Аналитическая культура. От сбора данных до бизнес-результатов
Подробное пошаговое руководство по внедрению Data-driven-культуры в вашей компании — от сбора данных и наглядных отчетов до анализа и обоснованных решений.
Чтобы стать data-driven-компанией, недостаточно наладить сбор «больших данных» или собрать команду аналитиков. Нужна эффективная культура работы с данными, внедренная на всех уровнях.
Эта практичная книга покажет вам, какие процессы нужно внедрять повсеместно — от аналитиков и менеджмента до высшего руководства и совета директоров — чтобы создать такую культуру.
Карл Андерсон рассказывает о цепочке аналитической ценности, которая поможет вам строить предиктивные бизнес-модели — от сбора данных и анализа до идей и конкретных обоснованных действий.
- Начните с начала: узнайте, как собирать правильные данные правильным образом;
- Нанимайте аналитиков с правильными навыками и собирайте их в команды;
- Узнайте о статистических методах и инструментах визуализации данных;
- Собирайте и анализируйте данные, соблюдая конфиденциальность и этику;
- Узнайте, как аналитики и их менеджеры могут способствовать развитию data-driven-культуры.
Это книга для руководителей, менеджеров, аналитиков.
ЦИТАТЫ ˅
Качество данных
Данные — это фундамент, на котором держится компания с управлением на основе данных. Если люди, принимающие решения, не располагают своевременной, релевантной и достоверной информацией, у них не остается другого выхода, как только положиться на собственную интуицию. Качество данных — ключевой аспект.
Робастность
Определяйте статистически робастные показатели, то есть те, что относительно нечувствительны к отдельным резко отличающимся значениям.
Ввод данных
Согласно результатам одного из исследований, 46% медицинских ошибок (при базовом уровне 11% от всех записей) обусловлено неточностью при расшифровке. Подобные ошибки могли быть результатом того, что медицинский персонал неправильно читал или понимал написанное от руки, не слышал или не понимал информацию из-за плохого качества аудиоисточника или непривычных слов или неправильно вносил информацию в компьютер.
Диттография и гаплография
В качестве отдельных категорий «Вставки» и «Удаления» можно выделить диттографию — случайное повторение символа (56,789 → 56,7789) и гаплографию — пропуск повторяющегося символа (56,779 → 56,79). Эти термины употребляют ученые, занимающиеся восстановлением поврежденных и переписанных от руки древних текстов, и обозначают разновидность проблемы с некачественными данными.
Точность
Чем больше выборка, тем меньше стандартная ошибка. Однако эта взаимосвязь не линейная. Так как стандартная ошибка среднего значения равна стандартному отклонению, деленному на квадратный корень размера выборки, чтобы уменьшить стандартную ошибку в два раза, нужно в четыре раза увеличить размер выборки.
Доступ к информации
В компании с управлением на основе данных, как правило, бывает обеспечен широкий доступ к информации. В том числе доступ к данным имеют сотрудники вне аналитического подразделения, к которым относятся все остальные бизнес-единицы, команды и сотрудники.
Об авторе:
Карл Андерсон (Carl Anderson) — директор по аналитике в компании Warby Parker (Нью-Йорк). Защитил степень Ph.D в математической биологии в Университете Шеффилда. Для работы над книгой он провел интервью с аналитиками и учеными и собрал кейсы.
СОДЕРЖАНИЕ ˅
- Введение
- Краткий обзор
- Для кого эта книга?
- Структура глав
- Условные обозначения
- Глава 1. Что значит «на основе данных»?
Сбор данных
Доступ к данным
Составление отчетности
Оповещения
От отчетов и оповещений к анализу
Критерии управления на основе данных
Зрелость аналитических данных
Краткий обзор - Глава 2. Качество данных
Аспекты качества данных
Происхождение данных
Качество данных как совместная ответственность - Глава 3. Сбор данных
Собирайте все что можно
Расстановка приоритетов при выборе источников данных
Установление взаимосвязи
Сбор данных
Покупка данных
Сколько стоит набор данных?
Хранение данных - Глава 4. Специалисты по аналитике
Типы специалистов по аналитике
Аналитика — это командный спорт
Навыки и качества
Еще один инструмент
Организация работы аналитиков в компании - Глава 5. Анализ данных
Что такое анализ данных?
Виды анализа данных - Глава 6. Разработка показателей
Разработка показателей
Ключевые показатели эффективности - Глава 7. Сторителлинг на основе данных
Сторителлинг
Первые шаги
Визуализация данных
Подача данных
Основные выводы - Глава 8. A/B-тестирование
Почему A/B-тестирование?
Практические рекомендации по A/B-тестированию
Другие подходы
Влияние на корпоративную культуру - Глава 9. Принятие решений
Как принимают решения?
Что осложняет процесс принятия решения?
Решения
Заключение - Глава 10. Корпоративная культура на основе данных
Открытость и доверие
Повышение квалификации в области работы с данными
Сначала цели
Задавайте вопросы
Итерации и обучение
Как противостоять HiPPO
Руководство на основе данных - Глава 11. Топ-менеджмент компании с управлением на основе данных
Chief Data Officer
Chief Analytics Officer
Заключение - Глава 12. Вопросы конфиденциальности, этики и риска
Уважайте конфиденциальность
Практикуйте эмпатию
Качество данных
Безопасность
Обеспечение исполнения - Заключение
- Дополнительная литература
Аналитика
Анализ данных
Принятие решений
Визуализация данных
A/B-тестирование - Приложение А. О необоснованной эффективности данных: почему больше данных лучше?
Проблемы типа «ближайший сосед»
Проблемы относительной частотности
Проблемы оценки одномерного распределения
Проблемы многофакторности - Приложение В. Заявление о видении
Ценность
Реализация - Благодарности
- Об авторе
- Колофон
Рецензии:
- "Кто такие HiPPO и чем они опасны" (Блог издательства "МИФ")
