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

Первое, что нужно помнить: грамотно поставленные вопросы (ступень 1) дают нам области, которые нужно проанализировать. Нам нужна ясность, и тогда нам станет доступен анализ, необходимый для принятия решений. Следовательно, если вопросы плохо сформулированы, на правильные решения можно не рассчитывать.

Помимо ясности на стадии формулировки вопросов, мы должны обеспечить себе возможность получить нужные данные – для успешного инсайта. Помните, что инсайт – озарение, получение ценных знаний – это одна из главных целей дата-грамотности. Без знаний нет и правильных решений. При недостоверных и/или недостаточных данных придется делать поправку и на инсайт. Можно потратить массу времени, строя красивые визуализации, статистические модели и т. д., – а потом обнаружить, что в их основе лежат неверные данные. Какая жалость! Словом, для анализа нужны качественные данные.

При анализе данных в рамках схемы принятия решений мы напрямую задействуем третий элемент дата-грамотности (он совершенно очевиден и продолжает играть важнейшую роль в нашей схеме), а также ее вторую и третью «С» – креативность и критическое мышление.

Креативность и критическое мышление на третьей ступени способны дать очень многое. Возможно, в ваших глазах креативность никак не связана с анализом данных, но мы непременно должны регулярно ее подключать и развивать. Боюсь, в сфере данных и аналитики мы, люди, упускаем слишком многое именно из-за того, что превращаемся в роботов, когда необходимо проанализировать имеющуюся информацию. Чтобы получить полезные знания, мы используем одни и те же стандартные наборы методов и процессов. К несчастью, этого недостаточно. Действуя таким образом, мы непременно что-нибудь упустим. Мы эффективно формулируем вопросы о данных благодаря любопытству, но к пониманию данных также нужен другой подход, более творческий. Не стоит бояться новых идей, не стоит бояться мыслить иначе или взглянуть на ситуацию с другой точки зрения. Другой вариант – попросить кого-нибудь оценить ваш анализ со своей перспективы. Этот человек вовсе не обязательно должен быть настоящим экспертом в области дата-грамотности – достаточно, чтобы он предложил свежий взгляд. А вдруг именно так вы найдете то, что искали?

Наряду с креативностью для получения знаний пользуйтесь еще и критическим мышлением. Это такая вещь, которая всегда необходима и которой многим вечно не хватает. Быстро ли обновляется ваша лента в соцсетях? Часто ли на экране появляются свежие новости? Увы, слишком быстро и слишком часто. Современный темп насыщения информацией просто не оставляет ни места, ни времени для развития подлинного критического мышления. И это очень плохо. Мечтаю, чтобы поскорее настал тот день, когда люди (и организации) перестанут гнаться за самым модным и новым, а будут находить время, чтобы спокойно сесть, обдумать то, что перед ними, и по-настоящему критически осмыслить данные и информацию. Уверен, это поможет им гораздо эффективнее принимать решения, подкрепленные данными.

В завершение этого раздела давайте кратко пройдемся по четырем уровням аналитики и их месту на этой ступени нашей схемы принятия решений. Мы знаем, что на каждом из четырех уровней мы должны анализировать данные. Наш путь начинается с дескриптивного уровня. На диагностическом уровне анализ данных – сама суть процесса. На предиктивном и прескриптивном уровнях мы анализируем информацию и строим модели, что напрямую ведет к принятию решений, которые действительно необходимы. Словом, третья ступень нашей схемы – неотъемлемая и очень важная часть процесса принятия решений, подкрепленных данными. Если все сделано как надо, мы можем спокойно переходить на четвертую ступень, то есть к интеграции.

Что имеется в виду под интеграцией?

Согласно одному из определений, интегрировать означает «формировать, координировать или объединять компоненты в функционирующее или единое целое» [52] Словарь Merriam-Webster, определение Integrate. https://www.merriam-webster.com/dictionary/integrate . .

Это, наверное, моя любимая часть: мы интегрируем человеческий фактор в процесс принятия решений, подкрепленных данными.

Слишком часто в мире данных центральное место занимают технологии. Если, так сказать, дать им волю, из этого не выйдет ничего хорошего. Если мы позволяем им это, увы, могут произойти неприятные вещи. Помните финансовый кризис 2007–2008 годов? Кажется, это было совсем недавно – но на самом-то деле прошло уже больше 10 лет, а пандемия COVID-19 и вовсе отодвинула воспоминания о нем на второй план. Вкратце напомню вам, что тогда случилось. Наступил бум на рынке недвижимости, но под этим скрывалось глубинное течение… как бы это сказать… некоторого безумия. Одна из самых влиятельных моделей того времени не располагала прогнозом возможного краха! Где были люди, способные сбалансировать эту модель? Почему они не вмешались, чтобы помочь миру осознать, что с рынком недвижимости происходит нечто странное и зловещее?

Еще один пример, как данные и технологии маскируют предвзятость, мешающую правильным решениям, – история с кредитными картами Apple: почему-то у мужчин кредитный лимит был больше, чем у женщин. То же самое можно встретить в банковской и финансовой индустрии, где алгоритмы «позволяют себе» предубеждения – в отношении пола, расы и т. д. К несчастью, в нашем случае человеческий фактор дал сбой, что привело к плохим последствиям.

Я вовсе не хочу вас убедить, что все подобные примеры негативны: нет, если человеческий фактор и технологии объединены разумно и грамотно, то можно добиться удивительных результатов. Как? Как интегрировать человеческий фактор в мир данных и аналитики? Давайте рассмотрим различные способы гармонизации человека и данных. Обратите внимание, что я намеренно использую слово «гармонизация» вместо «баланс». Дело в том, что нам не нужны весы, чтобы постоянно поддерживать строгое равновесие. Нам не требуется, чтобы любое решение подразумевало 50 % человеческого фактора и 50 % технологий. В каких-то случаях нужно учитывать лишь данные – а в других ситуациях более значимую роль должен играть человек. Главное, чтобы оба элемента находились в гармонии. Один из самых простых примеров – выбор, кого именно уволить. Алгоритм, данные и технологии – все это может указать на конкретного сотрудника, но если окончательное решение принимает человек, то он способен учесть различные доводы в пользу кандидата на увольнение, и у того появится шанс остаться в команде.

Первый способ интеграции человеческого фактора в мир данных и аналитики – личный опыт. Меня часто спрашивают, исключаю ли я наличие «чутья» у профессионалов. На протяжении карьеры люди накапливают большой и разнообразный опыт. У них возникает ощущение «Я лучше знаю по опыту», «В прошлый раз я делал именно так». Я и сам сталкивался с чем-то подобным. Я работал на организацию, которая переживала самый настоящий кризис. Я то и дело слышал: «У нас уже бывали трудности, но мы справились, справимся и на этот раз». Год выдался для компании просто ужасным, но при этом экономика была на подъеме, так что трудности не объяснялись общей неблагоприятной ситуацией. Организация не имела права и дальше давить на те же рычаги, что и в прошлом, в неблагоприятные периоды. Не имела права – но все же так и поступила.