех уровнях аналитики. Способность общаться на языке данных также пронизывает все уровни: ведь нам необходимо делиться нашими наблюдениями, открытиями, прогнозами и вариантами ответов. И только тогда мозаика складывается.

Надеюсь, теперь вы убедились в силе четырех уровней аналитики и дата-грамотности. На связь этих двух сфер часто не обращают должного внимания, хотя компании тратят миллионы долларов на работу с данными и аналитику. Но если руководители недостаточно четко понимают, из чего складываются четыре уровня аналитики, дата-аналитика не принесет должных плодов. К сожалению, это частая беда организаций, вследствие чего у них возникают трудности с возвратом инвестиций в эту сферу. Кроме того, четыре уровня аналитики успешно применяются только в одном случае – если все сотрудники обладают навыками дата-грамотности. Но если они не чувствуют себя уверенно в обращении с данными, вряд ли можно ожидать, что им покорятся все четыре уровня, а мозаика будет собрана.

Следовательно, организации необходима продуманная стратегия обучения персонала, но она немыслима без общей стратегии в сфере данных и аналитики. В следующей главе мы подробнее рассмотрим, какой должна быть эта стратегия и какую роль в ней играет дата-грамотность. В частности, узнаем, как распределяются разные функции между сотрудниками на разных должностях. Мы коснемся особенностей работы топ-менеджеров, ответственных за принятие решений, лидеров команд, аналитиков и специалистов по обработке данных, а также отдельных рядовых сотрудников. Помните зонтик дата-грамотности, изображенный на рис. 4.1? В четвертой главе мы рассмотрели некоторые области под этим зонтиком, но какова их связь с реальными (и разнообразными) обязанностями сотрудников в компании? Мы попробуем разобраться с этим, призвав на помощь дата-грамотность и стратегию.