By Taylor graaf, Hoofd Gegevens bij Count.
Foto door Austin Neille on Unsplash.
Pas op voor piraten
Een van de meest universeel demoraliserende ervaringen is om te zien dat de resultaten van je harde werk ongezien, niet gewaardeerd en ongebruikt blijven. In de datawereld ervaren we dat maar al te vaak. Neem de volgende hypothetische situatie:
- Jim dient de week daarop een verzoek in bij het datateam voor een diepgaande analyse voor een klantpresentatie.
- Jij en Jim werken de hele week aan de analyse en werken nauw samen om ervoor te zorgen dat hij over de juiste beelden beschikt en zich zelfverzekerd voelt bij het presenteren van de bevindingen.
- De dag van de presentatie breekt aan, en geen woord van Jim. Dat is raar.
- Als je hem eindelijk opspoort, vertelt hij je dat hij “de kaarten uiteindelijk niet heeft gebruikt.” 'Ze zouden ze gewoon in verwarring hebben gebracht,' voegt hij er op verzoenende toon aan toe.
- Je bent aan het roken. Een hele week verspild. Er werd nog een beslissing genomen zonder dat er gegevens beschikbaar waren om deze te ondersteunen. Waarom vroeg hij het überhaupt?
Ik vind het leuk om deze aanvragers te bellen piraten omdat ze mijn tijd stelen. Helaas zullen er altijd piraten zijn, maar er zijn manieren waarop we kunnen leren ze te vermijden of op zijn minst met hun bestaan om te gaan. Hier is een lijst met tips om ervoor te zorgen dat uw analyse de eer krijgt die het verdient, samengesteld op basis van mijn eigen ervaring, academisch onderzoek en best practices uit de sector.
1. Gooi de gegevensaanvraagformulieren weg
We moeten adviseurs zijn, geen ingehuurde handen.
De meeste datateams hebben een verzoekportaal dat ze gebruiken om dataverzoeken die afkomstig zijn van het bedrijf te beoordelen en toe te wijzen. Deze portalen zijn ontworpen om het voor de bedrijfs- en datateams gemakkelijker te maken om samen te werken; zakelijke gebruikers typen precies wat ze willen, en het datateam zorgt ervoor dat het gebeurt.
Helaas is het, zoals we van Jim hebben gezien, niet zo eenvoudig. Veel zakelijke gebruikers komen naar het datateam met al een diagram in gedachten, inclusief wat de cijfers in dat diagram moeten weergeven.
Op dit punt zijn we al gedoemd. Als de data niet overeenkomen met het verhaal dat de aanvrager wil, of een beetje genuanceerd zijn, zullen ze deze analyse nooit gebruiken. We moeten weten welk probleem ze proberen op te lossen.
Als dataprofessionals kennen wij de data en de statistische methoden als geen ander en kunnen wij adviseren over de beste aanpak om de data te gebruiken om de gestelde vraag te beantwoorden. De zakelijke context in samenwerking met onze data-expertise kan gecombineerd worden om analyses te creëren die veel impactvoller zijn dan wat we individueel zouden kunnen produceren.
Kortom: we moeten adviseurs zijn en geen ingehuurde handen.
2. Cijfers lopen nooit alleen
Een diagram alleen kan onmogelijk alles overbrengen, en dat soort denken belemmert ons vermogen om met ons werk de onderneming te beïnvloeden.
Vaak wordt van ons verwacht dat we één diagram of dashboard als voltooid verzoek verzenden. Deze zijn voor de zakelijke gebruiker vrijwel onmogelijk te interpreteren zonder een 1:1 uitleg.
Er is ons verteld dat gegevens voor zichzelf kunnen spreken, dat een goed gemaakte grafiek op zichzelf al zijn nuances kan overbrengen. Dit is gewoon niet waar. Een diagram alleen kan onmogelijk alles overbrengen, en dat soort denken belemmert ons vermogen om met ons werk de onderneming te beïnvloeden.
U kunt niet alleen op grafieken vertrouwen om inzichten over te brengen. Maak gebruik van tekst om je werk uit te leggen. Bron: De beste speler die nooit een titel heeft gewonnen by tel.co.
Wanneer ik een analyse deel, probeer ik altijd de volgende informatie op te nemen:
- tijdsperiode van gegevens
- datum van analyse
- auteur
- TL;DR: samenvatting van context en inzichten
- uitleg over het lezen van de grafiek
- hoe je de analyse hebt uitgevoerd (niet de code, maar de uitleg van de leek)
- beperkingen en volgende stappen
Deze contextuele informatie lijkt misschien hoofdpijn, maar het maakt een enorm verschil. We hebben niet zomaar een kaart gestuurd die op zichzelf de nutteloze subtekst 'zoek het maar uit' kan bevatten. We hebben ze een analyse gestuurd met alles wat ze nodig hebben om dat diagram om te zetten in inzicht, een klein gebaar dat niet onopgemerkt blijft.
Door de gewoonte te doorbreken om zelf kaarten te versturen, krijgen ze de kans om begrepen en uiteindelijk gebruikt te worden.
3. Maak er een ervaring van
Om uw analyse echt zinvol te maken, zullen uw gebruikers erin moeten prikken en prikken... Laten we hen helpen daar te komen.
Door uw diagram te omringen met context en uitleg, zorgt u ervoor dat de lezer alles heeft wat hij of zij moet leren iets uit onze analyse. Maar we leren het beste door ervaringen[1].
Om uw analyse echt zinvol te maken, zullen uw gebruikers er dus in moeten prikken en prikken. Het leermodel van Kolb suggereert dat ze met onze analyse moeten experimenteren en de tijd moeten nemen om na te denken over de implicaties in de echte wereld voordat ze deze goed kunnen begrijpen. Laten we ze helpen daar te komen.
Het Experiential Learning Model (ELM) van David Kolb [1] Bron afbeelding: auteur.
Hierbij gaat het in ieder geval om het opzetten van interactieve elementen voor uw analyse. Voeg filters en parameters toe waarmee de gebruiker de gegevens kan gaan ondervragen. Wat als u het dubbele budget had? De helft ervan?
Door deze vraag-antwoordstroom kan de gebruiker de analyse vertrouwen en begrijpen hoe deze zich verhoudt tot zijn probleem, waardoor hij uiteindelijk het vertrouwen krijgt om die analyse in de bestuurskamer toe te passen. Dit gebrek aan vertrouwen is de belangrijkste reden waarom uw kaart niet in het diadeck terechtkomt, dus let hier goed op.
4. Maak het presentatieklaar
Creëer boeiende en informatieve beelden die kijkers niet zullen intimideren zonder de complexiteit van uw analyse op te offeren.
Helaas kunnen we niet van iemand verwachten dat hij de tijd neemt om in een presentatie van de analyse te leren, zoals onze zakenpartner dat (hopelijk) tot nu toe heeft gedaan. Dit betekent dat we nu een samenvattend diagram moeten maken dat de belangrijkste punten van onze analyse kan weergeven, maar dan in veel minder detail.
Idealiter wordt dit gedaan als de laatste stap van uw analyse, zodra u het eens bent over de belangrijkste inzichten en hoe u deze het beste kunt samenvatten in een grotere beslissing of een groter probleem dat moet worden opgelost. Vervolgens kunt u gebruik maken van de best practice voor datavisualisatie [2] om boeiende en informatieve beelden te creëren die kijkers niet zullen intimideren zonder de complexiteit van uw analyse op te offeren.
5. Lang leve de analyse
Zorg ervoor dat uw analyse verder gaat dan dit enkele gegevensverzoek en steeds opnieuw kan worden gebruikt.
Een onderdeel van dit proces dat ernstig wordt verwaarloosd, is de vraag hoe deze analyse kan worden omgezet in schaalbare kennis. Hoe zorg je ervoor dat de zakelijke vraag die je zojuist hebt beantwoord, niet alleen wordt gedeeld met Jim of Jim's team, maar met het bredere bedrijf? En niet alleen deze week, maar dat het over 6 maanden gebruikt kan worden als dezelfde vraag weer opduikt. Het antwoord is ondubbelzinnig: geen dashboard, maar iets genuanceerder.
De aanpak van AirBnB [3] was het implementeren van een Knowledge Feed die het type gedetailleerde analyse gebruikt dat we zojuist hebben geschetst en deze publiceert zodat het hele bedrijf deze kan vinden. Het resultaat is een verzameling rapporten die gemakkelijk te begrijpen zijn voor alle gebruikers, maar toch toegang hebben tot de onbewerkte code en aantekeningen die analisten kunnen gebruiken als uitgangspunt voor toekomstig werk. De belangrijkste kenmerken zijn gedocumenteerd, zodat iedereen vertrouwen heeft in wat ze zien (wanneer het is gepubliceerd, de beperkingen, enz.). En ze hebben deze kennisdatabase gemakkelijk parseerbaar gemaakt, zodat mensen snel de analyse met betrekking tot hun vragen kunnen vinden voordat ze hun verzoek bij het datateam hebben ingediend.
Nu kunt u ervoor zorgen dat uw analyse verder gaat dan dit enkele gegevensverzoek en steeds opnieuw kan worden gebruikt.
DIY-tijd
Het voordeel van deze manier van werken is dat het eenvoudig te testen is. De volgende keer dat er een verzoek binnenkomt van een van uw vriendelijkere zakelijke gebruikers (vermijd piraten), raad ik aan deze methode uit te proberen. In plaats van het gevraagde diagram te materialiseren, kun je vragen om een ontmoeting met hen te hebben om beter te begrijpen wat ze met dit diagram hopen te doen. Over welke beslissingen gaat het? Wie is het publiek?
En terwijl u samenwerkt in deze analyse, raad ik u aan een datanotebook te gebruiken om de vereiste metagegevens te documenteren en uw werk aan uw zakenpartner uit te leggen. Dit geeft u de flexibiliteit om uw analyse te contextualiseren in lijn met code en beeldmateriaal, zodat u niet ergens een Google-document probeert te hacken.
Als u beiden tevreden bent met de analyse en de bevindingen, werkt u samen aan het definitieve diagram en ziet u hoe verschillend het eruit ziet met het oorspronkelijke verzoek. Ik durf te wedden dat ze totaal verschillend zijn.
Voorbeeld van een Count-notitieboekje. Bron: Wie is de tennisgeit?
Om deze analyse toe te passen op gedeelde kennis, is wat meer voorbedachtheid vereist. Er zijn niet veel natuurlijke plekken waar deze notitieboekjes terecht kunnen; Github is niet gebruiksvriendelijk genoeg voor niet-ontwikkelaars, en opties als DropBox of Google Docs zijn niet technisch genoeg om de benodigde code op te nemen.
Als je me zou dwingen een hulpmiddel aan te bevelen, zou ik het moeten zeggen Tellen, maar ik heb, eerlijk gezegd, wel geholpen bij de opbouw ervan. Count is een datanotebook dat deze manier van werken tot de norm wil maken. U kunt analytische rapporten van hoge kwaliteit maken die vol zijn van context, uitleg en op maat gemaakte visuals, allemaal in één document, waardoor uw werk het platform krijgt dat het nodig heeft om de voorbijgaande gegevensvraag te overleven en kennis te worden waarvan het hele bedrijf kan profiteren.
Als je een van deze methoden hebt geprobeerd, hoor ik graag hoe het ging in de reacties!
Referenties
[1] Kolb, DA Ervaringsleren: ervaring als bron van leren en ontwikkeling. New Jersey: Prentice-Hall; 1984.
[2] Mahoney, Michael. De kunst en wetenschap van datavisualisatie. Op weg naar datawetenschap; 2019.
[3] Sharma, C. & Overgooer, Jan. Kennis opschalen bij Airbnb. AirbnbEng; 2016.
ORIGINELE. Met toestemming opnieuw gepost.
Zie ook:
Bron: https://www.kdnuggets.com/2021/04/make-analysis-used.html
- toegang
- het richten
- analyse
- Kunst
- gehoor
- BEST
- 'best practices'
- Beetje
- bouw
- bedrijfsdeskundigen
- Bellen
- verzorging
- Grafieken
- code
- afstand
- vertrouwen
- Credits
- dashboards
- gegevens
- data science
- Database
- dag
- detail
- DEED
- dropbox
- etc
- Ervaringen
- experiment
- filters
- Tot slot
- Voornaam*
- Flexibiliteit
- stroom
- voorbedachtheid
- vol
- toekomst
- GitHub
- Vrijgevigheid
- Kopen Google Reviews
- houwen
- hoofd
- hier
- Hoe
- How To
- HTTPS
- reusachtig
- beeld
- Inclusief
- -industrie
- beïnvloeden
- informatie
- inzichten
- interactieve
- isolatie
- IT
- sleutel
- kennis
- LEARN
- leren
- Lijst
- lang
- liefde
- Match
- Medium
- model
- maanden
- New Jersey
- laptops
- nummers
- Opties
- partner
- Samenwerking
- Mensen
- platform
- speler
- Portaal
- professionals
- Rauw
- Lezer
- Rapporten
- onderzoek
- Resultaten
- Wetenschap
- zin
- het instellen van
- gedeeld
- Bermuda's
- Eenvoudig
- Klein
- So
- OPLOSSEN
- besteden
- begin
- ingediend
- Technisch
- vertelt
- tennis
- proef
- De Bron
- het denken
- niet de tijd of
- tips
- spoor
- triage
- Trust
- gebruikers
- week
- WIE
- hanteren
- winnen
- Mijn werk
- wereld