خلاصه: تغییرات سریع در ابزارهای تحلیلی و دسترسیپذیری دادهها(Data Availability) منجر به تحول در انتظاراتی شده است که از نقش تحلیلگر داده(Data Analyst) انتظار میرود. ما میتوانیم به سمت چیزی فراتر از تولید گزارشات حرکت کنیم، و این فرصت را داریم که نه تنها دادهها را پردازش کنیم، بلکه میتوانیم آنها را به اطلاعات قابل فهم تبدیل کرده و از دانش به دست آمده برای کمک به تغییرات استفاده کنیم.
از ۱۹۶۰، تحلیلگران داده گزارشهایی را برای جمعآوری و به اشتراکگذاری اطلاعات از سیستمهای کامپیوتری ایجاد کردند تا به افراد امکان اتخاذ تصمیمات بهتر را بدهند. بنابر تجربهای که با آن برخورد داشتهام باید بگویم اگر چه این گزارشات مملو از اطلاعات هستند، اما اغلب اوقات اطلاعات مناسب و درستی را که مشتریان دادههای ما بدان نیاز دارند و یا اطلاعاتی که آنها برای تصمیمگیری احتیاج دارند را شامل نمیشوند.
این امر ناشی از چند عامل است:
- از آنجایی که انواع دادههای دسترسپذیر رو به افزایش هستند، نیازهای دادهای به سرعت در حال تغییر میباشند. در حال حاضر همه به قدرت دادهها پی بردهاند، اما بهرهبرداری از این قدرت در شرایطی مقدور است که قادر باشند این دادهها را به شکلی که بتوان از آنها استفاده نمود، در اختیار بگیرند.
- حجم دادههای موجود در دنیا در حال انفجار است. دنیای ما تغییر کرده است و در حال حاضر اطلاعات زیادی در دسترس است و همین موضوع در حال تبدیل شدن به یک چالش برای سازماندهی و به اشتراکگذاری دادهها به صورت قابل مصرف برای کاربران است. یک گزارش داشبورد ده صفحهای، واقعا یک داشبورد نیست و حجم اطلاعات موجود در آن باعث کاهش ارزش آن میشود.
- کیفیت دادهها نیز یک چالش است. با رشد سریع منابع دادهای، حصول اطمینان از دادههایی که تماما معتبر و در فرمت مورد انتظار باشند تبدیل به مساله جدیدی شده است که باید آن را حل و فصل کرد.
امروزه تحلیلگران داده در حال حل این مشکلات هستند، اما به نظر خیلیها آنها فرصت انجام کار بیشتر را از دست میدهند.
در پروژه اخیر، از تیم ما خواسته شد که روی حجم ورودی تماس مشتریان تحلیلی داشته باشیم تا ببینم آیا راهی وجود دارد که بتوانیم رضایت مشتری را بهبود ببخشیم. شما هم تا حالا برای پشتیبانی(حداقل برای خط اینترنت منزل) پشت خط تیم HelpDesk بودهاید، و قطعا درک میکنید که پشت خط بودن اصلا حس خوبی ندارد، مخصوصا زمانی که با یک مسئله مالی و یا اختلال سرویس مواجه شدهاید. به همین دلیل ما هم به دنبال یافتن راههای بهتر برای سرویسدهی به مشتریان خود هستیم.
در ابتدا، اطلاعات تماس یک سال را جمع آوری کردیم: تاریخ و زمان تماس، زمان پاسخدهی، و غیره. دادهها را با جداسازی نوع Data از Data-Time سازماندهی نموده و سپس رکوردهای نامعتبر را فیلتر کردیم.
به وضوح مشخص شد که در زمانهای خاصی از ماه، با حجم تماسهای بالایی مواجه بودهایم. این روند قبلا توسط ما شناسایی شده بود، اما من همچنان شاهد یک شکاف بزرگ در نرخ تماسهای از دست رفته بودیم که قبلا آنرا شناسایی نکرده بودیم. اینها مشتریانی بودند که پس از انتظار طولانی برای برقراری ارتباط منصرف شده بودند.
ما تغییرات را در سیستم تماسمان اعمال کردیم تا این شکاف را ببندیم. از جمله ویژگی call-back، بنابراین افراد نوبت خود را در خط از دست نمیدادند. یکی دیگر از روشهای معمول هم افزایش کارمندان در روزهایی بود که مطمئنا نرخ تماس ما بیشتر از حد معمول بود.
به عنوان تحلیلگران داده، از ما خواسته شده بود تا نگاهی به نرخ تماسها داشته باشیم. اما با دیدن نرخهای از دست رفته برای پیدا کردن یک فرصت برای بهبود رضایت مشتری استفاده کردیم. در آن زمان احساس یک کاشف و به بیان بهتر کارآگاهی را داشتم که به یک سرنخ رسیده بود.
دنیای تست نیاز به کارآگاهان داده بیشتری دارد. بیایید نگاهی بیندازیم به برخی روشهای دیگر که میتوانیم از مهارتهای دادهای خود به خوبی استفاده کنیم.
گامهای شناسایی دادهها
چند سال پیش یک سریال کارآگاهی کلاسیک دیدم که متاسفانه اسم آنرا به یاد ندارم. او از مهارتهای مشاهداتی و نبوغ خود برای حل حتی پیچیدهترین جنایات استفاده میکرد. این کارآگاه چه کار میکرد؟
- او به یک صحنه جنایی وارد میشد که مملو از شواهدی بود که باید آنها را در نظر میگرفت(Data یا داده)
- سپس دادهها را با یک متد سازماندهی میکرد. این روش به او اجازه فیلتر کردن میداد. سپس دادهها را به سرنخهایی دستهبندی میکرد که به او کمک میکرد تا ببیند در کند و کاوهای بعدی باید دنبال چه چیزی باشد(Information یا اطلاعات)
- او از این سرنخها برای توسعه نظریات درباره چگونگی رخ دادن جرم و اینکه چه کسی مسئول آن بوده است، استفاده میکرد. او اغلب شروعهای اشتباهی داشت و افراد بیگناه را متهم میکرد و سپس نتایج خود را بر مبنای درک بهتر رخدادهای واقعی مرور مینمود.(Knowledge یا دانش)
- در نهایت، او داستان واقعی را تشخیص میداد و توضیح میداد که چگونه به این نقطه رسیده است.(Wisdom یا خرد)
- فرد مجرم بایستی اعتراف کرده و دستگیر میشد.(Action یا اقدام)
خب، او یک کارآگاه تلویزیونی بود، اما شرایط در دنیای واقعی چگونه است؟ ما مشابه همین گامهای را با یک کارآگاه دادهای برجسته هم دیدهایم: آلبرت انیشتین.
اینشتین برای اکتشافات و نظریاتش معروف است، اما او یک کارآگاه داده هم بود. در آن دوران کامپیوترها هنوز وجود نداشتند، بنابراین دادهها بایستی به شکل دستی جمعآوری شده و بر روی کاغذ سازماندهی میشدند. بخش عمدهای از کار او نیازمند رفتارهای شهودی بود. اینها در حقیقت همان مشاهداتی بودند که باعث میشد او به ایدهها و راهکارهای پیشنهادی خود نائل شود.
من مطمئنم که او یک باره صبح از خواب بیدار نشده، تا فرمول “E = mc^2” را بنویسد و پس از آن مشغول صرف صبحانه شود. میتوانیم او را با دادههایی که در دسترسش بوده تصور کنیم که این اطلاعات را در قالب یک داستان پردازش کرده و قوانینی را ایجاد کرده است که ما به آنها دانش میگوییم. در نهایت وی با جمعآوری یک درک درست از مسئله و استفاده از خرد حاصل شده برای خلاصه کردن مفاهیم(به نحوی که افراد بتوانند درک کنند) استفاده نموده. آخرین گام هم انتشار یک نظریه است که ما آنرا اقدام یا Action مینامیم.
ادعا نمیکنم که انیشتین بعدی هستم یا حتی انگشت کوچک او به حساب میآیم، اما معتقدم این کار یعنی تجزیه و تحلیل دادهها زیرساخت تمام نظریات و حصول راهکارهای عملیاتیست و صد البته ارزشی واقعی را در بر دارد.
کارآگاه داده در عمل
ما میتوانیم بیش از تجزیه و تحلیل دادهای که در دسترس ماست، کار انجام دهیم. میتوانیم از دانشی را که بواسطه کارمان بروز کرده است، برای کمک به انجام تغییرات استفاده کنیم.
در اینجا برخی اقدامات واقعی و مفید که یک کارآگاه داده میتواند انجام دهد، لیست شده است:
- به مشتری خود گوش کنید تا نه تنها آنچه را که میخواهند بفهمید، بلکه مسئلهای که آنها در تلاش برای حل آن هستند را نیز دریابید.
- به دادههای موجود نگاه کنید و ارزشمندترین عناصر را برای خدمت به مشتری یا گزارش مورد نیازشان بیابید.
- دادهها را به اطلاعات قابل فهم برای مشتری و آنچه که به نیازهایشان مربوط است، فیلتر و سازماندهی کنید.
- درک خود از مسأله و اطلاعات جمعآوری شدهتان، برای ارائه دانش در رابطه با موضوع مطروحه، را بروز دهید. این کار باعث میشود، فعالیت شما مورد توجه قرار گرفته و طبعا میدان عمل بیشتری به شما ارائه شود.
- در نهایت، نتیجهگیریها ، پیشنهادات یا مشاهدات در مورد فرصتهای تغییر که با کار شما انجام شده است را آماده نمایید.
- برای درک مزایا، یک داشبورد یا یک راه ساده دیگر برای اندازهگیری سریع تأثیر هر گونه تغییر، ایجاد کنید. با این کار مشتریتان واقعا شما را به عنوان یک دارایی در این تیم خواهد نگریست. البته رسیدن به این نقطه مشروط بر این است که راهکار شما(مثلا داشبورد) بتواند تأثیر تغییرات ایجاد شده را به موقع گزارش دهد.
اگر شما یک تحلیلگر داده هستید، به احتمال زیاد اولین اقدامات حساس در کار خود را قبلا انجام دادهاید. این یک فراخوانی برای اقدام بیشتر است. ممکن است بینش شما که بر تلاشهاتیان اتکا دارد، در نقطهای باشد که هیچکس دیگر به چنین بینشی نرسیده است. به همین دلیل ریسک کنید و در مورد تغییراتی که فکر میکنید میتواند وضعیت را بهبود ببخشد صحبت کنید.
شما قطعا شواهدی در پیش رو دارید. این شانس شما برای نشان دادن این موضوع است که میتوانید بیش از ایجاد گزارشها، کار کنید. تبدیل به یک “کارآگاه داده” و یک “فعال برای تغییر” شوید.