Про ПРИМИТИВИЗМ и другие виды аналитики

Будете ли вы отрицать, что у большинства компаний аналитика сделана из "спичек и желудей"? Даже если в них внедрены решения известных вендоров, идут эксперименты с нейросетями и ИТ-директор продает CEO и акционерам идею смены технологического уклада!
В то время, когда часто говорят о машинном обучении, искусственном интеллекте, речь редко переходит на ценности, создаваемые современной аналитикой для бизнеса. Только где-то вдали маячит туманная страшилка в виде тотальной безработицы из-за роботов(точно будет дешевле и лучше?), или настигает прилипчивая идея, что всем сотрудникам нужно разбираться "и в моделировании, и в статистике" (чтобы что?). Кстати, и тому, и другому с подачи Сбербанка уже учат в школе на курсе машинного обучения. Интересно, современные школьники более восприимчивы, умудрены и быстрее находят применения новым знаниям, чем мы, когда в школе изучали "Войну и мир"?

А как дела с аналитикой в настоящем, пока эти школьники не пришли занимать наши рабочие места?


Прежде всего, давайте зафиксируем четыре принятых вида аналитики по возрастанию сложности реализации и глубины результатов:

1. ОПИСАТЕЛЬНАЯ отвечает на вопрос: Что происходит(происходило)? Сколько, когда, где? Это визуализация собранных из разных источников данных. Они консолидированы, причесаны и сгруппированы. Вы регулярно получаете порции такой аналитики. Если повезет, то в виде интерактивных графиков на смартфоне, если повезло чуть меньше, то в виде витрины данных (сводной таблицы) в Excel, где доступны детальные цифры и возможно спуститься до каждого документа, если же не повезло совсем, то - это выгрузка "как и когда получилось" из информационной системы. В описательной аналитике, т.к. она подразумевает дальнейшие анализ или коммуникацию, важны форма представления, качество и полнота исходных данных.

2. ДИАГНОСТИЧЕСКАЯ поясняет происходящее, категоризирует и классифицирует явления, фокусирует внимание. Это причинно-следственный анализ, обогащенная информация, самые важные признаки явлений, выявленные аномалии и закономерности, информация, извлечённая из текстов или изображений. Когда данных мало, с этим справится и человек, если он владеет предметной областью и мастерски пользуется Excel, но когда их становится чуть больше, то без машинного обучения никак. В диагностической аналитике главное - это выводы, форма у них бывает совершенно разной: и флажок, и карта с областями, и граф, и пространство точек. Главное - чтоб выводы были содержательны и прозрачны, тогда они будут востребованы.

3. ПРЕДИКТИВНАЯ заглядывает в будущее и носит вероятностный характер. Прогнозы объемов, вероятности открытий страниц, писем, или невозврата кредита. Какую страницу показать следующей, сколько заказать, насколько отобьется промо-акция, дать деньги или нет - когда таких решений принимаются тысячи и больше, то или надо брать сопоставимое количество сотрудников, или внедрять машинное обучение. Она может не иметь вообще никакой формы представления, а работать тихо «под капотом» других решений. Хотя нет, вру, одна форма представления для предиктивной аналитики обязательна - это оценка качества, сравнение прогнозных значений с фактическими, без которого невозможно повышать качество машинного обучения.

4. ПРЕДПИСЫВАЮЩАЯ про сравнение с помощью моделирования огромного количества альтернатив и выбор оптимального обоснованного решения. Представьте сложный процесс, комплексную систему, в основе которой множество взаимосвязанных факторов, явлений. Для такой системы пространство для выбора решений не ограничено одним-двумя вариантами. Например, при ограниченном бюджете необходимо оптимизировать портфель продуктов, или подобрать оптимальную конфигурацию производственной линии, или решить, где поставить завод, или же создать прототип какого-то продукта со сложной логикой. Человек может нарисовать, проработать один случай для комплексных уникальных систем, но кроме как интуитивно (или иногда с помощью расчетов) не может предугадать, как эта система поведет себя в критических условиях, и не может утверждать, что это решение оптимально, потому что он сравнил его с тысячами альтернативных. Такое возможно с помощью имитационного моделирования и машинного обучения, и порой вырастает в автономные решения - роботы, что помогают рекрутерам искать сотрудников, а где-то и заменяют уже людей, как работы-категорийные менеджеры в Amazon, которые занимаются управлением ассортиментом, промо и ценообразованием.

Amazon - это здорово, а какая же аналитика встречается чаще всего? Т.к. эта аналитика в полной мере не реализует ничего из четырех вышеописанных видов, введем новый вид.

ПРИМИТИВНАЯ (с) аналитика - та, что хаотично сложилась и пассивно устоялась.

 

Такая аналитика избирательно правдива и ограниченно доступна. В ее основе лежит регулярный значительный объем ручной работы аналитиков, например, по сбору и подготовке данных, но самое интересное, что и ее интерпретация тоже требует значительного труда менеджеров. Поэтому у них цифры не совпадают(не проходили же они в школе машинное обучение), а доступная им аналитика сделана из "спичек и желудей", и порой все что они имеют, они разработали для себя сами.

Еще одной особенностью примитивной аналитики является гиперконцентрация реальных знаний о функционировании аналитических инструментов у одного-нескольких людей, которые их разрабатывают не документируя, не проверяя качество, не выращивая в отчуждаемый продукт. В таком случае компания попадает в плен этого примитивизма, потому что аналитики не заинтересованы в развитии функции за пределы их компетенций. 
Менеджеры в свою очередь не способны сформулировать внятный запрос на качественно новые аналитические решения, а вместо этого, чтобы обеспечить себя аналитикой, изучают "статистику", которой на самом деле должны владеть аналитики.

Конечно же, случаются исключения, когда примитивная аналитика соседствует с островками диагностической или даже предиктивной аналитики. Но будете ли вы спорить, что устойчивость любой конструкции ограничена устойчивостью ее самого слабого звена?

Возможности аналитики раскрываются полностью только тогда, когда она становится частью ценностного предложения для всех сотрудников и клиентов компании, когда корпоративная информация является ключевым бизнес-активом и частью бизнес-стратегии, в то время, когда развитие бизнес-процессов людей и непрерывное совершенствование аналитических методов не оставляют места для примитивизма.

Признайтесь себе честно, не нашли ли вы у себя симптомы аналитического примитивизма?

Кейс Forseti

photo_2018-06-21_19-45-32

Forseti -  это проект технологии, предоставляющей децентрализованный механизм справедливого разрешения споров и механизм обеспечения доверия к данным, поступающих в блокчейн извне. 

Основными компонентами Forseti являются:

- Децентрализованная сеть пулов арбитров/оракулов (DA/MN) - саморегулируемые пулы арбитров, специализирующиеся на одной сфере деятельности. Разрешаемые ими споры или предоставлемая информации влияет на их репутацию.

- Механизм разрешения споров (DRM) - алгоритм, честно и прозрачно,  в случайном порядке распределяющий задачи среди арбитров. 

- Система мотивации арбитров, основанной на репутации (ISR) - Система репутации, построенная таким образом, чтобы позволять участникам монетизировать заработанную репутацию.

В перечисленные компоненты входят инструменты для начисления, списания репутации, распада репутации из-за пассивности арбитров/оракулов, начисления премии и т.д.

Reshape Analytics помог команде проекта протестировать и визуализировать более 10 гипотез, лежащих в основе проекта, таких как: влияние распада репутации на её концентрацию, корреляцию качества голосования с репутацией и других. Нами была разработана мульти-агентная имитационная модель, в ходе работы над которой существенно доработаны ключевые механизмы платформы Forseti. В том числе были выявлены неочевидные аспекты функционирования ее элементов, которые могли бы нарушить её целостность.

21 июня 2018 года команда Forseti выиграла CVA Blockchain Awards, проходящий в Швейцарии в рамках Crypto Valley Conference on Blockchain Technology. 

Подробнее об услуге - имитационном моделировании и разработке концептуального дизайна блокчейн-проектов, в частности токен-экономики.

Как мы проектируем токен-экономику

hannah-troupe-430145-unsplash

В продолжение https://reshape.team/token-economy/

Получив информацию о ключевых аспектах будущих проектов, включая гипотезы, связанные с развитием продукта и его вероятной токен-экономикой, прорабатываем их концепцию до целостного непротиворечивого состояния, достаточно полного для передачи в проектирование/разработку и подготовки документов для инвесторов, юристов и будущих пользователей.

Как мы это делаем? В ходе работы над проектом разрабатываем имитационную модель на ПО AnyLogic его внутренней логики и экономики. В случае RAWG была модель системной динамики, а в проекте Forseti, который мы сейчас заканчиваем, - мульти-агентная. Мы остановились на имитационном моделировании, т.к. это лучший инструмент системного анализа. Что оно дает для блокчейн проектов?

Во-первых, как показывает практика создатели проектов знают/прорабатывают не более 20% будущей проблематики, оставшиеся 80% логики - это совсем общие слова, не имеющие под собой никакой основы. В процессе разработки мы гарантировано пройдемся по всем аспектам проекта, предложим свои гипотезы/решения, интегрируем их в модель, протестируем их на тысячах экземплярах агентов и множестве прогонов модели, выявим узкие места/противоречия/провалы в логике  - проработаем их и повторим еще раз до тех пор, пока не получил полностью проработанный, понятный и доказуемый результат, по сути прототип. В результате экономятся ресурсы разработки проекта, сокращается срок реализации, принимаются стратегические/тактические решения и предупреждаются риски, с которыми столкнулись бы в будущем после запуска, когда не факт, что их можно безболезненно исправить.

Во-вторых, на вход в разработанное решение можно подавать прогнозные значения множества показателей, а модель, в которой заложена вариативность, на выходе выдаст весь спектр возможных бизнес-результатов. По сути это прокаченная версия бизнес-планирования, в ней сразу понятны все пограничные значения, ей можно задавать вопросы «что если» и спускаться на атомарный уровень сотен тысяч событий и логических нюансов, что лежат в её основе. С момента как проект запущен, в модель можно загрузить реальные/исторические данные, локализовать гэпы или доработать модель, а затем продолжать ей пользоваться, проактивно продумывая значимые решения.

В-третьих, очевидно, что это инструмент продвижения и привлечения инвесторов, пользователей, показывающий насколько глубоко тема проекта была проработана. Модель всегда включает в себя набор графиков/dashboard, а еще возможно предусмотреть визуализацию в виде анимации, где в 2D или 3D будет проиллюстрирована жизнь будущего проекта. Как говорится, человеку лучше один раз все увидеть, чем сто раз услышать. Дополнительно можно заморочиться и сделать удобный интерфейс управления моделью, загрузить её в облако или на сайт, дав возможным играться с ней любому желающему.

В результате проекта передаем заказчику:
- исходный файл с моделью, которая открывается в среде разработки AnyLogic, где можно её настроить и изменить параметры, плановые значения
- документ с проверенными гипотезами, ответами на вопросы, аналитикой и предлагаемыми решениями
- за отдельную плату апплет, который загружается на сайт и с которым можно играться в вебе.

Как запускать проекты по бизнес-аналитике?

start_km_1200_630

Вам вероятно приходилось работать на различных аналитических проектах: где-то с самого начала, а когда-то вы присоединялись к ним где-то посередине, или же, когда подводились их итоги. Единственный вопрос, которым вы точно задавались и который всегда объединяет все эти и последующие ваши аналитические проекты – как правильнее их начинать?

Возможно, вы уже искали на него ответ в написанных сложным языком статьях и руководствах, но не нашли универсального рецепта. Ведь не существует конкретного всеобъемлющего свода правил, которые следует соблюдать всегда. Но точно можно сказать, что вашу работу значительно упростят следующие наиболее важные аспекты, на которые следует обратить внимание:


1. Зафиксируйте всех заинтересованных в проекте лиц (стейкхолдеров) – неважно, в какого рода проекте вы работаете, вы всегда должны знать о всех его стейкхолдерах. В проекте может быть множество стейкхолдеров, и чтобы определить их, вы можете создать соответствующий документ для анализа. Это может быть простой лист Excel, в котором вы перечислите их имена, должности, отделы, роль в проекте и любые другие важные детали, специфичные для вашего проекта. Такой документ будет полезен на протяжении всего жизненного цикла проекта и еще долго после того.


2. Теперь у вас есть список всех ваших заинтересованных сторон, а что дальше? Не все стейкхолдеры одинаково важны или влиятельны в проекте. К чьему мнению следует больше прислушиваться? Чтоб определить это вы можете создать матрицу заинтересованных сторон, в которой сопоставить стейкхолдеров с их ролями на проекте:
o Владелец проекта - управляет проектом / владеет проблемой, отвечает за его результаты. Очень влиятелен.
o Заказчик – формулирует задачу и выступает в качестве утверждающего её решения. Обычно принимает результаты работы.
o Группа поддержки – ваши подчиненные или коллеги, они предоставляют ресурсы или оказывают помощь, но не могут влиять на управление проектом.
o Консультанты, эксперты – хорошо разбираются в зоне своей ответственности и в соответствующей предметной области, к таким часто приходится обращаться за специализированной помощью.
o Информируемые – их достаточно держать в курсе происходящего на проекте.


3. Примите решениях о методах получения информации о требованиях к проекту. Таковых существует множество, например, мозговой штурм, интервью, семинары и т.д. В силу ограниченности располагаемых ресурсов на проекте, особенно времени вовлеченных в него людей, настал лучший момент заглянуть в матрицу заинтересованных сторон, чтобы не забыть ни о ком важном и подобрать соответствующий инструмент для коммуникации. Например, мнение директора по производству может быть значимым для конкретного проекта и описания текущего состояния AS IS, но, возможно, его будет недостаточно для полного формирования целевого представления TO BE. В таком случае вы возьмете у него интервью, чтоб понять его точку зрения, опасения и аргументацию, но не будете пытаться встроиться в его перегруженный график и пригласить на продолжительный мозговой штурм. Обязательно уточняйте доступность, уровень влияния, должность, наличие интереса к проекту у стейкхолдеров, прежде чем выбирать метод получения информации об их требованиях к проекту.


4. Сделайте домашнюю работу. Не все проекты начинаются с приглашения заинтересованных сторон на личные встречи и общие собрания, с рассылки опросных листов или организации семинаров. На самом деле, большинство из аналитических проектов, если не все, где запланировано развитие уже существующих бизнес-процессов (например, цифровая трансформация) не начинаются с нуля. Как правило, такие AS IS-процессы уже устоялись и, вероятно, задокументированы. Вы можете найти описания, регламенты и множество сопутствующих процессу документов, формирующие представления о том, как они работают сейчас. Как бизнес-аналитик внимательно и критически изучите бизнес-правила, собранные документы и соответствующие информационные потоки. Не пропускайте деталей, выявляйте противоречия, уточняйте неоднозначную информацию, если же вы ограничитесь своими предположениями, то это может вам в последующем выйти боком.


5. Вы собрали требования и уверены в их содержании? Отлично. Теперь пора их проанализировать. Анализ подобен тому, что выполнялся на предыдущем шаге, который может иногда и пропускаться, но это упражнение носит обязательный характер. Анализ требований включает в себя выявление любых аномалий, закрепление предположений и ограничений на проекте, декомпозицию требований на уровень конкретной функциональности, группировку требований и уточнение того, что важно на самом деле, а что нет. Чем больше вы потратите сил и времени на этом этапе, тем меньше вас будет ждать сюрпризы в дальнейшем ходе проекта.


6. Настал черед определения приоритетности требований. У вас есть полная картина с проанализированными и задокументированными требованиями, а теперь в зависимости от задач проекта и списка заинтересованных сторон, вам может потребоваться выбрать из требований более приоритетные. В таком случае вы можете применить часть гибкой методологии Agile, в которой функциональные требования к продуктам/приложениям реализуются итерационно. Несмотря на то, что у вас есть заказчики / владельцы проекта, вы в качестве бизнес-аналитика должны владеть полной картиной, знать все требования и понимать их влияние на бизнес. Продуманный план реализации требований проекта сравним по значимости с самим проектом.


7. Проверьте себя, как вы можете проследить историю изменений требований до проекта и в ходе его реализации. Когда проект будет подходить к концу, и будут тестироваться его результаты, вы вероятно столкнетесь с тем, что результат не будет совпадать с озвученными ранее требованиями. На такой случай вы как бизнес-аналитик должны быть способны обнародовать историю изменений этих требований вплоть до первоисточника. Особенно это актуально в постоянно изменяющейся сфере ИТ, или в случаях, когда кто-то другой подключится к вашей работе и вносит в нее изменения. Таким образом, хорошо задокументированные и прослеживаемые требования сэкономят время и энергию, и, конечно же, предупредят разочарование, которое мы обычно наблюдаем, просматривая неполные и двусмысленные требования от других.



Источник: адаптированный перевод https://www.batimes.com/articles/how-to-get-started-with-business-analysis.html

12 наблюдений про анализ данных и машинное обучение

Post1

Основано на реальном опыте команды Reshape Analytics.

 

1. Проекты по анализу данных и машинному обучению без четких бизнес-целей и вовлечения топ-менеджмента с большой вероятностью не приведут ни к каким результатам.

 

2. Если в командe аналитического проекта не найдется места для представителей линейного и среднего менеджмента, задействованных в анализируемых бизнес-процессах, впоследствии может не найтись места для продуктов проекта в их работе.

 

3. Не стоит отвечать на вопрос, найдется ли место этому менеджменту в бизнесе после реализации проектов… сделайте это, когда проекты будут завершены.

 

4. Модели машинного обучения прогнозируют будущее, выявляют закономерности исключительно на основе массива располагаемых ими данных и заданной целевой функции. Они не могут заглянуть за пределы данных на входе и сформулировать для себя какую-либо иную цель на выходе, поэтому еще долго наиболее эффективным будет их союз с человеком, который укажет "куда копать", разберется "почему" и "как" у них что-то получилось.

 

 

5. С большой вероятностью в начале проекта вы перепрофилируете его из проекта по машинному обучению в проект по повышению качества данных, а срок исполнения проекта удвоите.

 

6. В первую очередь вы столкнетесь с тем, что у вас хуже всего оцифрованы процессы планирования и принятия управленческих решений. Этот факт дополнительно усложнит последующих анализ предпосылок, повлиявших на формирование данных, которыми вы будете оперировать.

 

7. Лучше всего организовать работу по проекту так, чтобы он шел итеративно и вовлекал с каждым шагом все больше и больше профессионалов, тогда решаемые задачи не будут устаревать, а качество суждений будет постоянно улучшаться.

 

8. Проекты по анализу данных и машинному обучению - комплексные. Учитывайте особенности всех бизнес-процессов и их готовность к масштабированию, чтобы не столкнуться с бутылочным горлышком неготовой к изменениям реальности.

 

 

9. Анализ данных, машинное обучение доступны сейчас каждому. Даже если у вас мало данных, собирая их, организовывая для последующего изучения, вы расширяете знания о своем бизнесе, понимаете его логику и увидите существующие проблемы. Это позволит делать правильные выводы о том, как развиваться дальше.

 

10. Невысокая сложность используемых аналитических методов, среднее качество данных, но с хорошо выстроенным процессом координации, принесут лучшие результаты, чем самые современные методы машинного обучения, безграничное хранилище данных и посредственная координация.

 

11. Использование опыта других компаний, применения практики из других бизнес-функций может оказаться эффективным. Например, методы маркетинговой аналитики могут органично вписаться в HR-аналитику, а методы из аналитической оптимизации цепей поставок - в маркетинг.

 

12. Самая продвинутая организация не та, где работают самые продвинутые аналитики, а та, где все сотрудники - аналитики. Поэтому развивайте в вашей компании аналитическую культуру, открывайте доступ к данным и внедряйте в работу аналитические решения, позволяющие делать продвинутый анализ данных не аналитикам, например, совсем без программирования, как это реализовано в Loginom.

Scroll Up