Как вытащить из данных максимум. Навыки аналитики для неспециалистов

В главе 7 мы рассмотрели способы, при помощи которых руководители организаций могут организовать эффективное обучение дата-грамотности. Но речь шла именно об обучении на уровне организации! Любая организация состоит из отдельных людей – и не просто людей, а личностей, с разными качествами и навыками. Очень часто мне задают вопрос, как начать личное, самостоятельное путешествие в мир дата-грамотности. Если руководство стремится построить действительно успешную организационную стратегию, ни в коем случае нельзя забывать об отдельных людях. И это приводит к новым вопросам: что они должны изучать? Нужна ли им, к примеру, статистика?

Простой и короткий ответ: нет, вы не должны быть специалистом по обработке данных или статистике, мы уже об этом говорили. Правильное обучение означает, что человек, совершающий свое личное путешествие в мир дата-грамотности, должен быть эффективно занят. Прежде чем погружаться в процесс обучения, нужно познакомиться с тремя аспектами дата-грамотности – ее тремя «С».

Три «С» дата-грамотности – это Curiosity (любопытство), Creativity (креативность, творческий подход) и Critical thinking (критическое мышление). Мы рассмотрим их в двух перспективах: с точки зрения элементов дата-грамотности (чтение данных, работа с ними, анализ и общение на языке данных) и с точки зрения аналитики (четыре уровня аналитических методов). Мы покажем, как все это применяется в работе с данными и результатами их анализа, а затем вы сами сможете применять полученные знания и на работе, и (что не менее важно) в быту. Три «С» должны стать неотъемлемой частью вашей повседневной жизни.

Curiosity – любопытство

Первая «С» дата-грамотности – это любопытство. Обычно говорят, что любопытство кошку сгубило, а я говорю – любопытство породило дата-грамотность. Что приходит в голову, когда мы думаем о любопытстве? Я, как отец, в первую очередь вспоминаю о детях. Их любопытство просто безудержно. Они постоянно задают вопросы обо всем на свете. Зачем это им? Они пытаются понять окружающий мир, изучают его. Вырастая, мы теряем любопытство, и это самая настоящая беда. Представьте, что вы сидите за рабочим столом и изучаете данные: часто ли они вызывают у вас любопытство? Увы, мы почти разучились задавать вопросы. Мы видим перед собой данные, усваиваем их и движемся дальше. А если подключить любопытство? Оно открывает множество дверей в мир данных и аналитики.

Согласно определению, любопытство – это «стремление узнать больше о чем-либо»[41].

Это определение сложнее, чем кажется. Давайте начнем с рассмотрения любопытства в свете определения дата-грамотности.

В рамках четырех элементов дата-грамотности «способность читать данные» и «любопытство» связаны, так сказать, родственными узами. Читая данные, то есть изучая их и понимая, что именно они содержат, мы должны испытывать любопытство. А затем можно задавать вопросы, чтобы побольше узнать о представленных нам данных. После чего мы продолжаем чтение, и цикл запускается заново.

Хороший пример чтения данных с целью «побольше узнать» – топ-менеджер, уверенный в своей дата-грамотности. Когда ему приносят отчет или сводку KPI, он читает данные, его любопытство возрастает, и он начинает задавать вопросы сотруднику, который представил данные, – чтобы получить новые или уточнить имеющиеся. Это должно стать нормой не только на уровне топ-менеджмента, но и на всех уровнях организации.

Любопытство ведет нас от чтения данных к работе с данными. Прочитав информацию и поняв ее, мы начинаем работать с данными, чтобы найти еще больше информации и получить некие полезные результаты. А затем – новый цикл. Чтобы наглядно продемонстрировать, как связаны работа с данными и любопытство, вспомним про визуализации. Например, когда мы строим сводки или панели мониторинга, то в зависимости от используемого ПО (Qlik или Tableau) можем использовать различные фильтры, раскрывающиеся списки или вкладки, чтобы продолжать работу с данными. Любопытство позволяет нам взглянуть на таблицу и задуматься о том, что еще она может содержать. Пример такой сводки приведен на рис. 8.1.

Эта таблица – мои тренировки для конкретного забега, 160-километрового ультрамарафона в Лидвилле (штат Колорадо), через сердце Скалистых гор. Любопытство заставляет нас заинтересоваться: почему одни столбики на диаграмме расстояний больше, чем другие? Что означает разница в цвете для разных тренеров? Я люблю одних больше, чем других, или одни тренировки оказались более эффективными, чем другие? Возникает бесконечная череда вопросов. Любопытство подсказывает, что нужно разбить общую визуализацию на части, отфильтровать данные и получить ответы на вопросы – или во всяком случае хотя бы запустить процесс и составить список новых вопросов.