Przedmowa

Stawiam tezę, że uczenie się i praktykowanie danologii jest trudne. Jest tak, ponieważ oczekuje się, że będziesz świetnym programistą, który nie tylko zna zawiłości struktur danych i ich złożoność obliczeniową, ale także sprawnie posługuje się Pythonem i SQL-em. Ponadto powinieneś świetnie znać statystykę i najnowsze techniki predykcyjne uczenia maszynowego i oczywiście musisz być w stanie stosować wszystkie te technologie do rozwiązywania rzeczywistych problemów biznesowych, które mogą się pojawić. Praca ta jest trudna również dlatego, ponieważ musisz być specjalistą od komunikacji, potrafiącym opowiadać fascynujące historie nietechnicznym interesariuszom, którzy mogą nie być przyzwyczajeni do podejmowania decyzji w sposób oparty na danych.

Bądźmy więc szczerzy - to niemal oczywiste, że teoria i praktyka danologii są trudne. A każda książka, która ma na celu omówienie trudnych aspektów danologii, albo jest encyklopedyczna i kompleksowa, albo wymaga wstępnej selekcji i odfiltrowania niektórych tematów.

Muszę na wstępie przyznać, że ta pozycja zawiera wybrane zagadnienia z dziedziny danologii, które ja uważam za trudne do opanowania, i że ta etykieta jest z natury subiektywna. Aby ograniczyć tę subiektywność, dodam, że nie chodzi o to, iż te tematy są trudniejsze do nauki ze względu na ich złożoność, ale raczej o to, że w tym momencie branża przywiązuje małą wagę do tych tematów, ponieważ uważane są one za zagadnienia wstępne do kariery w dziedzinie danologii. Dlatego w praktyce trudniej jest je opanować, gdyż niełatwo jest znaleźć poświęcone im materiały.

Program nauczania danologii zazwyczaj kładzie nacisk na programowanie i uczenie maszynowe, które nazywam głównymi tematami w tej dziedzinie. Prawie wszystkiego innego można nauczyć się w pracy i niestety jest bardzo istotne, czy uda Ci się znaleźć mentora w miejscu, w którym znajdziesz pierwszą lub drugą posadę. Duże firmy technologiczne są świetne, ponieważ pracują w nich liczni utalentowani ludzie, więc wiele z tych w pewnym stopniu tajnych tematów staje się częścią lokalnych subkultur firmowych, niedostępnych dla wielu praktyków.

Ta książka dotyczy technik, które pomogą Ci stać się bardziej produktywnym danologiem. Podzieliłem ją na dwie części: część I dotyczy tematów związanych z analityką danych i bardziej miękką stroną danologii, a część II poświęcona jest uczeniu maszynowemu.

Chociaż można ją bez większych problemów czytać w dowolnej kolejności, istnieją rozdziały z nawiązaniami do wcześniejszych fragmentów tekstu. Zwykle jednak można zignorować te nawiązania, a materiał i tak pozostanie jasny i zrozumiały. Te odniesienia dodaję głównie w celu pokazania powiązań między pozornie niezależnymi zagadnieniami.

Część I obejmuje następujące tematy:

Rozdział 1. "I co z tego? Generowanie wartości dzięki danologii"

Jaka jest rola danologii w tworzeniu wartości dla organizacji i jak to zmierzyć?

Rozdział 2. "Projektowanie wskaźników"

Uważam, że danologowie najlepiej nadają się do ulepszania projektu wskaźników, które umożliwiają podejmowanie działań. W tym rozdziale pokazuję, jak to robić.

Rozdział 3. "Dekompozycje wzrostu - zrozumienie przeszkód i sprzyjających czynników"

Zrozumienie tego, co dzieje się w biznesie, oraz wymyślenie przekonującej narracji jest częstym zadaniem dla danologów. W tym rozdziale przedstawiam wybrane dekompozycje wzrostu, które można wykorzystać do zautomatyzowania części tego procesu.

Rozdział 4. "Projekty 2 × 2"

Nauka upraszczania świata może zaprowadzić Cię daleko, a projekty 2×2 mogą Ci w tym pomóc, a także ułatwią komunikację z interesariuszami.

Rozdział 5. "Tworzenie uzasadnienia biznesowego"

Przed rozpoczęciem projektu należy przygotować uzasadnienie biznesowe. Ten rozdział pokazuje, jak to zrobić.

Rozdział 6. "Czym jest wskaźnik przyrostu?"

Choć windy są proste, mogą przyspieszyć analizy przeprowadzane z wykorzystaniem uczenia maszynowego. W tym rozdziale objaśniam windy.

Rozdział 7. "Narracje"

Danologowie muszą nauczyć się opowiadać historie i tworzyć atrakcyjne narracje.

Rozdział 8. "Wizualizacje danych - wybór właściwego wykresu do przekazania komunikatu"

Zainwestowanie wystarczającej ilości czasu w przygotowanie wizualizacji danych powinno również pomóc w tworzeniu narracji. W tym rozdziale omawiam wybrane najlepsze praktyki z tego obszaru.

Część II dotyczy uczenia maszynowego. Poruszam w niej następujące tematy:

Rozdział 9. "Symulacje i bootstrapping"

Techniki symulacji mogą pomóc w lepszym zrozumieniu różnych algorytmów predykcyjnych. Pokażę tu, jak je stosować. Omawiam także zastrzeżenia dotyczące korzystania z ulubionych technik regresji i klasyfikacji. Opisuję również bootstrapping, który można wykorzystać do wyznaczania przedziałów ufności dla niektórych trudnych do obliczenia szacunków.

Rozdział 10. "Regresja liniowa - powrót do podstaw"

Dogłębna znajomość regresji liniowej jest niezbędna do zrozumienia bardziej zaawansowanych zagadnień. W tym rozdziale wracam do podstaw w nadziei na zapewnienie solidnych intuicyjnych fundamentów dla algorytmów uczenia maszynowego.

Rozdział 11. "Wyciekanie danych"

Czym jest wyciek danych, jak można go zidentyfikować i jak mu zapobiec? Dowiesz się tego w tym rozdziale.

Rozdział 12. "Stosowanie modeli w środowisku produkcyjnym"

Model jest przydatny tylko wtedy, gdy osiągnie etap produkcyjny. Na szczęście jest to dobrze zrozumiały i ustrukturyzowany problem, a ja omawiam najważniejsze kroki potrzebne do jego rozwiązania.

Rozdział 13. "Opowiadanie historii w uczeniu maszynowym"

Istnieje kilka świetnych technik, których można użyć, aby otworzyć "czarną skrzynkę" i uzyskać wysoki poziom w opowiadaniu historii na podstawie uczenia maszynowego.

Rozdział 14. "Od predykcji do decyzji"

Tworzymy wartość dzięki poprawie możliwości decyzyjnych z wykorzystaniem procesów opartych na danych i uczeniu maszynowym. Tutaj pokazuję przykłady ilustrujące, jak przejść od predykcji do decyzji.

Rozdział 15. "Zmiany dodatkowe - Święty Graal danologii?"

Przyczynowość zdobyła pewną popularność w danologii, ale nadal jest uważana za niszę. W tym rozdziale omawiam podstawy oraz przedstawiam kilka przykładów i kod, które można łatwo zastosować w organizacji.

Rozdział 16. "Testy A/B"

Testy A/B są wzorcowym przykładem szacowania zmian dodatkowych dla różnych podejmowanych działań. Eksperymenty wymagają jednak solidnej wiedzy na temat statystyki (i biznesu).

Ostatni rozdział (rozdział 17.) jest wyjątkowy, ponieważ jest jedynym, w którym nie przedstawiam żadnych technik. Spekuluję za to na temat przyszłości danologii w związku z pojawieniem się generatywnej sztucznej inteligencji. Głównym wnioskiem jest to, że w ciągu najbliższych kilku lat spodziewam się radykalnej zmiany opisu stanowiska pracy, a danologowie powinni być przygotowani na tę (r)ewolucję.

Ta książka jest przeznaczona dla danologów na każdym stanowisku i o dowolnym stażu. Aby w pełni wykorzystać materiał z tej książki, warto posiadać wiedzę na temat algorytmów uczenia maszynowego na poziomie średnio zaawansowanym lub zaawansowanym, ponieważ nie poświęcam czasu na wprowadzenie do regresji liniowej, drzew klasyfikacyjnych i regresyjnych ani zespołowych mechanizmów uczących się, takich jak lasy losowe lub metody ze wzmacnianiem gradientowym.

Konwencje stosowane w tej książce

W tej książce stosowane są następujące konwencje typograficzne:

Kursywa

Wyróżnia nowe terminy, adresy URL, adresy e-mail, nazwy plików i rozszerzenia plików.

Czcionka o stałej szerokości

Używana w listingach programów, a także w akapitach do podawania elementów programu, takich jak nazwy zmiennych lub funkcji, bazy danych, typy danych, zmienne środowiskowe, instrukcje i słowa kluczowe.

Ten element oznacza wskazówkę lub sugestię.

Ten element oznacza ogólną uwagę.

Ten element oznacza ostrzeżenie lub przestrogę.

Korzystanie z przykładowego kodu

Materiały pomocnicze (przykładowy kod, ćwiczenia itd.) możesz pobrać ze strony https://oreil.ly/dshp-repo.

Jeśli masz pytanie techniczne lub problem dotyczący przykładowego kodu, prześlij e-mail na adres bookquestions@oreilly.com.

Ta książka ma Ci pomóc w wykonywaniu zadań. Przykładowy kod prezentowany w tej publikacji możesz wykorzystać w swoich programach i w dokumentacji. Nie musisz kontaktować się z wydawnictwem, aby uzyskać zgodę, chyba że chcesz skopiować duże fragmenty kodu. Na przykład napisanie programu z wykorzystaniem kilku fragmentów kodu z tej książki nie wymaga zgody. Jednak sprzedaż i dystrybucja przykładów z książek wydawnictwa O'Reilly wymaga zgody. Udzielanie odpowiedzi poprzez zacytowanie książki i przytoczenie fragmentu kodu nie wymaga zgody. Z kolei użycie dużych bloków przykładowego kodu w dokumentacji produktu wymaga zgody.

Nie wymagamy podawania źródła kodu, choć to doceniamy. Źródło zwykle wskazuje autora, tytuł, nazwę wydawnictwa, miejsce i datę wydania. Oto przykład: Daniel Vaughan, Data science, wyzwania i rozwiązania, Helion, Gliwice 2025.

Data science, wyzwania i rozwiązania. Jak stać się ekspertem w analizie danych

Jeśli uważasz, że wykorzystanie przykładowego kodu wykracza poza zasady dozwolonego użytku lub opisane wcześniej uprawnienia, skontaktuj się z wydawnictwem (permissions@oreilly.com).

Podziękowania

Wiele zagadnień poruszonych w tej książce przedstawiłem na wewnętrznych szkoleniach technicznych w firmie Clip. W związku z tym jestem wdzięczny niesamowitemu zespołowi ds. danych, który miałem zaszczyt prowadzić i szkolić i od którego mogłem się uczyć. Doświadczenie i wiedza jego członków przyczyniły się do ukształtowania treści i formy tej książki.

Jestem również bardzo wdzięczny redaktorowi Corbinowi Collinsowi, który cierpliwie i uprzejmie przeprowadził redakcję, znalazł błędy i pominięcia oraz przedstawił sugestie, które znacznie poprawiły tekst pod wieloma względami. Chciałbym również wyrazić szczere uznanie dla Jonathona Owena (redaktora technicznego) i Soni Saruby (korektorki językowej) za ich spostrzegawczość oraz wyjątkowe umiejętności i poświęcenie. Ich wysiłki znacząco przyczyniły się do poprawy jakości tej książki, za co jestem im bardzo wdzięczny.

Wielkie podziękowania należą się też redaktorom merytorycznym, którzy znaleźli błędy i literówki w treści i towarzyszącym jej kodzie, a także przedstawili sugestie dotyczące poprawy tekstu. Specjalne podziękowania przekazuję dla Naveena Krishnaraja, Bretta Hollemana i Chandry Shukli za przekazanie szczegółowych uwag. Wiele razy mieliśmy inne zdanie, ale ich konstruktywna krytyka zarówno uczyła mnie pokory, jak i dawała motywację. Nie muszę chyba dodawać, że za wszystkie błędy, które pozostały w książce, odpowiadam wyłącznie ja.

Wprawdzie nigdy tego nie przeczytają, ale jestem dozgonnie wdzięczny moim psom, Matildzie i Domingowi, za ich nieskończoną zdolność dzielenia się miłością, radością, czułością i towarzystwem.

Jestem wdzięczny również moim przyjaciołom i rodzinie za ich bezwarunkowe wsparcie i zachęty. Szczególne podziękowania kieruję do Claudii. Nie sposób przecenić Twojej cierpliwości, gdy w kółko omawiałem niektóre pomysły, nawet jeśli nie miały one dla Ciebie większego sensu.

Na koniec chciałbym podziękować niezliczonym badaczom i praktykom z dziedziny danologii, których prace zainspirowały mnie i wpłynęły na moją działalność. Ta książka nie powstałaby bez ich poświęcenia i wkładu, a ja jestem zaszczycony, że mogę być częścią tej prężnej społeczności.

Dziękuję wszystkim za wsparcie.

Rozdział 1. I co z tego? Generowanie wartości dzięki danologii

Danologia odnotowała imponujący wzrost w ciągu ostatnich dwóch dekad. W tym czasie przeszła drogę od stosunkowo niszowej dziedziny, na której uprawianie mogły sobie pozwolić tylko czołowe firmy technologiczne z Doliny Krzemowej, do metody obecnej w licznych organizacjach z wielu sektorów i krajów. Niemniej sporo zespołów nadal boryka się z generowaniem wymiernej wartości dla swoich firm.

Jaka jest więc wartość danologii dla organizacji? Zauważyłem, że danologowie na wszystkich stanowiskach zmagają się z tym pytaniem, nic więc dziwnego, że robią to także same organizacje. Moim celem w pierwszym rozdziale jest określenie kilku podstawowych zasad generowania wartości dzięki danologii. Wierzę, że zrozumienie i przyswojenie tych zasad może pomóc Ci stać się lepszym danologiem.

Czym jest wartość?

Firmy istnieją po to, aby generować wartość dla akcjonariuszy, klientów i pracowników (i, miejmy nadzieję, całego społeczeństwa). Oczywiście akcjonariusze oczekują przede wszystkim zwrotu z inwestycji. Klienci czerpią wartość z użytkowania produktu i oczekują, że będzie ona adekwatna do ceny, którą zapłacili.

Zasadniczo wszystkie zespoły i stanowiska powinny przyczyniać się w wymierny sposób do generowania wartości, ale w wielu sytuacjach trudno jest to ująć ilościowo. Trudności z pomiarem wartości występują też w danologii.

W mojej książce Analytical Skills for AI and Data Science (wydawnictwo O'Reilly) przedstawiłem ogólne podejście do generowania wartości za pomocą danych (rysunek 1.1). Idea jest prosta: dane same w sobie nie tworzą żadnej wartości. Wartość wynika z jakości decyzji podejmowanych na ich podstawie. Na pierwszym poziomie opisują one bieżący i przeszły stan firmy. Zwykle robi się to za pomocą tradycyjnych narzędzi do analityki biznesowej, takich jak pulpity nawigacyjne i raporty. Dzięki uczeniu maszynowemu można generować prognozy na temat przyszłego stanu i próbować radzić sobie z niepewnością, która znacznie utrudnia proces decyzyjny. Szczytowy poziom osiągniesz, jeśli zdołasz zautomatyzować i zoptymalizować część procesu decyzyjnego. Wspomniana książka dotyczyła pomocy praktykom w podejmowaniu lepszych decyzji na podstawie danych, więc nie będę się tutaj powtarzał.

Rysunek 1.1. Generowanie wartości dzięki danym

Choć to ujęcie jest intuicyjne, odkryłem, że jest też zbyt ogólne i abstrakcyjne, aby danologowie mogli je stosować w praktyce. Dlatego z czasem przekształciłem je w schemat, który będzie przydatny również w kontekście narracji (zobacz rozdział 7.).

Ten schemat sprowadza się do tej samej zasady: dodatkowa wartość wynika z poprawy zdolności decyzyjnych organizacji. W tym celu należy dokładnie zrozumieć dany problem biznesowy (co?), dobrze przemyśleć dźwignie (co z tego?) i być proaktywnym (co teraz?).

"Co?", czyli zrozumieć biznes

Zawsze powtarzam, że danolog powinien mieć taką samą wiedzę na temat biznesu jak jego interesariusze. Biznesem jest tu dla mnie wszystko - od spraw operacyjnych, takich jak zrozumienie i zaproponowanie nowych wskaźników (zobacz rozdział 2.) i dźwigni, za które interesariusze mogą pociągać, aby wpływać na te wskaźniki, po podstawowe czynniki ekonomiczne i psychologiczne, które leżą u podstaw działalności (na przykład co skłania konsumenta do zakupu produktu).

Oznacza to dla danologa dużo do nauczenia się, zwłaszcza że trzeba też stale aktualizować wiedzę na temat nieustannie rozwijającego się zestawu narzędzi technicznych. Czy naprawdę musisz to robić? Czy nie można po prostu wyspecjalizować się w technicznych (i ciekawych) aspektach obejmujących algorytmy, zestaw narzędzi technologicznych i dane, a interesariuszom pozwolić specjalizować się w ich (mniej interesujących) zagadnieniach?

Zacznę od stwierdzenia, że biznes jest ciekawy! Ale nawet jeśli Cię nie fascynuje, to jeżeli danologowie chcą, aby ich głos został usłyszany przez faktycznych decydentów, bezwzględnie muszą zdobyć szacunek interesariuszy.

Zanim przejdę dalej, chcę podkreślić, że danologowie rzadko są faktycznymi decydentami w zakresie strategii i taktyki biznesowej. W rzeczywistości decydują interesariusze, czy to z działu marketingu, finansów, produktu, sprzedaży, czy jakiegokolwiek innego zespołu w firmie.

Jak osiągnąć pożądane cele? Oto lista rzeczy, które uważam za przydatne:

Uczestnicz w spotkaniach nietechnicznych

Żaden podręcznik nie nauczy Cię podstaw biznesu. Musisz więc być na miejscu i uczyć się na podstawie zbiorowej wiedzy Twojej organizacji.

Spotykaj się z decydentami

Staraj się brać udział w spotkaniach, na których podejmowane są decyzje. W moich zespołach w organizacjach z jasno określonymi silosami podkreślałem, że w najlepszym interesie wszystkich jest nasza obecność na takich spotkaniach. Na przykład jak możesz wymyślić pomocne cechy dla modeli, jeśli nie rozumiesz zawiłości biznesu?

Poznaj kluczowe wskaźniki wydajności (ang. key performance indicator - KPI)

Danologowie mają jedną przewagę nad resztą organizacji: są właścicielami danych i inni stale proszą ich o obliczanie i prezentowanie wskaźników kluczowych dla zespołu. Musisz więc poznać te kluczowe wskaźniki. Wydaje się to oczywiste, ale wielu danologów uważa, że to nudne, a ponieważ nie są właścicielami wskaźników (w tym sensie, że zwykle nie są odpowiedzialni za osiąganie celów), chętnie przekazują odpowiedzialność za nie interesariuszom. Co więcej, danologowie powinni być ekspertami w projektowaniu wskaźników (zobacz rozdział 2.).

Bądź ciekawski i otwarty

Naukowcy zajmujący się danymi powinni zaakceptować ciekawość. Oznacza to, że nie powinni wstydzić się zadawania pytań i kwestionowania zestawu faktów przyjętych w organizacji. Co zabawne, odkryłem, że wielu danologom brakuje tego ogólnego poczucia ciekawości. Dobra wiadomość jest taka, że można się tego nauczyć. Na końcu rozdziału podaję kilka przydatnych źródeł.

Zdecentralizowane struktury

Może to nie zależeć od Ciebie (ani Twojego przełożonego, a nawet przełożonego Twojego przełożonego), ale firmy, w których danologia jest realizowana w zespołach, umożliwiają rozwój specjalizacji biznesowej (oraz zaufania i innych pozytywnych efektów zewnętrznych). Organizacje, w których danologia ma charakter zdecentralizowany, posiadają zespoły składające się z osób z różnych środowisk (analitycy danych, analitycy biznesowi, inżynierowie, specjaliści od produktu itd.) i bardzo pomagają w tym, aby każdy mógł być ekspertem w swojej dziedzinie. Z kolei scentralizowane organizacje, w których grupa "ekspertów" pełni funkcję konsultantów dla całej firmy, również mają zalety, ale zdobywanie niezbędnego poziomu wiedzy biznesowej nie jest jedną z nich.

"Co z tego?", czyli istota generowania wartości dzięki danologii

Dlaczego Twój projekt jest ważny dla firmy? Dlaczego ktokolwiek powinien przejmować się Twoimi analizami lub modelami? I najważniejsze: jakie działania z nich wynikają? Jest to sedno problemu omawianego w tym rozdziale i tylko pokrótce wspomnę, że jest to jeden z czynników, które uważam za decydujące przy określaniu doświadczenia danologów. Podczas rozmów kwalifikacyjnych z kandydatami na określone stanowisko po niezbędnych pytaniach filtrujących dotyczących kwestii technicznych zawsze przechodzę do części co z tego?.

Wielokrotnie widziałem następujący błąd: danolog poświęca dużo czasu na uruchomienie modelu lub przeprowadzenie analiz, a kiedy przychodzi pora na prezentację, po prostu czyta treść wykresów i wizualizacji danych. Dosłownie.

Nie zrozum mnie źle. Objaśnianie danych liczbowych jest niezwykle ważne, ponieważ interesariusze zazwyczaj nie znają się na danych ani wizualizacjach (przede wszystkim chodzi mi tu o bardziej techniczne aspekty; z pewnością potrafią zrozumieć wykres kołowy w raporcie). Ale nie powinieneś na tym poprzestawać. W rozdziale 7. zajmuję się praktycznymi aspektami opowiadania historii, ale pozwól mi przedstawić kilka ogólnych wskazówek, jak rozwijać tę umiejętność:

Już od samego początku myśl o co z tego?

Ilekroć decyduję się na rozpoczęcie nowego projektu, zawsze rozwiązuję problem "od tyłu": w jaki sposób decydent może wykorzystać wyniki moich analiz lub modeli? Jakie dźwignie ma do dyspozycji? Czy w ogóle możliwe jest podjęcie jakichś działań? Nigdy nie zaczynaj bez udzielenia odpowiedzi na te pytania.

Zapisz to

Po ustaleniu co z tego? świetną praktyką jest zapisanie wniosków. Nie pozwól, aby kwestia ta odgrywała drugorzędną rolę. Nie skupiaj się wyłącznie na kwestiach technicznych. Często będziesz tak zaabsorbowany szczegółami technicznymi, że możesz się pogubić. Jeśli zapiszesz wnioski, w trudnych momentach co z tego? będzie dla Ciebie jak Gwiazda Polarna.

Zrozum dźwignie

Co z tego? dotyczy możliwości podejmowania działań. Wskaźniki KPI, na których Ci zależy, zazwyczaj nie umożliwiają bezpośrednio podejmowania działań, więc Ty lub ktoś w firmie musi pociągnąć za jakieś dźwignie, aby spróbować wpłynąć na wskaźniki (na przykład za pomocą cen, kampanii marketingowej, stymulacji sprzedaży). Bardzo ważne jest, aby dobrze przemyśleć zestaw możliwych działań. Nie krępuj się też myśleć nieszablonowo.

Pomyśl o odbiorcach

Czy obchodzi ich wymyślna głęboka sieć neuronowa, której użyłeś w swoim modelu predykcyjnym, czy raczej interesuje ich, w jaki sposób mogą wykorzystać Twój model do poprawy wskaźników? Sądzę, że to drugie. Odniesiesz sukces, jeśli pomożesz im odnieść sukces.

"Co teraz?", czyli bądź przebojowy

Jak wspomniałem, danologowie zwykle nie podejmują decyzji. Istnieje symbiotyczna relacja między danologami a ich interesariuszami - potrzebujesz ich, aby wprowadzić swoje zalecenia w życie, a oni potrzebują Ciebie, aby ulepszyć biznes.

Najlepsi danologowie, których znam, są właścicielami projektu od początku do końca. Dbają o to, aby każdy zespół odegrał swoją rolę. W tym celu rozwijają niezbędne zdolności w zakresie zarządzania interesariuszami i inne tak zwane umiejętności miękkie.

Niestety wielu analityków danych znajduje się po drugiej stronie spektrum. Uważają, że ich praca zaczyna się i kończy na aspektach technicznych. Przyswoili sobie specjalizację funkcjonalną, której należy unikać.

Nie bój się przedstawiać rekomendacji dotyczących produktu, nawet jeśli menedżer produktu się z Tobą nie zgadza, lub sugerować nowych strategii komunikacji, gdy interesariusz z działu marketingu uważa, że wkraczasz w zakres jego kompetencji.

Mimo to zachowaj pokorę. Jeśli nie masz wiedzy specjalistycznej, gorąco zachęcam, aby przed przejściem do etapu co teraz? wrócić do etapu co? i stać się ekspertem.

Pomiar wartości

Twoim celem jest uzyskanie wymiernej wartości. Jak to zrobić? Oto sztuczka, która ma bardziej ogólne zastosowanie.

Danolog robi X, aby wpłynąć na wskaźnik M, z nadzieją, że poprawi w ten sposób bieżący poziom bazowy. Możesz myśleć o M jak o funkcji od X:

wpływ X = M(X) - M(wartość bazowa)

Zastosujmy tę zasadę w praktyce w modelu przewidywania rezygnacji:

X

Model przewidywania rezygnacji

M

Wskaźnik rezygnacji, czyli odsetek użytkowników aktywnych w okresie t - 1, którzy stają się nieaktywni w okresie t

Poziom bazowy

Strategia segmentacji

Zauważ, że M nie jest funkcją od X! Wskaźnik rezygnacji jest taki sam z modelem predykcyjnym, jak i bez niego. Wskaźnik zmienia się tylko wtedy, gdy zrobisz coś z danymi wyjściowymi modelu. Czy widzisz, że wartość wynika z działań, a nie z danych lub modelu? Dostosujmy więc zasadę, aby było absolutnie jasne, że to działania (A) wpływają na wskaźnik:

wpływ X = M(A(X)) - M(A(wartość bazowa))

Jakie dźwignie masz do dyspozycji? W typowym scenariuszu uruchamiasz kampanię retencyjną skierowaną tylko do tych użytkowników, którzy z dużym prawdopodobieństwem staną się nieaktywni w następnym miesiącu. Na przykład możesz udzielić im rabatu lub uruchomić kampanię informacyjną.

Zastosujmy również schemat obejmujący co?, co z tego? i co teraz?:

Co?

Jak mierzy się wskaźnik rezygnacji w Twojej firmie? Czy jest to najlepszy sposób? Co robi zespół, który jest właścicielem wskaźnika, aby go zmniejszyć (poziom bazowy)? Dlaczego użytkownicy stają się nieaktywni? Co przyczynia się do rezygnacji? Jaki jest ich wpływ na zyski i straty?

Co z tego?

Jak zostanie wykorzystany wskaźnik prawdopodobieństwa? Czy możesz pomóc znaleźć inne dźwignie do przetestowania? Czy udzielane są rabaty? A co z programem lojalnościowym?

Co teraz?

Czego potrzebujesz od wszystkich osób w firmie zaangażowanych w proces decyzyjny i operacyjny? Czy potrzebna jest zgoda działu prawnego lub finansowego? Czy właściciel produktu zgadza się na proponowane zmiany? Kiedy kampania zostanie uruchomiona? Czy dział marketingu jest gotowy do jej uruchomienia?

Pozwolę sobie podkreślić znaczenie części co z tego? i co teraz?. Możesz mieć świetny model uczenia maszynowego, który generuje dobre predykcje i, miejmy nadzieję, umożliwia interpretację. Ale jeśli działania podjęte przez faktycznych decydentów nie wpłyną na wskaźnik, wartość Twojego zespołu (co z tego?) wyniesie zero. W proaktywnym podejściu rzeczywiście pomagasz w opracowaniu nowych rozwiązań (z tym wiąże się znaczenie co? i bycia ekspertem od danego problemu). Musisz jednak o to zadbać (co teraz?). Zgodnie z moją notacją musisz stać się właścicielem M(A(X)), a nie tylko samego X.

Po ilościowym określeniu zmian uzyskiwanych dzięki modelowi nadszedł czas, aby przełożyć to na wartość. Niektórym zespołom wystarcza stwierdzenie, że rezygnacje zmniejszyły się o pewną liczbę, i na tym poprzestają. Ale nawet w takich sytuacjach uważam, że przydatne jest podanie kwoty pieniędzy. Łatwiej jest uzyskać więcej zasobów dla zespołu, jeśli potrafisz wykazać, ile dodatkowej wartości przyniosłeś firmie.

W tym przykładzie można to zrobić na kilka sposobów. Najprostszym z nich jest dosłowne określenie wartości.

Załóżmy, że miesięczny średni przychód na użytkownika wynosi R i że firma ma bazę aktywnych użytkowników B:

koszt rezygnacji(A, X) = B - rezygnacja(A(X)) - R

Jeśli masz 100 użytkowników, z których każdy przynosi 7 złotych miesięcznie, a miesięczny wskaźnik rezygnacji wynosi 10%, firma traci 70 złotych miesięcznie.

Dodatkowa wartość pieniężna to różnica w kosztach w scenariuszach z modelem i bez niego. Po uwzględnieniu wspólnych wyrazów otrzymujemy:

?koszt rezygnacji(A, poziom bazowy, X) = B - rezygnacja(A; X, poziom bazowy) - R

Jeśli poprzednio stosowana strategia segmentacji pozwoliła zaoszczędzić 70 złotych miesięcznie, a teraz precyzyjny model uczenia maszynowego generuje 90 złotych oszczędności, dodatkowa wartość dla organizacji wynosi 20 złotych.

Bardziej wyrafinowane podejście może uwzględniać również inne zmiany generujące wartość, na przykład koszt fałszywych wskazań pozytywnych i fałszywych wskazań negatywnych:

Fałszywe wskazania pozytywne

Powszechne jest wpływanie na użytkowników za pomocą kosztownych dźwigni, ale niektórzy z nich i tak nie zamierzali rezygnować. Można zmierzyć koszt tych dźwigni. Na przykład jeśli dasz 100 użytkownikom 10% rabatu względem ceny P, ale tylko 95 z nich faktycznie miało zamiar zrezygnować, rozdajesz 5 - 0,1 - P w wyniku fałszywych wskazań pozytywnych.

Fałszywe wskazania negatywne

Kosztem utraconych korzyści wynikającym ze złych prognoz jest przychód generowany przez tych użytkowników, którzy ostatecznie rezygnują, ale nie zostali wykryci przez metodę bazową. Koszt ten można obliczyć za pomocą równań, które wcześniej omówiłem.

Najważniejsze wnioski

Podsumuję teraz główne wnioski z tego rozdziału:

Firmy istnieją po to, aby generować wartość, dlatego zespoły powinny ją tworzyć

Zespół danologii, który nie generuje wartości, jest dla firmy luksusem. Moda na danologię daje Ci pewną swobodę, ale aby przetrwać, musisz dać firmie uzasadnienie biznesowe do stosowania danologii.

Wartość jest tworzona w wyniku podejmowania decyzji

Wartość danologii wynika z poprawy zdolności decyzyjnych firmy dzięki opartemu na danych i dowodach zestawowi narzędzi, które znasz i uwielbiasz.

Istotą tworzenia wartości jest odpowiedź na pytanie co z tego?

Zatrzymaj się na samym początku, jeśli Twoje modele lub analizy nie mogą doprowadzić do uzyskania praktycznych spostrzeżeń. Zastanów się dobrze nad dźwigniami i zostań ekspertem od biznesu.

Pracuj nad umiejętnościami miękkimi

Gdy masz już model lub analizy i opracowałeś rekomendacje umożliwiające podjęcie działań, nadszedł czas, aby przekazać w kompleksowy sposób wnioski. Bardzo istotne jest zarządzanie interesariuszami, ale także bycie lubianym. Jeśli znasz biznes od podszewki, nie wstydź się swoich rekomendacji.

Dalsza lektura

Kilka z tych zagadnień poruszam w swojej książce Umiejętności analityczne w pracy z danymi i sztuczną inteligencją (wydawnictwo Helion). Zapoznaj się z rozdziałami dotyczącymi nauki zadawania pytań biznesowych i znajdowania dobrych dźwigni dla problemu biznesowego.

Jeśli chodzi o rozwijanie ciekawości, pamiętaj, że urodziłeś się ciekawski. Dzieci zawsze zadają pytania, ale z wiekiem o tym zapominają. Może to wynikać ze samoświadomości lub ze strachu, że inni będą nas postrzegać jako ignorantów. Musisz pokonać te bariery psychologiczne. Możesz przeczytać A More Beautiful Question: The Power of Inquiry to Spark Breakthrough Ideas Warena Bergera (wydawnictwo Bloomsbury) lub niektóre z książek Richarda Feynmana, na przykład Przyjemność poznawania (wydawnictwo Prószyński i S-ka).

Jeśli chodzi o rozwijanie niezbędnych umiejętności społecznych i komunikacyjnych, dostępnych jest wiele źródeł, a także istnieje sporo zagadnień do opanowania. Uważam, że książka Survival of the Savvy: High-Integrity Political Tactics for Career and Company Success Ricka Brandona i Marty'ego Seldmana (wydawnictwo Free Press) pomoże Ci bardzo pragmatycznie radzić sobie z kwestiami politycznymi w firmie.

Extreme Ownership: How U.S. Navy Seals Lead and Win Jocko Willinka i Leifa Babina (wydawnictwo St. Martin's Press) dowodzi, że wielcy liderzy praktykują całkowitą (ekstremalną) własność.

Never Split the Difference Chrisa Vossa i Tahla Raza (wydawnictwo Harper Business) świetnie pokazuje, jak rozwijać niezbędne umiejętności negocjacyjne, a klasyczna i często cytowana książka Jak zdobyć przyjaciół i zjednać sobie ludzi Dale'a Carnegiego (wydawnictwo Studio Emka) powinna pomóc Ci opanować niektóre z miękkich umiejętności, które są kluczowe dla osiągnięcia sukcesu.