Почему проекты по обработке данных не достигают реальной эффективности 5 ключевых элементов, на которые стоит обратить внимание, будучи менеджером по аналитике

Пять ключевых элементов, на которые стоит обратить внимание, чтобы повысить эффективность проектов по обработке данных советы для менеджера по аналитике

Простое руководство для понимания макро-элементов, которые могут негативно сказываться на вашей работе

Когда-то ли вы оказались глубоко в проекте по обработке данных, только чтобы понять, что он никуда не ведет? Это более распространенное чувство, чем вы можете подумать:

  • VentureBeat сообщает, что 87% проектов по науке о данных не попадают в производство
  • Gartner прогнозирует, что к 2022 году 85% проектов по искусственному интеллекту приведут к неверным результатам. В 2016 году они оценили, что 60% проектов по большим данным проваливаются.

Две недели назад мы обсуждали, как делать качественный анализ данных, но создание высококачественного анализа – это только полбеды. Множество впечатляющих работ на самом деле никогда не становятся реальностью и превращаются в “показавание сноровки в обращении с данными” (в лучшем случае). Так как перейти от качественной работы к значимой работе?

Самый первый шаг – понять правила игры — и иметь хорошую видимость макро-элементов, которые определят, взлетит ли ваш проект или утонет.

Макро-элементы, влияющие на успех анализа данных (изображение автора)

PESTEL – но для аналитики

Если вы когда-либо общались с консультантами (или у вас самому есть опыт работы в консалтинге), вам, возможно, известен термин «PESTEL». Он означает «Политические, Экономические, Социальные, Технологические, Экологические, Юридические». Эта концепция используется для понимания макро-факторов, влияющих на организацию, и чтобы получить лучшую перспективу сильных и слабых сторон, возможностей и угроз для бизнеса.

В некоторой степени, этот принцип можно применить и к оценке потенциального успеха ваших проектов по данным, но с некоторыми отличиями (фреймворки, ведь, являются инструментами, предназначенными для адаптации, а не полного использования). В нашей версии мы рассматриваем такие факторы, как доступность данных, компетенции, период времени, готовность организации и политическую среду. Каждый из этих факторов является кусочком головоломки в общей картине успеха вашего проекта по данным. Понимание и выравнивание этих элементов подобно настройке двигателя: если все правильно, ваш проект отлично сбалансируется; если что-то идет не так, вас ожидает неспокойная поездка.

Доступность данных

Тавтология, однако, для любого проекта по данным вам нужны данные. Доступность и доступность соответствующих данных являются фундаментальными. Если вы обнаружите, что необходимые данные недоступны или их невозможно получить, ваш проект столкнется с серьезными проблемами. Однако важно не сдаваться сразу после столкновения с этим препятствием — вы должны исследовать другие варианты, чтобы либо получить данные, либо найти подходящую замену (и важно не отказываться от исследований на этой стадии — я видел множество проектов, которые были оставлены на этой стадии, хотя существовало подходящее решение). Но если после тщательного исследования вы приходите к выводу, что данные действительно недоступны и нет подходящей замены, тогда полностью обоснованно (и даже разумно) пересмотреть осуществимость проекта.

Пример: представьте, что вы планируете исследование поведения потребителей на рынке ниши, но вы обнаруживаете, что конкретные данные о потребителях для этого сегмента не собираются существующими источниками. Прежде чем отказаться от проекта, вы можете исследовать альтернативные источники данных, такие как тренды в социальных медиа, связанные исследования рынка или даже провести целевой опрос, чтобы собрать приблизительные данные. Если все эти усилия не приводят к полезной информации, то будет разумным прервать проект

Компетенции

Теперь, когда у вас есть данные, имеете ли вы необходимые компетенции для их исследования? Речь идет не только о технических навыках, таких как SQL или Python; это также касается необходимых знаний для типа анализа, которым вы занимаетесь. Это особенно важно, когда требования проекта выходят за пределы вашей обычной области экспертизы. Например, если ваше мастерство заключается в создании систем обработки данных, но проект сосредоточен на сложном прогнозировании, это несоответствие навыков может стать серьезным препятствием. В зависимости от разницы между текущими навыками вашей команды и теми, которые им необходимо получить, вы можете рассмотреть возможность повышения квалификации команды — что также может быть очень полезным в долгосрочной перспективе — при условии соответствия срокам проекта. Речь идет о достижении правильного баланса: использование возможностей для развития, при этом быть реалистичным относительно сроков и приоритетов проекта.

Пример: Вы управляете исследовательской командой в области здравоохранения, опытной в анализе данных пациентов, и вас просят выполнить проект, требующий применения эпидемиологического моделирования для прогнозирования распространения болезни. Хотя они квалифицированы в работе с данными пациентов, конкретные требования эпидемиологического прогнозирования – другая сфера экспертизы – могут представлять существенные трудности.

Временные рамки

Когда речь идет о времени, есть два аспекта, которые следует понимать:

  • Если вы не оставите достаточно времени для завершения проекта, качество проекта может быть сильно ущербным.
  • По истечении определенного периода времени вы достигаете точки убывающей отдачи, где добавление большего времени не обязательно приводит к тому же дополнительному уровню качества.

Это видео (вирусное рисование Человека-паука) отлично иллюстрирует это явление. Разрыв в качестве между рисунком длительностью 10 секунд и 1 минуту впечатляющий, демонстрируя значительное улучшение всего за 50 дополнительных секунд. Но, сравнивая рисунок, который занял 1 минуту, с тем, что занял 10 минут, несмотря на то что последний бесспорно лучше, степень улучшения менее выражена, несмотря на большой прирост времени.

Пример: Вы работаете в розничной компании, которая хочет проанализировать покупательские привычки клиентов, чтобы оптимизировать уровень запасов на предстоящий праздничный сезон. Если вашим данным предоставлено одна неделя для проведения анализа, они могут предоставить базовые идеи, выявить общие тенденции и самые продаваемые товары. Однако, если им дается один месяц, качество анализа значительно улучшается, что позволяет более глубоко понять предпочтения клиентов, региональные отличия и потенциальные проблемы со складом. Однако, продление этого времени до трех месяцев может привести только к незначительно более детальным выводам, откладывая принятие решений и потенциально упуская рыночные возможности.

Готовность организации

Готовность организации – это степень готовности и готовности компании максимально использовать выводы из данных. Это не только наличие данных или анализа; это также наличие правильной структуры и процессов для действий на основе этих выводов. В предыдущей статье я обсуждал важность сделать исследование «сжевательным» для увеличения принятия выводов. Однако есть предел, за которым эта облегченность выходит за пределы вашего контроля.

Пример: Предположим, вы обнаружили, что конкретный магазинработает неудовлетворительно, в основном из-за своего неподходящего расположения. Вы предлагаете, чтобы переехать всего на несколько кварталов может значительно увеличить прибыль. Для доказательства этого факта вы сотрудничаете с командой по операциям для организации временного магазина в предлагаемом новом месте. Этот эксперимент длится достаточно долго, чтобы устранить любой эффект новизны, определенно демонстрируя потенциал увеличения дохода. Однако здесь проявляется готовность организации: компания заключает пятилетний договор аренды в текущем неэффективном месте, с финансовыми компенсациями и отсутствием подходящего альтернативного пространства в желаемом районе.

Политическая среда

Любимая всеми: навигация политической обстановкой внутри организации ❤. К сожалению, это неотъемлемый шаг для успеха проекта по анализу данных. Вам необходимо согласование заинтересованных сторон с целями проекта, а также с ролями и обязанностями, связанными с проектом. Иногда у вас могут возникать конфликтующие интересы между командами или отсутствие согласия по вопросу владения проектом – это ситуации высокого риска для вашего проекта, с которыми вам нужно справиться до того, как работать над проектом (если вы не хотите, чтобы несколько команд работали в изоляции, делая то же самое).

Пример: Вы работаете в многонациональной корпорации, где две региональные команды занимаются анализом тенденций на рынке для запуска нового продукта. Однако из-за исторических соперничеств и нечеткого руководства эти команды работают в изоляции друг от друга. Каждая команда использует разные методы и источники данных, что приводит к противоречивым выводам. Подобный сценарий не только порождает недоверие к данным, но и создает путаницу на исполнительном уровне относительно того, какие выводы доверять и как поступать на их основе. Это несоответствие, в конечном счете, может привести к отклонению ценных результатов, подчеркивая настоятельную необходимость политической гармонии для эффективного использования данных.

Заключение

Ключевые элементы, которые мы обсудили – Данные, Навыки, Время, Готовность организации и Политика – являются механизмами, обеспечивающими успех любого проекта по данным. Без правильных данных даже самая опытная команда не сможет строить выводы. Но и навыки важны; они превращают данные в содержательный анализю. Время – ваше полотно – слишком мало, и ваша картина неполная, слишком много, и вы рискуете потерять фокус. Готовность организации заключается в том, чтобы ваши результаты не просто лежали на полке, собирая пыль; они должны быть действенными. И не забудьте о Политике – искусстве навигации внутри вашей организации, чтобы ваша работа увидела свет дня.

В конце концов, дело в понимании динамики, происходящей в вашей организации, чтобы направлять ваши проекты к успеху, то есть не просто производить идеи, но и вносить изменения.

Надеюсь, вам понравилась эта статья! У вас есть какие-либо советы, которыми вы хотели бы поделиться? Дайте всем знать в разделе комментариев!

А если хотите прочитать еще больше от меня, вот несколько других статей, которые вам могут понравиться:

Как создать успешную панель управления

Чеклист от человека, который создал несколько неудачных

towardsdatascience.com

Создание аналитически зрелых организаций (AMO)

Несколько простых фреймворков для определения аналитических потребностей вашей организации и способов их улучшения…

towardsdatascience.com

Получение большего количества качественных идей в месяц

Как создать системы для генерации большего количества идей – с меньшими затратами

towardsdatascience.com

PS: Эта статья была опубликована на Analytics Explained, рассылке, где я извлекаю наиболее ценные уроки из своего опыта работы аналитиком (от стартапов в Сингапуре до крупных технологических компаний в Сан-Франциско) и отвечаю на вопросы читателей о аналитике, росте и карьере.