Основа мира аналитики — четыре уровня: дескриптивный (описательный), диагностический, предиктивный (предсказательный) и прескриптивный (предписывающий).
Когда мы думаем об определении дата-грамотности с его четырьмя элементами — чтением, работой, анализом и общением на языке данных, — то можем особым образом выделить одну из них. Меня часто спрашивают: «Какой из четырех элементов наиболее важен?» На самом деле, конечно же, все — но отвечать так не совсем честно. Мне кажется, одна из них все же выделяется на фоне других: это способность читать данные. Способность читать что бы то ни было дает нам огромные возможности: мы изучаем доступную нам информацию и приходим к собственным выводам, осознавая в результате, что происходит вокруг нас. В случае с данными способность их читать жизненно необходима — данные повсюду, они окружают нас, и мы должны понимать, о чем они говорят. Кроме того, эта способность дает нам возможность говорить с другими на языке данных: мы не просто понимаем, что именно увидели, но и можем донести это до других. Для большей ясности рассмотрим пример.
дата-грамотность — это способность читать данные, работать с ними, анализировать их и использовать как аргумент [18].
Мне нравится это определение, но для ясности хотелось бы расширить и несколько видоизменить формулировку «использовать как аргумент». Понятно, что в данном случае она означает «подкреплять свою точку зрения данными», но не слишком ли это узко? Не нужен ли дополнительный смысл? Мне бы хотелось расширить определение.
Дата-грамотность — это способность читать данные, работать с ними, анализировать их и общаться на языке данных.
Рассматривать мир прескриптивных методов следует как способ дополнить человеческие возможности. Технологии, используемые на этом уровне, позволяют просеивать огромные объемы данных, что ускоряет процесс анализа и исключает возможность человеческих ошибок. Однако затем нужно правильно интерпретировать данные, предоставленные программой. Предписывающие методы помогают получить достоверные результаты анализа, но принятие на их основе правильных решений — задача человека.
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.
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 определения — что такое «предсказание» (или «прогноз»).
Итак, спрогнозировать (или предсказать) — это «заявить или предположить, что некое событие произойдет в будущем само по себе или как следствие чего-либо».
Если организация будет учить сотрудников выявлять причины тех или иных проблем с помощью диагностических методов, у нее будет больше шансов на возврат инвестиций в данные и дата-аналитику.
Одно из определений слова «диагностика» — «выявление природы заболевания или другой проблемы путем исследования симптомов».
Да, в мире данных и аналитики мы не диагностируем болезни людей или животных, но ставим диагноз тому, что происходит с бизнесом, и пытаемся докопаться до корня проблемы. Еще одно понятие, неразрывно связанное с диагностическим анализом, — это инсайт, проникновение в суть данных, понимание движущих сил и причин происходящего.
