Не верьте тому, что видите! Будьте скептиками! В мире Digital вам, как никогда, нужна дополнительная информация для принятия верного решения.
Мы часто перестаем искать новую информацию, как только нашли ответ на вопрос, который сами поставили. А что в итоге? Мы только подтвердили свое первое предположение. А есть уверенность, что именно оно было единственно правильным? О чем же не стоит забывать, и как получить результат, который будет давать максимальный эффект.
Возможно, вы уже ознакомились с правилами Стивена Бробста, сформулированными в предыдущей публикации. Одно из них стоит того, чтобы дополнить его своими примерами и представить свое видение. Почему нужно быть скептиками?
Рост числа данных меняет наше отношение к ним и подходы к работе.
Возможно, вы уже ознакомились с правилами Стивена Бробста, сформулированными в предыдущей публикации. Одно из них стоит того, чтобы дополнить его своими примерами и представить свое видение. Почему нужно быть скептиками?
Рост числа данных меняет наше отношение к ним и подходы к работе.
Мы не можем просто искать в данных «бриллиант». Необходимо выявлять все возможные залежи различных пород. И только потом принимать решение о том, что из найденного может стать для нас «драгоценностью».
Куда мы торопимся?
Как часто нас устраивает решение, которое сразу подтверждает наши изначальные предположения? Уже в самом начале поисков мы «видим» решение, которое хотим получить и ищем любое положительное ему подтверждение. И как только находим, — «Эврика!», поиски прекращаются!
Этим часто грешат консультанты и коучи, правильно подводя клиента к его же собственным заключениям, которые уже сидят у него в голове. Но у каждой медали всегда есть две стороны. Если идти в разрез с клиентом, у консультанта есть шанс не довести задачу даже до контракта, уже по причине не желания клиента рассматривать все варианты, необходимые для исключения ошибки. В результате мы не видим новых возможностей и продолжаем топтаться на месте.
Поспешное принятие решений при работе с данными — губительно для поиска прорывных идей !
Нас останавливает страх, что наше первое предположение является ошибочным. Нужно научиться быстро расти на ошибках, потому что страх — сильнейший враг креативности.
Наступив несколько раз на грабли, мы будем готовы к проработке всех возможных вариантов (разумно оставаясь в рамках бюджета и сроков).
Почему не используем то, что под рукой?
В современном Digital мире количество данных, накопленных о клиентах или устройствах (если мы говорим про Internet of Things) с каждым днем все больше и больше. Но проблема в том, что эти данные крайне редко находятся в одних руках. Для того, чтобы уверенно принимать решения, мы должны уметь собирать из разных источников и объединять эти данные, обрабатывать и использовать для анализа.
Простой пример на сложную тему, с которым мы продолжаем сталкиваться при автоматизации бизнес-процессов. Для того, чтобы правильно описать существующий бизнес-процесс необходимо выполнить огромный пласт работы. Но очень часто, аналитики для описания и создания схемы могут воспользоваться только интервью с бизнес-экспертами. После множества этапов согласований, вопрос «А вы уверены, что наши процессы работают именно так?» все равно остается открытым, а ответ чисто субъективным. Что дальше…
После нескольких месяцев реализации «важнейшего» ответвления бизнес-процесса и успешного выхода в продуктив, получаем, что данная ветка используется всего 4-5 раз в месяц, когда по основному сценарию выполняется более 10 000 экземпляров процессов. И оказывается, что это ответвление и не такое уже важное, и что от него гораздо проще было отказаться в начале пути, чем реализовывать.
С развитием Big Data возможности по анализу данных организации существенно возрастают. К таким интервью нужно добавлять информацию с взятую из ИТ-систем, но это пока задача не из легких. Большие надежды я возлагаю на развитие и реализации алгоритмов Process Mining, позволяющие «поднять и понять» реально работающие сквозные бизнес-процессы в организации по «следам» в различных разрозненных системах и получить полную картину — как на самом деле выполняются процессы, что делают люди, что делают системы, какие из процессов следует оптимизировать и автоматизировать в первую очередь, и к какому эффекту могут привести изменения.
Еще одним из очевидных примеров является классический розничный бизнес банка. Современный пользователь банковских услуг мало того, что является клиентом нескольких банков одновременно, так еще и взаимодействует с банковскими ресурсами по множеству каналов и с различных устройств. Банку для принятия решения о том, что же сейчас нужно этому Клиенту, и что ему предложить, необходимо уметь объединять эту информацию и получать единый профиль клиента с его интересами и предпочтениями. Нужно выстраивать работу со своими данными и идти за внешними, без которых картина о клиенте будет неполной.
Использование недостаточного количества данных снижает эффективность решения.
Когда мы используем внешние данные, есть риск, что эти данные были уже обработаны. каждый из участников экосистемы на рынке хочет добавить свою ценность на своем месте в пищевой цепочке. И если речь идет о данных, то вместо самих данных нам предлагают результат их обработки и полученные выводы. Но самое интересное, что если нам, как потребителям данных, нужны именно ДАННЫЕ, если они нам нужны для обогащения собственных данных, то мы попадаем в ловушку.
Мы уверены в качестве этих данных?
Простой пример — из рынка интернет-рекламы. На рынке существует множество игроков, предлагающих профили пользователей, аудитории и сегменты, построенные на истории посещений «людьми» (куками) веб-ресурсов и гарантирующие попадание в определенные категории, интересы и предпочтения. Организация может обогатить этими профилями данные о своих клиентах, для таргетированных предложений.
Такие профили строятся на базе таксономии, мало имеющей отношения к конкретной организации (и уж тем более к «профилю клиента этой организации»). И всегда будет оставаться вопрос — могли бы мы получить более точные результаты, если бы опирались на «сырые» данные, использовали свою собственную таксономию, и самостоятельно делали выводы о профиле клиента? Я считаю, что ответ — положительный.
«Хотите качественных данных — «снимайте» с источника.»
Если необходима уверенность, что данные действительно качественные, то нужно искать источники, предлагающие данные с минимальной переработкой. В примере выше — данные нужно брать с тех, кто их собирает.
Использование неправильных источников данных искажает результаты.
Например, если мы Банк и точно знаем, что нам нужны для обогащения данные определенного интернет-магазина, чтобы понять, что хотят покупать наши клиенты и успеть им сделать наше правильное предложение, то нужно договариваться с этим магазином. Технически это может быть реализовано либо через свою систему PrivateDMP(да, ее нужно создавать и поддерживать, если мы хотим не потерять наших клиентов. Но другого пути в мир Digital у организаций нет.), либо через Биржу Данных, решающую за нас многие вопросы интеграции и передачи данных.
Только так можно будет избежать потерь и снижения качества при путешествии данных от источника до нашей задачи, где они действительно необходимы. Иначе, все витамины исчезнут, пока варится суп.
Что же мы получаем и о чем нужно помнить при работе с данными:
- Не верьте первым находкам.
- Расширяйте зону поиска.
- Ищите в первичной породе.
- Продолжайте искать.
Чтобы почувствовать вкус данных, вам нужно перейти на сыроедение и тщательное самостоятельное пережевывание.