Второй из четырех уровней аналитических методов – это диагностическая аналитика, которую я называю уровнем «почему». Дескриптивный анализ, повторюсь, это просто наблюдения. Мы наблюдаем за тем, что произошло или происходит, но не ищем причин этого. Причины относятся уже ко второму уровню. Этот уровень аналитики – сама сущность дата-грамотности. Возможность выяснить, почему произошло что-либо, позволяет организации по-настоящему проникнуть в суть вещей, найти ответы и в итоге принять правильные решения. Да, мы можем успешно наблюдать, но полноценно применить навыки дата-грамотности можно только в процессе обретения знаний, отвечая на вопросы «почему?». Давайте выясним, отчего дата-грамотность так хорошо сочетается с диагностическим анализом.

Первая ступень путешествия по второму уровню аналитики – это чтение данных. Чтение данных, первый элемент дата-грамотности, означает способность воспринимать и понимать данные. Чтение данных, представленных в процессе дескриптивного анализа, жизненно необходимо для успешного перехода на следующий уровень – к пониманию причин происходящего. Кроме того, чтение данных позволяет человеку задавать больше вопросов, запрашивать больше данных и анализировать больше информации.

Второй элемент дата-грамотности – это работа с данными. Работа с данными – прекрасный способ углубиться в результаты описательного анализа и найти стоящие за ними «почему». Благодаря таким компаниям, как Alteryx, Qlik, Tableau Software и другим, у нас есть прекрасные инструменты не только для построения визуализаций и анализа, но и для подробного изучения данных и манипуляций с ними. На рис. 6.4 представлен пример сводки, построенной при помощи программы Qlik Sense.

Обратите внимание на фильтрацию, которую обеспечивает эта таблица. Фильтрация данных позволяет нам получать нужные сведения гораздо быстрее. Или это не так? Давайте переформулируем: фильтрация позволяет нам все глубже и глубже погружаться в данные, чтобы найти эти сведения.

В рамках диагностического анализа разные сотрудники организации также могут работать с данными по-разному. Приведем несколько примеров.

● Топ-менеджеры. Руководители могут и должны играть важнейшую роль в определении причин, стоящих за появлением тех или иных данных. Рассматривая отчеты, сводки и другую информацию, топ-менеджеры анализируют ее с привлечением своего многолетнего опыта. Они ставят вопросы, высказывают идеи и активно участвуют в обсуждении. Главное для них – полноценно донести до технических специалистов свои мысли о причинах происходящего, а затем обратиться к ним за дальнейшими исследованиями.

● Аналитики. Демократизация данных предоставляет команде аналитиков доступ к огромному количеству информации. Аналитики могут строить визуализации, а затем проводить фильтрацию и другие манипуляции с данными, чтобы, проведя описательный анализ, увидеть, что произошло, и грамотно диагностировать ситуацию.

● Специалисты по обработке данных. Эти сотрудники тщательно изучают данные, чтобы найти все возможные «почему». Затем, опираясь на найденные причины, они строят прогнозы и модели (мы поговорим об этом подробнее, когда будем разбирать третий уровень аналитики).

Конечно, в организации не только эти сотрудники так или иначе работают с данными: эта работа на диагностическом уровне аналитики может принимать самые разные формы.

Третий элемент дата-грамотности – анализ данных: в нашем случае ее можно считать несколько избыточной. Анализ данных – суть диагностического анализа. Давайте вспомним наш гипотетический пример с врачом: он должен помочь пациенту и поставить диагноз. Сначала он ищет описательные признаки – симптомы, наблюдаемые внешне и описываемые пациентом. Затем, опираясь на свой опыт и знания, он предполагает диагноз. Чтобы подтвердить диагноз, он должен привлечь все свои профессиональные навыки. Так он постепенно выясняет, что же действительно случилось с пациентом.

То же самое должно происходить и в коллективе. Не у всех есть соответствующая подготовка, и не все способны провести полноценный диагностический анализ, но каждый сотрудник организации должен развивать навыки дата-грамотности, чтобы правильно отвечать все на тот же пресловутый вопрос «почему?». Работа с данными дает возможность каждому вносить свой вклад в общее дело: сотрудники совместно получают знания, на которых впоследствии будут основаны взвешенные и продуманные решения.

И наконец, последний элемент дата-грамотности – общение на языке данных. Это обязательная часть: умение донести до других полученные знания помогает в принятии решений. Если коммуникация нарушена, организация не в состоянии принимать обоснованные решения. К сожалению, умение говорить на языке данных – или свободное владение данными – в мире аналитики встречается реже, чем хотелось бы, поэтому обучение дата-грамотности просто жизненно необходимо. На диагностическом уровне, как и на дескриптивном, анализ должен отвечать тем же критериям: быть простым, исчерпывающим и эффективным. Когда вы делитесь полученными результатами с другими, не нужно живописать весь процесс анализа поэтическим языком, говорите строго по существу. Свободное обращение с данными всех сотрудников позволяет организации создать подходящий план коммуникации и поддерживать сам процесс диагностического анализа от начала и до конца.

Можно ли привести примеры диагностической аналитики в действии? Конечно.

Один из лучших примеров использования дескриптивного и диагностического анализа – борьба со вспышкой холеры в Лондоне в 1854 году, о чем уже говорилось в главе 4 (см. рис. 6.5). Легенда гласит – а это, я настаиваю, именно легенда, поскольку со временем молва приукрашивает события, – что врач Джон Сноу с помощью визуализации данных помог остановить вспышку заболевания и предотвратить новую. Помимо того, что визуализация помогла сдержать болезнь, с ее помощью удалось сделать главное – подтвердить теорию, что вспышка была связана с загрязненной водой из водоразборной колонки. Так было опровергнуто ошибочное убеждение, будто холера передается по воздуху. Давайте рассмотрим эту визуализацию, чтобы еще лучше разобраться в двух первых уровнях аналитики.

Во-первых, взгляните на рисунок и определите, что на нем изображено. Джон Сноу попросил нанести на карту все дома, где были отмечены случаи заболевания. Больше всего больных оказалось в районе Брод-стрит: там и располагалась колонка, из которой жители брали воду.

То, что написано в предыдущем абзаце, по сути и есть дескриптивный анализ. Я смог описать, что происходило и где происходило. Более глубокий анализ может выявить что-то еще, но сейчас нам интересен именно описательный метод. А вы, если хотите, можете провести дальнейший анализ карты – например, расположения пивоварен: высказывалось предположение, что на пивоварнях не было случаев заражения холерой, поскольку работники пили бесплатное пиво, а не воду.

Двигаясь по уровням аналитики, мы замечаем, что описательный анализ порождает новые вопросы: почему много случаев заболевания было отмечено в районе колонки на Брод-стрит? Так, слева особенно много отметок о случаях холеры. Масса случаев и вдоль самой Брод-стрит, но вдоль прилегающих улиц – уже меньше. Задаваясь вопросами, мы переходим на второй уровень аналитики – к использованию диагностических методов.

Имея перед глазами визуализацию данных о случаях холеры, мы погружаемся в диагностический анализ. Большое количество случаев холеры вокруг колонки? Повод для новых вопросов. Так или иначе, ответы ведут нас к колонке на Брод-стрит… И действительно: обнаружилось, что вода в колонке загрязнена. Через нее передавалась болезнь. Врача Джона Сноу можно считать одним из пионеров журналистики данных – когда в основе журналистского материала лежит обработка данных.

А теперь давайте обратимся к сфере продаж. Компании, работающие в самых разных отраслях, стремятся выводить на рынок новые продукты, привлекать клиентов и получать доход – это естественно. Есть ли польза от дескриптивной и диагностической аналитики для отделов продаж? Помогает ли работа с данными эффективно осуществлять продажи? Этот пример наглядно показывает, что польза, безусловно, есть. Знаю, что эту тему мы уже рассмотрели, но для начала сделаем шаг назад и вспомним про дескриптивную аналитику: что она может рассказать о потенциальных клиентах, их распределении по демографическим группам и о реальных показателях в сравнении со спрогнозированными.

● Первый пример применения описательной аналитики – потенциальные клиенты организации. При помощи аналитического ПО (например, Qlik или Tableau) компания может визуализировать данные по потенциальным клиентам. А затем, применив фильтры, можно получить картину, которая позволит рассортировать клиентов (по финансовым возможностям, по местоположению и т. д.), чтобы передать результаты соответствующим торговым представителям или в другие подразделения компании, затребовавшие такие данные для своих целей. Как вы понимаете, посредством дескриптивного анализа организация может писать свою историю работы с потенциальными клиентами.

● Второй пример – это демографическая структура клиентской базы. Возможность визуально оценить распределение клиентов по местоположению, длительности взаимодействия с компанией, потраченным на ее продукцию средствам и множеству других показателей дает продавцам массу информации для понимания общей картины продаж в организации.

● Наконец, очень важно отмечать и описывать степень совпадения реальных показателей с прогнозами. Если организация не способна сравнить эти цифры, то у нее не получится ни поставить правильные задачи перед торговыми представителями, ни получить полную и безошибочную картину происходящего в сфере продаж. Однако не нужно забывать о том, что это лишь дескриптивный анализ. Все эти примеры необходимо дополнить диагностическими методами.

Итак, с дескриптивным анализом разобрались. Мы движемся дальше по аналитической цепочке и переходим от описательных к диагностическим методам анализа ситуации в продажах (чему и посвящен этот раздел главы 6).

● В нашем первом примере торговый представитель рассматривает потенциальных клиентов организации. Благодаря владению дата-грамотностью он может прочитать представленные ему данные и предположить, с какими из потенциальных клиентов будет наиболее выгодно работать. Это очень ценное умение. Затем торговый представитель может проанализировать данные о выбранных клиентах, чтобы спланировать общение с ними.

● Второй пример – распределение клиентской базы по демографическим показателям. Описательный анализ не дает нам полной картины, а вот дальнейшая диагностика – почему те или иные клиенты тратят определенное количество денег и покупают определенные продукты – позволяет лучше их понять и правильно выстроить взаимодействие с ними.

● Наконец, продавцу, стремящемуся выполнить месячную норму, просто необходимо понять тенденции продаж в сравнении с ранее сделанными прогнозами. Изучая реальное положение дел (которое может оказаться лучше или хуже предсказанного), он переходит от дескриптивного анализа к диагностическому и пытается выявить, почему все оказалось так, а не иначе. Этот навык крайне важен, и применять его следует регулярно. Кроме того, такой анализ дает организации возможность составлять более точные прогнозы в будущем.

Вышеприведенные примеры со вспышкой холеры и продажами наглядно показывают, что способность к наблюдению при помощи дескриптивной аналитики и умение совершить переход к поиску причин при помощи диагностических методов жизненно необходимы для успешной деятельности организации. Руководство должно предоставлять сотрудникам возможность развивать навыки дата-грамотности – чтение данных, работу с ними, их анализ и, наконец, общение на языке данных. Ни в коем случае нельзя забывать о последней составляющей – общении, то есть возможности делиться друг с другом полученными в ходе анализа знаниями. Только представьте, как все могло бы обернуться в Лондоне в 1854 году, если бы Джон Сноу не смог донести до других людей свое открытие по поводу колонки на Брод-стрит. А что было бы с продажами в нашей гипотетической компании, если бы ее торговые представители не смогли поделиться полученными при анализе данных важными знаниями о потенциальных клиентах? Странная была бы ситуация, согласитесь: специалисты нашли в демографической структуре клиентской базы важные факторы, определяющие те или иные тенденции, но никому о них не рассказали. Навыки общения на языке данных нужно совершенствовать в рамках дескриптивного и диагностического анализа.