Почти каждый работник сферы знаний сегодня должен быть постоянным потребителем анализа данных. Четыре концепции анализа данных, которые должен понять каждый менеджер, включают 1.) рандомизированные контролируемые эксперименты; 2.) A/B тестирование; 3.) регрессионный анализ; и 4.) статистическая значимость. Этот список статей для чтения из архива HBR даст вам базовое понимание каждой из этих четырех концепций, и как вы можете применять их в своей повседневной работе. Неважно, каким бизнесом вы занимаетесь и какова ваша роль в компании, мы все хотим - на самом деле должны - принимать умные, обоснованные, основанные на фактах решения.
Как и многие профессионалы, моя работа не требует знаний в области данных или аналитики. Я писатель и редактор, поэтому имею дело со словами, а не с цифрами. Тем не менее, сегодня почти каждый работник сферы знаний должен быть постоянным потребителем анализа данных. Например, мне нужно понять, почему статьи о кризисе среднего карьерного роста превосходят статьи о получении обратной связи или почему статьи с определенными заголовками получают больше трафика, чем другие.
Мне также нужно уметь читать исследования по темам, которые я освещаю, понимать, насколько достоверны и обобщаемы выводы, сделанные в этих исследованиях, и уметь объяснить эти выводы - и их ограничения - вам, нашим читателям.
Для всего этого мне необходимо более чем базовое понимание анализа данных. И хотя курс статистики, который я прослушал в аспирантуре, был полезен, он не дал мне возможности в полной мере понять важные концепции и провести необходимые беседы об анализе данных.
<
Insight Center
-
Scaling Your Team's Data Skills
Sponsored by Splunk Помогите своим сотрудникам стать более подкованными в области данных.
К счастью, у меня была возможность поговорить с одними из лучших экспертов в этой области - Томом Редманом, автором книги Data Driven: Profiting from Your Most Important Business Asset, и Кайзером Фунгом, основателем программы прикладной аналитики в Колумбийском университете, - о нескольких важнейших темах, когда речь идет об анализе данных. Вот четыре свежие новости из нашего архива о концепциях анализа данных, которые должен понять каждый руководитель.
Рандомизированные контролируемые эксперименты
Одним из первых шагов в любом анализе является сбор данных. Часто это происходит с помощью различных экспериментов, которые проводят компании - от быстрых, неформальных опросов до пилотных исследований, полевых экспериментов и лабораторных исследований. Одним из более структурированных типов является рандомизированный контролируемый эксперимент. Многие люди, когда слышат этот термин, сразу же думают о дорогостоящих клинических испытаниях, но рандомизированные контролируемые эксперименты не обязательно должны быть дорогостоящими или трудоемкими, и их можно использовать для сбора данных, например, о том, улучшило ли определенное вмешательство в обслуживание клиентов их удержание или о том, является ли новый, более дорогой элемент оборудования более эффективным, чем менее дорогостоящий. В этой статье Том Редман помогает понять, что значит "контролируемое" испытание и как убедиться, что оно включает элемент "рандомизации". В статье также рассматриваются такие вопросы, как: Что такое зависимые и независимые переменные? И каковы этапы разработки и проведения подобных экспериментов?
А/Б-тестирование
Одним из наиболее распространенных экспериментов, используемых компаниями в наши дни, является А/Б-тест (который представляет собой разновидность рандомизированного контролируемого эксперимента). В самом общем виде эти тесты представляют собой способ сравнить две версии чего-либо, чтобы выяснить, какая из них работает лучше. Компании используют его для ответа на такие вопросы, как "Что с наибольшей вероятностью заставит людей нажать на кнопку мыши? Или купить наш продукт? Или зарегистрироваться на нашем сайте?". A/B-тестирование используется для оценки всего: от дизайна сайта до онлайн-предложений, от заголовков до описаний товаров. Очень важно понимать, как интерпретировать результаты и избегать распространенных ошибок, таких как слишком быстрое завершение эксперимента до получения достоверных результатов или попытка посмотреть на панель показателей, когда на самом деле следует сосредоточиться на нескольких. Вы можете узнать больше об A/B-тестах здесь.
Регрессионный анализ
Когда у вас есть данные, регрессионный анализ помогает их осмыслить. Конечно, существует множество способов анализа данных, но линейная регрессия - один из самых важных. Это способ математически определить, существует ли связь между двумя или более переменными. Например, если вы занимаетесь продажей зонтиков, вы можете захотеть узнать, насколько больше товаров вы продаете в дождливые дни. Регрессионный анализ поможет вам определить, влияют ли дюймы дождя на продажи и как именно. Он отвечает на вопросы: Какие факторы имеют наибольшее значение? Какие можно игнорировать? Как эти факторы взаимодействуют друг с другом? И, возможно, самое главное, насколько мы уверены во всех этих факторах?
К сожалению, регрессионный анализ - это не то, что вы обычно делаете самостоятельно. Для этого существуют статистические программы! Но все же важно понимать математику, лежащую в ее основе, и ошибки, которых следует избегать. В этой статье я объясню, как работает регрессия, и расскажу о распространенном - но часто неправильно понимаемом - предостережении от путаницы корреляции с причинно-следственной связью.
Статистическая значимость
После проведения анализа вам необходимо выяснить, что означают полученные результаты, если это вообще возможно. Вот тут-то и приходит на помощь статистическая значимость. Это понятие также часто неправильно понимают и неправильно используют. Но поскольку все больше и больше компаний полагаются на данные для принятия важных бизнес-решений, это понятие необходимо понимать. Статистическая значимость помогает количественно определить, является ли результат эксперимента случайным или обусловленным факторами, которые вы измеряли.
Эту концепцию я и сам иногда с трудом понимаю, но, к счастью, среднему специалисту не нужно разбираться в ней слишком глубоко. По словам Тома Редмана, который помог нам в подготовке этого обзора, важнее понять, как не злоупотреблять этим понятием.
Пока вы будете знакомиться с этими четырьмя понятиями, вам также будет полезно прочитать этот обзор количественного анализа от моего коллеги Уолта Фрика. Это хороший учебник о том, почему данные имеют значение, как выбрать правильные метрики и задать правильные вопросы на основе данных. Там также есть отличная диаграмма "корреляция против причинно-следственной связи", которая поможет вам принять решение о том, когда действовать на основе анализа, а когда нет.
И наконец, если вы интересуетесь аналитикой, потому что вам нужно потреблять исследования в области социальных наук, я очень рекомендую эту статью Евы Вивальт, научного сотрудника и преподавателя Австралийского национального университета. Она дает несколько советов, как определить, стоит ли доверять данным исследования.
Аналитика данных - это, в конечном счете, принятие правильных решений. Неважно, каким бизнесом вы занимаетесь и какова ваша роль в компании, мы все хотим - на самом деле должны - принимать умные, обоснованные, основанные на фактах решения.
Об авторе
Эми Галло - главный редактор Harvard Business Review, соведущая подкаста Women at Work и автор двух книг: Getting Along: Как работать с кем угодно (даже с трудными людьми) и HBR Guide to Dealing with Conflict. Она пишет и выступает на тему динамики на рабочем месте. Посмотрите ее выступление на TEDx о конфликтах и следите за ней в Twitter. amyegallo
- Hbr.org
Поделиться
