Как вытащить из данных максимум. Навыки аналитики для неспециалистов

Оба эти примера описательной аналитики легко прочитать благодаря понятному построению визуализации. Как мы помним, чтение данных – это способность воспринимать и понимать то, что мы видим (слышим, ощущаем…). Это может быть визуализация, ежегодный отчет, презентация в PowerPoint и т. д. Следует стремиться к тому, чтобы люди, совершенствуя дата-грамотность, учились читать представленные им результаты дескриптивной аналитики.

Обратите внимание: мы в этой книге не рассматриваем миллион способов, как сделать плохую визуализацию или написать плохой отчет: о том, чего нужно избегать в своей работе, прекрасно пишут другие авторы – например, Б. Джонс в книге «Как избежать ловушек в данных» (Avoiding Data Pitfalls) или С. Векслер, Дж. Шеффер и Э. Котгрейв в «Большой книге об информационных панелях» (Big Book of Dashboards), которую я уже упоминал. А наша цель – просто помочь вам осознать важность чтения результатов описательной аналитики.

Второй элемент дата-грамотности – это, конечно же, работа с данными. Мы уже знаем, что дескриптивный анализ и работа с данными идут рука об руку, особенно если работа с данными подразумевает визуализацию, – но есть и другие, менее очевидные способы работы с данными. Вы когда-нибудь смотрели на показатели бюджета или прибыли, держа в руках месячный или годовой отчет? Видели на экране компьютера сведения о показателе кликабельности в рамках маркетинговой кампании? Изучали презентацию PowerPoint с графиками и диаграммами? Все это – варианты работы с данными на уровне описательной аналитики.

Сотрудники, занимающие в организации разные должности, работают с данными по-разному: в коллективе множество ролей, положений и обязанностей. Для кого-то работа с данными может ограничиваться созданием презентаций или изучением сводок и отчетов. Для кого-то применение описательных методов и получение результатов – основная рабочая обязанность. А еще кто-то должен указывать другим, какие именно методы нужны бизнесу (этот случай соприкасается с общением на языке данных, поскольку именно его задача – доносить до других, что именно нужно извлечь из имеющихся данных).

Итак, работа с данными на уровне описательной аналитики может принимать самые разные формы. Для каждого сотрудника в организации должны быть созданы комфортные условия совершенствования его навыков дата-грамотности – и, в частности, умения работать с данными.

Третий элемент дата-грамотности – анализ данных. На уровне описательных методов все очень просто: анализ означает наблюдение за значениями, тенденциями и тем, что происходит с данными перед вами. Например, сможете ли вы сказать, взглянув на графики (см. рис. 6.3), каковы тенденции в изменении численности популяций волков, львов и акул? Очевидно, что дикая популяция волков растет, а львов, напротив, уменьшается. А акулы? Мы видим, что на протяжении ряда лет их численность меняется незначительно и в целом остается практически неизменной.

Мы провели наблюдения и проанализировали данные. Но это лишь наблюдения – мы не размышляем, почему графики выглядят именно так, а не иначе. Мы просто констатировали факт. (К этому вопросу – «почему?» – мы, конечно же, вернемся, когда будем говорить о дата-грамотности и диагностическом анализе.)

И наконец, последний элемент дата-грамотности – общение на языке данных. Казалось бы, в этой составляющей нет ничего сложного, но порой общение на языке данных оказывается не такой простой задачей, а свободное владение данными затруднено (но, конечно, нам очень хотелось бы, чтобы это происходило пореже). Поэтому на уровне дескриптивной аналитики следует стремиться к тому, чтобы общение было простым, понятным и эффективным. Например, возвращаясь к рис. 6.3, мы можем сказать следующее: «Наши наблюдения показывают, что с 1990 по 1997 год численность волков в дикой природе росла, а численность львов – снижалась. Численность популяции акул колебалась вокруг среднего значения». Мы должны внимательно следить, чтобы нашим собеседникам или слушателям не показалось, будто мы говорим, почему происходит то, что происходит, – то есть строго ограничиваться наблюдениями.

При общении на уровне дескриптивного анализа не нужны красивые речи или сложные, запутанные идеи. Говорить следует просто и по существу. Как уже упоминалось в предыдущей главе, необходимо создать общий словарь данных и делиться с другими важными результатами описательного анализа, при этом используя понятный для всех язык.

Итак, можно сказать, что дескриптивный анализ – одна из самых прямолинейных вещей в мире дата-грамотности. Дата-грамотность помогает делать на этом уровне очень многое, и организации должны обеспечивать своим сотрудникам возможность совершенствовать навыки, чтобы дескриптивная аналитика была успешной и эффективной.

Дата-грамотность и диагностический анализ