Содержание урока по Qlik Sense

Что такое DATA-DRIVEN для бизнес-аналитика?

Когда компания использует в своей деятельности подход «управление на основе данных» (data driven), то это означает, что она принимает стратегические, тактические и операционные решения, основанные на анализе и интерпретации данных.

Data-driven подход — это способ управления, основанный на интеграции данных в основные бизнес-процессы.

Подход “Управление на основе данных” позволяет компаниям изучать и систематизировать свои данные с целью лучшего обслуживания своих клиентов и потребителей. Используя данные для управления своими действиями, организация может контекстуализировать и/или персонализировать свои сообщения для текущих и потенциальных клиентов, тем самым повысив уровень клиентоориентированности.

Что означает быть “управляемыми данными”? Термин “Data-Driven” описывает процесс принятия решений, который включает сбор данных, извлечение шаблонов и фактов из этих данных и использование этих фактов, чтобы сделать выводы, которые влияют на принятие решений.

Принятие решений на основе данных (Data Driven Decision Making или DDDM) – это процесс принятия организационных решений на основе фактических данных, а не только на основе интуиции или наблюдения.

Сегодня каждая отрасль стремится быть управляемой данными. Ни одна компания, группа компаний или организация не говорят: «Давайте не будем использовать данные; одна наша интуиция приведет к принятию надежных решений». Большинство профессионалов понимают, что – без данных – предвзятость и ложные предположения (среди прочих вопросов) могут затуманивать суждения и приводить к неправильному принятию решений.

Менеджмент data-driven — это культура принятия стратегических решений на основе данных с интеграцией аналитических отчетов в ключевые бизнес-процессы компании.

Менеджмент, основанный на данных, выполняет несколько важных функций:

  1. Максимизация эффективности вложений в бизнес. Микросегментация, управление количеством касаний, привлечение новой аудитории с учетом изменения пользовательского опыта и многое другое повышают эффективность вложений начиная от логистики и заканчивая кадровой политикой.
  2. Сокращение маркетинговых издержек. Рекламные кампании поддаются анализу вплоть до оценки эффективности конкретного рекламного объявления с учетом LTV привлеченных пользователей.
  3. Максимальная клиентоориентированность. Детальный анализ целевой аудитории, персональная коммуникация с клиентом, мониторинг отзывов, оценки удовлетворенности клиентов, проведение опросов, –– все это извлекается из данных.
  4. Оперативная реакция на изменения рынка. Отслеживание данных в режиме реального времени уже никого не удивляет, а грамотно настроенный мониторинг позволяет принимать решения молниеносно.
  5. Максимизация прибыли за счет всего вышеперечисленного.

Чем data-driven отличается от data-informed

  • В data-informed модели данные не дают конкретных ответов, они лишь помогают найти подтверждение своей позиции или сформулировать гипотезу для дальнейшего развития. Это может быть полезным, когда необходимо подобрать весомые аргументы в пользу выбранной стратегии, проиллюстрировать доклад или убедить в правильности решения команду и руководство.
  • Data-driven подход работает с точными запросами: какой дизайн лучше воспринимается, когда стоит запустить новый продукт, как добавление новых атрибутов повлияет на продажи? Большие данные, тестирование и аналитика помогают собрать воедино информацию о пути пользователя по всем каналам, а также проверить еще не принятые решения и убедиться в том, что они не окажут негативного влияния на бизнес. Внедрить data-driven сложнее. Для верной интерпретации данных нужны специалисты со знанием статистики. Еще одна отличительная черта подхода — «одноразовость» данных: для ответа на новый вопрос нужно каждый раз проводить новое исследование.

Data-Driven в разных областях управления

  • Data Driven Management — управление бизнесом на основе объективных, фактических данных.
  • Data Driven Design — проектирование продуктов на основе данных, полученных с помощью тестов, исследований, проверки гипотез.
  • Data Driven Marketing — стратегия реализации маркетинга, построенная на основе анализа данных, собранных в ходе взаимодействия с потребителями.

Эволюция компании на пути к Data-Driven

Компании с самого начала не создаются, как организации управляемые на основе данных/ориентированные на данные. Для большинства компаний это эволюция их культуры и стратегии, трансформация, которая может занять годы.

Чтобы стать компанией, управляемой на основе данных, нужно пройти пять этапов:

Data-Resistant – Сопротивление данным

Мантра компании, работающей с данными, гласит: «Мы всегда так делали» – болезненный рефрен для любого руководителя, настроенного на прогресс. Организации, как правило, начинают защищаться от данных по ряду причин:

  • Данные могут обнаружить скрытые проблемы с производительностью
  • Данные могут выделить индивидуальные вклады (сотрудников/отделов), что выливается в политические противостояния
  • Данные могут подорвать бренд
  • Данные могут показать, что у организации неверная стратегия

Переход от сопротивления данным обычно является предпринимательским усилием изнутри; кто-то, кому нужна производительность для улучшения в своей области, начинает использовать данные без организационных полномочий.

Data-Curious – Любопытность к данным

Компания, интересующаяся данными, знает о существовании данных в ее стенах и понимает, что данные имеют неявную ценность, даже если это значение не было открыто. Компании, интересующиеся данными, концентрируются на сборе данных и часто осведомлены о потенциальной ценности данных через поставщиков данных и/или системы:

  • Веб-аналитика
  • Аналитика социальных сетей
  • CRM / автоматизация продаж
  • ERP системы
  • Финансовое планирование и учет

Что в данных? Какие богатства это может содержать? Переход от любопытства к данным происходит от желания раскрыть ценность данных, собранных компанией.

Data-Aware – Осведомленность о данных

Компания, работающая с данными, работает над извлечением любых знаний из данных. Компании, работающие с данными, фокусируются на анализе того, что произошло с данными. Что говорят данные? Что произошло? Этот этап в развитии компании – то, что иногда называется парадом инструментов; По мере того, как компании изучают свои данные, появляется пара инструментов и поставщиков, таких как:

  • Хранилище данных
  • Анализ данных
  • ETL (извлечение, преобразование и загрузка данных)
  • Облачные вычисления и вычисления по-требованию (On-Demand)

Компания, учитывающая данные, раскрывает тактическую ценность своих данных: «давайте не будем делать это снова» и «давайте делать больше». Он использует выводы из своих данных в производстве. Многие компании застряли в стадии осведомленности о данных на годы – тактических побед достаточно, чтобы удовлетворить заинтересованные стороны, а отдача от инвестиций при переходе к следующему этапу, похоже, не оправдывает затраты в течение некоторого времени.

Переход к пониманию данных обычно происходит после того, как парад поставщиков и инструментов стареет: «На что мы тратим все эти деньги?» – вот вопрос, который мы услышим в организации, готовой перейти к следующему этапу.

Data-Savvy – Понимание данных

Компания, разбирающаяся в данных, понимает, что ценность данных не просто тактическая; данные могут быть стратегическим активом. Чтобы развить эту стратегическую ценность, компания, ориентированная на данные, продолжает инвестировать в «что», но затем переключает свое внимание на «почему», на развитие идей.

  • Почему продажи упали в прошлом квартале?
  • Почему потребители покупают меньше нашего продукта?
  • Почему лидогенерация резко выросла на четвертой неделе месяца?
  • Почему X работает, а Y – нет?

Компания, разбирающаяся в данных, развивает идеи/инсайты; по определению, инсайт означает смотреть в себя. Никакое количество инструментов или поставщиков не заменит внутреннего исследования наших данных и аналитических методов. 

Переход к организации, основанной на данных, происходит после того, как мы выработали конкретные представления о том, что произошло и почему. Как только мы передадим эти идеи нашим заинтересованным сторонам, их первый вопрос должен быть: “Хорошо, так что же вы собираетесь с этим делать?”. Это является триггером для того, чтобы стать управляемыми данными.

Data-Driven – Управляемый на основе данных

Управляемая данными компания объединяет данные, анализ и понимание, чтобы ответить на вопрос «что дальше?». Благодаря использованию данных на каждом уровне, в каждой части организации, управляемая данными компания принимает данные в качестве стратегического ресурса. Мы часто слышим такие вещи в организации, управляемой данными:

  • Основываясь на данных, мы должны увеличить инвестиции в X в следующем квартале на 23%.
  • Наш анализ того, почему наш электронный маркетинг не удался, показывает, что наша кампания не была ориентирована на мобильные устройства; все будущие кампании будут отзывчивыми в дизайне.
  • На вопрос, наши клиенты сказали нам, что они ненавидят наш неоново-оранжевый цвет продукта благодаря тестированию и опросам приглушенный золотой цвет окажется более удобным для клиентов.

Решения, принимаемые организациями, ориентированными на данные, инкапсулируют данные, что произошло, почему и что будет дальше, в четкие, краткие заявления, которые указывают на следующее действие, которое необходимо предпринять. Данные – это стратегический актив, который лежит в основе каждого важного решения. В организации, действительно управляемой данными, каждое совещание по планированию начинается с данных и никакое решение не выполняется без сбора и измерения результатов принимаемого решения.

Стать компанией, управляемой данными (Data-Driven)

Эволюция компании в организацию, основанную на данных, начинается с предпринимательских усилий, но в конце этого процесса требуется принятие во всей организации. Без бай-ина (buy-in) на каждом уровне организация не сможет стать по-настоящему управляемой данными.

Тем не менее, даже если вся компания не становится управляемой данными, Вы, как отдельный заинтересованный участник, можете использовать практики управления на основе данных для улучшения той части организации, которую Вы контролируете. Эти пять этапов – не только организационные различия; они также являются картой вашей карьеры, когда вы становитесь data-driven профессионалом.

Помимо ценности использования самих данных, этот путь к управлению данными является важной основой для компаний, которые стремятся использовать науку о данных, машинное обучение и искусственный интеллект. Ни одна компания не может добиться успеха в искусственном интеллекте, если она уже не управляется данными.

Как принимать решения на основе данных

Чтобы эффективно использовать данные, профессионалы должны достичь следующего:

Знай свою миссию

Всесторонний аналитик данных хорошо знает бизнес и обладает острой организационной хваткой. Спросите себя, какие проблемы существуют в вашей отрасли и на конкурентном рынке. Определите и поймите их полностью. Приобретение этих основополагающих знаний поможет вам сделать более точные выводы в будущем.

Прежде чем вы начнете собирать данные, вы должны начать с определения бизнес-вопросов, на которые вы хотите ответить для достижения своих организационных целей. Определив точные вопросы, которые вам необходимо знать для обоснования своей стратегии, вы сможете упростить процесс сбора данных и избежать напрасной траты ресурсов.

Определите источники данных

Соберите источники, из которых вы будете извлекать свои данные. Вы можете координировать информацию из разных баз данных, веб-форм обратной связи и даже из социальных сетей.

Координация ваших различных источников кажется простой, но поиск общих переменных в каждом наборе данных может представлять собой чрезвычайно сложную проблему. Может быть легко согласиться на непосредственную цель использования данных только для вашей текущей цели, но разумно определить, могут ли эти данные также использоваться для дополнительных проектов в будущем. Если это так, вы должны стремиться разработать стратегию представления данных таким образом, чтобы они были доступны и в других сценариях.

Очистить и систематизировать данные

Удивительно, но 80 процентов времени аналитика данных посвящено очистке и организации данных, и только 20 процентов тратится на выполнение анализа. Это так называемое «правило 80/20» иллюстрирует важность наличия чистой, упорядоченной информации, прежде чем вы сможете попытаться понять, что это может означать для вашей организации.

Термин «очистка данных» относится к процессу подготовки необработанных данных для анализа путем удаления или исправления неверных, неполных или неактуальных данных. Для этого начните с создания таблиц, чтобы упорядочить и каталогизировать то, что вы нашли. Создайте словарь данных – таблицу, которая каталогизирует каждую из ваших переменных и переводит их в то, что они значат для вас в контексте этого конкретного проекта. Эта информация может также включать тип данных и другие факторы обработки.

Выполнить статистический анализ

После тщательной очистки данных вы можете приступить к анализу информации с использованием статистических моделей. На этом этапе вы начнете создавать модели для проверки ваших данных и ответа на бизнес-вопросы, которые вы определили ранее. Тестирование различных моделей, таких как линейные регрессии, деревья решений, моделирование случайных лесов и другие, может помочь вам определить, какой метод лучше всего подходит для вашего набора данных.

Здесь вам также необходимо решить, как представить информацию, чтобы ответить на поставленный вопрос. Есть три способа продемонстрировать свои выводы:

  • Описательная информация : только факты.
  • Инференциальная информация : факты плюс толкование того, что эти факты указывают в контексте конкретного проекта.
  • Предсказательная информация : вывод, основанный на фактах и ​​советах для дальнейших действий, основанных на ваших аргументах.

Уточнение того, как информация будет представлена ​​наиболее эффективно, поможет вам оставаться организованным, когда придет время для интерпретации данных.

Сделайте выводы

Последний шаг в принятии решений на основе данных подходит к концу. Спросите себя: «Какую новую информацию вы узнали из сбора статистики?» Несмотря на необходимость открыть что-то совершенно новое, для начала стоит задать себе вопросы, на которые вы уже знаете – или думаете, что знаете – ответ.

Многие компании часто делают предположения о своей продукции или рынке. Например, они могут поверить: «Рынок для этого продукта существует» или «Это то, чего хотят наши клиенты». Но прежде чем искать новую информацию, сначала проверьте существующие предположения. Доказательство этих предположений даст вам основание для работы. Кроме того, опровержение этих предположений позволит вам устранить любые ложные утверждения, которые, возможно, по незнанию, негативно влияют на вашу компанию. Имейте в виду, что исключительное решение, основанное на данных, обычно вызывает больше вопросов, чем ответов.

Выводы, сделанные из вашего анализа, в конечном итоге помогут вашей организации принимать более обоснованные решения и продвигать стратегию вперед. Важно помнить, однако, что эти результаты могут быть практически бесполезными, если они не представлены эффективно. Таким образом, аналитики данных должны стать опытными в искусстве повествования историй данных, чтобы максимально эффективно сообщать свои выводы ключевым заинтересованным сторонам.

Решения на основе данных и организационный успех

Кстати, большинство шагов, перечисленных выше, не генерируют статистику. Большинство из этих шагов по эффективному использованию данных вместо этого побуждают начинающих аналитиков данных становиться более разносторонними в своей роли. Этот процесс помогает профессионалам обрести способность не только анализировать, но и понимать данные с точки зрения целостности, а также получать информацию на основе этих данных.

Джоэл Шварц , не являющийся преподавателем Northeastern, добавляет, что стоит спросить: «Кто не использует принятие решений на основе данных в моей отрасли?» потому что самые успешные компании почти всегда. Он продолжает:

Рассмотрим Netflix, например. Компания начинала как почтовый DVD-совместный бизнес и, основываясь на решении, основанном на данных, переросла в потоковую передачу через Интернет, став сегодня одной из самых успешных компаний. Без данных у Netflix не было бы оснований для принятия столь масштабного и действенного решения. Более того, без этого решения компания не процветала бы такими темпами или в том же направлении.

Amazon является еще одним ярким примером. То, что начиналось как книжный онлайн-магазин, превратилось в огромный онлайн-центр практически для любого продукта, который может понадобиться человеку. Что заставило их принять такие колоссальные решения? Данные. Неудивительно, что такие серьезные (и успешные) шаги по ребрендингу были сделаны на основе сбора данных и сделанных в результате выводов.

Без подхода, основанного на данных, к принятию решений, Netflix по-прежнему отправлял бы вам по почте устаревший режим содержания фильмов, а Amazon был бы простым онлайн-книжным магазином. Суть в том, что этот подход, основанный на данных, выводит из строя все остальные методы. Мир становится управляемым данными, и не принимать решения, основанные на данных, было бы глупо.

Освоение принятия решений на основе данных

Принятие решений на основе данных – это важный процесс, который должен понять любой профессионал, и он особенно ценен для тех, кто выполняет функции, ориентированные на данные. Для начинающих аналитиков данных, которые хотят принимать более активное участие в процессе принятия решений в своей организации, важно ознакомиться с тем, что значит быть управляемым данными.

Если вы хотите сделать следующий шаг в своей карьере аналитика данных, подумайте о том, чтобы получить ученую степень, например степень магистра профессиональных исследований Северо-Восточного университета в области аналитики . Эта программа готовит студентов к конкурентному рынку труда, предоставляя им необходимые навыки анализа данных, необходимые для извлечения, разработки и предоставления информации для принятия стратегических решений в организациях.

Руководство на основе данных

В компании, где реализуются принципы управления на основе данных, должна быть сильная вертикаль власти, поддерживающая эти принципы. Руководство должно стимулировать и продвигать соответствующую корпоративную культуру и активно поддерживать все аспекты аналитической цепочки ценности — от сбора данных до принятия решения на их основе и обучения. Руководство должно продвигать методы работы на основе данных.

Руководитель, реализующий принципы управления на основе данных,ориентируется на несколько групп.

  • Во-первых, он должен поддерживать специалистов аналитического отдела. Руководителю следует обеспечить им инструменты и обучение в случае необходимости. Руководитель определяет организационную структуру, меняя ее соответствующим образом по мере роста и развития компании. Кроме того, он должен показать четкуюкарьерную лестницу и стимулы для специалистов аналитического отдела, чтобы повысить их продуктивность и личную удовлетворенность.
  • Во-вторых, руководитель должен добиться, чтобы его поддерживали все остальные сотрудники, особенно когда речь идет о коммерческом предприятии. Он должен быть уверен в правильности выбранного им подхода на основе данных. Чтобы заручиться этой поддержкой, руководитель должен демонстрировать результаты, пусть сначала даже небольшие. Благодаря этому у руководителя повысятся шансы на продвижение корпоративной культуры на основе данных, которую будут поддерживать все подразделения компании.
  • Наконец, руководителя должны поддерживать остальные топ-менеджеры компании. Они отвечают за бюджеты на развитие нужной ИТ-инфра структуры и обучение, а также играют основную роль в стимулировании корпоративной культуры на основе данных в своих подразделениях.

7 Шагов data-driven decision culture

В 2007 году, во время своего выступления в Google Conversion University, Авинаш Кошик выделил семь ключевых шагов, которые позволяют трансформировать культуру работы организации и перейти к дата-центрированной организации. И сейчас они не потеряли своей актуальности, поэтому я и привел их в этой книге как одну из основ построения новой формы культуры работы с данными.

Вот так называемые Cultural Hacks или Лайфхаки.

Всегда переходите к Результатам – Go to the Outcomes

Основа коллаборации между людьми с использованием данных лежит, прежде всего, в понимании того, что важно для каждого из участников: от чего зависят их бонусы или выплаты, на что обращают внимание люди, которые принимают решения. Для этого нужно понимать, какими объектами оперирует компания, и это понимание перенести на уровень данных. Традиционная ошибка – начать собирать все данные компании, считать все возможные из них метрики и отправлять всем заинтересованным людям отчеты с этими показателями.

Отчетность – это еще не Аналитика – Reporting is not Analysis

Большая часть отчетности, участвующая в подготовке, проверке или анализе, никак не связана с теми мотиваторами, от которых зависит завтрашний день каждого участника процесса, принимающего решение. В основном, ключевой ошибкой всегда и везде была простая демонстрация данных, в надежде, что решение с использованием этих данных найдет себя само.

На самом деле, в основе бизнеса лежат традиционные бизнес-вопросы.

Рассмотрим несколько примеров? Ведь это звучит это очень абстрактно.

Пусть у нас есть небольшая организация, где помимо прочих департаментов, есть целый отдел клиентского сервиса. Пусть вы являетесь топ-менеджером, уверен однажды это будет именно так.

Так вот, я утверждаю, что вы как руководитель будете регулярно озабочены необходимостью постоянно задавать весьма конкретные и повторяющиеся вопросы о том, как обстоят дела с уровнем клиентского сервиса (успевает ли организация обслуживать своих клиентов вовремя и так далее).

Ответы на них будут лучше, чем просто отчетность, которая отвечает не на конкретный вопрос, а на открытый.

Все подобные вопросы можно выписать, структурировать и передать алгоритмам, чтобы они уже отвечали.

Деперсонифицировать принимаемые решения – Depersonalise Decisions making

Переход к фокусировке на тех данных, которые действительно нужны организации, ведет к созданию новой формы культуры, где данным выделяют центральное место, а все решения – деперсонализированны, потому что важно не мнение людей в комнате, а данные на которых оно строится.

Нет смысла бороться с HYPPO, все решения должны быть деперсонифицированны, потому что они говорят не про мнения отдельно взятых людей, а про реальные тренды, бенчмаркинг, результаты работы клиентов или уровень их удовлетворенности. Будь-то электронная коммерция или реальное производство, данные покажут, что идет не в соответствии с ожиданиями, и это никак не связано с персональной оценкой.

А если HYPPO по стечению обстоятельств стал читатель этой книги, то для него важно помнить, что роль HYPPO – диверсифицировать мнение людей, допуская споры и несогласия. Своим присутствие HYPPO должен стимулировать принятие решений на основании данных.

Проактивный инсайт (прогноз) важнее реактивной аналитики – Proactive insights rather than reactive

В тот момент, когда вы получили данные и начали заниматься подготовкой инсайта, данные уже устарели. Поэтому вместо того, чтобы выполнять и готовить отчетность, людям нужно выполнить анализ, про который никто не спрашивал ранее. Такой анализ необходим ввиду того, что данные быстро устаревают, и ряд ключевых аспектов может быть не покрыт во время процесса принятия решения.

Расширить полномочия Аналитиков – Empower your Analyst

Итак, для того чтобы Аналитик мог потратить свое рабочее время на анализ, о котором его никто не просил, у него должны быть достаточные полномочия, иначе, вместо подготовки регулярной отчетности, аналитик будет заниматься неструктурированным или слабоструктурированным анализом. Как ни странно, но data-driven организация вряд ли будет существовать в условиях регулярного процесса выпуска отчетности, на который тратится более восьмидесяти процентов времени работы команды. В одном из американских банков, где я однажды был на обмене опытом, была ситуация, когда люди выполняли регулярный процесс подготовки ежемесячной отчетности всего за 3 дня. Я спросил топ-менеджеров, а что люди делают остальное время, так как команда была достаточно большой. Они ответили – «Value Added активности», и все посмеялись. Признаюсь честно, до меня дошло не сразу. Под «делают Value Added активности» здесь подразумевалось, что аналитики использовали свое время, чтобы улучшить иные процессы организации по работе с данными и их продуктом – ежемесячной отчетностью.

Треугольник ценности – Solve the Trinity

Внутри треугольника находятся метрики и инсайты, которые приводят к действию. На вершинах треугольника обозначены ключевые направления создания ценности с использованием данных:

  • Поведение (Behaviour) – Необходимо думать широко при анализе поведения своих пользователей или клиентов. Это не просто данные, а поведение реальных людей.
  • Результаты (Outcomes) – Научитесь связывать поведение клиентов с ключевыми показателями или критическими факторами успеха организации.
  • Опыт (Experience) – Инсайты должны приходит через эксперименты, исследования, тестирование своих клиентов или поиск закономерности в их поведении. Этим необходимо постоянно заниматься.

Создайте вокруг процесс – Got Process?

Data-driven организация – это не пункт назначения, а процесс или путь по которому идет организация, поэтому необходимо поддерживать его соответствующими артефактами и адекватными процессами. Этот процесс позволяет пользователям и сотрудникам применять тот или иной фреймворк работы с данными. Он не должен быть сложным и запутанным, а, скорее, должен отражать, кто и на каком конкретном шаге участвует в создании ценности с использованием данных.

Завершает Авинаш Кошик свой уникальный фреймворк одним из ключевых тезисов, без которого невозможно движение к data-driven организации, а именно: ответственным за данные, аналитику и поиск инсайтов в организации должно быть обособленное бизнес-подразделение (не IT).

Области знаний по управлению данными

Пример архитектуры данных

Операционный уровень управления данными

Знание и понимание своих данных

  • Каталогизация данных, понятный глоссарий данных
  • Прозрачная методика формирования показателей
  • Понимание взаимосвязи данных
  • Понимание технического процесса формирования показателей

Использованные материалы

0 0 голос
Article Rating

Подписаться
Уведомление о
guest
0 Комментарий
Встроенная Обратная Связь
Просмотр всех комментариев
0
Оставьте, пожалуйста, комментарий!x
()
x