Как вытащить из данных максимум. Навыки аналитики для неспециалистов - Джордан Морроу 6 стр.

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.

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.

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.

Уровень 4: прескриптивные (предписывающие) аналитические методы

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.

Примеры использования четырех уровней аналитических методов в реальной жизни

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.

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.