skip to Main Content
Повече данни, повече информация, повече възможности. Защо данните са новото злато в икономиката?

Повече данни, повече информация, повече възможности. Защо данните са новото злато в икономиката?

Има различни умения и знания, които са необходими на хората в бизнес организациите –мениджъри, бизнес анализатори и предприемачи. Една основна група са така наречените Soft Skills или уменията да общуваме с колеги и бизнес партньори ефикасно и ефективно, да постигаме зададените цели, да даваме обратна връзка и да поддържаме мотивацията на екипите. Когато имаме нужда да се справяме с подобни задачи, трябва да отчитаме контекста на конкретната ситуация и да сме гъвкави да приложим най-подходящата стратегия според случая. Този процес обикновено напряга дясната част на човешкия мозък, нашия емоционален център.

И колкото и да е важна емоционалната интелигентност, живеем в ерата на данните. Затова днес всеки бизнес анализатор и мениджър по-често напряга лявата част на мозъка си, а именно аналитичната, наречена „логичен център“. В работата на един мениджър това е способността да дефинира бизнес задачи и проблеми, да се възползва  от наличната информация и да прилага различни методи, за да взема оптимални бизнес решения.

Тези умения попадат в групата Hard Skills и включват правила, формули и модели, които не се променят спрямо контекста, а са валидни за всяка бизнес ситуация.  В основата на „твърдите умения“ (hard skills) стоят логика, математика, статистика, теория на вероятностите и техните естествени продължения в конкретни бизнес и финансови методи и правила.

Hard Skills компетенциите винаги са били незаменими – колкото и да е добър един бизнес анализатор, мениджър или предприемач в работата си с хора и партньори, трудно може да е успешен в работата си без помощта на аналитичните способности, познаването на основните бизнес и финансови правила и закони.

В последните 20 години обаче светът претърпява нова революция, която някои наричат технологичната революция. Главните й двигатели са увеличението на изчислителната сила на машините ни. През 60-те години Гордън Мур, един от основателите на Интел, предполага, че изчислителната сила на машините ни ще се увеличава двойно на всеки 2 години. Това се постига чрез намаляване на размера на транзисторите. Тази зависимост е известна като Закон на Мур и продължава да е важи и днес, като единствената ѝ лимитация са физическите ограничения на атомите. Днес телефоните в ръцете ни имат повече изчислителна мощ отколкото бордовият компютър на Аполо 11, когато НАСА изпраща човек на Луната.

Това обаче не е просто интересен факт, който би впечатлил събеседниците ви на „чаени партита“. Последствията са силно приложими. Поради експоненциално увеличената изчислителна сила на устройствата ни, можем не само да съхраняваме, но и да анализираме колосални количества данни. Всяка минута има 46,740 нови снимки в Инстаграм, 3.6млн. заявки за търсене в Гугъл, 600 промени по страници в Уикипедия и 103млн. спам имейла.

Човечеството създава изключително много данни и трябват хора, които да ги анализират.

Ако до преди известно време аналитичната работа е била част от вътрешните процеси и управление на дадена организация, днес тя може да е изключително полезна във всички сфери на бизнеса – продажби, маркетинг, стратегия, операции и пр. Количеството и типа данни, които се събират, позволяват на компаниите да разбират до голяма степен нуждите и предпочитанията на своите клиенти, а и да достигат до тях по всевъзможни начини.

Повече данни, повече информация, повече възможности.

Може би сте попадали на статии, гласящи, че данните са новото злато в икономиките ни (Data is the new gold! Data is the new oil!).

Заради това трябва да знаем как да използваме числата и информацията. А колкото по-добър е един мениджър в това, толкова по-релевантен би бил той на пазара на труда.

Нека разгледаме няколко основни препоръки относно събирането и анализирането на данни и извличането на полза от резултатите.

  1. Задаване на правилните въпроси отначало

Да разполагаме с големи количества данни не винаги е достатъчно за решаването на даден бизнес казус. Преди всичко е нужно да определим целта на упражнението, да разберем цялата картина и чак след това да се потопим в числата и анализите.

Представете си, че сте ръководител на даден отдел, в който все по-често се случва да напускат хора. Вие най-вероятно разполагате с пълна база данни за представянето на служителите: справяне с ежедневните задачи за време и спрямо качествени критерии и KPI, обратна връзка на колеги от други отдели, годишни оценки. От тези данни бихте могли да разберем много за случващото се в компанията.

Ами ако причината за напускането не е вътре в компанията? Вземете например нов конкурент на пазара, който търси кадри подобни на тези във вашия отдел и предлага по-високи заплати. Трудно бихме разбрали проблема от базата данни в компанията. За да не се окаже, че използваме микроскоп за задача, за която ни трябва бинокъл, е изключително важно да дефинираме проблема и задачата правилно от началото, включително и стратегията ни за отговор – тип информация, количество и характеристики, метод на анализиране.

  1. Правилно боравене с данни и избягване на грешки

Анализирането на данни е прекрасно, но дори да е извършено перфектно, крайният резултат може да е подвеждащ. Основните грешки, които един анализатор може да допусне обикновено са логически и математически. По-опасно е обаче, когато тези грешки са направени от хората, които са събирали или обработвали данните преди да стигнат до анализатора. Това не е рядкост. Всъщност ръчното въвеждане на банкови данни (едни от най-важните) е само 97% точно. Но дори и автоматизираните системи крият своите проблеми при неправилна настройка от ИТ специалисти, които нямат достатъчно информация за бизнес проблемите на компаниите. Тези рискове нарастват с увеличаването на количеството и комплексността на базите данни, както и с броя на хората или звената, които участват в процеса на събиране и обработване.  Не е изненадващо, че дори в големи организации публикуват грешни проучвания, заради грешно събрани данни.

При грешка в първоначалната обработка на данните попадаме в ситуация “Garbage in – garbage out”: ако нещо е сбъркано в началото на един процес, то финалният резултат също ще е грешен.

  1. Избиране на правилния метод

Има различни методи, с които можем да вземем бизнес решение. Най-простият е да хвърлим монета – 50% шанс за една от две възможности. Разбира се, това далеч не е най-добрият начин за взимане на бизнес решения. Още повече, че за да хвърлим монета, трябва да сме дефинирали точно 2 възможности.

Друг метод, който е може би най-разпространен в България и по света, е доверяването на опита. В много компании бизнес решенията се взимат от хора, които имат дълъг опит, до който се допитват ежедневно. Но това определено ограничава развитието на една компания до индивидуалния опит на хората в нея.

Модерният бизнес анализатор притежава знания и инструменти, с които може по-бързо и по-ефективно да оценява различни възможности. Започвайки от  Excel, минавайки през специализирани софтуери като Tableau, Power BI, SPSS и езици за програмиране като R, Python, SQL – възможностите са безкрайни. Днес има стотици инструменти, които ни помогат да анализираме база данни, а и методите не отстъпват по брой. Но избирането на метод и инструмент (tool) е винаги подвеждащо. Това, което често наблюдаваме е, че хора, които имат широки познания в анализирането на данни, винаги желаят да използват най-новите и нашумели методи, независимо дали те са удачни за случая.

Едно от най-важните съображения при избор на метод/инструмент е кой ще използва данните след като направим анализа. Колкото по-семпъл е анализът и колкото по-достъпен е използваният инструмент, толкова по-голям шанс за „живот“ има решението. Затова Excel-ските таблици са един от най-разпространените начини за достигане на бизнес решения. Тъй като много хора могат да използват Excel, всички участници имат възможността да работят с файловете, данните и анализите. Ако един модел е създаден в програмен език като Ruby, колкото и оптимизиран да е той, вероятно не би намерил приложение в много организации единствено, защото няма да има кой да го поддържа или разчита.

Винаги е полезно един анализатор да има арсенал от най-различни методи за анализиране на данни, но никога не трябва да се прекалява със сложността на използваните методи в името на 1% по-голяма точност. Въпреки че, един от най-точните и добри методи е изкуственият интелект (AI), много организации не го използват в операциите си точно, защото предпочитат да имат по-ниска точност, но по-голяма степен на разбиране.

  1. Презентиране на резултатите

Трябва да признаем, че четенето на дълги таблици с числа не попада в любимите ни занимания. Хората не възприемат добре данните в суров вид. Ето защо, преди да представим нашите анализи, трябва да обобщим данните, да използваме подходящи графики и да комуникираме изводите. Да – сложихме фокуса върху лявата част от човешкия мозък, но не трябва да забравяме и дясната – тази, която е отговорна за емоциите. И най-добрият анализ е безсмислен, ако не го представим на хората, управляващи компанията ни. А зле представен анализ е равносилен на лош/посредствен анализ. Затова последната стъпка от работата на мениджъра, воден от данни, или на бизнес анализатора е начинът на представяне на резултатите. Добрата презентация може да направи разликата между ангажираща дискусия и поредната среща, която участниците са нетърпеливи да напуснат. Пример:

И все още няма достатъчно специалисти, които да работят ефективно с данни

Модерните алгоритми могат да предскажат кога един клиент е готов да купи определен продукт преди самият клиент да е взел решението; кога фирмите е добре да подобрят или разширят продуктовата си линия, преди мениджърите да осъзнаят, че има нужда от разрастване; кога едно превозно средство трябва да бъде изпратено на сервиз, преди да е създало проблеми; дори кога човек е под риск от определено заболяване без да има каквито и да е оплаквания.

И да, това е причината данните да се наричат новото злато. Но все още няма достатъчно специалисти, които да работят с тях ефективно, дори с по-прости методи от машинно самообучение. Количеството данни расте експоненциално с всеки изминал ден, благодарение на устройствата, които ни заобикалят – смарт телефони, компютри, телевизори, коли, часовници и пр. Именно затова, правилната работа с данни ще става все по-важно умение за хората. Тези от тях, които умеят да задават правилните въпроси, да избират правилния метод за обработване на данните и да презентират откритията си, ще доминират пазара на труда в следващото десетилетие.

Вашият коментар

Вашият имейл адрес няма да бъде публикуван. Задължителните полета са отбелязани с *

Back To Top