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

Чтобы понять важность диагностики, давайте разберемся, в чем состоит основная цель использования данных и дата-аналитики. Зачем организациям данные и их анализ? Почему они тратят даже не тысячи, а миллионы долларов на работу с информацией? Ответ очевиден. Современный мир стал цифровым, и необходимость дата-аналитики уже не обсуждается – организации должны научиться извлекать из нее выгоду. Но что, если сотрудники, отвечающие за работу с данными, не знают, как извлечь из них действительно ценные знания и инсайты? Если они не умеют поставить «диагноз», что за процесс породил те или иные данные, то напоминают доктора, который может лишь констатировать факт болезни. Если организация будет учить сотрудников выявлять причины тех или иных проблем с помощью диагностических методов, у нее будет больше шансов на возврат инвестиций в данные и дата-аналитику.

Еще один ключевой элемент второго уровня аналитики (так же, как и первого) – это демократизация данных, то есть стремление организации донести данные до коллектива. Во-первых, что означает полная демократизация? Она предоставляет коллективу свободу эффективного использования всей имеющейся информации. Коллектив состоит из сотрудников с разным образованием и профессиональным опытом: нужно поставить уникальные способности каждого из них на службу организации.

Как и в случае с дескриптивными методами, диагностический уровень аналитики подразумевает использование множества инструментов и компьютерных программ, предназначенных для анализа данных. Часть из них те же, что используются и в описательном анализе: Microsoft Excel, Microsoft Power BI, Qlik и Tableau. Организации прибегают к демократизации данных, чтобы стимулировать сотрудников не только описывать, что происходит, но и находить причины этого.

Ключевое слово здесь – «инсайт». Именно проникновение в суть помогает понять, как первый и второй уровни аналитики действуют вместе, и объединить их. Первый уровень описывает, что произошло, – и это ведет ко второму уровню, к попыткам разобраться, почему это произошло. Очевидно, что именно второй уровень требует больше всего время- и трудозатрат в мире данных и аналитики. На первом уровне у нас есть сводки, информационные панели, отчеты и наблюдения, а сотрудники благодаря навыкам дата-грамотности могут определить, почему наблюдения говорят нам то, а не другое. Например, почему та или иная тенденция так сильно изменилась по сравнению с предыдущими кварталами? Почему возник сдвиг в той или иной гистограмме? Примеров масса.

Наряду с таким последовательным объединением первого и второго уровней сотрудники должны научиться принимать более обоснованные решения, связанные с данными (учитывая состояние современного цифрового мира, это важно для каждого из нас). Более подробно о таких решениях мы поговорим позже. Развивая у сотрудников способность эффективного использования первых двух уровней аналитических методов, руководители организаций постепенно начинают видеть успехи стратегии использования данных и дата-аналитики.

Что приходит вам в голову, когда вы слышите слово «предсказание» или слово «прогноз»? Нострадамус, который предсказал… кажется, все на свете? Или ставки на победу в финальном матче? Или вы задумываетесь, какая будет погода на следующей неделе, когда у вас начинается отпуск? Нам многое хотелось бы спрогнозировать – и в жизни, и в карьере. И конечно же, попадать при этом в яблочко, достигнув совершенства в составлении прогнозов по какому бы то ни было поводу. То же самое можно сказать и об организациях, которые хотят извлекать выгоду из данных и дата-аналитики.

Чтобы разобраться со следующим шагом в последовательности аналитических действий, давайте вернемся к нашему примеру с врачом. Как вы помните, доктор констатировал, что вы больны, а затем ушел и, строго говоря, ничем вам не помог (вы и сами знаете, что больны). А теперь представим, что доктор не ушел, а сделал следующий шаг – и смог диагностировать вашу болезнь и ее причину. Таким образом, он помог вам понять, какие процессы вызвали проблему, а это ведет к поиску возможных путей ее преодоления. Что же делает врач дальше, ответив на вопрос «почему?»? Он рассматривает возможные способы лечения, чтобы вам стало лучше: он прогнозирует, что если вы сделаете А, то за этим последует Б.

Давайте начнем разбираться с третьим уровнем аналитики, как обычно, с определения – что такое «предсказание» (или «прогноз»).

Итак, спрогнозировать (или предсказать) – это «заявить или предположить, что некое событие произойдет в будущем само по себе или как следствие чего-либо».

Мне очень нравится это определение. Давайте переварим его первую часть. Мы утверждаем или допускаем, что некое событие случится в будущем с некоей вероятностью. А теперь отдельно сосредоточимся на второй части определения – особенно с точки зрения организаций, которые стремятся с выгодой использовать дата-аналитику. Вторая часть определения гласит: «…или как следствие чего-либо». Насколько часто мы, занимаясь бизнесом, пытаемся что-то сделать в надежде, что это даст желаемый результат? Постоянно. «Если мы сделаем А, произойдет Б». К несчастью, как нам всем прекрасно известно, Б происходит не всегда. Если мы возьмем на вооружение всю мощь данных и дата-аналитики, возможно, следствия будут чаще совпадать с прогнозами.

Предсказательные методы анализа – одна из самых популярных форм аналитики в сегодняшнем мире, практически синоним компьютерной обработки данных и стратегии работы с ними. Почему? Давайте попробуем разобраться. Знакомы ли вам эти понятия: «обработка данных», «статистика», «машинное обучение», «алгоритм», «большие данные» и т. д.? Именно эти понятия и составляют третий уровня аналитики (и часть четвертого). Привычность этих терминов породила проблему, связанную с ростом инвестиций в данные и аналитику.

С появлением и распространением этих понятий люди и организации стали слишком полагаться на силу этих инструментов и навыков: как будто нам предстоит большая игра и наличие нужных составляющих решает все. Не поймите меня неправильно, возможности предсказательных методов действительно огромны, но, если у ваших сотрудников плохо с дата-грамотностью, им будет сложно пользоваться всеми преимуществами предиктивного анализа. Давайте убедимся в этом на примере.

Представьте, что вы – специалист по статистике, построивший сильную прогностическую модель календарного графика покупок на предстоящий сезон отпусков. Вы использовали корректные данные (которые иногда бывает сложно добыть), что помогло в принятии правильного решения. Затем на основании модели вы создали презентацию и начали показывать ее коллегам. К сожалению, при обсуждении результатов вашего анализа обнаруживается, что люди смотрят на вас пустыми глазами. Вы все сильнее расстраиваетесь – мало кто способен понять ваш посыл. Поэтому вы задумываетесь, в чем проблема. А проблема совершенно точно не в ваших методах, модели или технологии – проблема в культуре работы с данными, принятой в организации, и в отсутствии у ваших коллег дата-грамотности.