Генерация большего количества качественных идей в месяц

Как генерировать больше качественных идей в течение месяца

Как создавать системы для генерации большего результата — с меньшими затратами

В книге «The E-Myth Revisited: почему большинство малых предприятий не работает и что с этим делать» Майкл Гербер предлагает владельцам малых бизнесов перестать работать «в своем бизнесе» и начать работать над своим бизнесом. Одна из центральных тезисов книги заключается в том, что владельцы МПБ должны действовать так, как будто они хотят франшизировать свой бизнес. Это заставляет их (1) внимательно рассмотреть все свои действия и процессы, и (2) оптимизировать и стандартизировать эти действия и процессы. Таким образом, они максимизируют выход своего бизнеса и делают его реплицируемым. Эта идея подобна тому, что выразил Рэй Далио в книге «Принципы» — чтобы команда добивалась успеха, их менеджер должен работать над командой (а не в команде) и создавать систему, которая максимизирует результат от каждого входящего элемента.

В определенной мере эти советы могут быть применены и к командам аналитики. Для аналитической команды входным фактором является время, затраченное на превращение данных в идеи, а выходными факторами являются «качественные идеи», и связь между ними можно представить следующим образом:

# качественных идей в месяц = время, затраченное на превращение данных в идеи / среднее время, необходимое для превращения данных в качественные идеи

Чтобы увеличить количество качественных идей, создаваемых вашей командой, вам нужно работать над увеличением времени, затраченного на превращение данных в идеи, либо над сокращением среднего времени, необходимого для превращения данных в качественные идеи. Вы можете сделать это, создавая «системы».

• Java и инженерия данных
• Парето, законы власти и толстые хвосты
• Может ли искусственный интеллект преодолеть предвзятость подтверждения человека?

Увеличение времени, затраченного на превращение данных в идеи

Время, затраченное на превращение данных в идеи, очевидно, зависит от общего числа сотрудников, поэтому увеличение числа сотрудников — очевидное решение, но, возможно, оно не является самым простым.

Другой способ взглянуть на это — время, затраченное на превращение данных в идеи, является результатом следующего уравнения:

Время, затраченное на превращение данных в идеи = общее время сотрудников — время, затраченное на неработу с данными

Время, затраченное на неработу с данными, включает элементы, такие как «согласование с заинтересованными сторонами», «коммуникация» и т.д.

• Эти задачи являются важными для успеха хорошей работы с данными (в чем смысл создания идей, если нет интереса к ним или если вы их неправильно коммуницируете?).
• Однако эти задачи часто рассматриваются как «напутствия». Довольно редко можно увидеть команду с четкой стратегией или процессом в отношении этих элементов — вероятно, потому что это не так «круто», как настоящая работа с данными, и потому что это не обязательно является их компетенцией.
• В результате эти задачи занимают больше времени, чем ожидалось, и больше времени, чем требуется, чтобы обеспечить успех фактической работы с данными, которую они поддерживают.

Определив четкие процессы по выполнению этих задач и стандартизируя и оптимизируя их со временем, вы можете сэкономить много времени (т.е. сократить время, затраченное на неработу с данными) и одновременно повысить качество вашего результата.

Конкретный пример в области межфункционального согласования может быть таким: начать проводить приоритезационные сессии в начале каждого месяца. В первом месяце этого действия вы понимаете, что для успешной приоритезации вам необходима стандартная система принятия решений о приоритетах. Вы вводите ее на втором месяце и она работает, но затем вы понимаете, что для ее улучшения вам нужен более эффективный процесс по определению потенциальных проектов для команды, и вы вводите это в третьем месяце, и так далее. С течением времени, при таком итеративном подходе, вы можете создать очень эффективный процесс, позволяющий вашей команде тратить меньше времени на «политическую работу» и больше — на создание идей.

Еще один пример по всемирной коммуникации в компании: вы начинаете без четкого процесса в первом месяце и понимаете, что ваше исследование не потребляется так, как должно было. Так что во втором месяце вы запускаете ежемесячный форум. Во время этих ежемесячных форумов вы понимаете, что заинтересованным сторонам необходимо видеть данные, представленные определенным образом, чтобы они были более доступными для них, поэтому вы принимаете определенный формат / шаблон и т. д.

Снова – оптимизируя эти процессы, вы не только экономите время, которое можно вложить в создание понимания, но и готовите себя к успеху, так как эти затратные временем процессы, не связанные с данными, поддерживают способность вашей команды генерировать качественное понимание.

Уменьшение среднего времени, необходимого для превращения данных в качественное понимание.

Есть несколько факторов, которые могут влиять на время, необходимое для превращения данных в качественное понимание. Приведу только несколько примеров:

• Навыки аналитика
• Поддержка команды
• Наличие данных
• Наличие инструментов

Повышение квалификации ваших аналитиков для сокращения времени, которое им требуется для превращения данных в качественное понимание, является первой стратегией. Чем выше навыки, чем больше опыта они имеют, тем быстрее они могут превратить данные в качественное понимание. Хотя обучение на уровне команды или индивидуальное обучение, как правило, могут создать много ценности, «мягким» способом повышения квалификации является создание «шаблонов» проектов, чтобы молодые аналитики могли принять передовые практики и быстро учиться. Например, наличие шаблонов может заставить их задуматься над ключевыми вопросами, такими как «какова проблема», «как будут использоваться ваши результаты в реальной жизни» и т. д., что в конечном итоге поможет им сформулировать более четкие проблемные утверждения перед началом исследования.

Также создание возможностей для команды для сотрудничества и обмена знаниями может быть способом сократить время превращения данных в понимание. Это может быть таким простым, как создание каналов для общения в Slack или Google Groups и нахождение какого-то стимула для участия людей – но эти небольшие действия могут далеко зайти. Когда такие «площадки» существуют, аналитики могут найти поддержку, когда им неясно, как действовать, использовать коллективные знания команды и развивать дискуссии, вдохновляющие новые идеи. Вот почему я считаю, что большое значение имеет проведение регулярных встреч, на которых аналитики могут представить свою работу, с акцентом на используемой методологии, так как это способствует распространению знаний и может давать идеи.

Наличие данных может быть большой помехой. Если вам приходится тратить время на составление сложных запросов, потому что нет простых агрегированных баз данных или потому что нет сертифицированного или централизованного источника данных, это не только создаст ненужное напряжение для команды, но и займет ценное время. Создание правильных потоков данных для упрощения анализа может быть эффективной стратегией – если этого еще не сделано.

Наконец, если вам часто приходится выполнять одинаковый анализ, наличие инструментов может быть способом сократить время, затрачиваемое на повторную работу. Это довольно распространено для таких вещей, как A/B-тестирование, где вы можете создавать / покупать лицензии на автоматизированные инструменты, чтобы они выполняли все статистические тесты за вас, чтобы вам не приходилось каждый раз изобретать велосипед при получении данных из эксперимента. Это требует наличия конкретного, повторяющегося случая использования, но когда такой случай имеется, это может быть отличным способом сократить время до понимания (и бонусом: это также отличный способ стандартизировать качество результата).

В конечном счете, у вас есть несколько способов сократить среднее время до понимания – и я далек от того, чтобы быть всеобъемлющим. Вы также можете подумать о управлении знаниями, об обнаружении данных и т. д. – все зависит от основных проблем, с которыми сталкивается ваша команда.

В заключение

Мы можем переделать нашу первоначальную формулу:

# качественные идеи в месяц = (общая продолжительность работы сотрудников – время, затраченное на некорреляционную работу с данными) / среднее время до качественного понимания.

И хотя увеличение общей численности сотрудников – один из путей решения проблемы, вы можете достичь аналогичных результатов, тщательно изучив свои процессы, инфраструктуру, инструменты и стратегию поддержки аналитика.

Эта статья была опубликована на сайте Analytics Explained, рассказывающем о том, что я узнал, работая в различных аналитических должностях (от сингапурских стартапов до крупных технологических компаний в Сан-Франциско), и отвечающем на вопросы читателей о аналитике, росте и карьере.