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).
Пример 2. Спорт
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)»
[35]. 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.
Пример 3. Маркетинговые кампании
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.
Дата-грамотность и прескриптивный анализ
Прескриптивный (или предписывающий) анализ неизбежно требует, чтобы мы мыслили более «технически», но не стоит думать, что этим все и исчерпывается. Сейчас вы возразите: а зачем тогда было писать, что дата-грамотность – это не технические навыки? Вы что, хотели нас обмануть? Ни в коем случае! Дата-грамотность не имеет отношения к технической стороне вопроса, однако не забывайте о таких аспектах, как свободное владение данными и способность говорить на их языке. Работая с данными и результатами их анализа, люди применяют навыки дата-грамотности; им необходимо свободно ориентироваться в результатах предписывающей аналитики, а также делиться с другими полученными знаниями и сообщать о принятых решениях. Итак, что же такое прескриптивный анализ? Определение, сформулированное авторами одной статьи, приведено ниже:
Прескриптивная аналитика – процесс анализа данных для составления рекомендаций по оптимизации бизнес-практик в соответствии с предсказанными результатами. Прескриптивная аналитика берет «то, что известно» (данные), изучает эти данные, чтобы понять, «что может произойти», а затем предлагает наиболее подходящее руководство к действию на основании строгого моделирования
[36].
Далее в статье говорится, что в рамках прескриптивной аналитики используются смоделированные структуры для предсказания результатов, а затем при помощи технологий машинного обучения, искусственного интеллекта, делового регламента (алгоритма деловых операций в рамках автоматизированной системы управления организацией) и прочих алгоритмов проводятся симуляции различных подходов, соответствующих разным возможным результатам. После этого специалисты предлагают наилучшие варианты действий для оптимизации бизнес-процессов. Проще говоря, прескриптивная аналитика говорит нам, что должно произойти. Таким образом, мы видим, как на этом уровне анализа сочетаются различные навыки – технические и нет.
Давайте начнем с технического аспекта. В сфере данных и дата-аналитики мы сталкиваемся с терминами, которые сейчас используются повсеместно и неизменно вызывают интерес у широкой публики: машинное обучение и искусственный интеллект. В области прескриптивного анализа потребность в технических специалистах очевидна: они разбираются в программировании, обработке данных, статистике и других технологиях, связанных с данными. Умные машины и искусственный интеллект делают за человека большую часть работы (мы не будем останавливаться на этом подробно), но не могут подменить его во всем. «На выходе» информацию всегда должен встречать человек, способный интерпретировать полученные результаты, применить их и использовать для обоснования решений. Примеры из реальной практики помогут нам лучше разобраться в этом вопросе.
