By Đếm Taylor, Trưởng bộ phận Dữ liệu tại Bộ đếm.
Photo by Austin Neill on Unsplash.
Cẩn thận với Cướp biển
Một trong những trải nghiệm làm mất tinh thần phổ biến nhất là xem kết quả làm việc chăm chỉ của bạn không được nhìn thấy, không được đánh giá cao và không được sử dụng. Trong thế giới dữ liệu, đó là điều mà chúng ta thường xuyên trải qua. Lấy một tình huống giả định sau:
- Jim gửi yêu cầu đến nhóm dữ liệu để phân tích sâu hơn cho buổi thuyết trình của khách hàng vào tuần sau.
- Bạn và Jim dành cả tuần để làm việc phân tích, làm việc chặt chẽ để đảm bảo rằng anh ấy có hình ảnh phù hợp và cảm thấy tự tin khi trình bày kết quả.
- Ngày của buổi thuyết trình đã đến, và không có một lời nào từ Jim. Thật ki quặc.
- Cuối cùng, khi bạn lần ra anh ấy, anh ấy nói với bạn rằng “rốt cuộc anh ấy đã không sử dụng các bảng xếp hạng”. “Họ chỉ có thể đã làm họ bối rối,” anh ấy nói thêm với một giọng điệu hòa giải.
- Bạn đang bốc khói. Cả một tuần lãng phí. Một quyết định khác đã được thực hiện mà không có dữ liệu ở đó để sao lưu nó. Tại sao anh ấy còn hỏi ngay từ đầu?
Tôi muốn gọi những người yêu cầu này cướp biển bởi vì họ đánh cắp thời gian của tôi. Thật không may, sẽ luôn có những tên cướp biển, nhưng có những cách chúng ta có thể học để tránh chúng hoặc ít nhất là đối phó với sự tồn tại của chúng. Dưới đây là danh sách các mẹo để đảm bảo phân tích của bạn nhận được tín nhiệm xứng đáng, được đúc kết từ kinh nghiệm của riêng tôi, nghiên cứu học thuật và các phương pháp hay nhất trong ngành.
1. Bỏ qua các biểu mẫu yêu cầu dữ liệu
Chúng ta phải là nhà tư vấn chứ không phải làm thuê.
Hầu hết các nhóm dữ liệu có một cổng yêu cầu mà họ sử dụng để phân loại và chỉ định các yêu cầu dữ liệu đến từ doanh nghiệp. Các cổng này được thiết kế để giúp các nhóm kinh doanh và dữ liệu làm việc cùng nhau dễ dàng hơn; người dùng doanh nghiệp nhập chính xác những gì họ muốn và nhóm dữ liệu chỉ làm cho điều đó thành hiện thực.
Thật không may, như chúng ta đã thấy từ Jim, nó không đơn giản như vậy. Nhiều người dùng doanh nghiệp đến với nhóm dữ liệu với một biểu đồ đã có sẵn trong đầu, bao gồm cả những con số trên biểu đồ đó sẽ hiển thị.
Tại thời điểm này, chúng ta đã chết. Nếu dữ liệu không khớp với câu chuyện mà người yêu cầu muốn hoặc có một chút sắc thái, thì họ sẽ không bao giờ sử dụng phân tích này. Chúng tôi cần biết vấn đề mà họ đang cố gắng giải quyết.
Là chuyên gia dữ liệu, chúng tôi hiểu dữ liệu và các phương pháp thống kê hơn bất kỳ ai và có thể tư vấn về cách tiếp cận tốt nhất để sử dụng dữ liệu để trả lời câu hỏi. Bối cảnh kinh doanh cùng với chuyên môn về dữ liệu của chúng tôi có thể kết hợp để tạo ra phân tích có tác động hơn nhiều so với những gì chúng tôi có thể sản xuất riêng lẻ.
Nói tóm lại, chúng ta phải là nhà tư vấn chứ không phải làm thuê.
2. Những con số không bao giờ bước đi một mình
Một biểu đồ đơn lẻ không thể truyền tải tất cả mọi thứ, và kiểu suy nghĩ đó sẽ hạn chế khả năng ảnh hưởng đến công việc của chúng ta đối với công việc của chúng ta.
Thông thường, chúng tôi dự kiến sẽ gửi qua một biểu đồ hoặc trang tổng quan dưới dạng một yêu cầu đã hoàn thành. Người dùng doanh nghiệp gần như không thể giải thích nếu không có lời giải thích 1: 1.
Chúng tôi đã được thông báo rằng dữ liệu có thể tự nói lên chính nó, rằng một biểu đồ được chế tạo tốt có thể tự truyền đạt tất cả các sắc thái của nó. Đơn giản là nó sai. Một biểu đồ đơn lẻ không thể truyền tải tất cả mọi thứ, và kiểu suy nghĩ đó sẽ hạn chế khả năng ảnh hưởng đến công việc của chúng ta đối với công việc của chúng ta.
Bạn không thể chỉ dựa vào biểu đồ để truyền đạt thông tin chi tiết. Sử dụng văn bản để giải thích công việc của bạn. Nguồn: Cầu thủ xuất sắc nhất không bao giờ giành được danh hiệu by đếm.co.
Khi chia sẻ bất kỳ phân tích nào, tôi cố gắng luôn bao gồm các thông tin sau:
- khoảng thời gian của dữ liệu
- ngày phân tích
- tác giả
- TL; DR: tóm tắt bối cảnh và thông tin chi tiết
- giải thích về cách đọc biểu đồ
- bạn đã thực hiện phân tích như thế nào (không phải mã, mà là giải thích của giáo dân)
- hạn chế và các bước tiếp theo
Thông tin theo ngữ cảnh này có vẻ khiến bạn đau đầu, nhưng nó tạo ra sự khác biệt rất lớn. Chúng tôi không chỉ gửi một biểu đồ, mà một cách riêng biệt, có thể mang theo ẩn ý vô ích 'tìm ra nó.' Chúng tôi đã gửi cho họ một bản phân tích với mọi thứ họ cần để biến biểu đồ đó thành thông tin chi tiết, một cử chỉ nhỏ nhưng không được chú ý.
Việc phá bỏ thói quen tự gửi biểu đồ sẽ giúp chúng có cơ hội được hiểu và cuối cùng là được sử dụng.
3. Biến nó thành một trải nghiệm
Để thực sự có ý nghĩa về phân tích của bạn, người dùng của bạn sẽ cần phải xem xét và thúc đẩy nó… Hãy giúp họ đạt được điều đó.
Bao quanh biểu đồ của bạn với ngữ cảnh và giải thích đảm bảo người đọc có mọi thứ họ cần học điều gì đó từ phân tích của chúng tôi. Nhưng chúng tôi học tốt nhất qua những trải nghiệm [1].
Vì vậy, để thực sự có ý nghĩa về phân tích của bạn, người dùng của bạn sẽ cần phải xem xét và thúc đẩy nó. Mô hình học tập của Kolb cho thấy họ sẽ cần thử nghiệm với phân tích của chúng tôi và dành thời gian để suy ngẫm về những tác động trong thế giới thực của nó trước khi họ có thể hiểu đúng về nó. Hãy giúp họ đến đó.
David Kolb's Experiential Learning Model (ELM) [1] Nguồn ảnh: tác giả.
Ở mức tối thiểu, điều này liên quan đến việc thiết lập các yếu tố tương tác cho phân tích của bạn. Thêm các bộ lọc và thông số cho phép người dùng bắt đầu thẩm vấn dữ liệu. Điều gì sẽ xảy ra nếu bạn có gấp đôi ngân sách? Một nửa nó?
Luồng câu hỏi-câu trả lời này cho phép người dùng tin tưởng vào phân tích và hiểu nó liên quan như thế nào đến vấn đề của họ, cuối cùng mang lại cho họ sự tự tin để sử dụng phân tích đó trong phòng họp. Sự thiếu tự tin này là lý do số một khiến biểu đồ của bạn không lọt vào trang trình bày đó, vì vậy hãy chú ý ở đây.
4. Chuẩn bị sẵn sàng bản trình bày
Tạo hình ảnh hấp dẫn và nhiều thông tin, không gây khó chịu cho người xem mà không phải hy sinh sự phức tạp của phân tích của bạn.
Thật không may, chúng tôi không thể mong đợi ai đó dành thời gian để học hỏi từ phân tích trong một bài thuyết trình theo cách mà đối tác kinh doanh của chúng tôi đã làm (hy vọng) cho đến thời điểm này. Điều này có nghĩa là bây giờ chúng ta cần tạo một biểu đồ tóm tắt có thể phản ánh những điểm chính trong phân tích của chúng ta nhưng ít chi tiết hơn.
Tốt nhất, đây là bước cuối cùng trong quá trình phân tích của bạn, khi bạn đã đồng ý với những thông tin chi tiết chính và cách tốt nhất để tổng hợp chúng thành một quyết định hoặc vấn đề lớn hơn cần giải quyết. Sau đó, bạn có thể sử dụng phương pháp hay nhất về Hình ảnh hóa dữ liệu [2] để tạo ra hình ảnh hấp dẫn và giàu thông tin, không làm người xem sợ hãi mà không phải hy sinh sự phức tạp của phân tích của bạn.
5. Phân tích Sống lâu
Đảm bảo rằng phân tích của bạn nằm ngoài yêu cầu dữ liệu duy nhất này và có thể được sử dụng lại nhiều lần.
Một phần của quá trình này bị bỏ quên nghiêm trọng là vấn đề biến phân tích này thành kiến thức có thể mở rộng. Làm thế nào để bạn đảm bảo rằng câu hỏi kinh doanh mà bạn vừa trả lời không chỉ được chia sẻ với Jim hoặc nhóm của Jim mà còn với công ty rộng lớn hơn? Và không chỉ trong tuần này, mà nó có thể được sử dụng trong 6 tháng khi câu hỏi tương tự lại xuất hiện. Câu trả lời rõ ràng không phải là một bảng điều khiển mà là một cái gì đó nhiều sắc thái hơn.
Cách tiếp cận của AirBnB [3] đã triển khai Nguồn cấp dữ liệu tri thức có loại phân tích chi tiết mà chúng tôi vừa phác thảo và xuất bản để toàn công ty tìm thấy. Kết quả là một tập hợp các báo cáo được mọi người dùng dễ hiểu nhưng vẫn có quyền truy cập vào mã thô và ghi chú để các nhà phân tích sử dụng làm điểm khởi đầu cho công việc sau này. Các thuộc tính chính được ghi lại để cung cấp cho mọi người niềm tin vào những gì họ đang thấy (thời điểm nó được xuất bản, các hạn chế, v.v.). Và họ đã làm cho cơ sở dữ liệu kiến thức này có thể dễ dàng phân tích cú pháp để mọi người có thể nhanh chóng tìm thấy phân tích liên quan đến câu hỏi của họ trước khi họ gửi yêu cầu đến nhóm dữ liệu.
Giờ đây, bạn có thể đảm bảo rằng phân tích của mình vượt quá yêu cầu dữ liệu duy nhất này và có thể được sử dụng lại nhiều lần.
Thời gian tự làm
Lợi ích của cách làm việc này là rất dễ kiểm tra. Lần tới khi có yêu cầu từ một trong những người dùng doanh nghiệp thân thiện hơn của bạn (tránh vi phạm bản quyền), tôi khuyên bạn nên thử phương pháp này. Thay vì hiện thực hóa biểu đồ họ yêu cầu, hãy yêu cầu gặp họ để hiểu rõ hơn những gì họ hy vọng sẽ làm với biểu đồ này. Nó thông báo những quyết định nào? Đối tượng là ai?
Và khi bạn làm việc cùng nhau trong phân tích này, tôi khuyên bạn nên sử dụng sổ ghi chép dữ liệu để ghi lại siêu dữ liệu cần thiết và giải thích công việc của bạn cho đối tác kinh doanh của bạn. Điều này cho phép bạn linh hoạt hóa phân tích của mình theo ngữ cảnh phù hợp với mã và hình ảnh, vì vậy bạn không cố gắng hack tài liệu Google ở đâu đó.
Khi cả hai đều hài lòng với phân tích và phát hiện, hãy cùng nhau làm việc trên biểu đồ cuối cùng và xem biểu đồ này khác với yêu cầu ban đầu như thế nào. Tôi sẵn sàng cá là chúng hoàn toàn khác nhau.
Ví dụ về sổ tay Đếm. Nguồn: Tennis GOAT là ai?
Việc cam kết phân tích này với kiến thức được chia sẻ đòi hỏi bạn phải suy nghĩ trước nhiều hơn một chút. Không có nhiều nơi tự nhiên cho những cuốn sổ tay này; Github không đủ thân thiện với người dùng đối với những người không phải là nhà phát triển và các tùy chọn như DropBox hoặc Google Docs không đủ kỹ thuật để bao gồm mã được yêu cầu.
Nếu bạn buộc tôi giới thiệu một công cụ, tôi phải nói Đếm, nhưng tiết lộ đầy đủ, tôi đã giúp xây dựng nó. Count là một sổ ghi chép dữ liệu nhằm mục đích biến loại cách làm việc này trở thành chuẩn mực. Bạn có thể tạo các báo cáo phân tích chất lượng cao có đầy đủ ngữ cảnh, giải thích, hình ảnh tùy chỉnh tất cả trong một tài liệu, tạo cho công việc của bạn nền tảng cần thiết để tồn tại lâu hơn yêu cầu dữ liệu nhất thời và trở thành kiến thức mà từ đó toàn công ty có thể hưởng lợi.
Nếu bạn đã thử bất kỳ phương pháp nào trong số này, tôi rất muốn biết nó diễn ra như thế nào trong các nhận xét!
dự án
[1] Kolb, DA Học tập qua trải nghiệm: Trải nghiệm như là nguồn gốc của học tập và phát triển. New Jersey: Prentice-Hall; Năm 1984.
[2] Mahoney, Michael. Nghệ thuật và Khoa học về Trực quan Dữ liệu. Hướng tới Khoa học Dữ liệu; Năm 2019.
[3] Sharma, C. & Overgooer, Jan. Kiến thức mở rộng quy mô tại Airbnb. AirbnbEng; 2016.
Nguyên. Đăng lại với sự cho phép.
Liên quan:
Nguồn: https://www.kdnuggets.com/2021/04/make-analysis-used.html
- truy cập
- Định hướng
- phân tích
- Nghệ thuật
- khán giả
- BEST
- thực hành tốt nhất
- Một chút
- xây dựng
- kinh doanh
- cuộc gọi
- mà
- Bảng xếp hạng
- mã
- công ty
- sự tự tin
- tín dụng
- bảng điều khiển
- dữ liệu
- khoa học dữ liệu
- Cơ sở dữ liệu
- ngày
- chi tiết
- ĐÃ LÀM
- Dropbox
- vv
- Kinh nghiệm
- thử nghiệm
- bộ lọc
- Cuối cùng
- Tên
- Linh hoạt
- dòng chảy
- tính toán cẩn thận
- Full
- tương lai
- GitHub
- Cho
- tấn
- cái đầu
- tại đây
- Độ đáng tin của
- Hướng dẫn
- HTTPS
- lớn
- hình ảnh
- Bao gồm
- ngành công nghiệp
- ảnh hưởng
- thông tin
- những hiểu biết
- tương tác
- cô lập
- IT
- Key
- kiến thức
- LEARN
- học tập
- Danh sách
- dài
- yêu
- Trận đấu
- trung bình
- kiểu mẫu
- tháng
- New Jersey
- máy tính xách tay
- số
- Các lựa chọn
- đối tác
- Công ty
- người
- nền tảng
- máy nghe nhạc
- Portal
- chuyên gia
- Nguyên
- Người đọc
- Báo cáo
- nghiên cứu
- Kết quả
- Khoa học
- ý nghĩa
- thiết lập
- chia sẻ
- ngắn
- Đơn giản
- nhỏ
- So
- động SOLVE
- tiêu
- Bắt đầu
- trình
- Kỹ thuật
- nói
- quần vợt
- thử nghiệm
- Nguồn
- Suy nghĩ
- thời gian
- lời khuyên
- theo dõi
- triage
- NIỀM TIN
- Người sử dụng
- tuần
- CHÚNG TÔI LÀ
- vận dụng
- giành chiến thắng
- Công việc
- thế giới