Что приходит вам в голову, когда вы слышите слово «предсказание» или слово «прогноз»? Нострадамус, который предсказал… кажется, все на свете? Или ставки на победу в финальном матче? Или вы задумываетесь, какая будет погода на следующей неделе, когда у вас начинается отпуск? Нам многое хотелось бы спрогнозировать – и в жизни, и в карьере. И конечно же, попадать при этом в яблочко, достигнув совершенства в составлении прогнозов по какому бы то ни было поводу. То же самое можно сказать и об организациях, которые хотят извлекать выгоду из данных и дата-аналитики.

Чтобы разобраться со следующим шагом в последовательности аналитических действий, давайте вернемся к нашему примеру с врачом. Как вы помните, доктор констатировал, что вы больны, а затем ушел и, строго говоря, ничем вам не помог (вы и сами знаете, что больны). А теперь представим, что доктор не ушел, а сделал следующий шаг – и смог диагностировать вашу болезнь и ее причину. Таким образом, он помог вам понять, какие процессы вызвали проблему, а это ведет к поиску возможных путей ее преодоления. Что же делает врач дальше, ответив на вопрос «почему?»? Он рассматривает возможные способы лечения, чтобы вам стало лучше: он прогнозирует, что если вы сделаете А, то за этим последует Б.

Давайте начнем разбираться с третьим уровнем аналитики, как обычно, с определения – что такое «предсказание» (или «прогноз»).

Мне очень нравится это определение. Давайте переварим его первую часть. Мы утверждаем или допускаем, что некое событие случится в будущем с некоей вероятностью. А теперь отдельно сосредоточимся на второй части определения – особенно с точки зрения организаций, которые стремятся с выгодой использовать дата-аналитику. Вторая часть определения гласит: «…или как следствие чего-либо». Насколько часто мы, занимаясь бизнесом, пытаемся что-то сделать в надежде, что это даст желаемый результат? Постоянно. «Если мы сделаем А, произойдет Б». К несчастью, как нам всем прекрасно известно, Б происходит не всегда. Если мы возьмем на вооружение всю мощь данных и дата-аналитики, возможно, следствия будут чаще совпадать с прогнозами.

Предсказательные методы анализа – одна из самых популярных форм аналитики в сегодняшнем мире, практически синоним компьютерной обработки данных и стратегии работы с ними. Почему? Давайте попробуем разобраться. Знакомы ли вам эти понятия: «обработка данных», «статистика», «машинное обучение», «алгоритм», «большие данные» и т. д.? Именно эти понятия и составляют третий уровня аналитики (и часть четвертого). Привычность этих терминов породила проблему, связанную с ростом инвестиций в данные и аналитику.

С появлением и распространением этих понятий люди и организации стали слишком полагаться на силу этих инструментов и навыков: как будто нам предстоит большая игра и наличие нужных составляющих решает все. Не поймите меня неправильно, возможности предсказательных методов действительно огромны, но, если у ваших сотрудников плохо с дата-грамотностью, им будет сложно пользоваться всеми преимуществами предиктивного анализа. Давайте убедимся в этом на примере.

Представьте, что вы – специалист по статистике, построивший сильную прогностическую модель календарного графика покупок на предстоящий сезон отпусков. Вы использовали корректные данные (которые иногда бывает сложно добыть), что помогло в принятии правильного решения. Затем на основании модели вы создали презентацию и начали показывать ее коллегам. К сожалению, при обсуждении результатов вашего анализа обнаруживается, что люди смотрят на вас пустыми глазами. Вы все сильнее расстраиваетесь – мало кто способен понять ваш посыл. Поэтому вы задумываетесь, в чем проблема. А проблема совершенно точно не в ваших методах, модели или технологии – проблема в культуре работы с данными, принятой в организации, и в отсутствии у ваших коллег дата-грамотности.

Вкладывая массу средств в сотрудников, занятых предиктивной аналитикой, обработку данных и технологии, организации не получают выгоду от этих инвестиций. Если сотрудники не способны как следует использовать данные и дата-аналитику, потенциальная польза предиктивного моделирования и методов анализа стремится к нулю. Но если сотрудники обладают нужными навыками, предсказательная аналитика может принести большую пользу.

Какие технологии и компьютерные программы могут помочь в успешном предиктивном анализе? Во-первых, это два языка программирования, которые завоевывают все большую популярность в сфере обработки данных, – Python и R. С их помощью специалисты по статистике, количественной аналитике и т. д. строят модели. Кроме того, они так здорово называются! Один – как змея, а другой похож на рычание тигра: р-р-р.

Кроме того, есть компании, производящие ПО, которое упрощает обработку данных для конечных пользователей (тех, кто уже хорошо знаком с первыми двумя уровнями аналитических методов). Среди таких компаний – Alteryx, SAS, Apache Spark, D3 и другие. В прогностическом анализе можно использовать все те же Microsoft Excel, Tableau и Qlik. На самом деле рядовым сотрудникам вовсе не обязательно быть профессионалами в обработке данных – достаточно простой дата-грамотности.

Мы уже упоминали о профессиях сотрудников, которые нужны для предиктивного анализа: специалисты по обработке данных и количественному анализу, специалисты по статистики и т. д. Даже дата-аналитики могут применять предиктивный анализ. Кроме того, в мире дата-грамотности есть место не только технарям: любой, кто способен говорить на языке данных, может пользоваться и предсказательными методами. Таким образом, сотрудники, имеющие дело преимущественно с дескриптивным и диагностическим анализом, при наличии модели, анализа и других составляющих могут принимать участие и в работе с прогнозами – пытаясь разобраться в них и присоединяясь к обсуждениям.