Как вытащить из данных максимум. Навыки аналитики для неспециалистов
- Автор: Морроу Джордан
- Год: 2022
- Язык: русский
- Год: Альпина
- ISBN: 978-5-9614-7563-0
- Переводчик: Мария Леонидовна Кульнева
- Жанр: Бизнес
Электронная книга - «Как вытащить из данных максимум. Навыки аналитики для неспециалистов». Краткое содержание книги:
Для тех, кто хочет научиться говорить на языке данных уверенно, признанный эксперт в области дата-грамотности Джордан Морроу и написал свою книгу. Это практическое руководство позволит даже неспециалисту освоить четыре базовых уровня аналитики и узнать, как принимать эффективные решения на основе данных, чтобы извлекать максимум из информации и быть успешным в быстро меняющемся цифровом мире.
Какие технологии и компьютерные программы могут помочь в успешном предиктивном анализе? Во-первых, это два языка программирования, которые завоевывают все большую популярность в сфере обработки данных, – Python и R. С их помощью специалисты по статистике, количественной аналитике и т. д. строят модели. Кроме того, они так здорово называются! Один – как змея, а другой похож на рычание тигра: р-р-р.
Кроме того, есть компании, производящие ПО, которое упрощает обработку данных для конечных пользователей (тех, кто уже хорошо знаком с первыми двумя уровнями аналитических методов). Среди таких компаний – Alteryx, SAS, Apache Spark, D3 и другие. В прогностическом анализе можно использовать все те же Microsoft Excel, Tableau и Qlik. На самом деле рядовым сотрудникам вовсе не обязательно быть профессионалами в обработке данных – достаточно простой дата-грамотности.
Мы уже упоминали о профессиях сотрудников, которые нужны для предиктивного анализа: специалисты по обработке данных и количественному анализу, специалисты по статистики и т. д. Даже дата-аналитики могут применять предиктивный анализ. Кроме того, в мире дата-грамотности есть место не только технарям: любой, кто способен говорить на языке данных, может пользоваться и предсказательными методами. Таким образом, сотрудники, имеющие дело преимущественно с дескриптивным и диагностическим анализом, при наличии модели, анализа и других составляющих могут принимать участие и в работе с прогнозами – пытаясь разобраться в них и присоединяясь к обсуждениям.
Уровень 4: прескриптивные (предписывающие) аналитические методы
Итак, мы добрались до последнего уровня – прескриптивной аналитики. У этого термина есть разные определения и интерпретации. Здесь мы будем говорить о технологиях, определяющих, что именно нужно делать на основании данных и дата-аналитики, и о бизнес-решениях, которые следует принять. Таким образом, данные или технологии предписывают нам (или советуют), как поступить. Это достаточно продвинутый уровень аналитики, но для него далеко не всегда требуется много сотрудников: необходимы лишь те, кто действительно способен интерпретировать и использовать информацию для принятия более взвешенных и обоснованных решений.
Рассматривать мир прескриптивных методов следует как способ дополнить человеческие возможности. Технологии, используемые на этом уровне, позволяют просеивать огромные объемы данных, что ускоряет процесс анализа и исключает возможность человеческих ошибок. Однако затем нужно правильно интерпретировать данные, предоставленные программой. Предписывающие методы помогают получить достоверные результаты анализа, но принятие на их основе правильных решений – задача человека.
Какие существуют технологии прескриптивного анализа? Есть много компьютерных программ и сервисов – от более простых и понятных Domo и Alteryx до таких продвинутых, как SAS или SAP Predictive Analytics. Эти инструменты способны стать прекрасным подспорьем в прескриптивном анализе, но, если у вас нет сотрудников, которые умеют интерпретировать результаты работы программ и принимать решения самостоятельно, вложения в ПО могут оказаться бессмысленными.
Примеры использования четырех уровней аналитических методов в реальной жизни
Разбор реальных примеров использования всех четырех уровней аналитики поможет нам и укрепить фундамент, и обрисовать более широкую картину. Каждый из уровней опирается на предыдущий, и сейчас мы изучим, как они взаимодействуют. Кроме того, примеры помогут нам понять, как распределяются роли сотрудников в системе анализа.
Каждый из этих примеров можно связать с другими. Описательная аналитика – это привычная часть мира бизнеса, все мы с ней регулярно сталкиваемся:
● сводки ежемесячных прибылей, представляемые руководителю отдела продаж;
● ежеквартальные маркетинговые отчеты о коэффициенте кликабельности;
● ежеквартальные отчеты по индексу потребительской лояльности.
Кто из сотрудников участвует в дескриптивном анализе? Все! Топ-менеджеры рассматривают отчеты, бизнес-аналитики и дата-аналитики их составляют, специалисты по обработке данных используют свои методы, конечные пользователи читают и интерпретируют сводки и т. д. У каждого своя функция.