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

Вторая проблема организации без должной культуры дата-грамотности – предвзятость в решениях. Иногда случается так: вы принимаете решение, но его выполнение тут же наталкивается на противодействие со стороны недовольных. Данные и аналитика не должны быть площадкой для выяснения отношений. Да, мы должны критически рассматривать предположения, обсуждать то, что мы делаем, и продвигать более обоснованные решения – но, если у нас нет правильной культуры, предвзятость может все испортить.

Основная цель шестой ступени – гарантировать, что все сделанное на предыдущих ступенях будет тщательно проанализировано, оценено и т. д.

Итак, если руководство организации хочет, чтобы вложения в данные и аналитику окупились, ему необходима схема принятия решений, подкрепленных данными. Ваши сотрудники должны следовать шестиступенчатому процессу, описанному в этой главе.

Схема «спросить – получить – проанализировать – интегрировать – решить – выполнить итерацию» должна стать для вас второй кожей, неотъемлемой частью вашей работы. Дата-грамотность должна вести вашу организацию и всех ее сотрудников к более разумным и обоснованным решениям. Если дата-грамотность не помогает принимать решения, то зачем она нужна? Поясню на примере.

Давайте обратимся к опыту Rolls-Royce. Компания развивает интернет вещей и устанавливает на своих авиационных двигателях датчики. Эти датчики очень полезны: они сообщают, как проходит полет. На этом примере можно показать, почему организация решила, что разработка датчиков – выгодное вложение. Сразу хочу оговориться, что это гипотетический пример: так могло бы быть. Я понятия не имею, насколько моя реконструкция близка к реальности. Но давайте с ее помощью разберем, как происходит принятие решений, подкрепленных данными.

Первая ступень – задать вопрос. Представьте, что вы – инженер или специалист по обработке данных и изучаете обстановку в отрасли. Вы обращаете внимание на то, что интернет вещей и датчики стали очень популярной темой. Вы задаете себе вопрос: «А нельзя ли установить датчики на авиационном двигателе, чтобы передавать информацию о полете на землю в реальном времени?» Это первая ступень – на нее вы поднялись благодаря любопытству.

Далее вы рассуждаете, что стоит побольше узнать о таких датчиках: как они работают и можно ли вообще установить их на самолете (смогут ли они передавать информацию в таких условиях). Это внешние данные. Кроме того, вы изучаете внутренние данные вашей организации, пытаясь понять, насколько сейчас подходящее время для подобного предложения и насколько сложно будет воплотить его в жизнь. Наконец, вы выясняете, какие именно данные можно получить с помощью датчиков, что позволяет вам нарисовать полную картину возможностей. Вы завершили вторую ступень – получение данных.

Третья ступень – проанализировать. Вы же не просто так собирали все эти данные! Сведения были вам нужны, чтобы разобраться в них и проанализировать. Вы просеиваете тонны данных, чтобы окончательно определить сложность задачи, условия рынка и потенциальную выгоду. Полагаясь на критическое мышление, вы мысленно проигрываете различные сценарии развития событий. Третья ступень пройдена.

Четвертая ступень – интеграция в анализ человеческого фактора. И речь здесь не только о вас, но и о ваших соседях, друзьях, коллегах и т. д. Вы должны понять потенциальное влияние датчиков на безопасность миллионов людей. Вы следите, чтобы не угодить в ловушку предвзятости. Вы понимаете, что лично вам возможность собирать информацию с помощью датчиков кажется захватывающей, но это не должно влиять на объективность вашего решения. Вы интегрируете в процесс ваш (и не только) личный и профессиональный опыт. Вы уже серьезно приблизились к моменту принятия решения.

И вот пятая ступень – само решение. Благодаря пройденным ранее этапам вы решили: да, установить датчики на авиационных двигателях имеет смысл. Вы считаете, что это позволит собрать больше данных о ходе полетов и будет способствовать повышению безопасности. Вы планируете, как лучше всего донести ваши идеи и решение до всех заинтересованных лиц в организации, а затем приступаете к делу.

И наконец, последняя ступень – итерация. Датчики установлены, вы собираете все больше и больше данных о том, как они работают. Новые данные вызывают все новые и новые вопросы. Вы снова и снова проходите все этапы процесса принятия решения. Это открывает перед вашей организацией огромные возможности. Эта схема жизненно важна для формирования и поддержания организационной культуры успешного обращения с данными.

В предыдущих главах книги мы рассмотрели множество аспектов дата-грамотности. Но мы еще не говорили подробно о стратегии в сфере данных и аналитики. Углубляться в нее не стоит, это тема для отдельной книги, однако мне хотелось бы коснуться различных аспектов этой стратегии, которые я называю хайповыми. Я употребляю этот термин не в негативном, не в уничижительном смысле. Я просто имею в виду, что этим аспектам уделяется много внимания, о них много спорят – и нередко спорят весьма фанатично. Давайте разберем, что это за аспекты и как они связаны с дата-грамотностью. Итак, в этой главе мы остановимся на следующих темах:

● культура, основанная на данных;

● бизнес-аналитика;

● искусственный интеллект;

● машинное обучение и алгоритмы;

● большие данные;

● внутренняя аналитика;

● облако;

● периферийная аналитика;

● геоаналитика.

Конечно, стратегия в сфере данных и аналитики не исчерпывается этими аспектами, но мне хотелось бы, чтобы вы как следует разобрались именно в них – каково их место в общей стратегии и как они связаны с дата-грамотностью.

В последнее время эта тема привлекает особенное внимание: компании одна за другой пытаются внедрять «культуру, основанную на данных». Эта задача требует серьезного обдумывания. Кроме того, в чем-то она переходит в разряд мифического: многие организации попросту не понимают, как внедрить такую культуру и что она вообще собой представляет.

В 2020 году, когда мир накрыло пандемией COVID-19, организациям пришлось принимать множество важнейших решений: как обезопасить сотрудников, как помочь клиентам пережить перемены к худшему в экономике, как не разрушить цепочки поставок, как осуществить цифровую трансформацию (при переходе сотрудников на удаленный режим работы) и т. д. Хорошо продуманная и структурированная схема работы с данными и аналитикой, нацеленная на долгосрочный успех, могла бы способствовать эффективным переменам. В чем же оказалась проблема? Большинство руководителей очень быстро обнаружили, что данные не занимают в общей стратегии их организации должного места – даже если раньше казалось, что все в порядке. Это вызвало у многих серьезную озабоченность.