Манифест против аналитического мракобесия. *наболело

Что такое "аналитическое мракобесие" Аналитическое мракобесие — это когда компания: ➤ Собирает данные ради данных, а затем еще и ставит препоны в их получении и использовании ➤ Работает с отчетами в которых неясно кто, что и когда должен сделать. Более того - всячески избегает персонификации "Дабы по панамке не прилетело" ➤ Путает корреляцию с причинно-следственной связью ➤ Строит прогнозы, не понимая ключевых драйверов изменений ➤ Тратит 90% ресурсов на сбор и визуализацию данных и лишь 10% на действия или не действует вовсе ➤ Парализована "анализом паралича" — бесконечной потребностью в дополнительной информации ➤ Игнорирует простые решения в пользу сложных моделей ➤ Не использует получаемые артефакты

Почему это происходит ➤ Отсутствие понимания взаимосвязей данных и процессов. ➤ Компании следуют моде на визуализации, а не на поиск и решение проблем. ➤ Разрыв между аналитиками и бизнесом. Аналитики не понимают на что способен бизнес и на какие метрики и как он может повлиять. Бизнес не знает как поставить задачи аналитикам. В результате все начинают просить отчеты и говорить об отчетах, вместо того чтобы говорить о причинении компании и клиентам финансовой пользы. ➤ Страх принятия решений. Руководители используют "недостаток данных" как оправдание для откладывания сложных решений. ➤ Технологический фетишизм. Вера в то, что новый инструмент или платформа автоматически решит все проблемы. ➤ Культура перфекционизма. Стремление к идеальным данным и моделям вместо работающих решений.

Что делать и куда бежать? Аналитика Дня 1: альтернативный подход Джефф Безос в своем письме акционерам ввел понятие "компания Дня 1" — организация, которая сохраняет гибкость, фокус на клиенте и способность быстро принимать решения, несмотря на рост. Противоположностью является "компания Дня 2", где бюрократия и самоуспокоенность приводят к стагнации.

По аналогии, "Аналитика Дня 1" — это подход, при котором: ➤ Данные служат действиям, а не наоборот. Мы собираем только те данные, которые помогают принимать конкретные решения.

➤ Одержимость клиентом, а не метриками. Показатели имеют смысл только если они отражают реальные потребности и проблемы клиентов.

➤ Быстрые эксперименты вместо идеальных прогнозов. Лучше провести 10 маленьких тестов, чем строить одну "идеальную" модель.

➤ Фокус на критических ограничениях. В любой системе есть 1-2 критических узких места. Найдите их, и вы получите 80% эффекта при 20% усилий.

Цикл: гипотеза → тест → измерение → масштабирование. Формулируем гипотезу, тестируем малыми порциями, измеряем результат, масштабируем успешные решения.

Вот так хочу! Без всех этих бюрократических согласований доступов, обоснований важности, технико-экономической ерунды. Просто взял данные до каких смог дотянуться, собрал модельку, протестировал на кроликах. Сработало? МАСШТАБИРОВАЛ Не сработало? ВЫБРОСИЛ В ПРОПАСТЬ