Если мы хотим, чтобы сотрудники нашей организации научились правильно использовать данные, полученные от самообучающихся машин, или результаты работы алгоритмов, нам нужна схема обучения дата-грамотности. Естественно, также необходимо уметь общаться на языке данных, свободно владеть ими и применять три «С» дата-грамотности. Пользуясь разработанными алгоритмами, мы должны подключать любопытство и задавать вопросы, проявлять креативность и, конечно же, критически осмысливать информацию. Только критическое мышление позволяет распознать, не закралась ли ошибка в результаты работы, возможно, несовершенного алгоритма.
Большие данные
Термин «большие данные» вошел в моду еще в прошлом десятилетии. Представьте, что у вас есть огромное количество данных: вы можете их просеивать в надежде на инсайт, который, возможно, поспособствует успеху вашей стратегии в сфере данных. Неплохо звучит, правда? Любая организация ухватится за такое.
Большие данные это «разнообразные данные, поступающие в увеличивающихся объемах и с увеличивающейся скоростью»[62].
Сейчас принято говорить о трех «V» больших данных: это разнообразие (Variety), объем (Volume) и скорость (Velocity). Эти три волшебных слова определяют ценность для организации того огромного количества данных, которые она производит. Я в свое время работал на одну из крупнейших финансовых организаций мира. Данные, которыми располагала эта организация, вполне соответствовали этим трем критериям. Объем данных был огромен. Скорость, с которой они поступали, очень велика. Про разнообразие и говорить нечего: мы собирали их едва ли не во всех странах мира. Это определенно были большие данные. Но насколько соответствует истинная ценность больших данных для организации шумихе вокруг этого понятия?
Занимаясь разработкой и воплощением аналитической стратегии, мы должны понимать, что не следует поддаваться «хайпу» по поводу данных и информации. Я имею в виду истерию, зачастую нагнетаемую вокруг взаимодействий с большими данными. Да, в рамках стратегии вам могут понадобиться источники и система обработки больших данных, чтобы распоряжаться ими с пользой. Со временем я пришел к нехитрой мысли, что важны не только большие данные, но также и средние, и малые, и какие угодно. Если сосредоточиться только на больших данных, есть опасность пропустить нечто ценное, поэтому организация должна поставить себе на службу любые данные, находящиеся в ее распоряжении.
Что касается связи больших данных с дата-грамотностью, то она очевидна. Неважно, какие данные перед вами: большие, маленькие, круглые или треугольные, просто нужно чувствовать себя уверенно при обращении с ними и применять навыки дата-грамотности, четыре уровня аналитики и три «С» дата-грамотности, чтобы иметь возможность почерпнуть из данных ценные знания.
Внутренняя аналитика
Мир внутренней аналитики новая и бурно развивающаяся область в мире данных и аналитики. Пожалуй, это одна из самых важных новых областей.
Внутренняя аналитика это «интеграция аналитического контента и возможностей в приложения, такие, например, как программы для производственной и коммерческой деятельности (CRM, ERP, EHR/EMR) или порталы (внутренние и внешние корпоративные сети)»[63].
Внутренняя аналитика это те виды анализа, которые отданы на откуп самим сотрудникам. Очевидно, что такой подход необходим, но прежде к нему не прибегали на регулярной основе или, правильнее сказать, прибегали реже, чем следовало бы. Сегодня мы видим, как внутренняя аналитика становится важнейшей частью успешных стратегий в сфере данных и аналитики.
В рамках стратегии в сфере данных и аналитики немало областей, к которым имеет отношение внутренняя аналитика. Во-первых, мы знаем, что для успеха в этой сфере необходима демократизация данных. Следует передать данные в руки коллектива, чтобы с выгодой для организации использовать способности и опыт каждого сотрудника. Обычно это делается с помощью инструментов бизнес-аналитики, о которых мы уже говорили в этой главе, но можно и повысить эффективность, если внедрить элементы анализа непосредственно в системы, постоянно используемые сотрудниками.
Представьте себе, что вы торговый представитель с солидным портфелем клиентов, но вы хотите еще больше расширить клиентскую базу компании, найти новых клиентов и укрепить взаимоотношения с прежними. Ваша компания запускает новую линейку продукции, которую вы хотели бы прорекламировать своим клиентам, но при этом не уверены, кому из них разумнее всего ее предложить. А если бы у ПО, с которым вы работаете, была специальная аналитическая функция, позволяющая фильтровать вашу клиентскую базу и, следовательно, лучше понимать ее потребности? Это позволило бы вам принять более обоснованное и быстрое решение, кому адресовать рекламу новой линейки. Иначе вам придется обратиться к знающему коллеге, чтобы он отфильтровал для вас данные или составил отчет, но это существенно замедлит процесс, а время, как известно, деньги.
Представьте себе, что вы торговый представитель с солидным портфелем клиентов, но вы хотите еще больше расширить клиентскую базу компании, найти новых клиентов и укрепить взаимоотношения с прежними. Ваша компания запускает новую линейку продукции, которую вы хотели бы прорекламировать своим клиентам, но при этом не уверены, кому из них разумнее всего ее предложить. А если бы у ПО, с которым вы работаете, была специальная аналитическая функция, позволяющая фильтровать вашу клиентскую базу и, следовательно, лучше понимать ее потребности? Это позволило бы вам принять более обоснованное и быстрое решение, кому адресовать рекламу новой линейки. Иначе вам придется обратиться к знающему коллеге, чтобы он отфильтровал для вас данные или составил отчет, но это существенно замедлит процесс, а время, как известно, деньги.
В качестве второго примера можно привести работу склада. Я сам в юности работал на складе, где самой важной задачей было следить за движением продукции. Нам нужно было не только обеспечивать, чтобы на полках было достаточно продукции, но и своевременно обрабатывать заказы клиентов. Мы должны были быстро и точно обновлять данные, предназначенные для рабочего ПО (видите, даже если вы работаете на складе и искренне уверены, что данные вас не касаются, это не так!), чтобы контролировать количество товара. А если бы у нашего ПО была функция внутреннего анализа, позволяющая спрогнозировать, что может заказать клиент на основании истории его покупок, или изучить процесс поставок и дать полезные советы? В этом случае мы тоже смогли бы принимать более обоснованные и быстрые решения. Внутренняя аналитика в первую очередь помогает именно рядовым сотрудникам, позволяя им напрямую работать с данными. К сожалению, руководители многих организаций даже не задумываются, что и складским работникам необходима дата-грамотность. Но, если возможность провести анализ есть у всех, выгоду тоже получают все.
Третий пример из моего личного опыта. Мне нравятся ультрамарафоны как вы уже, должно быть, поняли. Я знаю, что во время тренировок нужно уделять внимание данным, которые передает мне мой собственный организм. А если бы у меня был другой эффективный способ контролировать тренировки и прогресс? То есть мою ультрамарафонскую стратегию, если хотите. Но такой способ есть! И, строго говоря, он тоже относится к внутренней аналитике.
Во время тренировок я использую смарт-часы, которые позволяют мне отслеживать показатели моего бега и текущее состояние организма. Они измеряют не только пройденное расстояние и перепады высот, но и темп, ритм, частоту сердечных сокращений (максимальную и среднюю), расход кислорода и калорий и многое, многое другое. Я могу достать смартфон, куда передаются данные с часов, и изучить все показатели, а затем при помощи внутренней аналитики усовершенствовать свой план тренировок.
Думаю, из этих примеров понятно, зачем нужна внутренняя аналитика и как она помогает совершенствовать аналитическую стратегию организации. Кроме того, мы видим, что дата-грамотность, независимо от вашей должности в компании, имеет огромное значение. Она позволяет любому сотруднику узнавать результаты внутреннего анализа, работать с ними, задавать вопросы и получать ответы и, наконец, принимать решения и доводить их до сведения коллег, подчиненных и начальства. Если у вас все в порядке с навыками дата-грамотности, то вы можете положиться на любопытство, чтобы задавать вопросы, и на творческий подход, чтобы сочинять и рассказывать истории, а еще, что немаловажно, вы в состоянии критически осмыслить любые данные.
Облачные сервисы
Давайте рассмотрим еще один термин, с которым вы, вероятно, нередко сталкиваетесь, особенно при работе с данными. Облако это не какое-то загадочное и таинственное нечто, живущее в стране Нетинебудет. Это всего лишь место за пределами вашего офиса, где вы можете хранить свои данные. Раньше организации забивали данными свои собственные хранилища. Беда в том, что самостоятельное хранение данных обходится недешево: постоянно приходится увеличивать объем хранилища и покупать все более и более мощные серверы. Облако позволяет организациям хранить данные во внешних хранилищах.
Должен ли перенос данных в облачные хранилища быть частью стратегии в сфере данных и аналитики? Конечно же, да! К преимуществам облака относятся гибкость, надежность, мобильный доступ, восстановление, экологичность, безопасность, легкий доступ и мониторинг[64]. И конечно, это подходящее вложение средств. Все это выглядит как вполне убедительные доводы в пользу того, что облачный сервис должен стать частью вашей стратегии.
Дата-грамотность связана с облаком через свободное владение данными. Неважно, на какую стратегию вы положились (перенести данные в облако или разместить их в другом месте, имея возможность получить к ним доступ в любое время). Вы все равно будете пользоваться навыками дата-грамотности для анализа данных, независимо от того, где они хранятся.
Периферийная аналитика
Периферийная аналитика это новое и перспективное направление в сфере данных и аналитики.
Если вкратце, то периферийная аналитика это сбор и анализ данных датчиком, устройством или точкой контакта. Противопоставляется пересылке данных в облако или на сервер[65].
Это возвращает нас к интернету вещей: речь идет о датчиках и сборе данных от умных устройств. В периферийной аналитике не нужно ждать, пока данные будут собраны и подготовлены для анализа: эта функция передана непосредственно датчикам. На мой взгляд, внутренняя аналитика сродни периферийной. В обоих случаях анализ происходит в реальном времени, и это преимущество. Представьте себе данные, которые можно получить от двигателя самолета или машины с автопилотом. Результат их анализа очень важен в первую очередь для безопасности людей.
Итак, периферийная аналитика эффективный способ анализа данных, но какое же место она должна занимать в вашей стратегии? Достаточно значимое. Следует ли большинству сотрудников ею заниматься? Пожалуй, нет: для одних она действительно может стать частью их рабочих обязанностей, другие же будут просто пользоваться ее результатами.