Для третьего и четвертого уровней аналитики критическое мышление тоже полезно. В этом случае, как и при построении и интерпретации визуализаций, мы должны критически подходить и к построению моделей, и к их интерпретации. Эта работа обязательно должна осуществляться с критическим осмыслением и опорой на доказательства внутренние и внешние.
Для третьего и четвертого уровней аналитики критическое мышление тоже полезно. В этом случае, как и при построении и интерпретации визуализаций, мы должны критически подходить и к построению моделей, и к их интерпретации. Эта работа обязательно должна осуществляться с критическим осмыслением и опорой на доказательства внутренние и внешние.
Краткое содержание главы
Три «С» дата-грамотности Curiosity (любопытство), Creativity (творческий подход) и Critical thinking (критическое мышление) обязательные условия, без которых вы не овладеете дата-грамотностью. Применяя эти составляющие на работе и в быту, мы обеспечиваем для себя возможность принимать более правильные и обоснованные решения. Кроме того, эти три «С» способствуют успеху организации в сфере данных и аналитики. Работая с четырьмя элементами дата-грамотности и четырьмя уровнями аналитики, мы не должны забывать о роли, которую играют в них три «С».
09
Принятие решений, подкрепленных данными
Первые восемь глав этой книги посвящены самым разным вопросам дата-грамотности: «почему?», «что?» и «как?». А теперь еще один серьезный вопрос «для чего?». Для чего мы с вами столько времени разбирали, что такое дата-грамотность? Чтобы вы знали, как строить красивые диаграммы и визуализации? Нет, конечно! Дата-грамотность ничего не даст, если не знать, для чего нам все это нужно и какова наша цель. А эта цель решения. Дата-грамотность должна давать знания, которые ведут к решениям. Если мы просто получили знания, но ничего с ними не сделали, все было бессмысленно. Это все равно что найти карту сокровищ и не отправиться их искать. Или заранее узнать, какие номера выиграют в лотерею, но не купить билет. Цель овладения дата-грамотностью принятие разумных, подкрепленных данными решений, причем как на уровне отдельных сотрудников, так и на уровне организации. О том, как это делать, мы и поговорим в этой главе.
В мире данных и аналитики искусству принятия решений часто уделяется недостаточно внимания. Если руководители и рядовые сотрудники вкладывают энергию, время и средства в качество, источники и инструменты работы с данными, они должны ставить во главу угла процесс принятия решений. А в этом случае успех обеспечивается четкой схемой. Я предлагаю взять за основу замечательную схему, разработанную моим другом и коллегой Кевином Ханеганом и компанией Qlik[49]. Она состоит из шести ступеней это «лестница», которая ведет к разумным, обоснованным решениям.
Если вы обратили внимание, в этой книге я постоянно говорю про решения, подкрепленные данными, хотя, возможно, для вас привычнее другое определение «основанные на данных». Разумеется, в наше время чаще всего используется второй вариант (он набрал популярность в конце прошлого десятилетия, а особенно широко распространился с началом пандемии COVID-19), но я не случайно выбрал первый. Разные вещи могут быть «основаны на данных», и сам термин может означать для разных людей разное, но по сути эта формулировка предполагает, что данные были эффективно использованы человеком или организацией как ценный актив. Так, марафонец пользуется специальным планом, чтобы выработать стратегию успешного забега. Это мы и имеем в виду, когда говорим, что нечто «основано на данных» или «подкреплено данными». Это значит, что данные помогают принимать решения и двигать бизнес вперед. Я предпочитаю писать и говорить «подкреплено данными», потому что термин «основано на данных» может восприниматься так, как будто данные действительно послужили для чего-то единственной основой. «Решение, подкрепленное данными» означает, что данные помогли принять это решение, но только в сочетании с чем-то еще с силой человеческого разума, например. Это, на мой взгляд, важное различие.
Чтобы лучше разобраться в подкрепленных данными решениях и их связью с дата-грамотностью, давайте покопаемся в арсенале хитрых приемов. Начнем мы с определения общей схемы и ее влияния на процесс принятия решений. Затем мы рассмотрим схему принятия решений, подкрепленных данными, под разными углами: с точки зрения четырех элементов дата-грамотности, четырех уровней аналитических методов, языка данных, трех «С» дата-грамотности и, возможно, не только. Но для начала нужно узнать, из каких ступеней состоит схема принятия подкрепленных данными решений.
Схема принятия решений, подкрепленных данными
Схема, которую мы будем использовать, состоит из шести ступеней. Есть немало вариантов этой схемы, но для безошибочной и эффективной работы в нее должны входить эти шесть ступеней в том или ином виде. Вот они: спросить, получить, проанализировать, применить, объявить и оценить. Так считает Кевин Ханеган а я немного модифицировал его схему (исключительно ради ясности) и называю ступени иначе: спросить, получить, проанализировать, интегрировать, решить и выполнить итерацию. На рис. 9.1 показано ключевое отличие моей схемы от исходной.
Вы заметили отличительную особенность этой схемы? Она бесконечна по своему устройству. Это непременное свойство процесса принятия решений, подкрепленных данными. Мы должны понимать, получая новые знания и принимая решения: никто не гарантирует, что эти решения будут правильными. Этим и прекрасна наша схема возможностью выполнить итерацию и извлечь полезный урок из опыта предыдущих решений. Нельзя сидеть сложа руки, что-то решив. Нужно использовать схему (и навыки дата-грамотности, конечно), чтобы постоянно совершенствовать решения. Статистика это территория вероятного, а вероятность иногда дает нам не то, чего мы хотели. И это нормально мы учимся на своих решениях и всегда можем повторить процесс.
Ступень 1. Спросить
Первая ступень схемы принятия решения, подкрепленного данными, «спросить», то есть задать вопрос, на который нужно получить ответ. При принятии решений в сфере данных возникает много вопросов. Для того чтобы ставить их грамотно, нужно разобраться в разных составляющих этой процедуры. Давайте рассмотрим ее с точки зрения четырех элементов дата-грамотности и ее трех «С». А далее перейдем к четырем уровням аналитики.
Задать вопрос это не просто спросить. Это предполагает гораздо большее. Когда мы задаем вопрос в рамках нашей схемы, нам нужно рассмотреть разные его аспекты с точки зрения данных. Например, бессмысленно задавать слишком расплывчатые вопросы: «Каков наш лучший продукт?» или «Какая из наших маркетинговых кампаний оказалась наиболее эффективной?». Такие вопросы не способствуют принятию разумных и обоснованных решений, связанных с данными и аналитикой. Эффективные вопросы должны быть однозначны.
Почему такие вопросы, как вышеприведенные, не нужны в нашей схеме? Давайте рассмотрим их подробнее. Что мы имеем в виду под «лучшим продуктом»? Все ли наши продукты одинаковы? Мы что, сравниваем яблоко с яблоком? Если нет, то что покажут нам данные? В случае с маркетинговой кампанией как мы определяем слово «эффективный»? Будет ли эффективность разной с точки зрения разных заинтересованных лиц? И т. д. Видите, куда нас это заводит? Словом, когда мы задаем вопросы в рамках схемы принятия решений, следует убедиться, что вопросы конкретны и что для ответа на них можно использовать данные.
Вопросы напрямую связаны с первым элементом дата-грамотности и с ее первой «С», то есть с чтением данных и любопытством.
Когда человек читает данные, будь то новостной заголовок, таблица Excel, квартальный отчет или визуализация, у него должны возникать вопросы. Вот несколько примеров газетных заголовков[50]. Понадобятся ли вам уточнения?
«Округ должен заплатить 250 000 долларов за рекламу нехватки финансирования». (Кто-нибудь вообще над этим подумал?)
«American Airlines выгнали пассажира, который отказался прекращать подтягиваться». (На чем он подтягивался?)[51]
Каждый из этих заголовков в конце концов, они просто нелепые! вызывает вопросы. Но, когда мы принимаем карьерные решения или когда глава организации работает с огромным количеством данных, вопросы тоже должны появляться мгновенно. В случае с заголовками это происходит само по себе, и возникающие вопросы кажутся очевидными, но с данными так бывает не всегда. Нам приходится копаться в них и изучать все, что поступило к нам по самым разным каналам и из самых разных источников. Вот тут и вступает в дело первая «С» дата-грамотности.
Наверное, очевидно, что curiosity «любопытство» одно из моих самых любимых слов. Любопытство обладает огромной силой, как мы уже убедились ранее. При принятии решений, подкрепленных данными, любопытство участвует в схеме на первой ее ступени.
Наверное, очевидно, что curiosity «любопытство» одно из моих самых любимых слов. Любопытство обладает огромной силой, как мы уже убедились ранее. При принятии решений, подкрепленных данными, любопытство участвует в схеме на первой ее ступени.
А теперь пора вспомнить еще один термин из предыдущих глав свободное владение данными. Объединив его с любопытством, мы сможем задавать вопросы, чтобы определить, что случилось и почему, а затем переходить к следующим ступеням процесса.
Четыре уровня аналитикиПосле первого шага постановки вопроса наша способность делать это на всех четырех аналитических уровнях должна быть очевидна, но все же давайте ненадолго остановимся на этом. Первый уровень, дескриптивный, может стать отправной точкой для большинства личных или общеорганизационных решений. Описательная аналитика, говоря по-простому, переносит данные на бумагу. При этом мы способны видеть, что и когда произошло, и рассказать историю, которая кроется в наших данных.
Когда мы читаем результаты дескриптивного анализа, у нас в голове начинают роиться самые разные полезные мысли, и мы задаемся вопросом, почему произошло то-то и то-то. Как мне кажется, это прямая дорога к диагностическому анализу. Нам нужно постоянно задавать вопросы, при этом не забывая, что они должны быть конкретными и однозначными. Если мы допустим двусмысленность, то едва ли сумеем отыскать настоящие причины чего бы то ни было.