Всего за 499 руб. Купить полную версию
Давайте начнем разбираться с третьим уровнем аналитики, как обычно, с определения что такое «предсказание» (или «прогноз»).
Итак, спрогнозировать (или предсказать) это «заявить или предположить, что некое событие произойдет в будущем само по себе или как следствие чего-либо».
Мне очень нравится это определение. Давайте переварим его первую часть. Мы утверждаем или допускаем, что некое событие случится в будущем с некоей вероятностью. А теперь отдельно сосредоточимся на второй части определения особенно с точки зрения организаций, которые стремятся с выгодой использовать дата-аналитику. Вторая часть определения гласит: «или как следствие чего-либо». Насколько часто мы, занимаясь бизнесом, пытаемся что-то сделать в надежде, что это даст желаемый результат? Постоянно. «Если мы сделаем А, произойдет Б». К несчастью, как нам всем прекрасно известно, Б происходит не всегда. Если мы возьмем на вооружение всю мощь данных и дата-аналитики, возможно, следствия будут чаще совпадать с прогнозами.
Мне очень нравится это определение. Давайте переварим его первую часть. Мы утверждаем или допускаем, что некое событие случится в будущем с некоей вероятностью. А теперь отдельно сосредоточимся на второй части определения особенно с точки зрения организаций, которые стремятся с выгодой использовать дата-аналитику. Вторая часть определения гласит: «или как следствие чего-либо». Насколько часто мы, занимаясь бизнесом, пытаемся что-то сделать в надежде, что это даст желаемый результат? Постоянно. «Если мы сделаем А, произойдет Б». К несчастью, как нам всем прекрасно известно, Б происходит не всегда. Если мы возьмем на вооружение всю мощь данных и дата-аналитики, возможно, следствия будут чаще совпадать с прогнозами.
Предсказательные методы анализа одна из самых популярных форм аналитики в сегодняшнем мире, практически синоним компьютерной обработки данных и стратегии работы с ними. Почему? Давайте попробуем разобраться. Знакомы ли вам эти понятия: «обработка данных», «статистика», «машинное обучение», «алгоритм», «большие данные» и т. д.? Именно эти понятия и составляют третий уровня аналитики (и часть четвертого). Привычность этих терминов породила проблему, связанную с ростом инвестиций в данные и аналитику.
С появлением и распространением этих понятий люди и организации стали слишком полагаться на силу этих инструментов и навыков: как будто нам предстоит большая игра и наличие нужных составляющих решает все. Не поймите меня неправильно, возможности предсказательных методов действительно огромны, но, если у ваших сотрудников плохо с дата-грамотностью, им будет сложно пользоваться всеми преимуществами предиктивного анализа. Давайте убедимся в этом на примере.
Представьте, что вы специалист по статистике, построивший сильную прогностическую модель календарного графика покупок на предстоящий сезон отпусков. Вы использовали корректные данные (которые иногда бывает сложно добыть), что помогло в принятии правильного решения. Затем на основании модели вы создали презентацию и начали показывать ее коллегам. К сожалению, при обсуждении результатов вашего анализа обнаруживается, что люди смотрят на вас пустыми глазами. Вы все сильнее расстраиваетесь мало кто способен понять ваш посыл. Поэтому вы задумываетесь, в чем проблема. А проблема совершенно точно не в ваших методах, модели или технологии проблема в культуре работы с данными, принятой в организации, и в отсутствии у ваших коллег дата-грамотности.
Вкладывая массу средств в сотрудников, занятых предиктивной аналитикой, обработку данных и технологии, организации не получают выгоду от этих инвестиций. Если сотрудники не способны как следует использовать данные и дата-аналитику, потенциальная польза предиктивного моделирования и методов анализа стремится к нулю. Но если сотрудники обладают нужными навыками, предсказательная аналитика может принести большую пользу.
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.