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

Вкладывая массу средств в сотрудников, занятых предиктивной аналитикой, обработку данных и технологии, организации не получают выгоду от этих инвестиций. Если сотрудники не способны как следует использовать данные и дата-аналитику, потенциальная польза предиктивного моделирования и методов анализа стремится к нулю. Но если сотрудники обладают нужными навыками, предсказательная аналитика может принести большую пользу.

Какие технологии и компьютерные программы могут помочь в успешном предиктивном анализе? Во-первых, это два языка программирования, которые завоевывают все большую популярность в сфере обработки данных, – Python и R. С их помощью специалисты по статистике, количественной аналитике и т. д. строят модели. Кроме того, они так здорово называются! Один – как змея, а другой похож на рычание тигра: р-р-р.

Кроме того, есть компании, производящие ПО, которое упрощает обработку данных для конечных пользователей (тех, кто уже хорошо знаком с первыми двумя уровнями аналитических методов). Среди таких компаний – Alteryx, SAS, Apache Spark, D3 и другие. В прогностическом анализе можно использовать все те же Microsoft Excel, Tableau и Qlik. На самом деле рядовым сотрудникам вовсе не обязательно быть профессионалами в обработке данных – достаточно простой дата-грамотности.

Мы уже упоминали о профессиях сотрудников, которые нужны для предиктивного анализа: специалисты по обработке данных и количественному анализу, специалисты по статистики и т. д. Даже дата-аналитики могут применять предиктивный анализ. Кроме того, в мире дата-грамотности есть место не только технарям: любой, кто способен говорить на языке данных, может пользоваться и предсказательными методами. Таким образом, сотрудники, имеющие дело преимущественно с дескриптивным и диагностическим анализом, при наличии модели, анализа и других составляющих могут принимать участие и в работе с прогнозами – пытаясь разобраться в них и присоединяясь к обсуждениям.

Итак, мы добрались до последнего уровня – прескриптивной аналитики. У этого термина есть разные определения и интерпретации. Здесь мы будем говорить о технологиях, определяющих, что именно нужно делать на основании данных и дата-аналитики, и о бизнес-решениях, которые следует принять. Таким образом, данные или технологии предписывают нам (или советуют), как поступить. Это достаточно продвинутый уровень аналитики, но для него далеко не всегда требуется много сотрудников: необходимы лишь те, кто действительно способен интерпретировать и использовать информацию для принятия более взвешенных и обоснованных решений.

Рассматривать мир прескриптивных методов следует как способ дополнить человеческие возможности. Технологии, используемые на этом уровне, позволяют просеивать огромные объемы данных, что ускоряет процесс анализа и исключает возможность человеческих ошибок. Однако затем нужно правильно интерпретировать данные, предоставленные программой. Предписывающие методы помогают получить достоверные результаты анализа, но принятие на их основе правильных решений – задача человека.

Какие существуют технологии прескриптивного анализа? Есть много компьютерных программ и сервисов – от более простых и понятных Domo и Alteryx до таких продвинутых, как SAS или SAP Predictive Analytics. Эти инструменты способны стать прекрасным подспорьем в прескриптивном анализе, но, если у вас нет сотрудников, которые умеют интерпретировать результаты работы программ и принимать решения самостоятельно, вложения в ПО могут оказаться бессмысленными.

Разбор реальных примеров использования всех четырех уровней аналитики поможет нам и укрепить фундамент, и обрисовать более широкую картину. Каждый из уровней опирается на предыдущий, и сейчас мы изучим, как они взаимодействуют. Кроме того, примеры помогут нам понять, как распределяются роли сотрудников в системе анализа.

Каждый из этих примеров можно связать с другими. Описательная аналитика – это привычная часть мира бизнеса, все мы с ней регулярно сталкиваемся:

● сводки ежемесячных прибылей, представляемые руководителю отдела продаж;

● ежеквартальные маркетинговые отчеты о коэффициенте кликабельности;

● ежеквартальные отчеты по индексу потребительской лояльности.

Кто из сотрудников участвует в дескриптивном анализе? Все! Топ-менеджеры рассматривают отчеты, бизнес-аналитики и дата-аналитики их составляют, специалисты по обработке данных используют свои методы, конечные пользователи читают и интерпретируют сводки и т. д. У каждого своя функция.

Помните, что любой пример описательного анализа – это всего лишь первый шаг. Дескриптивные методы помогают понять, что случилось в прошлом, а диагностический анализ дает возможность разобраться, почему это случилось.

● В сводке ежемесячных прибылей руководитель увидел рост продаж, квартал за кварталом, и задумался, что стало причиной этому. Дата-аналитик, изучив эту информацию, побеседовал с продавцами и узнал, что увеличить продажи на местах помогла новая программа стимулирования.

● В квартальных отчетах о коэффициенте кликабельности, который отражает эффективность рекламы, маркетинговый отдел заметил его резкое падение. В первые 7 месяцев текущего года коэффициент был стабилен, а затем произошел резкий спад. Руководитель отдела маркетинга захотел узнать, чем это обусловлено. Анализ помог выяснить, что маркетинговая команда поменяла расположение ссылки на сайт в электронных письмах. Оказалось, что на новом месте ее сложнее увидеть, и команда исправила эту ошибку.

● Согласно квартальным отчетам об индексе потребительской лояльности, все показатели стабильны, за исключением одного – «Порекомендовали бы вы нашу компанию друзьям?». Он устойчиво рос, однако при анализе данных выяснилось, что это не реальный рост, а результат сбоя в системе. Обнаружив сбой, организация смогла сэкономить деньги, решив не продвигать ложноположительный (как выяснилось) эффект.

Кто занимается диагностическим анализом? Опять-таки все! Все, кто хочет что-либо продиагностировать: например, топ-менеджеры и сотрудники, ответственные за принятие решений, задают вопросы аналитикам. Дата-аналитики роются в информации, представленной в таблицах и отчетах. Специалисты по обработке данных строят модели, чтобы понять, что случилось. Сотрудники разных отделов компании тоже должны быть готовы предоставить свои знания и профессиональный опыт. Словом, любой сотрудник может принять участие в диагностике случившегося или происходящего.