Ни одна неделя не проходит без того, чтобы мы в HBR не опубликовали что-нибудь о ценности данных в бизнесе. Большие данные, малые данные, внутренние, внешние, экспериментальные, наблюдательные - куда бы мы ни посмотрели, информация собирается, количественно оценивается и используется для принятия бизнес-решений.
Не каждому нужно становиться квантором. Но стоит освоить основы количественного анализа, чтобы понимать и улучшать использование данных в вашем бизнесе. Мы составили список лучших статей HBR на эту тему, чтобы вы могли начать чтение.
Почему данные имеют значение
Компании собирают данные, чтобы принимать более эффективные решения по всем вопросам - от разработки продуктов и рекламы до найма персонала. В своей статье о больших данных, опубликованной в 2012 году, Эндрю МакАфи и Эрик Бринйолфссон описывают возможности и сообщают, что "компании, занимающие верхнюю треть в своей отрасли по использованию решений на основе данных, в среднем на 5% производительнее и на 6% прибыльнее своих конкурентов" даже после учета нескольких сбивающих факторов.
Это не должно удивлять, утверждает МакАфи в паре недавних постов. Данные и алгоритмы имеют тенденцию превосходить человеческую интуицию в самых разных обстоятельствах.
Выбор правильных метрик
"Есть разница между цифрами и цифрами, которые имеют значение, - пишут Джефф Бладт и Боб Филбин в прошлогоднем посте. Одним из самых важных шагов в начале принятия решений с помощью данных является выбор правильных метрик. Хорошие метрики "последовательны, дешевы и быстро собираются". Но самое главное, они должны отражать то, что волнует ваш бизнес.
Разница между аналитикой и экспериментами
Данные могут поступать из самых разных источников, включая опросы клиентов, программное обеспечение для бизнес-анализа и сторонние исследования. Одним из наиболее важных различий является различие между аналитикой и экспериментами. Первые предоставляют данные о том, что происходит в бизнесе, а вторые активно тестируют различные подходы с разными сегментами потребителей или сотрудников и измеряют разницу в реакции. Подробнее о том, для чего можно использовать аналитику, читайте в статье Томаса Девенпорта (Thomas Davenport) "Аналитика 3.0" в HBR за 2013 год. О том, как проводить успешные эксперименты, читайте в этих двух статьях.
Задавайте правильные вопросы данным
Хотя статистический анализ остается за количественными аналитиками, менеджеры играют важную роль в начале и конце процесса, формулируя вопрос и анализируя результаты. В статье 2013 года "Не отставайте от своих квантов" Томас Девенпорт перечисляет шесть вопросов, которые должны задать менеджеры, чтобы опровергнуть выводы аналитиков:
1. Каков источник ваших данных?
2. Насколько хорошо данные выборки представляют популяцию?
3. Есть ли в распределении ваших данных выбросы? Как они повлияли на результаты?
4. Какие предположения лежат в основе вашего анализа? Могут ли определенные условия сделать ваши предположения и вашу модель недействительными?
5. Почему вы выбрали именно этот аналитический подход? Какие альтернативы вы рассматривали?
6. Насколько вероятно, что независимые переменные действительно вызывают изменения в зависимой переменной? Могут ли другие анализы установить причинно-следственную связь более четко?
В статье также предлагается руководство по составлению вопросов к данным. Для более краткого ознакомления с тем, как мыслить как ученый по данным, попробуйте прочитать эту статью о применении самых основ статистических рассуждений к повседневному примеру встреч.
Корреляция против причинно-следственных связей
Фраза "корреляция - это не причинно-следственная связь" является общепринятой, но понять, что она подразумевает в контексте бизнеса, не так просто. Когда разумно действовать на основе корреляции, обнаруженной в данных компании?
В этом посте Томас Редман рассматривает причинно-следственные связи в контексте собственной диеты, чтобы дать представление о том, как работает причинно-следственная связь. А Дэвид Риттер из BCG предлагает схему, позволяющую определить, когда корреляции достаточно, чтобы действовать дальше:
Чем чаще встречается корреляция и чем меньше риск ошибиться, тем больше смысла действовать на основе этой корреляции.
Знайте основы визуализации данных
Правило №1: Никаких кругов. Чтобы решить, как лучше отобразить ваши данные, задайте себе эти пять вопросов. Обязательно просмотрите некоторые из лучших инфографик всех времен. И прежде чем представлять свои данные совету директоров, ознакомьтесь с этой серией статей об убеждении с помощью данных. (Не забудьте рассказать хорошую историю.)
Учите статистику
Пару лет назад Дэвенпорт заявил в HBR, что у специалистов по анализу данных самая сексуальная работа 21 века. Его совет остальным? Если вы плохо знаете вводную статистику, возможно, стоит освежить знания.
Для этого не обязательно возвращаться в школу, как советует Нейт Сильвер в интервью HBR. "Лучшим обучением почти всегда будет обучение на практике", - говорит он. "Испачкать руки в наборе данных, на мой взгляд, гораздо лучше, чем тратить слишком много времени на чтение и тому подобное".
Об авторе
Уолтер Фрик - редактор по вопросам членства в Quartz. До этого он шесть лет работал редактором в Harvard Business Review, в последнее время - заместителем редактора HBR.org. Он был стипендиатом Knight Visiting Nieman Fellow в Гарвардском фонде Nieman Foundation for Journalism и стипендиатом Ассамблеи в Гарвардском центре Berkman Klein Center for Internet & Society. Он также писал для The Atlantic, MIT Technology Review, The Boston Globe, BBC и других изданий.
- Hbr.org
Поделиться
