Данные проникают в каждый уголок каждой команды, отдела и компании в любой отрасли, везде. Развитие талантов, необходимых для использования всех преимуществ, должно быть одним из главных приоритетов. Действительно, каждый должен иметь возможность внести свой вклад в повышение качества данных, интерпретацию анализов и проведение собственных экспериментов. Для того чтобы государственные системы образования подготовили достаточное количество людей с необходимыми навыками, потребуются десятилетия - слишком долго для компаний, чтобы ждать. К счастью, руководители при помощи старшего специалиста по анализу данных, занимающегося анализом данных несколько часов в неделю, могут внедрить пять мощных "инструментов", которые помогут их командам начать использовать аналитику для решения важных бизнес-задач.
Я всю свою карьеру помогал компаниям решать проблемы, связанные с данными и качеством данных. В целом, я оцениваю прогресс как "медленнее, чем хотелось бы". Хотя существует множество факторов, способствующих этому, одним из наиболее важных является полное отсутствие талантов в области аналитики, как на верхнем, так и на нижнем уровне организационной структуры. В свою очередь, этот недостаток талантов затрудняет для компаний использование своих данных, использование всех преимуществ своих специалистов по анализу данных и решение проблем, связанных с качеством данных. Отсутствие талантов порождает страх, что усугубляет трудности с принятием культуры управления данными. И так далее, по замкнутому кругу.
Тем не менее, прогресс в области данных неумолим, и умные компании понимают, что им необходимо решить проблему нехватки талантов. Государственным системам образования потребуются десятилетия, чтобы выпустить достаточное количество людей с необходимыми навыками - слишком долго для компаний, чтобы ждать. К счастью, руководители, которым помогает старший специалист по анализу данных, занимающийся этим несколько часов в неделю, могут внедрить пять мощных "инструментов", которые помогут их существующим командам начать более эффективно использовать аналитику для решения важных бизнес-задач. Конечно, это не единственные инструменты, которые вам понадобятся - например, я не включил сюда A/B-тестирование, понимание вариаций или визуализацию. Я также не стремлюсь сделать из людей экспертов. Скорее, исходя из моего опыта работы с компаниями над их стратегией работы с данными, эти пять концепций дают наибольшую выгоду в ближайшей перспективе.
Первое - научиться думать как специалист по данным. Мы не так часто говорим об этом, но на самом деле очень трудно получить хорошие данные, правильно их проанализировать, проследить за подсказками, которые дает анализ, изучить последствия и представить результаты в честной и убедительной форме. В этом и заключается суть науки о данных. Об этом нельзя прочитать в книге - чтобы оценить это, нужно просто прочувствовать работу. Чтобы дать своей команде немного практического опыта, поручите им выбрать интересующую их тему (например, "начинаются ли собрания вовремя"), а затем попросите их выполнить упражнение, описанное в этой статье. Первый шаг приведет к созданию картины, подобной приведенной ниже, а остальная часть упражнения предполагает изучение последствий этой картины.
Как часто совещания начинаются поздно?
Добавьте сотрудникам практический опыт работы с данными, попросив их собрать и построить данные по знакомой теме. Время начала совещаний - лишь один из примеров.
Поручите старшему научному сотруднику, которого вы привлекли, помочь людям в выполнении упражнения, научив их интерпретировать некоторые основные статистические данные, таблицы и графики, такие как график временных рядов и диаграмма Парето. По мере приобретения опыта поощряйте свою команду применять полученные знания в повседневной работе. Обязательно найдите время, чтобы люди могли показать другим, чему они научились, например, выделите пятнадцать минут на эту тему на каждом собрании сотрудников. Самое главное, подавайте пример - выполняйте эту работу сами, представляйте свои результаты и свободно обсуждайте проблемы, с которыми вы столкнулись при ее выполнении.
Погружаясь в данные, вы и ваша команда обязательно столкнетесь с проблемами качества, поэтому активное управление качеством данных - следующий важный навык, который необходимо освоить. Некачественные данные являются нормой - они портят работу, увеличивают затраты и порождают недоверие к аналитике. К счастью, практически каждый может оказать на это положительное влияние. Первый шаг - провести простое измерение с помощью метода Friday Afternoon Measurement (техника получила такое название потому, что многие команды используют ее в пятницу днем).
< <
Insight Center
-
Scaling Your Team's Data Skills
Sponsored by Splunk Помогите своим сотрудникам стать более подкованными в вопросах данных.
Для этого поручите членам своей команды собрать 10-15 критических атрибутов данных для последних 100 единиц работы, выполненных их отделами - по сути, последние 100 записей данных. Затем они должны проработать каждую запись, отмечая очевидные ошибки. Затем они должны подсчитать количество записей без ошибок. Число, которое может варьироваться от 0 до 100, представляет собой процент правильно созданных данных, т.е. показатель качества данных (DQ). DQ также можно интерпретировать как долю времени, когда работа выполняется правильно, с первого раза. Большинство менеджеров удивлены результатами - они ожидают получить оценку в районе 90, но средний показатель DQ = 54.
FAM также может указать, какие атрибуты данных имеют наибольшее количество ошибок, подсказывая, где можно внести улучшения, используя анализ первопричин, описанный далее. Поручите каждому члену вашей команды сделать одно такое улучшение.
Третий навык - проведение анализа первопричин (RCA) и его предпосылка - понимание различий между корреляцией и причинно-следственной связью. Изучение цифр может указать, где чаще всего происходят ошибки, или продемонстрировать, что две (или более) переменные растут и падают одновременно, но оно не может полностью описать причину этого. Например, исследования показывают, что число живорождений и количество аистов в сельской местности сильно коррелировали. Но аисты не приносят детей!
Таким образом, обратитесь к цифрам, чтобы понять корреляцию, и к реальным явлениям, чтобы понять причинно-следственную связь. Анализ коренных причин - это структурированный подход, позволяющий найти истинные причины того, что происходит - коренные причины. Это важно, потому что слишком часто менеджеры и команды принимают легкие объяснения и не копают достаточно глубоко. И проблемы остаются. RCA может позволить им составить более четкую картину и предпринять действия, которые с большей вероятностью решат проблему.
Чтобы развить этот навык в своей команде, начните с обсуждения с сотрудниками темы "Как исследовать причины и следствия, как ученый по данным". Затем, когда в следующий раз у вас возникнет соблазн принять на веру чьи-то интуитивные рассуждения о том, почему что-то пошло не так, воспользуйтесь возможностью провести тщательный анализ первопричины. Существует множество формальных способов сделать это. "Пять причин", которые заставляют вас убедиться, что вы докопались до первопричины, и диаграммы рыбьих костей, которые графически представляют многочисленные причины, вероятно, являются самыми известными. Пусть ваш специалист по анализу данных выберет одну из них и будет следовать ей! Со временем постарайтесь сделать анализ первопричин стандартом для всех важных вопросов.
Четвертый навык вытекает из желания всех руководителей "быть под контролем". Мое рабочее определение контроля - это "управленческий акт сравнения процесса со стандартами и действия в зависимости от разницы". Но даже самый простой процесс может быть разным. Как отличить обычные повседневные отклонения от ситуаций, которые действительно вышли из-под контроля? К счастью, понимание и применение контрольных карт предоставляет мощный способ сделать именно это.
Контрольные карты представляют собой график данных, среднее значение и два "контрольных предела" (верхний контрольный предел и нижний контрольный предел). Они просты, но раскрывают очень многое! Например, на рисунке ниже:
- Поскольку день 9 выходит за пределы контрольных границ, менеджер может быть уверен, что этот процесс вышел из-под контроля. Они должны начать анализ первопричины, чтобы выяснить причину.
- На 4-й день наблюдается подъем, что выглядит обнадеживающе. Но менеджеру не стоит слишком радоваться - скорее всего, этот подъем был вызван случайными колебаниями и не был устойчивым.
- Достаточно ясно, что этот процесс удается только в 60% случаев. Если это недостаточно хорошо, менеджер должен внести фундаментальные изменения.
Привлеките своего специалиста по анализу данных, чтобы он помог вам и вашей команде опробовать контрольные карты на нескольких важных процессах. Учитесь по ходу дела, понимая ключевые термины, определяя, какие контрольные карты использовать, и стремясь в первую очередь взять процессы под контроль - ваша уверенность будет расти, как и ваша способность управлять командой!
И наконец, все менеджеры и их команды должны научиться понимать и применять регрессионный анализ. Регрессия дает мощный инструмент для изучения численных взаимосвязей между переменными. Чтобы проиллюстрировать это, рассмотрим "продажи зонтиков". Существуют десятки факторов, которые могут увеличить продажи (например, дождь) или уменьшить их (например, снижение цены конкурентом). Регрессия дает возможность определить, какие переменные являются наиболее важными и как они влияют на продажи. Например, анализ может дать следующие результаты:
Месячные продажи = 200 + 5*(дни дождя) - 10*(снижение цены конкурентом в $) + член ошибки
Итог:
- Без учета других факторов месячные продажи составляют около 200 единиц.
- День дождя связан с продажей на пять зонтиков больше,
- Снижение цены конкурентом на один доллар связано с продажей на десять зонтиков меньше,
Модель не совершенна - отсюда и член ошибки. Например, предположим, что вы продали 250 зонтов в месяц, когда было 15 дождливых дней, а конкурент снизил цену на 2 доллара. Исходя из формулы, можно ожидать, что продажи зонтов составят 200 + 5*15 - 10*2 = 255 единиц. Таким образом, член ошибки в этом случае равен 5 зонтам.
Как и в любом анализе, чем больше переменных, тем сложнее анализ, поэтому начните с фокусировки на одной независимой (например, объясняющей) переменной. Параллельно прочитайте статью "A Refresher in Regression Analysis", в которой на примере продаж зонтов объясняются термины и основные понятия. Поручите своему специалисту по анализу данных помогать вашей команде выполнять работу и следить за тем, чтобы члены команды не увязли в деталях. Только после этого следует переходить к двум, трем или более переменным и более сложным регрессионным моделям.
Эти пять инструментов по-своему мощны и даже элегантны. Они предоставляют гораздо более широкие возможности, чем описанные здесь шаги, которые направлены только на то, чтобы вы начали. На этом пути вы наверняка сделаете несколько неверных шагов, но не останавливайтесь. Работайте с вашим специалистом по анализу данных, чтобы узнать еще больше. По мере того как ваша команда будет все более уверенно использовать аналитику, полученные бизнес-преимущества с лихвой оправдают затраченные усилия.
Об авторе
Томас К. Редман, "дока данных", является президентом компании Data Quality Solutions. Он помогает компаниям и людям, включая стартапы, транснациональные корпорации, руководителей и лидеров всех уровней, наметить свой курс к будущему, основанному на данных. Он уделяет особое внимание качеству, аналитике и организационным возможностям.
- Hbr.org
Поделиться
