Наука о данных, машинное обучение, искусственный интеллект.
Это лишь некоторые из наиболее часто используемых слов в бизнесе в 2017 году. Например, Google Trends показывает, что поисковые запросы к «машинному обучению» и «науке о данных» в 2017 году стали на 400% больше, чем в 2004 году.
«Каждую секунду каждого дня наши чувства приносят слишком много данных, чем мы можем обработать в нашем мозгу». - Питер Диамандис, председатель / генеральный директор, X-Prize Foundation
Но то, что мы являемся свидетелями технологической революции, не означает, что мы собираемся пожинать плоды от нее, если просто будем сидеть в стороне. Мы должны использовать данные и что-то с ними делать.
Почему данные, особенно сейчас, имеют значение
Информация, хотя и недостаточная, важна для принятия разумных решений. Наши эмоции мимолетны и легко поддаются влиянию, поэтому «действовать интуитивно» часто приводит к катастрофе.
В наши дни фирмы имеют возможность собирать такой огромный объем данных и хранить их практически с нулевыми предельными затратами.
Например, если вы руководитель проекта, вы почти наверняка отслеживаете работу клиентов и детали каждого контракта. Вы также отслеживаете информацию о том, что в проекте прошло хорошо, а что нет, кто в нем участвовал и сколько времени это заняло? А как насчет ваших поставщиков? Вы отслеживаете все свои решения о покупке?
Эти фрагменты информации могут быть не очень полезны сами по себе, но вместе они могут дать множество идей. Например, исследование Эрика Бриньолфссона и Кристины МакЭлхеран показывает на выборке производственных предприятий, что частота принятия решений на основе данных утроилась с 11% в 2005 г. до 30% в 2010 г., а внедрение этих практик было связано с Повышение производительности на 3% при еще большем выигрыше среди предприятий, у которых было больше информационных технологий и квалифицированных рабочих.
«Целое больше, чем сумма его частей». - Аристотель
Принятие решений на основе данных позволяет выявлять закономерности и разрабатывать передовые методы, чтобы вы могли исключить поведение или ошибки, которые мешают созданию ценности.
Шаг 1. Сбор данных
Инфраструктура важна. Иногда организации застревают в колее с устаревшим программным обеспечением или платформой, которая была создана для удовлетворения потребностей конкретной клиентской базы или рынка, который с тех пор изменился.
В этих случаях возникает вполне реальная проблема, которую нельзя решить в одночасье. Однако даже в этом случае вы все равно можете придумывать простые эксперименты, чтобы понять, что работает, а что нет, и какие идеи могут открывать новые перспективные возможности для бизнеса.
Однако чаще всего ваша архитектура данных оказывается достаточно надежной, чтобы позволить интегрировать различные фрагменты информации внутри или внутри бизнес-единиц. Что важно, так это то, что вы организовываете различные фрагменты информации таким образом, чтобы они были сопоставимы по единицам и во времени.
Итак, если вы измеряете эффективность проекта, вы хотите поддерживать общую метрику, которую вы можете анализировать во времени и / или пространстве - иначе вы застрянете, сравнивая яблоки и апельсины.
Шаг 2. Изучение данных и формулировка вопроса
В то время как в исследованиях часто приходится сначала сформулировать вопрос, прежде чем найти правильные данные - поскольку разные вопросы исследования требуют разных требований к данным, - в организационной среде этот процесс часто меняется на противоположный. У вас уже есть данные, но вы не всегда уверены, как их можно использовать для получения практических сведений.
Имея доступ к информации, описанной в шаге 1, вам просто нужно импортировать информацию в любой стандартный статистический пакет. Например, R - один из наиболее часто используемых пакетов, и это бесплатный и открытый доступ.
Теперь это творческая часть. Вам следует использовать свой опыт, чтобы дисциплинировать использование данных. Это то, что Кэтрин Шоу фактически называет внутренней эконометрикой: использование того, что вы знаете об организации (или работы с другими в ней), для создания более информированных и полезных статистических моделей.
Хотя искусственный интеллект прошел долгий путь в распознавании образов, ничто не заменит проницательность и опыт в принятии решений людьми. Итак, спросите себя: «Какие результаты интересны вам и вашему более широкому организационному подразделению?»
Возможно, это доход, но, возможно, это вовлеченность сотрудников. Со временем ваши приоритеты могут измениться.
«Цель состоит в том, чтобы превратить данные в информацию, а информацию - в понимание». - Карли Фиорина, бывший генеральный директор компании Hewlett-Packard.
Шаг 3. Выбор и анализ модели
Это самый сложный шаг, поскольку он требует опыта не только в статистике и / или информатике, но и в причинно-следственных связях.
Базовый статистический регрессионный анализ может иметь большое значение для выявления невероятных идей и закономерностей на основе данных. Но то, что вы видите, как две вещи движутся вместе, не означает, что вы определили действенный интеллект. Ведь, как говорится, «корреляция не предполагает причинности».
Возьмем пример вовлеченности сотрудников. В академическом партнерстве с Payscale я использовал их краудсорсинговую платформу, чтобы связать показатели корпоративной культуры с компенсацией и другими характеристиками сотрудников, чтобы восстановить ценность для сотрудников культуры денежной оценки.
Однако фундаментальная статистическая проблема заключается в том, что более продуктивные люди, вероятно, будут получать предложения от компаний, которые имеют одновременно лучшие финансовые предложения и нефинансовые удобства. Проще говоря, стандартные методы могут ложно предполагать связь между компенсацией и корпоративной культурой просто потому, что на эти должности распределяются более продуктивные люди.
Хотя мое решение статистической проблемы можно найти в полном рабочем документе, суть здесь просто в том, что вы должны осознавать, что в выявленных вами паттернах есть нечто большее: потенциальные ненаблюдаемые переменные, ошибочные измерение данных и двунаправленность между входными и выходными переменными, и это лишь некоторые из них.
«Без анализа больших данных компании слепы и глухи, блуждая по Интернету, как олени по автостраде». - Джеффри Мур, консультант
Помимо бизнес-аналитики
Хотя поиск способов сэкономить деньги и повысить ценность для ваших клиентов очень важен, данные также можно использовать для принятия более эффективных решений о найме. Наем важен, потому что он не только определяет вашу способность действительно удовлетворять потребности клиентов, но также влияет на то, как вся ваша команда и организация общаются друг с другом и решают проблемы.
В самом деле, человеческий капитал является наиболее важным типом капитала, и люди, которые либо не разделяют этого видения, либо в целом плохие парни, могут задушить в противном случае влиятельное предприятие.
«Сотрудники - главный актив компании, ваше конкурентное преимущество. Вы хотите привлечь и удержать лучшее; предоставить им поддержку, стимул и дать им почувствовать, что они являются неотъемлемой частью миссии компании », - Энн М. Малкахи, бывший генеральный директор Xerox Corporation
Поэтому важно найти оптимальную текучесть кадров. Вам нужно что-то, так как вашей организации нужен способ отфильтровывать людей, которых впускают и которые не работают хорошо, но вы также не хотите слишком многого, поскольку это отвлекает от работы с клиентами и заставляет сотрудников беспокоиться о своей работе.
Теперь, предполагая, что ваша команда кадровых ресурсов ведет хороший учет как нынешних, так и бывших сотрудников, вы можете связать характеристики сотрудников с вероятностью увольнения отдельного сотрудника.
И что невероятно, вы не ограничены простыми измерениями, такими как пол и образование, а, скорее, целым набором показателей эффективности и даже показателей настроений, основанных на письмах сотрудников (например, электронных письмах). Например, методы обработки естественного языка теперь достаточно продвинуты, чтобы вы могли вводить текстовый документ с заранее определенными ключевыми словами и фильтрами для измерения уровня агрессии человека.
Мой друг Бо Коугилл из Колумбийской школы бизнеса провел эксперимент именно в этом направлении. В частности, он обучил алгоритм на исторических данных о сотрудниках и текучести кадров, включая информацию из их резюме, чтобы определить, насколько хороши алгоритмы при принятии решений о найме, вместо того, чтобы полагаться исключительно на усмотрение руководства.
Возможно, удивительно, что кандидаты, выбранные алгоритмом, с большей вероятностью пройдут первое собеседование, согласятся на работу, если им ее предложат, и произведут больше работ после приема на работу, чем их коллеги, прошедшие стандартный процесс.
Это не означает, что мы должны возлагать все решения на алгоритмы. Скорее, мы должны знать, как взаимодействовать и использовать данные, чтобы принимать более обоснованные решения, которые увеличивают размер пирога для всех.
Так что не бойтесь данных в новом году - пусть они работают на вас и вашу организацию!
