Третий уровень аналитических методов – конечно же, предиктивный, то есть предсказательный. Какое отношение имеет к нему дата-грамотность? Ведь не все обязаны обладать техническими навыками. К сожалению, из-за того, что прогностический (и следующий уровень, прескриптивный) анализ может требовать технической подготовки, например умения программировать или знания статистики, часто считается, что он не для всех. Но такой подход вредит общей работе с данными. Дата-грамотность напрямую связана с прогностическим анализом – давайте посмотрим, каким образом.

Во-первых, мы помним, что в понятие дата-грамотности входит один ключевой навык – чтение данных. После того как специалисты с помощью предсказательных методов построили модель или провели анализ, все остальные заинтересованные лица должны суметь прочитать его результаты. Только в этом случае они смогут принять обоснованные решения – для чего и нужна дата-грамотность.

Во-вторых, дата-грамотность тесно связана со свободным владением данными, то есть способностью говорить на языке данных. Представьте себе: вы работаете на маркетинговую фирму, и вам нужно проанализировать данные по последней кампании (вспомним третью составляющую дата-грамотности – способность анализировать данные). Проблема в том, что представленные вам данные слишком сложны, поэтому вы вынуждены обратиться к специалисту, который сможет их обработать с применением не только дескриптивных методов. Иными словами, вам нужна помощь в диагностике. Если вы достаточно хорошо владеете дата-грамотностью, то сможете эффективно описать другому, что вам нужно. Вам удастся успешно донести до технических специалистов, что вы хотели бы получить из этих данных, а затем вы вместе с ними завершите анализ. Это и есть целостная работа всех четырех уровней аналитики.

Чтобы лучше понять, что к чему в предсказательном анализе, давайте рассмотрим примеры.

Всем нам интересно, какой будет погода в ближайшее время. Кто из вас пользуется специальными метеоприложениями для смартфона, чтобы вовремя узнавать, как лучше одеться? Наверняка многие из вас, а лично я – всегда, особенно если планирую рабочие поездки. Как-то в ноябре я собирался в командировку в Финляндию. Надо сказать, ноябрь в Финляндии не самый теплый месяц. Я, конечно, все же взял с собой не самое подходящее пальто, но без прогноза погоды наверняка замерз бы насмерть в такой дальней поездке.

А осознаете ли вы, сколько труда за прогностическим моделированием погоды? Подробно останавливаться на этом я не буду, Нейт Сильвер прекрасно раскрыл тему в своей книге «Сигнал и шум: Почему одни прогнозы сбываются, а другие – нет» (The Signal and the Noise: Why So Many Predictions Fail – but Some Don't). И все же следует заметить, что метеорологический прогноз – это уникальная задача.

Во-первых, погода – очень сложная система. В последние годы метеопрогнозирование шагнуло далеко вперед, однако не забывайте: специалисты по предиктивной аналитике должны не только провести анализ, но и донести его результаты до простых граждан, то есть до нас с вами. Если у нас нет сомнений, что прогноз нам понятен, то мы можем принять решение, какую одежду, исходя из ожидающейся погоды, стоит иметь под рукой. И вот мы снова видим в действии дескриптивный (прогноз), диагностический (почему погода будет такой) и предиктивный (как может измениться погода в дальнейшем) уровни аналитики. А дата-грамотность имеет к этому самое прямое отношение: здесь есть и чтение данных (и со стороны тех, кто строит модели, и со стороны тех, кто изучает прогноз, чтобы принять решение), и работа с данными (построение моделей, дальнейший их технический анализ и сообщение результатов аудитории).

Есть и еще одна сфера, где прогнозы делаются постоянно: это, конечно же, спорт. Если вы следите за спортивными событиями, вспомните последний матч: какая команда была фаворитом? Были ли прогнозы, сколько голов забьет ваш любимый игрок? А как насчет прогнозов на сезон (кто выиграет чемпионат, кто станет лучшим бомбардиром и т. д.)? А еще интереснее – насколько верными оказались все эти прогнозы? В спорте так много факторов, что предиктивный анализ способен серьезно помочь спортсменам, тренерам и руководителям спортивных команд в достижении успеха. Приведу конкретный пример.

Национальная баскетбольная ассоциация США широко использует предсказательные методы – например, как говорится в одной статье, в тренерских стратегиях: «С помощью моделей можно предсказывать, будет ли игрок в той или иной позиции бросать мяч в корзину или передаст его кому-то (и кому именно)». Логично предположить, что если в таком популярном виде спорта, как баскетбол, охотно прибегают к огромным возможностям предсказательных аналитических методов, то и другие спортсмены тоже широко ими пользуются.

Но есть и ловушка: мало построить такие модели, надо еще суметь донести их результаты до тренеров и спортсменов, иначе в них не будет смысла. Поэтому следует помогать техническим специалистам как следует формулировать, что именно они почерпнули из данных. Спортсмены и тренеры просто обязаны обладать достаточной дата-грамотностью, чтобы понимать прогнозы, а общий успех должен обеспечиваться целостным подходом и следованием общей стратегии.

Рассмотрим последний пример, на этот раз непосредственно из мира бизнеса: как решить, кому адресовать нашу маркетинговую кампанию? Бизнес всегда старается совершенствовать способы обращения к потребителям, и отличным подспорьем в этом становится предиктивная аналитика. Целевой маркетинг – прекрасный пример ее применения. Пожалуйста, обратите внимание: предсказательный анализ в целевом маркетинге должен гарантировать, что кампания обойдется без предубеждений и дискриминации. И конечно, необходима последовательная стратегия – только так дата-грамотность может обеспечить организации успех в работе с данными и прогнозами.

Когда руководство компании поручает отделу маркетинга применить целевой подход, аналитики или специалисты по обработке данных строят прогностические модели – а для этого им необходимы данные. Задача других сотрудников – предоставить им эти данные и четко донести до них цели и задачи анализа. По завершении моделирования команда специалистов должна передать его результаты сотрудникам отдела маркетинга, которые, обладая (хочется надеяться) навыками дата-грамотности, смогут решить, как использовать все эти данные. Только тогда можно запускать кампанию. Когда будут получены первые показатели успешности этой кампании, их снова можно использовать в итеративном процессе анализа.

Все три примера наглядно демонстрируют нам важную роль дата-грамотности в предиктивной аналитике. Сотрудникам организации необходимо уметь читать результаты, работать с моделями и данными, анализировать информацию и общаться с остальными на общепонятном языке.