Предиктивные методы это более продвинутый уровень аналитики. Предсказательный анализ позволяет понять, что произойдет в будущем.
Отдел продаж хотел убедиться, что новый импульс, полученный в результате повышения прибылей за счет программы стимулирования, не пропадет зря. Команда дата-аналитиков построила новые модели, которые показывали, что именно улучшилось с точки зрения продаж и прибылей, и это позволило им спрогнозировать: «Если торговые представители сделают А, то произойдет Б». Это поможет планированию и сохранит динамику.
Отдел маркетинга рассмотрел данные, прибег к помощи аналитиков и начал работу по прогнозированию последствий смены места ссылки в теле письма. Были проведены разнообразные тесты, на основе которых аналитики спрогнозировали вероятные результаты запуска новых email-кампаний и предположили, где лучше разместить ссылку. Благодаря проведенному анализу у маркетологов теперь есть полный отчет о прогнозах.
После обнаружения сбоя команда вернулась к поиску способов повысить потребительскую лояльность, эффективно используя имеющиеся у нее технологии получения данных и построения прогностических моделей для анализа и улучшения показателей.
Кто может участвовать в предсказательном анализе? Правильно: все! Конечно, специалисты по обработке данных и другие «технические» сотрудники играют важную роль, так как именно они строят прогнозы и модели. Когда руководителям компании нужно предсказать, что произойдет в результате тех или иных действий, они должны как следует донести это до специалистов, которые заняты прогнозами. Различные отделы компании должны делиться своими планами, опытом и всем остальным, чтобы прогнозы были более точными.
Уровень 4: прескриптивные аналитические методыПрескриптивный анализ подразумевает следующее: технология «подсказывает» организации, что делать.
У отдела продаж теперь есть огромное количество данных, которые получены при анализе подхода, основанного на стимулировании, и специалисты могут использовать машинное обучение для поиска тенденций и закономерностей: компьютер сам придумает, что делать дальше. Очень важно, чтобы специалисты могли ставить правильные вопросы по поводу данных, а затем эффективно применять на практике полученные ответы.
Отдел маркетинга, получив массу данных по коэффициенту кликабельности и почтовым рассылкам, может использовать соответствующие алгоритмы и технологии, чтобы получать рекомендации по размещению ссылок в теле письма.
При работе с индексом потребительской лояльности главным аспектом становится не анализ данных, а сами действия по улучшению обслуживания клиентов. Руководители работают с командой дата-аналитиков, чтобы при помощи компьютера найти нужные закономерности и предсказать, что нужно сделать для достижения успеха. Это может быть лишний телефонный звонок или небольшое увеличение бонусов для клиентов зависит от ситуации. Это позволит компании тестировать варианты и еще успешнее работать с клиентами.
Кто участвует в директивном анализе? Вы и сами знаете ответ: все! Здесь, как и на предсказательном уровне, большую роль играют технические специалисты, но для дела нужен каждый сотрудник лишь бы он умел задавать правильные вопросы машине, а затем применять результаты ее работы.
Краткое содержание главы
Когда мы смотрим на четыре уровня аналитических методов, нам хочется понять, что лежит в основе каждого из них. Нужно разобраться, как устроена аналитическая мозаика и кто окажется в проигрыше, если ее не удастся собрать правильно. Чтобы организация могла добиться успеха в работе с данными и дата-аналитикой, мозаика должна сложиться.
Но мы не можем собирать ее так, как делают маленькие дети, просто выхватывая кусочки из общей кучи в надежде, что они сложатся сами собой. Необходимы вложения в каждый уровень как в сотрудников с их способностями и навыками, так и в технологии и ПО.
Но мы не можем собирать ее так, как делают маленькие дети, просто выхватывая кусочки из общей кучи в надежде, что они сложатся сами собой. Необходимы вложения в каждый уровень как в сотрудников с их способностями и навыками, так и в технологии и ПО.
Дескриптивные методы рассказывают о том, что уже произошло, диагностические находят причину случившегося, предиктивные предсказывают будущее, а прескриптивные позволяют компьютерам подсказывать, что нужно сделать. Разобравшись во всех четырех уровнях, организация может успешно развивать стратегию работы с данными. Если вы уже разобрались, что к чему, готовы ли вы познакомиться с определением термина «дата-грамотность»? Тогда переходим к следующей главе.
03
Определение дата-грамотности
Теперь, когда мы поняли, что наш мир захватили данные, и разобрались в четырех уровнях их анализа, может быть, стоит наконец-то дать определение дата-грамотности? Конечно, давайте попробуем.
Для начала нужно исключить то, чем дата-грамотность не является. Я знаю, о чем вы думаете: ну вот, нужно возвращаться за парту, изучать всякие технические аспекты, статистику и т. д. Но это не так. Дата-грамотность это не теория анализа и обработки данных. Не всем нужно быть специалистами по data science, но всем нужна дата-грамотность.
Эксперты по обработке данных обладают продвинутыми техническими навыками. Они умеют программировать, хорошо разбираются в статистике и тому подобных вещах. Data science в чистом виде это применение к данным научного метода. Хотите во все это ввязаться? Вряд ли многие хотят. Но это и не нужно всем и каждому зато каждый должен уметь изучать данные и использовать их с выгодой для себя. Это не просто помогает нам успешно бороться с конкурентами и строить карьеру, но и дает практические навыки, которые пригодятся в жизни.
Итак, мы вывели за скобки научные методы обработки данных а теперь давайте вернемся к определению дата-грамотности. Их существует немало, но мы остановимся на наиболее полном определении, которое используется в Университете Эмерсона и Массачусетском технологическом институте.
Итак, дата-грамотность это способность читать данные, работать с ними, анализировать их и использовать как аргумент[18].
Мне нравится это определение, но для ясности хотелось бы расширить и несколько видоизменить формулировку «использовать как аргумент». Понятно, что в данном случае она означает «подкреплять свою точку зрения данными», но не слишком ли это узко? Не нужен ли дополнительный смысл? Мне бы хотелось расширить определение.
Дата-грамотность это способность читать данные, работать с ними, анализировать их и общаться на языке данных.
Дело в том, что «общение на языке данных» вовсе не обязательно подразумевает именно споры и дискуссии. Способность к такому общению это не просто способность подкрепить свою точку зрения данными, хотя и это тоже важно. Способность подкрепить свое профессиональное «чутье» данными повышает ценность сотрудника для компании. Но есть и еще один аспект коммуникации рассказывать с помощью данных некие «истории», привнося в анализ и статистические выкладки контекст и практическую применимость.
Итак, у нас есть определение, и мы готовы отправиться в путь по стране дата-грамотности, чтобы достичь успеха в экономике будущего. И что, на этом все? Можно заканчивать книгу? Если бы все было так просто! Нам еще многое предстоит рассмотреть, чтобы расширить, конкретизировать и углубить наши знания о дата-грамотности. А для этого давайте попробуем разобраться с отдельными элементами (составляющими) дата-грамотности, основываясь на нашем определении. Воспользуемся примерами четырех элементов, четырех составляющих дата-грамотности, чтобы понять, где именно в реальном мире нам нужны те или иные навыки.
Элемент 1: чтение данных
Первая составляющая дата-грамотности это чтение данных. Что же значит читать данные? Начнем с определения самого слова «читать» и примеров из жизни. Открыв «Оксфордский словарь», мы узнаем следующее: «Читать видеть и понимать значение букв и символов (в письменном или печатном виде), из которых состоит текст, мысленно интерпретируя их»[19]. Что-что? Как-то замысловато это выглядит для такого простого слова. Конечно, все мы знаем, что такое «читать», вы же сейчас читаете эту книгу. Впрочем, словарное определение можно даже расширить. В словаре говорится о письменном или печатном тексте а как насчет «чтения» языка телодвижений? Считывая жесты и мимику человека, мы понимаем его эмоции и можем получить много полезной информации. Стало быть, «читать» означает «воспринимать и понимать что-либо». Для меня это и есть главный смысл, который можно вложить в понятие «дата-грамотность»: воспринимать при помощи органов чувств некие данные, понимая их. Можно ли пойти дальше и добавить еще больше смысла к составляющей «читать данные»? Давайте попробуем.
В нашем случае читать данные означает смотреть на имеющиеся данные и понимать их. Все просто и понятно. Существует множество форм получения и представления данных, и мы должны научиться воспринимать все эти формы, чтобы успешно понимать все данные, с которыми нам приходится работать. Именно в этом состоит одна из главных причин нехватки навыков и «застревания» организаций на первом уровне анализа данных: большинство людей обладают лишь базовыми навыками чтения и понимания данных. Если человек умеет читать данные лишь на первом уровне, описательном, он неизменно будет возвращаться к дескриптивному анализу, чтобы не выходить из зоны комфорта. Это свойственно каждому из нас. Может быть, дело в эволюции. Все мы возвращаемся туда, где нам удобно (поэтому так важно преодолеть нехватку навыков: дата-грамотность должна стать удобной для всех). Только представьте себе: вот вы устроились на вашем любимом диванчике и никуда не хотите уходить. Если необходимость глубже вникать в данные причиняет нам дискомфорт, мы остаемся на первом уровне как на любимом диванчике.
Теперь, когда мы знаем, что такое чтение данных, давайте запомним: да, не все люди читают данные одинаково хорошо. И это нормально. Представьте себе субординацию. Высшее руководство компании один уровень, главы отделов и те, кто несет ответственность за решения, другой и т. д., вплоть до рядовых дата-аналитиков. Наличие у сотрудников организации разнообразных навыков дает возможность всесторонне интерпретировать визуализацию данных, привнося в общее дело личный опыт каждого, а в результате совершенствуется анализ на всех четырех уровнях. Чтобы разобраться в конкретных навыках и уровнях их применения, давайте рассмотрим пример: как люди, выполняющие в организации разные функции, по-разному читают данные.