5 ключей к data-driven мышлению: как принимать решения на основе данных
Согласитесь, принять обоснованное решение без данных невозможно в принципе. Но сегодня мы сталкиваемся с другой проблемой – чрезмерным количеством информации. Поэтому умение анализировать данные — один из важнейших навыков, необходимых современному человеку. Об универсальных скиллах, полезных для начинающих и опытных аналитиков, поговорим с Максимом Белугиным, финансовым аналитиком, управляющим по специальным проектам ПАО «Промсвязьбанк», экспертом Академии ПСБ.
«Большинство людей даже не задумываются, что фактически уже являются аналитиками. Выбирая товары на Wildberries или Ozon, решая вопрос с поиском работы на HeadHunter или репетитора на YouDo, мы изучаем информацию (описание товара или вакансии, отзывы покупателей или клиентов). Поэтому умение анализировать данные полезно как в личной, так и в профессиональной жизни.
В освоении аналитики данных могут понадобиться как общие навыки, так и прикладные, связанные с использованием конкретных инструментов. Так, сегодня для анализа данных аналитики успешно используют такие инструменты, как Excel, Python, SQL или реже BI.
К любой вершине всегда есть множество путей. Мой путь, как профессионала в области аналитики данных, связан с работой в Казначействах крупнейших Российских банков, где я вырос от специалиста до руководителя. Я бы выделил пять практических методов по работе с данными, овладение которыми значительно повысит ваш уровень, если вы начинающий или прогрессирующий аналитик. При этом каждый ключ из этого списка сочетает hard и soft skills - то, из чего складывается умение работать в сфере анализа данных.
Визуализация данных
Это направление я поставил на первое место, так как именно с BI аналитики началось моё прогрессирующее развитие в анализе данных. Здесь главное не просто нарисовать столбчатую или линейную диаграммы, а сопоставить графики, настроить сквозную аналитику (когда вы переходите от общего к частному и наоборот).
Визуализация трендов, нахождение корреляции между показателями – всё это облегчает принятие верного и эффективного решения. В качестве инструментов я рекомендую попробовать либо уже готовые решения Power BI, Tableau, Qlik, либо активно приобретающие популярность отечественные платформы — Yandex DataLens, Polymatica, Visiology.
Если у вас есть навыки работы с Python, то вам, скорее всего, уже известно о библиотеке Dash, а также таких библиотеках для визуализации данных, как Plotly, Seaborn, Altair. В целом, начав с визуализации данных, вы уже сделаете огромный шаг в аналитике данных.
Получить необходимые базовые знания в области визуализации данных, анализа данных и составления аналитических отчетов вы сможете на нашем курсе «Анализ данных для начинающих».
Сторителлинг
Цифры сами по себе ничего не говорят. Расскажите человеку о важности соблюдения техники безопасности, и он продолжит пренебрегать всеми правилами в процессе работы. Расскажите о том, как Михалыча ударило током и он провёл 3 недели в больнице с ожогами, и слушатели начнут соблюдать все требования техники безопасности во время работы.
Важно научиться рассказывать истории с использованием данных. Готовясь к выступлениям и защите отчётов, создавайте убедительный рассказ вокруг ваших результатов. Так вы привлечёте внимание аудитории и получите нужный результат.
Это можно сделать:
- используя понятный и простой язык;
- не перегружая информацию техническими терминами;
- в заключении всегда подкрепля свой анализ практическими выводами.
Рассмотрим на примере: «В процессе нашего аналитического обзора были обнаружены значимые корреляции и тенденции, а именно, инкремент в расходах на рекламу на 20% обуславливает 15% прирост объема продаж. Эти выводы являются перспективными для стратегического формирования новых принципов операционной деятельности в контексте маркетинговых и управленческих стратегий предприятия».
Звучит сложно, и дольше первых 7 слов слушать и читать не хочется, правда?
А теперь, сравните — та же мысль, но уже простыми словами: «Мы обнаружили интересные зависимости, которые помогут в принятии решений в бизнесе. Так, повышение рекламного бюджета на 20% приводит к увеличению продаж на 15%. Эти результаты полезны для разработки стратегии маркетинга и управления в компании».
Рабочий лайфхак: представляйте ваши данные как неопровержимое доказательство, подтверждающее историю – это сделает ваши слова весомее и поможет слушателям согласиться с вашими выводами.
Это особенно важно, если вы идёте по направлению бизнес-аналитики, где вашим решениям должны поверить и реализовать их в бизнесе. Сначала ваш рассказ, вероятно, будет простым в степени «Капитан очевидность». Для того чтобы перейти на следующий уровень анализа данных и дойти до инсайтов, то есть неочевидных решений в бизнес-задачах, вам потребуется освоить более сложные методы, о которых вы узнаете дальше.
Проверка гипотез
Этот метод позволит вам выйти за пределы простого описания данных и найти неочевидные корреляции и выводы. Формулируя различные гипотезы и проверяя их на ваших данных, вы работаете как исследователь и точнее оцениваете действительность. Этот подход противоречит методу, когда мы выдвигаем одну гипотезу, а потом под неё ищем фактуру. На этом пути вам, прежде всего, нужно освоить A/B-тестирование .
Популярность A/B-тестов сегодня особенно высока в маркетинге (в других областях я встречаю их гораздо реже). Одна из самых популярных библиотек Python – это SciPy. Она предоставляет функции для статистического анализа данных, включая тестирование гипотез. И вот здесь мы сталкиваемся с краеугольным камнем анализа данных – статистикой.
Описательная статистика
Статистические данные — практически научный фундамент под ваши данные. Понимание ключевых показателей (среднее, медиана, мода и стандартное отклонение) поможет понять не только общие характеристики и потенциальные выбросы, но и проверить ошибки и достоверность данных.
Но при подготовке презентаций редко требуется статистическое обоснование, особенно для технически не погруженной аудитории. Поэтому освоение статистики будет вашим личным плюсом или поможет в общении на уровне таких же аналитиков данных, как и вы.
Машинное обучение
Методы машинного обучения помогают предсказывать неизвестные данные на основе известных. И погружение в машинное обучение я бы рекомендовал совместить с изучением статистики и теории вероятностей.
Допустим, у нас есть набор обезличенных данных о клиентах банка — информация о доходах, возрасте, семейном статусе, количестве кредитных карт, количестве просрочек и т.д. Наша задача — предсказать, будет ли клиент банка погашать свои кредиты в срок или же допустит просрочку.
Используя обычные статистические методы, такие как анализ средних значений и коэффициентов корреляции, мы ожидаемо получим низкую корреляцию между различными признаками. В результате будет сделан вывод, что на этих данных невозможно осуществить предсказание дефолта клиентов банка. Задача не решена.
А вот применяя алгоритмы машинного обучения, например, «случайный лес» или «градиентный бустинг», мы сможем сделать модели для предсказания дефолта. После обучения модели и её проверки на тестовом наборе данных точность предсказаний может составить более 90%.
Анализ данных – это непрекращающийся итеративный процесс. Используя 5 ключей к data-driven мышлению, вы сможете легко адаптироваться и быть востребованным специалистом. Визуализация данных самое простое, на мой взгляд, направление для входа в профессию аналитика, другие направления требуют более длительной подготовки.
Мир данных открыт для тех, кто готов учиться и развиваться!».