Как вытащить из данных максимум. Навыки аналитики для неспециалистов - [10]

Ключевое слово здесь – «инсайт». Именно проникновение в суть помогает понять, как первый и второй уровни аналитики действуют вместе, и объединить их. Первый уровень описывает, что произошло, – и это ведет ко второму уровню, к попыткам разобраться, почему это произошло. Очевидно, что именно второй уровень требует больше всего время- и трудозатрат в мире данных и аналитики. На первом уровне у нас есть сводки, информационные панели, отчеты и наблюдения, а сотрудники благодаря навыкам дата-грамотности могут определить, почему наблюдения говорят нам то, а не другое. Например, почему та или иная тенденция так сильно изменилась по сравнению с предыдущими кварталами? Почему возник сдвиг в той или иной гистограмме? Примеров масса.

Наряду с таким последовательным объединением первого и второго уровней сотрудники должны научиться принимать более обоснованные решения, связанные с данными (учитывая состояние современного цифрового мира, это важно для каждого из нас). Более подробно о таких решениях мы поговорим позже. Развивая у сотрудников способность эффективного использования первых двух уровней аналитических методов, руководители организаций постепенно начинают видеть успехи стратегии использования данных и дата-аналитики.

Уровень 3: предиктивные (предсказательные) аналитические методы

Что приходит вам в голову, когда вы слышите слово «предсказание» или слово «прогноз»? Нострадамус, который предсказал… кажется, все на свете? Или ставки на победу в финальном матче? Или вы задумываетесь, какая будет погода на следующей неделе, когда у вас начинается отпуск? Нам многое хотелось бы спрогнозировать – и в жизни, и в карьере. И конечно же, попадать при этом в яблочко, достигнув совершенства в составлении прогнозов по какому бы то ни было поводу. То же самое можно сказать и об организациях, которые хотят извлекать выгоду из данных и дата-аналитики.

Чтобы разобраться со следующим шагом в последовательности аналитических действий, давайте вернемся к нашему примеру с врачом. Как вы помните, доктор констатировал, что вы больны, а затем ушел и, строго говоря, ничем вам не помог (вы и сами знаете, что больны). А теперь представим, что доктор не ушел, а сделал следующий шаг – и смог диагностировать вашу болезнь и ее причину. Таким образом, он помог вам понять, какие процессы вызвали проблему, а это ведет к поиску возможных путей ее преодоления. Что же делает врач дальше, ответив на вопрос «почему?»? Он рассматривает возможные способы лечения, чтобы вам стало лучше: он прогнозирует, что если вы сделаете А, то за этим последует Б.

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.

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.