5 принципов
понимания аналитики

Я убежден, что управленцы в наше время недостаточно используют данные и аналитику. И дело не в их квалификации, а в элементарном недостатке понимания тех возможностей, которые эти инструменты предоставляют. И это при том, что сейчас всем доступны огромные массивы информации, компьютерные мощности и специализированное ПО. Таким образом, назрела реальная необходимость в дополнительном образовании по этой теме. К сожалению, видов обучения для менеджеров, которые не специализируются на аналитике, не так уж и много. Онлайн-лекции и традиционные академические курсы в основном концентрируются на методах. Существует великое множество образовательных программ, обучающих управленцев, не связанных с областью финансов, бухгалтерскому учету и другим финансовым дисциплинам. В то же время я не знаю ни одной подобной программы, посвященной аналитике, нацеленной на неспециалистов в этой области.

Я разрабатывал учебные программы и преподавал аналитику менеджерам в Бэбсоне, Гарварде, Массачусетском технологическом институте, Бостонском университете и Ирландском национальном университете в Корке, поэтому я знаю, в чем должно заключаться подобное обучение. Если вы ищете подходящую программу такого рода, убедитесь, что она содержит компоненты, которые я перечислю ниже. Или изучите специализированную литературу по этим направлениям.

Определение и формулировка аналитической проблемы. Грамотный количественный анализ требует сначала установить суть проблемы, а затем приступить к работе над ее решением. В анализе возможных решений этот этап называется формулировкой. Это один из важнейших элементов правильного процесса принятия решений. К этому первоначальному шагу могут привести разные условия — например, простое любопытство (здравый смысл менеджера или наблюдение за событиями), предыдущий опыт работы или потребность в каком-либо решении или действии.

На этой ранней стадии настоящая аналитика еще не применяется. Понимание того, что для дальнейшей работы может потребоваться некий анализ, может основываться на догадках или интуиции. Критерии доказательств на этом этапе довольно скромные. Суть в том, что весь смысл количественного анализа как раз и состоит в том, чтобы в конце концов проверить ваши догадки с помощью фактических данных. (И в этом заключается главное отличие людей, мыслящих аналитически, от прочих — мы проверяем наши догадки анализом и конкретными фактами).

На этапе формулировки управленцам нужно сосредоточиться на систематическом установлении и оценке проблемы. Также следует принять во внимание возможные альтернативные формулировки. Может быть, потребуется обсудить этот вопрос с аналитиками, которые понимают, как их рассматривать. (Если вы хотите больше узнать о формулировке аналитических проблем, читайте главу в моей книге «О чем говорят цифры».)

Сотрудничество с аналитиками. Что касается самих аналитиков, то управленцам крайне важно наладить с ними тесные рабочие взаимоотношения. Вы понимаете проблему на уровне бизнеса, в то время как ваш аналитик знает, как собрать нужные сведения и проанализировать их. Чтобы эти отношения работали, обе стороны должны пойти друг другу навстречу. Вам как менеджеру, который не специализируется в вопросах аналитики, нужно помочь ему в полной мере понять проблему. Например, можно на несколько дней привлечь его к работе в той части бизнеса, которая имеет отношение к рассматриваемой проблеме. Ваш аналитик должен уметь общаться с вами на языке бизнеса, принимать активное участие в решении вашего вопроса и работать над ним до тех пор, пока результат вас не удовлетворит. Да, он, может быть, не слишком умело взаимодействует с начальством (да и с другими людьми тоже), а вам, возможно, не по себе от количественного анализа. И, тем не менее, вам нужно найти общий язык.

Понимание различных видов данных и их значения. В последнее время много говорят о больших данных и о том, как они важны для бизнеса. Однако менеджеры в массе своей не понимают разницы между большими и обычными «старыми добрыми» данными и называют термином «большие данные» все подряд. На самом деле не так уж и важно, как их называть, важно знать, в чем состоит различие между ними.

Обычные данные (которые, несмотря на название, чрезвычайно полезны) — это данные небольших объемов (способные поместиться на один сервер), которые имеют заранее заданную структуру (ряды и столбцы) и относительно редко изменяются. Их источником в основном являются корпоративные системы транзакций — такие, как финансовая система, система управления взаимоотношениями с клиентами, управление заказами. Эти данные, скорее всего, анализируются компанией уже много лет. Этот вид данных редко упоминают в прессе, тем не менее он имеет важнейшее значение. Благодаря им организация узнает о предпочтениях своих клиентов, оценивает свои финансовые успехи и корректирует цепочки поставок.

Большие данные хаотичны и беспорядочны. Объем их столь велик, что не позволяет разместить их на одном сервере. У них нет строго заданной структуры, и они быстро меняются. Обычно это данные о процессах за пределами транзакций вашего бизнеса: что говорят ваши реальные и потенциальные покупатели в социальных сетях, с какими проблемами они обращаются в центры поддержки клиентов, как они передвигаются по вашему магазину. Большие данные предоставляют большие возможности, но структурировать и систематизировать их для последующего анализа — чрезвычайно трудная задача, для решения которой может потребоваться не простой аналитик, а исследователь данных (data scientist).

Понимание различных видов аналитики и их значения. На протяжении многих лет подавляющее большинство аналитиков были специалистами по описательной статистике — они составляли простые отчеты или графики с данными о том, что произошло в прошлом. Однако это не единственный вид аналитики. Прогностический анализ накладывает статистические модели на данные, полученные в прошлом, чтобы прогнозировать будущее. Инструментальная аналитика рекомендует решения, которые следует принимать сотрудникам в различных обстоятельствах. Большинство управленцев неохотно осваивают менее знакомые формы аналитики: прогностическую и инструментальную. И напрасно, ведь они, как правило, дают гораздо более ценные результаты, чем описательный анализ. Несколько лет назад, желая помочь менеджерам, я записал видеопамятку, в которой разъяснял разницу между описательной, прогностической и инструментальной аналитикой. Эти методы не утратили своей актуальности, однако в последнее время меня все больше интересует новый подход: автоматизированная аналитика. В ее рамках решения принимают не люди, а компьютеры. Они полностью берут на себя множество простых аналитических задач, таких как выдача кредитов или страховых полисов. Они служат предвестниками больших перемен в организации аналитической деятельности внутри компаний и даже могут представлять угрозу тем, чьи должности связаны с принятием решений.

Изучение возможных сфер применения внутренней и внешней аналитики. Наконец, менеджерам нужно различать внутреннее и внешнее использование аналитики. В прошлом аналитика была почти полностью направлена на поддержку внутренних корпоративных решений. Разумеется, она и сейчас успешно выполняет эту задачу, однако в последнее время компании научились использовать данные и аналитику для разработки новых продуктов и услуг. И не только такие крупные игроки на рынке ИТ вроде Google и LinkedIn, от которых всегда ждешь инноваций. Вполне традиционное фирмы — GE и Monsanto и ряд крупных банков — начали работать над подобными «продуктами данных». Это новая возможность, которую управленцам необходимо осмыслить и исследовать.

Понимание этих основ не сделает из вас эксперта-аналитика, но оно будет способствовать более эффективному использованию важного ресурса. В современном мире бизнеса незнание аналитики может стать угрозой как вашему успеху, так и процветанию компании.

Читайте по теме:

• Зачем управленцам математика?
• Как сделать крутую презентацию
• Шесть искусств для бизнеса