Во-первых, взгляните на рисунок и определите, что на нем изображено. Джон Сноу попросил нанести на карту все дома, где были отмечены случаи заболевания. Больше всего больных оказалось в районе Брод-стрит: там и располагалась колонка, из которой жители брали воду.
То, что написано в предыдущем абзаце, по сути и есть дескриптивный анализ. Я смог описать, что происходило и где происходило. Более глубокий анализ может выявить что-то еще, но сейчас нам интересен именно описательный метод. А вы, если хотите, можете провести дальнейший анализ карты например, расположения пивоварен: высказывалось предположение, что на пивоварнях не было случаев заражения холерой, поскольку работники пили бесплатное пиво, а не воду.
Двигаясь по уровням аналитики, мы замечаем, что описательный анализ порождает новые вопросы: почему много случаев заболевания было отмечено в районе колонки на Брод-стрит? Так, слева особенно много отметок о случаях холеры. Масса случаев и вдоль самой Брод-стрит, но вдоль прилегающих улиц уже меньше. Задаваясь вопросами, мы переходим на второй уровень аналитики к использованию диагностических методов.
Имея перед глазами визуализацию данных о случаях холеры, мы погружаемся в диагностический анализ. Большое количество случаев холеры вокруг колонки? Повод для новых вопросов. Так или иначе, ответы ведут нас к колонке на Брод-стрит И действительно: обнаружилось, что вода в колонке загрязнена. Через нее передавалась болезнь. Врача Джона Сноу можно считать одним из пионеров журналистики данных когда в основе журналистского материала лежит обработка данных[33].
Пример 2А теперь давайте обратимся к сфере продаж. Компании, работающие в самых разных отраслях, стремятся выводить на рынок новые продукты, привлекать клиентов и получать доход это естественно. Есть ли польза от дескриптивной и диагностической аналитики для отделов продаж? Помогает ли работа с данными эффективно осуществлять продажи? Этот пример наглядно показывает, что польза, безусловно, есть. Знаю, что эту тему мы уже рассмотрели, но для начала сделаем шаг назад и вспомним про дескриптивную аналитику: что она может рассказать о потенциальных клиентах, их распределении по демографическим группам и о реальных показателях в сравнении со спрогнозированными.
Первый пример применения описательной аналитики потенциальные клиенты организации. При помощи аналитического ПО (например, Qlik или Tableau) компания может визуализировать данные по потенциальным клиентам. А затем, применив фильтры, можно получить картину, которая позволит рассортировать клиентов (по финансовым возможностям, по местоположению и т. д.), чтобы передать результаты соответствующим торговым представителям или в другие подразделения компании, затребовавшие такие данные для своих целей. Как вы понимаете, посредством дескриптивного анализа организация может писать свою историю работы с потенциальными клиентами.
Второй пример это демографическая структура клиентской базы. Возможность визуально оценить распределение клиентов по местоположению, длительности взаимодействия с компанией, потраченным на ее продукцию средствам и множеству других показателей дает продавцам массу информации для понимания общей картины продаж в организации.
Наконец, очень важно отмечать и описывать степень совпадения реальных показателей с прогнозами. Если организация не способна сравнить эти цифры, то у нее не получится ни поставить правильные задачи перед торговыми представителями, ни получить полную и безошибочную картину происходящего в сфере продаж. Однако не нужно забывать о том, что это лишь дескриптивный анализ. Все эти примеры необходимо дополнить диагностическими методами.
Итак, с дескриптивным анализом разобрались. Мы движемся дальше по аналитической цепочке и переходим от описательных к диагностическим методам анализа ситуации в продажах (чему и посвящен этот раздел главы 6).
В нашем первом примере торговый представитель рассматривает потенциальных клиентов организации. Благодаря владению дата-грамотностью он может прочитать представленные ему данные и предположить, с какими из потенциальных клиентов будет наиболее выгодно работать. Это очень ценное умение. Затем торговый представитель может проанализировать данные о выбранных клиентах, чтобы спланировать общение с ними.
В нашем первом примере торговый представитель рассматривает потенциальных клиентов организации. Благодаря владению дата-грамотностью он может прочитать представленные ему данные и предположить, с какими из потенциальных клиентов будет наиболее выгодно работать. Это очень ценное умение. Затем торговый представитель может проанализировать данные о выбранных клиентах, чтобы спланировать общение с ними.
Второй пример распределение клиентской базы по демографическим показателям. Описательный анализ не дает нам полной картины, а вот дальнейшая диагностика почему те или иные клиенты тратят определенное количество денег и покупают определенные продукты позволяет лучше их понять и правильно выстроить взаимодействие с ними.
Наконец, продавцу, стремящемуся выполнить месячную норму, просто необходимо понять тенденции продаж в сравнении с ранее сделанными прогнозами. Изучая реальное положение дел (которое может оказаться лучше или хуже предсказанного), он переходит от дескриптивного анализа к диагностическому и пытается выявить, почему все оказалось так, а не иначе. Этот навык крайне важен, и применять его следует регулярно. Кроме того, такой анализ дает организации возможность составлять более точные прогнозы в будущем.
Вышеприведенные примеры со вспышкой холеры и продажами наглядно показывают, что способность к наблюдению при помощи дескриптивной аналитики и умение совершить переход к поиску причин при помощи диагностических методов жизненно необходимы для успешной деятельности организации. Руководство должно предоставлять сотрудникам возможность развивать навыки дата-грамотности чтение данных, работу с ними, их анализ и, наконец, общение на языке данных. Ни в коем случае нельзя забывать о последней составляющей общении, то есть возможности делиться друг с другом полученными в ходе анализа знаниями. Только представьте, как все могло бы обернуться в Лондоне в 1854 году, если бы Джон Сноу не смог донести до других людей свое открытие по поводу колонки на Брод-стрит. А что было бы с продажами в нашей гипотетической компании, если бы ее торговые представители не смогли поделиться полученными при анализе данных важными знаниями о потенциальных клиентах? Странная была бы ситуация, согласитесь: специалисты нашли в демографической структуре клиентской базы важные факторы, определяющие те или иные тенденции, но никому о них не рассказали. Навыки общения на языке данных нужно совершенствовать в рамках дескриптивного и диагностического анализа.
Дата-грамотность и предиктивный анализ
Третий уровень аналитических методов конечно же, предиктивный, то есть предсказательный. Какое отношение имеет к нему дата-грамотность? Ведь не все обязаны обладать техническими навыками. К сожалению, из-за того, что прогностический (и следующий уровень, прескриптивный) анализ может требовать технической подготовки, например умения программировать или знания статистики, часто считается, что он не для всех. Но такой подход вредит общей работе с данными. Дата-грамотность напрямую связана с прогностическим анализом давайте посмотрим, каким образом.
Во-первых, мы помним, что в понятие дата-грамотности входит один ключевой навык чтение данных. После того как специалисты с помощью предсказательных методов построили модель или провели анализ, все остальные заинтересованные лица должны суметь прочитать его результаты. Только в этом случае они смогут принять обоснованные решения для чего и нужна дата-грамотность.
Во-вторых, дата-грамотность тесно связана со свободным владением данными, то есть способностью говорить на языке данных. Представьте себе: вы работаете на маркетинговую фирму, и вам нужно проанализировать данные по последней кампании (вспомним третью составляющую дата-грамотности способность анализировать данные). Проблема в том, что представленные вам данные слишком сложны, поэтому вы вынуждены обратиться к специалисту, который сможет их обработать с применением не только дескриптивных методов. Иными словами, вам нужна помощь в диагностике. Если вы достаточно хорошо владеете дата-грамотностью, то сможете эффективно описать другому, что вам нужно. Вам удастся успешно донести до технических специалистов, что вы хотели бы получить из этих данных, а затем вы вместе с ними завершите анализ. Это и есть целостная работа всех четырех уровней аналитики.
Чтобы лучше понять, что к чему в предсказательном анализе, давайте рассмотрим примеры.
Пример 1. Метеорология и прогноз погодыВсем нам интересно, какой будет погода в ближайшее время. Кто из вас пользуется специальными метеоприложениями для смартфона, чтобы вовремя узнавать, как лучше одеться? Наверняка многие из вас, а лично я всегда, особенно если планирую рабочие поездки. Как-то в ноябре я собирался в командировку в Финляндию. Надо сказать, ноябрь в Финляндии не самый теплый месяц. Я, конечно, все же взял с собой не самое подходящее пальто, но без прогноза погоды наверняка замерз бы насмерть в такой дальней поездке.
А осознаете ли вы, сколько труда за прогностическим моделированием погоды? Подробно останавливаться на этом я не буду, Нейт Сильвер прекрасно раскрыл тему в своей книге «Сигнал и шум: Почему одни прогнозы сбываются, а другие нет» (The Signal and the Noise: Why So Many Predictions Fail but Some Don't)[34]. И все же следует заметить, что метеорологический прогноз это уникальная задача.
Во-первых, погода очень сложная система. В последние годы метеопрогнозирование шагнуло далеко вперед, однако не забывайте: специалисты по предиктивной аналитике должны не только провести анализ, но и донести его результаты до простых граждан, то есть до нас с вами. Если у нас нет сомнений, что прогноз нам понятен, то мы можем принять решение, какую одежду, исходя из ожидающейся погоды, стоит иметь под рукой. И вот мы снова видим в действии дескриптивный (прогноз), диагностический (почему погода будет такой) и предиктивный (как может измениться погода в дальнейшем) уровни аналитики. А дата-грамотность имеет к этому самое прямое отношение: здесь есть и чтение данных (и со стороны тех, кто строит модели, и со стороны тех, кто изучает прогноз, чтобы принять решение), и работа с данными (построение моделей, дальнейший их технический анализ и сообщение результатов аудитории).