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.
● При работе с индексом потребительской лояльности главным аспектом становится не анализ данных, а сами действия по улучшению обслуживания клиентов. Руководители работают с командой дата-аналитиков, чтобы при помощи компьютера найти нужные закономерности и предсказать, что нужно сделать для достижения успеха. Это может быть лишний телефонный звонок или небольшое увеличение бонусов для клиентов – зависит от ситуации. Это позволит компании тестировать варианты и еще успешнее работать с клиентами.
Кто участвует в директивном анализе? Вы и сами знаете ответ: все! Здесь, как и на предсказательном уровне, большую роль играют технические специалисты, но для дела нужен каждый сотрудник – лишь бы он умел задавать правильные вопросы машине, а затем применять результаты ее работы.
Краткое содержание главы
Когда мы смотрим на четыре уровня аналитических методов, нам хочется понять, что лежит в основе каждого из них. Нужно разобраться, как устроена аналитическая мозаика и кто окажется в проигрыше, если ее не удастся собрать правильно. Чтобы организация могла добиться успеха в работе с данными и дата-аналитикой, мозаика должна сложиться.
Но мы не можем собирать ее так, как делают маленькие дети, – просто выхватывая кусочки из общей кучи в надежде, что они сложатся сами собой. Необходимы вложения в каждый уровень – как в сотрудников с их способностями и навыками, так и в технологии и ПО.
Дескриптивные методы рассказывают о том, что уже произошло, диагностические – находят причину случившегося, предиктивные – предсказывают будущее, а прескриптивные – позволяют компьютерам подсказывать, что нужно сделать. Разобравшись во всех четырех уровнях, организация может успешно развивать стратегию работы с данными. Если вы уже разобрались, что к чему, готовы ли вы познакомиться с определением термина «дата-грамотность»? Тогда переходим к следующей главе.
03
Определение дата-грамотности
Теперь, когда мы поняли, что наш мир захватили данные, и разобрались в четырех уровнях их анализа, может быть, стоит наконец-то дать определение дата-грамотности? Конечно, давайте попробуем.
Для начала нужно исключить то, чем дата-грамотность не является. Я знаю, о чем вы думаете: ну вот, нужно возвращаться за парту, изучать всякие технические аспекты, статистику и т. д. Но это не так. Дата-грамотность – это не теория анализа и обработки данных. Не всем нужно быть специалистами по data science, но всем нужна дата-грамотность.
Эксперты по обработке данных обладают продвинутыми техническими навыками. Они умеют программировать, хорошо разбираются в статистике и тому подобных вещах. Data science в чистом виде – это применение к данным научного метода. Хотите во все это ввязаться? Вряд ли многие хотят. Но это и не нужно всем и каждому – зато каждый должен уметь изучать данные и использовать их с выгодой для себя. Это не просто помогает нам успешно бороться с конкурентами и строить карьеру, но и дает практические навыки, которые пригодятся в жизни.
Итак, мы вывели за скобки научные методы обработки данных – а теперь давайте вернемся к определению дата-грамотности. Их существует немало, но мы остановимся на наиболее полном определении, которое используется в Университете Эмерсона и Массачусетском технологическом институте.
Итак, дата-грамотность – это способность читать данные, работать с ними, анализировать их и использовать как аргумент[18].
Мне нравится это определение, но для ясности хотелось бы расширить и несколько видоизменить формулировку «использовать как аргумент». Понятно, что в данном случае она означает «подкреплять свою точку зрения данными», но не слишком ли это узко? Не нужен ли дополнительный смысл? Мне бы хотелось расширить определение.
Дата-грамотность – это способность читать данные, работать с ними, анализировать их и общаться на языке данных.
Дело в том, что «общение на языке данных» вовсе не обязательно подразумевает именно споры и дискуссии. Способность к такому общению – это не просто способность подкрепить свою точку зрения данными, хотя и это тоже важно. Способность подкрепить свое профессиональное «чутье» данными повышает ценность сотрудника для компании. Но есть и еще один аспект коммуникации – рассказывать с помощью данных некие «истории», привнося в анализ и статистические выкладки контекст и практическую применимость.
Итак, у нас есть определение, и мы готовы отправиться в путь по стране дата-грамотности, чтобы достичь успеха в экономике будущего. И что, на этом все? Можно заканчивать книгу? Если бы все было так просто! Нам еще многое предстоит рассмотреть, чтобы расширить, конкретизировать и углубить наши знания о дата-грамотности. А для этого давайте попробуем разобраться с отдельными элементами (составляющими) дата-грамотности, основываясь на нашем определении. Воспользуемся примерами четырех элементов, четырех составляющих дата-грамотности, чтобы понять, где именно в реальном мире нам нужны те или иные навыки.
18
Knight, M. (2019). The Importance of Data Literacy, Dataversity.net, 12 March. https://www.dataversity.net/the-importance-of-data-literacy.