Я уже говорил это раньше: мне не нравится выражение «организация, управляемая данными». Хотя мы часто слышим, что корпорации, управляемые данными, превзойти своих сверстников, было бы ошибкой полагать, что простое инвестирование в инфраструктуру данных и сбор данных улучшит итоговую прибыль. Как я уже отмечал в предыдущей статье, многие компании, ориентированные на данные, в конечном итоге богаты данными, но бедны пониманием.
То же самое и в бизнес-анализе. Значительные инвестиции в сбор и обработку данных не гарантируют полного понимания бизнес-проблемы, правильного определения связанных с ней ограничений и возможности создания желаемого, жизнеспособного и пригодного для использования решения.
Причина, по которой управление данными может быть проблематичным, проста:
Данные часто представляются таким образом, что обманывают нас, заставляя думать, что мы знаем то, что не соответствует действительности.
Рассмотрим этот наглядный пример из Twitter. (Я решил отредактировать имя, когда понял, что это не шутка, а один из повторяющихся случаев неверной интерпретации данных одной и той же учетной записью.)
Почему нет интереса к долгому COVID в Японии, Швеции, Италии или Бразилии? Всякий, способный мыслить аналитически, найдет логическое объяснение этой неудивительной «тенденции».
Во-первых, даже автор смог заметить, что эти страны не входят в «англосферу». Если бы мы хотели проанализировать интерес к онлайн-поиску «длинный COVID» в неанглоязычных странах, нам пришлось бы объединить поиск на английском языке с поиском на их местных языках (например, «COVID longa» на бразильском португальском языке).
Во-вторых, какие у нас есть доказательства того, что объем поиска в Google является хорошим показателем интереса к теме в каждой стране? Например, многие из моих друзей в Бразилии используют Экозия вместо Google, чтобы их онлайн-поиски могли способствовать посадке деревьев в стране для защиты находящихся под угрозой исчезновения растений и животных. И вполне возможно, что там, да и во многих других странах, люди предпочитают полагаться на информационные бюллетени типа Ваш местный эпидемиолог получать научно обоснованную информацию о пандемии среди других тем общественного здравоохранения, а не рисковать быть дезинформированными результатами поисковой системы.
Реальность такова, что данные без аналитического мышления могут быть такими же плохими или хуже, чем полагаться только на нашу интуицию. Измерение вещей и сбор данных — отличный подход к уменьшению неопределенности и поиску закономерностей, которые открывают новые возможности и улучшают решения существующих проблем, но только если мы понимаем компоненты основанного на фактических данных подхода к решению проблем.
Основные элементы доказательного решения проблем
1. Основные принципы мышления
Рассуждение о первых принципахтема моей предыдущей статьи, с чего все начинается. В чем мы абсолютно уверены? Что принималось за истину без доказательств? Только следуя этой линии вопросов, мы избегаем риска принятия неправильных решений, основанных на неоднозначных данных или предвзятых мнениях.
2. Проверка гипотез
Когда мы пытаемся решить проблему, некоторые предположения будут представлять собой основные убеждения, которые должны быть верными, чтобы наше решение было успешным. Например, в проекте разработки программного обеспечения основным предположением является то, что заинтересованные стороны использовали объективные данные, чтобы прийти к выводу, что создание собственного решения лучше, чем попытка приспособить готовое приложение к потребностям организации.
Но не все предположения проекта следует рассматривать как данность. Самым большим врагом успешного решения проблем является предвзятость подтверждения: наша склонность обращать внимание на информацию, подтверждающую наши убеждения, и игнорировать или преуменьшать факты, которые противоречат нашим идеям. Чтобы избежать пропуска ключевых фрагментов информации или интерпретации субъективной информации таким образом, который способствует тому, во что мы хотим верить, мы должны относиться к нашим недоказанным предположениям как к гипотезам, которые необходимо проверить и, по возможности, опровергнуть.
Представьте, что вы работаете в компании B2B, которая продает решение для управления контентом. Отдел продаж попросил функцию совместного редактирования, чтобы пользователи, кроме создателя документа, могли вносить изменения. Если вы ищете только подтверждающие доказательства, вы, вероятно, найдете «доказательство» того, что функция будет популярна среди пользователей.
Но если цель создания этой функции — помочь бизнесу сохранить клиентов, сбор дополнительных данных может помочь вам опровергнуть эту гипотезу. Возможно, клиенты заинтересованы в этой возможности только в том случае, если она может регистрировать имя редактора, а из-за технических ограничений предлагаемое решение этого не допускает. Или ни один из клиентов, угрожающих уйти к конкуренту, не заинтересован в функции совместного редактирования, и предоставление этой возможности не повысит коэффициент удержания.
Проверка гипотез не обязательно должна быть дорогостоящим или длительным процессом. В некоторых случаях информация, необходимая для подтверждения или опровержения гипотезы, уже доступна (например, данные опроса клиентов). В других случаях процесс может состоять из простого изложения вашей гипотезы, поиска людей, с которыми можно поговорить, выяснения того, что вам нужно узнать, разработки вопросов, которые помогут вам в этом, и планирования ваших интервью.
Если при поиске доказательств, подтверждающих или опровергающих вашу гипотезу, вы в конечном итоге опровергаете ее, это повод для радости. Анализируя достоинства предлагаемых идей и отвергая те, которые не могут принести реальной пользы, бизнес может высвободить скудные ресурсы для работы над более многообещающими инициативами.
3. Анализ ценности информации
В каждом проекте всегда будет доля неопределенности. Создавая новую функцию для продукта, ориентированного на потребителя, как мы можем быть уверены, что предложение того, о чем просят пользователи, не позволит им уйти, если конкурент создаст лучшую альтернативу по более низкой цене? При замене инструмента CRM компании, как мы можем узнать, действительно ли обещания нового поставщика закрыть некоторые пробелы в возможностях удовлетворят заявленные потребности бизнеса?
На самом деле, если мы попытаемся проверить каждую возможную гипотезу, собрать доказательства даже для самого основного предположения и взвесить все возможные результаты, мы рискуем потерять время или впасть в аналитическое параличе.
Вот почему нам нужно обращать внимание на ожидаемую ценность дополнительной информации при поиске доказательств в поддержку проектных решений. Если мы достаточно уверены, что новый инструмент CRM является лучшей альтернативой, несмотря на некоторые пробелы в возможностях, стоимость дополнительной информации вряд ли оправдает поиск дополнительных доказательств в поддержку выбора. С другой стороны, если ошибка в отношении способности функции увеличить удержание клиентов может оказать значительное влияние на итоговую прибыль, преимущества снижения риска от получения дополнительной информации вполне могут оправдать дополнительное время и усилия для дальнейшего изучения.
# # #
«Ориентированность на данные» не способствует успеху проекта; быть основанным на доказательствах делает.
Основанное на фактических данных решение проблем снижает риск слепых зон и предвзятости подтверждения и увеличивает шансы на достижение желаемых результатов. В проектах с высокими ставками риски могут быть значительно снижены, если бизнес-аналитик готов применять принципы мышления, проверку гипотез и анализ ценности информации, чтобы интегрировать наилучшие доказательства в процесс принятия решений.
Автор: Адриана Бил
Адриана Бил работает специалистом по обработке и анализу данных с 2016 года. Ее образование включает ученые степени в области электротехники и стратегического управления информацией, полученные в лучших школах ее родной страны, Бразилии, и сертификаты в области больших данных и анализа данных Техасского университета и Специальность по машинному обучению от AWS. За последние пять лет она разработала прогностические модели для улучшения результатов в здравоохранении, мобильности, IoT, клиентоориентированности, социальных услугах и сельском хозяйстве. До этого она более десяти лет работала в сфере бизнес-анализа и управления продуктами, помогая американским компаниям из списка Fortune 500 и высокотехнологичным стартапам принимать более эффективные решения в области программного обеспечения. У Адрианы есть две книги по ИТ-стратегии, изданные в Бразилии, и работы, опубликованные на международном уровне IEEE и IGI Global. Вы можете найти больше ее полезных советов для бизнес-аналитиков на bealprojects.com
