By Hitung Taylor, Kepala Data di Count.
Foto oleh Austin Neill on Unsplash.
Waspadalah terhadap Bajak Laut
Salah satu pengalaman demoralisasi yang paling universal adalah melihat hasil kerja keras Anda tidak terlihat, tidak dihargai, dan tidak digunakan. Di dunia data, itu adalah sesuatu yang terlalu sering kita alami. Ambil situasi hipotetis berikut:
- Jim mengajukan permintaan kepada tim data untuk analisis mendalam untuk presentasi klien pada minggu berikutnya.
- Anda dan Jim menghabiskan sepanjang minggu mengerjakan analisis, bekerja sama untuk memastikan dia memiliki visual yang tepat dan merasa percaya diri untuk mempresentasikan temuannya.
- Hari presentasi tiba, dan tidak sepatah kata pun dari Jim. Itu aneh.
- Ketika Anda akhirnya melacaknya, dia memberi tahu Anda bahwa dia "tidak menggunakan grafik sama sekali." "Mereka hanya akan membingungkan mereka," tambahnya dengan nada mendamaikan.
- Anda marah. Seminggu penuh terbuang. Keputusan lain dibuat tanpa data di sana untuk mendukungnya. Mengapa dia bahkan bertanya di tempat pertama?
Saya suka memanggil pemohon ini bajak laut karena mereka mencuri waktuku. Sayangnya, akan selalu ada bajak laut, tetapi ada cara yang bisa kita pelajari untuk menghindari mereka atau setidaknya mengatasi keberadaan mereka. Berikut adalah daftar tip untuk memastikan analisis Anda mendapatkan penghargaan yang layak, dikumpulkan dari pengalaman saya sendiri, penelitian akademis, dan praktik terbaik industri.
1. Buang Formulir Permintaan Data
Kita harus menjadi konsultan, bukan pekerja upahan.
Sebagian besar tim data memiliki portal permintaan yang mereka gunakan untuk melakukan triase dan menetapkan permintaan data yang berasal dari bisnis. Portal ini dirancang untuk memudahkan tim bisnis dan data bekerja sama; pengguna bisnis mengetik dengan tepat apa yang mereka inginkan, dan tim data mewujudkannya.
Sayangnya, seperti yang kita lihat dari Jim, tidak sesederhana itu. Banyak pengguna bisnis datang ke tim data dengan bagan yang sudah ada dalam pikiran, termasuk angka apa yang harus ditunjukkan pada bagan itu.
Pada titik ini, kita sudah ditakdirkan. Jika data tidak sesuai dengan cerita yang diinginkan pemohon atau sedikit bernuansa, maka mereka tidak akan pernah menggunakan analisis ini. Kita perlu tahu masalah yang mereka coba pecahkan.
Sebagai profesional data, kami mengetahui data dan metode statistik lebih baik daripada siapa pun dan dapat memberi saran tentang pendekatan terbaik dalam menggunakan data untuk menjawab pertanyaan yang ada. Konteks bisnis dalam kemitraan dengan keahlian data kami dapat digabungkan untuk menciptakan analisis yang jauh lebih berdampak daripada apa yang dapat kami hasilkan secara individual.
Singkatnya, kita harus menjadi konsultan, bukan orang yang direkrut.
2. Angka Tidak Pernah Berjalan Sendiri
Bagan saja tidak mungkin menyampaikan segalanya, dan pemikiran seperti itu menghambat kemampuan kita untuk memengaruhi bisnis dengan pekerjaan kita.
Seringkali kita diharapkan untuk mengirimkan satu bagan atau dasbor sebagai permintaan yang lengkap. Ini hampir tidak mungkin bagi pengguna bisnis untuk menafsirkan tanpa penjelasan 1:1.
Kami telah diberitahu bahwa data dapat berbicara sendiri, bahwa bagan yang dibuat dengan baik dapat mengomunikasikan semua nuansanya sendiri. Ini tidak benar. Bagan saja tidak mungkin menyampaikan segalanya, dan pemikiran seperti itu menghambat kemampuan kita untuk memengaruhi bisnis dengan pekerjaan kita.
Anda tidak dapat mengandalkan bagan untuk menyampaikan wawasan saja. Manfaatkan teks untuk menjelaskan pekerjaan Anda. Sumber: Pemain Terbaik yang Tidak Pernah Memenangkan Gelar by hitungan.co.
Saat membagikan analisis apa pun, saya mencoba untuk selalu menyertakan informasi berikut:
- periode waktu data
- tanggal analisis
- penulis
- TL;DR: ringkasan konteks dan wawasan
- penjelasan tentang cara membaca grafik
- bagaimana Anda melakukan analisis (bukan kode, tetapi penjelasan orang awam)
- batasan dan langkah selanjutnya
Informasi kontekstual ini mungkin tampak seperti memusingkan, tetapi itu membuat perbedaan besar. Kami tidak hanya mengirim bagan, yang, secara terpisah, dapat membawa subteks yang tidak membantu 'cari tahu'. Kami telah mengirimi mereka analisis dengan semua yang mereka butuhkan untuk mengubah bagan itu menjadi wawasan, isyarat kecil yang tidak luput dari perhatian.
Melanggar kebiasaan mengirimkan grafik sendiri memberi mereka kesempatan untuk dipahami, dan pada akhirnya, digunakan.
3. Jadikan Pengalaman
Untuk benar-benar memahami analisis Anda, pengguna Anda perlu menyodok dan mendorongnya… Mari bantu mereka sampai di sana.
Mengelilingi bagan Anda dengan konteks dan penjelasan memastikan pembaca memiliki semua yang mereka butuhkan untuk belajar sesuatu dari analisis kami. Tapi kami belajar paling baik melalui pengalaman[1].
Jadi untuk benar-benar memahami analisis Anda, pengguna Anda perlu menyodok dan mendorongnya. Model Pembelajaran Kolb menyarankan mereka perlu bereksperimen dengan analisis kami dan meluangkan waktu untuk merenungkan implikasinya di dunia nyata sebelum mereka dapat memahaminya dengan benar. Mari kita bantu mereka sampai di sana.
Model Experiential Learning (ELM) David Kolb [1] Sumber gambar: penulis.
Setidaknya, ini melibatkan penyiapan elemen interaktif untuk analisis Anda. Tambahkan filter dan parameter yang memungkinkan pengguna mulai menginterogasi data. Bagaimana jika Anda memiliki anggaran dua kali lipat? Setengah itu?
Alur pertanyaan-jawaban ini memungkinkan pengguna memercayai analisis dan memahami bagaimana analisis tersebut terkait dengan masalah mereka, yang pada akhirnya memberi mereka kepercayaan diri untuk menggunakan analisis tersebut di ruang rapat. Kurangnya kepercayaan diri ini adalah alasan nomor satu bagan Anda tidak berhasil masuk ke dek slide itu, jadi berhati-hatilah di sini.
4. Siapkan Presentasi
Buat visual yang menarik dan informatif yang tidak akan mengintimidasi pemirsa tanpa mengorbankan kerumitan analisis Anda.
Sayangnya, kami tidak dapat mengharapkan seseorang untuk meluangkan waktu untuk belajar dari analisis dalam presentasi seperti yang telah (semoga) dilakukan mitra bisnis kami hingga saat ini. Ini berarti kita sekarang perlu membuat bagan ringkasan yang dapat mencerminkan poin-poin penting dari analisis kita tetapi dengan detail yang jauh lebih sedikit.
Idealnya, ini dilakukan sebagai langkah terakhir dari analisis Anda, setelah Anda menyetujui wawasan utama dan cara terbaik untuk menyusunnya menjadi keputusan atau masalah yang lebih besar untuk dipecahkan. Kemudian Anda dapat menggunakan praktik terbaik Visualisasi Data [2] untuk membuat visual yang menarik dan informatif yang tidak akan mengintimidasi pemirsa tanpa mengorbankan kerumitan analisis Anda.
5. Hidup Analisis
Pastikan analisis Anda melampaui permintaan data tunggal ini dan dapat digunakan berulang kali.
Salah satu bagian dari proses ini yang sangat diabaikan adalah pertanyaan untuk mengubah analisis ini menjadi pengetahuan yang dapat diskalakan. Bagaimana Anda memastikan pertanyaan bisnis yang baru saja Anda jawab dibagikan tidak hanya dengan Jim atau tim Jim tetapi juga dengan perusahaan yang lebih luas? Dan bukan hanya minggu ini, tetapi dapat digunakan dalam 6 bulan ketika pertanyaan yang sama muncul lagi. Jawabannya jelas bukan dasbor tetapi sesuatu yang lebih bernuansa.
Pendekatan AirBnB [3] telah menerapkan Umpan Pengetahuan yang mengambil jenis analisis terperinci yang baru saja kami uraikan dan menerbitkannya untuk ditemukan oleh seluruh perusahaan. Hasilnya adalah kumpulan laporan yang mudah dipahami oleh semua pengguna tetapi masih memiliki akses ke kode mentah dan catatan untuk digunakan oleh analis sebagai titik awal untuk pekerjaan di masa mendatang. Atribut kunci didokumentasikan yang memberikan kepercayaan setiap orang pada apa yang mereka lihat (ketika diterbitkan, batasan, dll.). Dan mereka telah membuat basis data pengetahuan ini dengan mudah diuraikan sehingga orang dapat dengan cepat menemukan analisis yang terkait dengan pertanyaan mereka sebelum mereka mengirimkan permintaan mereka ke tim data.
Sekarang Anda dapat memastikan bahwa analisis Anda melampaui permintaan data tunggal ini dan dapat digunakan berulang kali.
Waktu DIY
Manfaat dari cara kerja semacam ini adalah mudah untuk diuji. Lain kali permintaan datang dari salah satu pengguna bisnis Anda yang lebih ramah (hindari bajak laut), saya sarankan untuk mencoba metode ini. Alih-alih mewujudkan bagan yang mereka minta, mintalah untuk bertemu dengan mereka untuk lebih memahami apa yang ingin mereka lakukan dengan bagan ini. Keputusan apa yang diinformasikan? Siapa penontonnya?
Dan saat Anda bekerja sama dalam analisis ini, saya sarankan menggunakan buku catatan data untuk mendokumentasikan metadata yang diperlukan dan menjelaskan pekerjaan Anda kepada mitra bisnis Anda. Ini memberi Anda fleksibilitas untuk mengontekstualisasikan analisis Anda sejalan dengan kode dan visual, jadi Anda tidak mencoba meretas Google Dokumen di suatu tempat.
Setelah Anda berdua puas dengan analisis dan temuannya, kerjakan bagan terakhir bersama-sama, dan lihat betapa berbedanya tampilannya dengan permintaan aslinya. Saya berani bertaruh mereka sama sekali berbeda.
Contoh buku catatan Hitung. Sumber: Siapa Kambing Tenis itu?
Melakukan analisis ini untuk berbagi pengetahuan membutuhkan sedikit lebih banyak pemikiran. Tidak banyak tempat alami untuk notebook ini; Github tidak cukup ramah pengguna untuk non-pengembang, dan opsi seperti DropBox atau Google Documents tidak cukup teknis untuk menyertakan kode yang diperlukan.
Jika Anda memaksa saya untuk merekomendasikan alat, saya harus mengatakan Menghitung, tetapi pengungkapan penuh, saya memang membantu membangunnya. Count adalah buku catatan data yang bertujuan membuat cara kerja seperti ini menjadi norma. Anda dapat membuat laporan analitik berkualitas tinggi yang penuh dengan konteks, penjelasan, visual yang disesuaikan, semuanya dalam satu dokumen yang memberi pekerjaan Anda platform yang dibutuhkan untuk memenuhi permintaan data sementara dan menjadi pengetahuan yang dapat dimanfaatkan oleh seluruh perusahaan.
Jika Anda sudah mencoba salah satu metode ini, saya akan senang mendengar bagaimana hasilnya di komentar!
Referensi
[1] Kolb, DA Experiential Learning: Pengalaman sebagai Sumber Pembelajaran dan Pengembangan. New Jersey: Prentice-Hall; 1984.
[2] Mahoney, Michael. Seni dan Ilmu Visualisasi Data. Menuju Ilmu Data; 2019.
[3] Sharma, C. & Overgooer, Jan. Meningkatkan Pengetahuan di Airbnb. AirbnbInggris; 2016.
Original. Diposting ulang dengan izin.
Terkait:
Sumber: https://www.kdnuggets.com/2021/04/make-analysis-used.html
- mengakses
- Bertujuan
- analisis
- Seni
- para penonton
- TERBAIK
- Praktik Terbaik
- Bit
- membangun
- bisnis
- panggilan
- yang
- Charts
- kode
- perusahaan
- kepercayaan
- kredit
- dasbor
- data
- ilmu data
- Basis Data
- hari
- rinci
- MELAKUKAN
- dropbox
- dll
- Pengalaman
- eksperimen
- filter
- Akhirnya
- Pertama
- keluwesan
- aliran
- pemikiran sebelumnya
- penuh
- masa depan
- GitHub
- Pemberian
- terjangan
- kepala
- di sini
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- besar
- gambar
- Termasuk
- industri
- mempengaruhi
- informasi
- wawasan
- interaktif
- isolasi
- IT
- kunci
- pengetahuan
- BELAJAR
- pengetahuan
- Daftar
- Panjang
- cinta
- Cocok
- medium
- model
- bulan
- Jersey baru
- laptop
- nomor
- Opsi
- pasangan
- Kemitraan
- Konsultan Ahli
- Platform
- pemain
- Portal
- profesional
- Mentah
- Pembaca
- laporan
- penelitian
- Hasil
- Ilmu
- rasa
- pengaturan
- berbagi
- Pendek
- Sederhana
- kecil
- So
- MEMECAHKAN
- menghabiskan
- awal
- disampaikan
- Teknis
- mengatakan
- tenis
- uji
- Sumber
- Pikir
- waktu
- Tips
- jalur
- triase
- Kepercayaan
- Pengguna
- minggu
- SIAPA
- menggunakan
- menang
- Kerja
- dunia