Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики
Шрифт:
Сегодня специалисты по аналитике постоянно сидят за одним столом вместе с принимающими решения лицами. И, более того, зачастую сами являются такими лицами. Какая огромная перемена по сравнению со стартом моей карьеры! Я пришел в аналитику по одной простой причине: она мне нравилась. Хотелось бы заявить, что я с самого начала предвидел будущее, но не могу себе этого позволить. Мне просто повезло, что я выбрал одну из самых востребованных сегодня профессий.
Аналитика не только воскресла из небытия, но и впала в противоположную крайность. Такие авторитетные издания, как Harvard Business Review, CNNMoney и Forbes, сегодня пишут о профессии аналитика как не только о востребованной, но и привлекательной {72} . После того как годами я пытался объяснить людям на вечерниках, чем зарабатываю себе на жизнь, не особо пугая их подробностями, мне забавно, что меня, благодаря моему роду занятий, стали считать умным, пусть и непривлекательным.
72
См.: Thomas H. Davenport and D. J. Patil, “Data Scientist: The Sexiest Job of the 21st Century”, Harvard Business Review (октябрь 2012 г.), наJessi Hempel, “The Hot Tech Gig of 2022: Data Scientist”, CNNMoney, 6 января 2012 г., наGil Press, “Data Scientists: The Definition of Sexy”, Forbes, 27 сентября 2012 г., на www.forbes.com/sites/gilpress/2012/09/27/data-scientists-the-definition-of-sexy/
Вследствие этой вновь обретенной (и, возможно, мимолетной) популярности появилось упражнение, которое я хотел бы порекомендовать моим коллегам. Вечером, перед тем как лечь в постель, остановитесь на мгновение перед зеркалом, посмотрите на себя и скажите: «Я специалист-аналитик, и я привлекателен». Впервые в вашей жизни другие люди могут согласиться с этим утверждением.
Еще совсем недавно, в 2012-м, когда мы обсуждали с организациями их аналитические стратегии, они обычно упирались в вопрос, а нужно ли им вообще нанимать специалистов-аналитиков. Это всегда обескураживало меня, поскольку мне как профессионалу хотелось, чтобы все остальные считали нашу профессию ценной и не ставили под сомнение необходимость нашего найма.
В последние годы произошел серьезный сдвиг. Вместо того чтобы задавать вопрос, нужны ли им вообще аналитические таланты, сегодня организации озабочены тем, как из имеющихся у них талантов создать команды и расширить их влияние. Это говорит о том, что в настоящее время ценность профессиональных аналитиков осознана, а их роли расширяются.
С тех пор ситуация примечательным образом изменилась. Начиная с 2013 г. многие организации стали обращаться ко мне и спрашивать не о том, нужно ли им нанимать специалистов-аналитиков, а о том, как создать команду из имеющихся профессионалов. В этом виден большой прогресс, поскольку он отражает два важных факта. Во-первых, во многих компаниях сегодня достаточно много аналитических талантов, вследствие чего приходится задумываться о том, как их организовать. Во-вторых, и это столь же важно, упор на создание аналитических команд говорит о том, что они никуда уже не денутся. Вот в чем состоит серьезный сдвиг и воодушевляющая тенденция.
Аналитические команды теперь широко распространены. Если в вашей организации такой команды нет, вы должны ее создать. Если уже есть, вам нужно ее укомплектовать, сорганизовать и управлять ею правильно, если вы хотите добиться успеха в операционной аналитике. Именно этому и посвящена остальная часть данной главы.
Подбор и расстановка кадров
Все начинается с кадров. Невозможно управлять организацией без соответствующих ей людей. Кто должен входить в вашу аналитическую команду и какими чертами должны обладать эти люди? Как создать всесторонне подготовленную команду? Как обеспечить сотрудникам комфортный микроклимат в долгосрочной перспективе? Давайте рассмотрим эти вопросы.
Кто такие специалисты по аналитике?
Для начала давайте определимся с термином «специалист-аналитик». На протяжении многих лет какие только наименования не давались этой профессии. Аналитиков называли «статистиками», «разработчиками прогностических моделей», «добытчиками данных», а совсем недавно стали называть «исследователями данных». Я использую общий термин «специалист-аналитик», который включает в себя все вышеперечисленные, а также другие, им сопутствующие.
Кого-то может удивить, почему я включил сюда термин «исследователь данных», поскольку в свете поднявшегося вокруг него ажиотажа он представляется как новый. Но если вы изучите, что пишут о деятельности исследователей данных, о том, чем они руководствуются и об их методах, то увидите, что это не сильно отличается от того, чем занимались выдающиеся специалисты-аналитики на протяжении многих лет. Основное практическое отличие между исследователями данных и другими аналитиками состоит в том, что первые чаще имеют образование в области компьютерных наук и предпочитают работать с Hadoop и языками наподобие Python или R. Традиционные же специалисты-аналитики чаще имеют образование в области статистики, математики или исследования операций и предпочитают работают с серверами реляционного и аналитического окружения, а программируют на языках SAS и SQL. Однако какие бы платформы или языки ни использовались, фундаментальный набор навыков и склад ума, которые необходимы для успеха на данном поприще, остаются неизменными. По сути, все эти профессионалы используют одну и ту же аналитику в одних и тех же целях для крупных компаний, использующих инновационную аналитику.
В нынешней популярности термина «исследователь данных» есть свои плюсы. Годами, нанимая специалистов-аналитиков, я говорил: «Мне нужен статистик, который при этом также…» Ключевой частью фразы было «который при этом также…» Дело в том, что людей со специальностью «статистик» находится в избытке. Многие из них не работают на крупные компании и не создают инновационную аналитику. Например, могут заниматься статистическими исследованиями или научной деятельностью. Поэтому только часть тех, кого именуют «статистиками» или «добытчиками данных», специализируется на внедрении аналитики в бизнес-процессы и занимается деятельностью, ассоциируемой с исследователями данных.
Однако термин «исследователь данных» нов настолько, что та небольшая группа людей, претендующих на этот титул на законных основаниях, в основном отвечает той матрице, которую я всегда искал {73} . Имидж и мыслительные процессы, ассоциируемые с термином «исследователь данных», соответствуют сути искомых мною всегда качеств «статистика, который при этом также…» Мне нравится, что у нас наконец-то появился термин, точно передающий ключевые требования при найме специалистов-аналитиков (даже если сам по себе термин мне не нравится).
73
Я подробно описал качества, отличающие лучших специалистов-аналитиков, в восьмой главе моей книги «Укрощение больших данных» (Taming the Big Data Tidal Wave, Hoboken, NJ: John Wiley & Sons, 2012). Вместо того чтобы здесь повторяться, я рекомендую заинтересовавшимся данным вопросом читателям обратиться к этой книге.
Вместе с компанией Talent Analytics и Международным институтом аналитики мы провели опрос среди большого числа специалистов-аналитиков, чтобы определить, что делает их уникальными {74} . Это количественное исследование было призвано ответить на два вопроса:
1. Обладают ли специалисты-аналитики неким уникальным, поддающимся количественной оценке складом ума и представляют ли они собой прирожденные таланты?
2. Как специалисты-аналитики расходуют свое время в рамках рабочего процесса?
74
См.: Talent Analytics “Four Functional Clusters of Analytics Professionals,” июль 2013 г.; также см.: International Institute for Analytics, “Quantifying Analytical Talent”, январь 2013 г.
Результаты исследования показали, что специалисты-аналитики обладают четкими и измеримыми характерными признаками прирожденных талантов. Среди 11 измеренных характеристик первое место заняли любопытство и креативность. Talent Analytics использует эту информацию для помощи компаниям в оценке существующих аналитических кадров и кандидатов при найме. Исследование также показало, что специалисты-аналитики значительную часть своего рабочего времени расходовали на подготовку данных и программирование и гораздо меньше времени на управление процессами и интерпретацию, визуализацию и представление результатов. Этот вывод отражает реальное положение дел. Нередко можно слышать, что у аналитиков 80 % и более усилий тратится на подготовку к анализу.
Старая и новая школы приходят к согласию
Возможно, услышав мое заявление о том, что исследователи данных не отличаются от выдающихся специалистов-аналитиков прошлого, вы сочли меня «парнем-статистиком из старой школы». Однако «исследователи данных из новой школы», такие как Саймон Чжан из LinkedIn, со мной согласны. Мы с ним выступали на конференции Big Analytics в Бостоне в 2012 г. {75} В ходе своего доклада он рассказал о том, как его аналитическая команда в LinkedIn нанимает новых сотрудников и на какие характеристики при этом смотрит. Я был поражен, поскольку Саймон сказал фактически то же самое, что собирался сказать я, только немного другими словами. Он тоже получил удовольствие от моего доклада.
75
Повестку дня см. на: www.biganalytics2012.com/boston.html