Скан статьи в PDF:
https://drive.google.com/file/d/1uV4y2wANaDQFhNydy2eqV8w88pqMP33Q/view?usp=drive_link
https://drive.google.com/file/d/1uV4y2wANaDQFhNydy2eqV8w88pqMP33Q/view?usp=drive_link
Каплан Я.
президент
Консалтинговая компания Kaplan Research Company (США, Латвия)
E-mail: jaroslavs.kaplans@gmail.com
президент
Консалтинговая компания Kaplan Research Company (США, Латвия)
E-mail: jaroslavs.kaplans@gmail.com
КОММУНИКАЦИЯ И DATA SCIENCE
Аннотация. Данные — это новое золото: более 80% руководителей считают данные ценными для общего успеха своего бизнеса. Аисследование российских компаний, проведенное IDC в 2019 г. показало, что более 90% компаний «в той или иной степени сталкиваются с задачей анализа Больших данных»1. Однако неуклонно растущие объемы данных создают все больше барьеров для преобразования этого потока информации в действенные результаты. Подходящая стратегия работы с данными помогает компаниям использовать ценность своих данных и использовать их для принятия обоснованных решений.
Ключевые слова: Data Science, стратегическое управление, контекстно-зависимый подход, анализ данных.
Ключевые слова: Data Science, стратегическое управление, контекстно-зависимый подход, анализ данных.
Kaplan Ja.
President,
Kaplan Research Company (USA, Latvia)
E-mail: jaroslavs.kaplans@gmail.com
President,
Kaplan Research Company (USA, Latvia)
E-mail: jaroslavs.kaplans@gmail.com
COMMUNICATIONS AND DATA SCIENCE
Abstract. Data is the new gold: more than 80% of managers consider data valuable for the overall success of their business. And astudy of Russian companies conducted by IDC in 2019 showed that more than 90% of companies «face the task of analyzing Big Data to one degree or another». However, steadily increasing amounts of data create more and more barriers to converting this fl ow of information into actionable results. Asuitable data strategy helps companies leverage the value of their data and use it to make informed decisions.
Keywords: Data Science, strategic management, context- dependent approach, data analysis.
Keywords: Data Science, strategic management, context- dependent approach, data analysis.
Как мы можем превратить данные в полезные знания? Как использовать данные для принятия стратегических решений? При правильной стратегии обработки этих данных вы можете легко использовать эту сокровищницу для вашей компании.
У компаний есть много данных, но для преобразования их в действенные идеи и ощутимые результаты часто не хватает времени, опыта или методологии.
Что делают data scientist специалисты? Работа специалиста по данным состоит в том, чтобы анализировать данные для получения действенных идей. В книге Doing Data Science авторы так описывают обязанности специалиста по данным: «В более общем смысле специалист по данным — это тот, кто знает, как извлекать смысл из данных и интерпретировать их, для чего требуются инструменты и методы статистики и машинного обучения, а также быть человеком…» [O’Neil, R. Schutt 2013].
Тут было бы интересно поразмышлять о том, что означает «быть человеком»… Не углубляясь в детали, можно сказать, что в задачу data scientist специалиста входит выявление наиболее важных, релевантных, факторов для данной области деятельности, которые выделяются относительно всех остальных и требуют от менеджмента особого внимания.
Так внимание предпринимателей и управленцев высвобождается от второстепенных дел и позволяет им сосредоточиться на главном.
Отдельно следует сказать о роли дата data scientist специалистов в повышении эффективности внешних коммуникаций компании.
В области коммуникаций компании ключевой проблемой является восприятие взаимодействия компании со своей целевой аудиторий. Что «зайдет», а что останется без внимания? Здесь существует множество известных практических решений. Но я хотел бы становиться на одном «тонком» моменте, связанном с принципом наименьших усилий.
Речь идет о широкой теории, охватывающей различные области — от эволюционной биологии до дизайна веб-страниц. Согласно этому принципу, животные, люди и даже хорошо спроектированные системы естественным образом выбирают путь минимальных усилий.
Это явление наиболее известно или, по крайней мере, задокументировано в области библиотечного дела и информатики.
Принцип гласит, что ищущий информацию клиент будет стремиться использовать наиболее удобный, а не наиболее эффективный метод поиска. И как только будут получены минимально приемлемые результаты, поиск информации прекратится.
Основной вопрос, который возникает в этой связи: в чем именно (и для кого) заключается этот минимально приемлемый результат? Так что здесь мы сталкиваемся с еще одним вызовом для data scientist специалистов: нахождение удобного для целевой аудитории способа получения данных. Этот шаг, будучи упущенным, создаст высокую сложность поиска информации пользователями и оставит необходимые месседжи без внимания общественности.
Анализ деятельности. Любая деятельность происходит не сама по себе, а внутри какого-то конкретного пространства, в котором такая деятельность «разворачивается». Если внутри этого пространства существуют условия, в которых такое действие может быть потенциально выполнено, то есть вероятность, что то или иное действие будет выполнено.
Если же условия, существующие в данном пространстве, не позволяют такому действию произойти, то нулевой результат такого действия очевиден.
К примеру, вы не сможете кататься на санках по воде или парить на них в воздухе, вам этого не дадут сделать условия физической вселенной. Подобные ограничивающие условия существуют в каждой области деятельности предпринимателя вне зависимости от того, знает ли о них, или нет.
Чтобы деятельность в какой-либо области стала возможной, требуется какая-то степень согласованности этой деятельности с окружающей средой. Так, нельзя построить фундамент для дома в воде или воздухе — такая деятельность несовместима с этими видами окружения. Точно также GR-деятельность строится в соответствии с принятой нормативно- правовой базой и не должна выходить за рамки определенных законодательством правил [Гуров 2011].
Таким образом, важнейшей задачей анализа данных является понимание неких границ, в которых могут существовать те или иные события или явления. А затем, когда эти границы известны, появляется возможность структурировать данные внутри этих границ, установить их взаимосвязи и построить систему знаний.
Проблема с анализом данных заключается в контексте. Приведу весьма показательный пример исследования программ компенсации сотрудникам за обучение [Johns 2006].
На первый взгляд, компенсация должна формировать у работников стремление к обучению, росту компетентности и в итоге приводить к снижению текучести кадров. Это звучит логично. Но на деле все не так однозначно. Основное влияние на перспективы продвижения сотрудников в компании оказывало наличие другой программы — программы по управлению карьерным ростом. Если таковая существовала, то это способствовало уменьшению текучести кадров, если нет, то выплата компенсации сотрудникам за обучение, напротив, содействовала увеличению текучести кадров. Получается, что один и тот же фактор (программа компенсации сотрудникам за обучение) в зависимости от наличия или отсутствия другого компонента (программы по управлению карьерным ростом) приводит к совершенно противоположным итогам.
Это наглядный пример того, что для одних организаций допущение об эффективности программ по снижению текучести кадров будет верным, а для других — ложным.
Ответ на вопрос «Помогают ли программы по компенсации сотрудникам за обучение справиться с текучестью кадров?» должен звучать так: «Это зависит от…». Здесь налицо контекстно- зависимый подход.
В случае с описанным примером основным контекстом будет именно программа по управлению карьерным ростом. Без выявления этого контекста большую часть данных будет нельзя применить на практике. С другой стороны, выявление этого контекста делает коммуникацию об эффективности программ компенсации сотрудникам за обучение простой и наглядной.
Как можно видеть, в основе коммуникации специалистов по данным лежит знание и понимание ими контекстных факторов в их исследованиях.
Обобщая эту мысль, я хочу сделать еще два утверждения, которые, но мой взгляд более полно раскрывают эту идею: Предпринимательские задачи имеют решение (а часто и сам смысл) только в заданном контексте. Выбор способов решения во многом зависит не от самой проблемы, а от окружения, в котором она существует.
Именно контекст делает роли участников взаимодействия уместными. Например, контекст взаимодействия «семья» придает смысл ролям «муж»/«жена», «сын»/«дочь». Вне контекста эти роли неуместны.
Понимание контекста взаимодействия с потребителями является предварительным условием для анализа любых данных. (Если знание построено на данных, полученных благодаря опыту или образованию, то понимание можно определить как способность интерпретировать эти данные или события в каких-то известных рамках, в контексте).
Подводя итоги статьи, подчеркнем, что влияние контекста на область деятельности просто поразительно. Вы не сможете не заметить удар мастера спорта по боксу, если вам «повезет» с ним встретиться, — он наверняка собьет вас с ног. Влияние контекста на область деятельности предпринимателя ничем не меньше.
Проблема с анализом данных заключается в контексте. И основным барьером в проведении анализа данных можно было бы назвать самоуверенность специалистов, страдающих от отрезанности от результатов наблюдений.
У компаний есть много данных, но для преобразования их в действенные идеи и ощутимые результаты часто не хватает времени, опыта или методологии.
Что делают data scientist специалисты? Работа специалиста по данным состоит в том, чтобы анализировать данные для получения действенных идей. В книге Doing Data Science авторы так описывают обязанности специалиста по данным: «В более общем смысле специалист по данным — это тот, кто знает, как извлекать смысл из данных и интерпретировать их, для чего требуются инструменты и методы статистики и машинного обучения, а также быть человеком…» [O’Neil, R. Schutt 2013].
Тут было бы интересно поразмышлять о том, что означает «быть человеком»… Не углубляясь в детали, можно сказать, что в задачу data scientist специалиста входит выявление наиболее важных, релевантных, факторов для данной области деятельности, которые выделяются относительно всех остальных и требуют от менеджмента особого внимания.
Так внимание предпринимателей и управленцев высвобождается от второстепенных дел и позволяет им сосредоточиться на главном.
Отдельно следует сказать о роли дата data scientist специалистов в повышении эффективности внешних коммуникаций компании.
В области коммуникаций компании ключевой проблемой является восприятие взаимодействия компании со своей целевой аудиторий. Что «зайдет», а что останется без внимания? Здесь существует множество известных практических решений. Но я хотел бы становиться на одном «тонком» моменте, связанном с принципом наименьших усилий.
Речь идет о широкой теории, охватывающей различные области — от эволюционной биологии до дизайна веб-страниц. Согласно этому принципу, животные, люди и даже хорошо спроектированные системы естественным образом выбирают путь минимальных усилий.
Это явление наиболее известно или, по крайней мере, задокументировано в области библиотечного дела и информатики.
Принцип гласит, что ищущий информацию клиент будет стремиться использовать наиболее удобный, а не наиболее эффективный метод поиска. И как только будут получены минимально приемлемые результаты, поиск информации прекратится.
Основной вопрос, который возникает в этой связи: в чем именно (и для кого) заключается этот минимально приемлемый результат? Так что здесь мы сталкиваемся с еще одним вызовом для data scientist специалистов: нахождение удобного для целевой аудитории способа получения данных. Этот шаг, будучи упущенным, создаст высокую сложность поиска информации пользователями и оставит необходимые месседжи без внимания общественности.
Анализ деятельности. Любая деятельность происходит не сама по себе, а внутри какого-то конкретного пространства, в котором такая деятельность «разворачивается». Если внутри этого пространства существуют условия, в которых такое действие может быть потенциально выполнено, то есть вероятность, что то или иное действие будет выполнено.
Если же условия, существующие в данном пространстве, не позволяют такому действию произойти, то нулевой результат такого действия очевиден.
К примеру, вы не сможете кататься на санках по воде или парить на них в воздухе, вам этого не дадут сделать условия физической вселенной. Подобные ограничивающие условия существуют в каждой области деятельности предпринимателя вне зависимости от того, знает ли о них, или нет.
Чтобы деятельность в какой-либо области стала возможной, требуется какая-то степень согласованности этой деятельности с окружающей средой. Так, нельзя построить фундамент для дома в воде или воздухе — такая деятельность несовместима с этими видами окружения. Точно также GR-деятельность строится в соответствии с принятой нормативно- правовой базой и не должна выходить за рамки определенных законодательством правил [Гуров 2011].
Таким образом, важнейшей задачей анализа данных является понимание неких границ, в которых могут существовать те или иные события или явления. А затем, когда эти границы известны, появляется возможность структурировать данные внутри этих границ, установить их взаимосвязи и построить систему знаний.
Проблема с анализом данных заключается в контексте. Приведу весьма показательный пример исследования программ компенсации сотрудникам за обучение [Johns 2006].
На первый взгляд, компенсация должна формировать у работников стремление к обучению, росту компетентности и в итоге приводить к снижению текучести кадров. Это звучит логично. Но на деле все не так однозначно. Основное влияние на перспективы продвижения сотрудников в компании оказывало наличие другой программы — программы по управлению карьерным ростом. Если таковая существовала, то это способствовало уменьшению текучести кадров, если нет, то выплата компенсации сотрудникам за обучение, напротив, содействовала увеличению текучести кадров. Получается, что один и тот же фактор (программа компенсации сотрудникам за обучение) в зависимости от наличия или отсутствия другого компонента (программы по управлению карьерным ростом) приводит к совершенно противоположным итогам.
Это наглядный пример того, что для одних организаций допущение об эффективности программ по снижению текучести кадров будет верным, а для других — ложным.
Ответ на вопрос «Помогают ли программы по компенсации сотрудникам за обучение справиться с текучестью кадров?» должен звучать так: «Это зависит от…». Здесь налицо контекстно- зависимый подход.
В случае с описанным примером основным контекстом будет именно программа по управлению карьерным ростом. Без выявления этого контекста большую часть данных будет нельзя применить на практике. С другой стороны, выявление этого контекста делает коммуникацию об эффективности программ компенсации сотрудникам за обучение простой и наглядной.
Как можно видеть, в основе коммуникации специалистов по данным лежит знание и понимание ими контекстных факторов в их исследованиях.
Обобщая эту мысль, я хочу сделать еще два утверждения, которые, но мой взгляд более полно раскрывают эту идею: Предпринимательские задачи имеют решение (а часто и сам смысл) только в заданном контексте. Выбор способов решения во многом зависит не от самой проблемы, а от окружения, в котором она существует.
Именно контекст делает роли участников взаимодействия уместными. Например, контекст взаимодействия «семья» придает смысл ролям «муж»/«жена», «сын»/«дочь». Вне контекста эти роли неуместны.
Понимание контекста взаимодействия с потребителями является предварительным условием для анализа любых данных. (Если знание построено на данных, полученных благодаря опыту или образованию, то понимание можно определить как способность интерпретировать эти данные или события в каких-то известных рамках, в контексте).
Подводя итоги статьи, подчеркнем, что влияние контекста на область деятельности просто поразительно. Вы не сможете не заметить удар мастера спорта по боксу, если вам «повезет» с ним встретиться, — он наверняка собьет вас с ног. Влияние контекста на область деятельности предпринимателя ничем не меньше.
Проблема с анализом данных заключается в контексте. И основным барьером в проведении анализа данных можно было бы назвать самоуверенность специалистов, страдающих от отрезанности от результатов наблюдений.
1 Аналитика Больших данных как инструмент бизнес- инноваций //
URL: https://filearchive.cnews.ru/img/files/2019/05/27/20190424idchitachiwpbdafin.pdf
(дата обращения: 12.12.2022).
URL: https://filearchive.cnews.ru/img/files/2019/05/27/20190424idchitachiwpbdafin.pdf
(дата обращения: 12.12.2022).
Литература
1. Гуров Ф. Н. GR-технологии на службе IT-компании / Ф. Н. Гуров // Вопросы новой экономики. 2011. № 2(18). С. 20–24.
2. Johns G. The essential impact of context on organizational behavior // Academy of Management Review. 2006. No. 31(2). Р. 386–408.
3. O’Neil C., Schutt R. Doing Data Science. USA: O’Reilly Media, Inc, 2013. 406 p.
References
1. Gurov F. N. GR technologies for IT companies // Issues of New Economy. 2011. No. 2(18). P. 20–24. EDN NWCDEP.
2. Johns G. The essential impact of context on organizational behavior // Academy of Management Review. 2006. No. 31(2). Р. 386–408.
3. O’Neil C., Schutt R. (2013). Doing Data Science. USA: O’Reilly Media, Inc. 406 p.
2. Johns G. The essential impact of context on organizational behavior // Academy of Management Review. 2006. No. 31(2). Р. 386–408.
3. O’Neil C., Schutt R. (2013). Doing Data Science. USA: O’Reilly Media, Inc. 406 p.
