Читать онлайн «Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики». Страница 12

В настоящее время здесь все еще используется модель, которая сложилась десятки и даже сотни лет назад. Мы берем детей, по воле случая родившихся примерно в одно время, и – независимо от их уровня развития и подготовки (за редким исключением) – сводим вместе в одном классе. Так, все девятилетние дети учатся в третьем классе и проходят одинаковую программу независимо от того, насколько хорошо или плохо они усваивают материал. Вместо того чтобы отходить от этой модели, Соединенные Штаты лишь еще больше ужесточают правила в отношении программы каждого года школьного обучения.

Но в эпоху больших данных и аналитики почему бы не разрешить детям самим выбирать, с какой скоростью они будут изучать материал? Разве не повысим мы у них интерес к учебе, если учителя превратятся из пересказчиков обязательного материала в помощников, которые будут отвечать на вопросы учеников и помогать им? Изучая материал в собственном темпе, школьники смогут обращаться к учителям за помощью в любое время. Некоторые образовательные организации, такие как Khan Academy и Coursera, уже применяют такой подход{8}. Они размещают учебные материалы онлайн, а пользователи смотрят видеоуроки и проходят тесты, чтобы проверить качество усвоения материала.

Почему бы нам не использовать возможности данных и аналитики, чтобы ученики постоянно обучались с выбранной ими скоростью? И причем каждый день с разного этапа обучения? Например, чтобы окончить третий класс, пусть школьнику по-прежнему нужно будет пройти всю обязательную учебную программу, но почему бы при этом ему не выполнять домашние задания за пятый класс? Если учащийся усваивает весь необходимый материал и успешно сдает тесты, то имеет ли значение, в каком году он родился и какой путь избирает для себя в обучении?

Некоторые отрасли уже внедрили аналитику и соответственно изменили способы ведения бизнеса, но другие продолжают работать так же, как работали десятилетия тому назад. Чем сильнее отстает отрасль, тем больше в ней накапливается потенциал для подрывных (и притом положительных) перемен, которые принесет с собой внедрение операционной аналитики.

Именно данные и аналитика позволяют осуществить этот переход. Можно с точностью отследить, какие учебные видеоматериалы просмотрел каждый учащийся, какие задания и контрольные тесты он выполнил и насколько хорошо. Можно с легкостью определить, какие темы ему следует пройти еще раз, поскольку аналитика выявит затруднения не только с решением конкретной задачи, но и с усвоением учебной темы в целом.

Благодаря быстрой аналитической обработке каждого ответа и столь же быстрому выявлению шаблона, определившего выполнение теста, учащемуся можно немедленно предложить нужный ему вспомогательный материал. Собирая и анализируя данные на очень детализированном уровне, операционная аналитика ненавязчиво поможет учащемуся получить знания, предоставив при этом свободу действий и обеспечив изучение необходимого материала в полном объеме.

Помню, как я откровенно скучал в школе. Более того, из-за ошибки при передаче сведений о пройденных мною в старших классах предметах мне пришлось в колледже повторно их изучать. В результате я целый семестр был вынужден слушать, как преподаватель излагал уже знакомый мне материал, и проходить тесты, которые мог бы сдать в первый же день. При этом я не мог показать свои знания и избавить себя от бесполезной траты времени. Применение операционной аналитики для управления процессом обучения и отслеживания успеваемости учащихся может до неузнаваемости изменить сферу образования в ближайшие годы.

Операционная аналитика выходит за рамки традиционной аналитической практики, однако это вовсе не означает, что уроки прошлого не имеют никакого значения. На протяжении всей книги я буду обращать внимание на постоянство многих основных принципов, сохраняющих свою значимость. В этом разделе мы рассмотрим несколько важных тем, которые позволят нам взглянуть на операционную аналитику в перспективе.

Качество и актуальность данных всегда имели решающее значение для аналитических процессов. При превращении традиционной аналитики в операционную эти свойства приобретают еще большую значимость. Когда процесс использует данные, полученные несколько секунд назад, чтобы принять решение за несколько секунд, данные должны быть актуальными и точными. Автоматизированный процесс принятия решений при помощи операционной аналитики практически не оставляет возможностей для отслеживания и устранения ошибок в данных.

У меня есть друг, работающий в крупной логистической компании. Я не буду называть ее здесь, поскольку аналогичный вопрос встает и перед многими другими организациями. Мой друг рассказывал о трудностях, которые приходится преодолевать его компании при выработке маршрутов для своих водителей. И главным источником проблем является качество картографических данных.

Вспомните о своем опыте использования GPS-навигаторов или других распространенных картографических приложений. Вы же замечали, что зачастую они приводят вас не совсем туда, куда нужно? Например, согласно официальному адресу, отель располагается на Мейн-стрит, а вот въезд на парковку находится за углом на Элм-стрит. Навигационное приложение приведет вас на Мейн-стрит, после чего вам придется думать, как добраться до парковки.

Такая небольшая ошибка вызывает не более чем досаду, когда вы пытаетесь добраться до ресторана или найти магазин. Потерять однажды минуту-другую не страшно. Однако это крайне разорительно для логистической компании, тысячи водителей которой постоянно сталкиваются с подобной дезориентацией сотни раз в день. Поэтому в компании моего друга существует большая команда, которая занимается обновлением базы картографических данных на основе новейшей информации, сообщаемой водителями.

Качество данных всегда имело важнейшее значение, но в мире операционной аналитики оно наиважнейшее. Автоматизированный и оперативный характер процессов оставляет мало возможностей для выявления и устранения ошибок в данных. Данные должны быть безупречными.

Сотрудники картографического отдела принимают во внимание всё. Так, они отмечают в базе данных, что въезд на парковку находится за углом от центрального входа в отель. Если отель переносит въезд на парковку в другое место из-за проблем с дорожным движением, они немедленно обновляют информацию. Типичное навигационное приложение приводит вас на улицу перед входом в здание. Однако в сельской местности дом может находиться метров на 800 в сторону да еще по грязной дороге. Для доставки груза на дом водителю придется потратить дополнительные пять минут на дорогу туда и обратно, поэтому алгоритмы должны учесть этот факт при составлении маршрута. Если логистическая компания не будет обладать такими актуальными и точными данными, она будет нести миллионы долларов убытков из-за снижения производительности. Для того чтобы аналитическая программа могла оптимизировать маршруты для водителей, компания уделяет усиленное внимание получению правильных данных.

Легко представить, как неверные данные могут пустить под откос операционную аналитику. Это возвращает нас к вопросу о том, почему организация не может перепрыгнуть через традиционную аналитику и начать с нуля внедрение операционной аналитики. Значительная часть операционной аналитики по-прежнему состоит в сборе необходимых данных и проверке их качества. Аналитика всегда была и будет оставаться дисциплиной, которую определяет принцип «мусор на входе дает мусор на выходе». Разница при переходе от традиционной к операционной аналитике состоит в том, что у вас остается гораздо меньше времени и возможностей для проверки достоверности данных, прежде чем будут приняты решения и предприняты действия. Качество данных должно соответствовать очень высоким стандартам, иначе ошибки в данных неизбежно приведут к ошибкам в анализе, а затем и в решениях. К тому моменту, когда ошибка в данных будет обнаружена, она уже может причинить вред.

Некоторые люди ставят под сомнение связь аналитики с творчеством. Когда она проникнет в организацию, не задушит ли аналитика творчество? Другими словами, передавая все больше решений автоматизированным компьютерным алгоритмам, не исключим ли мы из бизнеса креативность и человеческий фактор?

Но я утверждаю, что все обстоит с точностью до наоборот. Я считаю, что операционная аналитика способствует творчеству. Дело в том, что после принятия автоматизированных решений очень легко отследить их эффективность. Это, в свою очередь, позволяет организациям протестировать, что работает, а что нет. Вместо того чтобы сначала проводить творческий и продуктивный мозговой штурм, а затем выбирать всего один-два варианта действий, которые сочтены наиболее приемлемыми, аналитика позволяет протестировать много идей, а затем двигаться дальше на основе полученных результатов. Чтобы придумать все эти варианты, по-прежнему требуется креативный подход. Однако благодаря аналитике можно точнее оценить потенциал каждой творческой идеи и снизить риск путем экспериментирования с ней. Именно этим и занимаются постоянно веб-сайты.