В современную
эпоху цифровой трансформации объемы информации возрастают с беспрецедентной скоростью.
Организации во всех отраслях — от глобального ритейла и финансового сектора до профессионального
спорта и здравоохранения — ежедневно аккумулируют петабайты информации. Однако сами
по себе числовые массивы не создают ценности. Как убедительно доказывают Томас
Дэвенпорт и Ким Джин Хо в исследовании «О чем говорят цифры. Как понимать и использовать
данные» ( https://tinyurl.com/4phkjxcp
), ключевым фактором конкурентоспособности становится способность руководителей
преобразовывать сырые данные в обоснованные управленческие решения.
Настоящий обзор систематизирует концептуальные основы количественного анализа, трехэтапный 6-шаговый фреймворк принятия решений, методы аудита аналитических моделей, технологии обработки больших данных, математические законы обнаружения аномалий, а также правила построения наглядных историй данных (Data Storytelling ).
1. Введение. Зачем руководителю думать как аналитик
Большинство
бизнес-книг по математическому моделированию и статистике адресованы профессиональным
аналитикам — так называемым «квантам» (quants). Однако Томас Дэвенпорт и
Ким Джин Хо формулируют принципиально иной подход: современному менеджеру не требуется
научная степень по математике или навыки самостоятельного написания сложных алгоритмов.
Главная задача руководителя — стать «информированным потребителем аналитических
данных».
Концепция «ценителя вина» и «винодела»
Авторы иллюстративно поясняют эту концепцию через метафору декана Гарвардской школы науки и искусств Сяо Лименга: цель обучения аналитике для менеджера заключается не в том, чтобы стать «виноделом» (специалистом с уровнем PhD по статистике), а в том, чтобы развивать тонкий вкус к «хорошему вину» — умению отличать качественный, научно строгий анализ от поверхностной манипуляции. Руководителю необязательно уметь самостоятельно программировать или выводить уравнения (быть «виноделом»), достаточно научиться критически оценивать готовые результаты и задавать правильные вопросы (быть «ценителем вина»).
Количественный аналитик и менеджер выполняют фундаментально разные роли в структуре организации:
|
Критерий сравнения |
Количественный аналитик («Винодел») |
Руководитель / Не-квант («Ценитель вина») |
|
Ключевой фокус |
Построение
математических моделей, сбор и подготовка данных, алгоритмическая обработка. |
Формулирование
бизнес-проблемы, критическая оценка допущений, принятие управленческих
решений. |
|
Главный инструмент |
Специализированное
ПО и технологии (SAS, R, Python, IBM SPSS, Hadoop, MapReduce). |
Бизнес-логика,
стратегический контекст организации, формулировка гипотез и критические
вопросы. |
|
Требуемый уровень математики |
Высшая
математика, теория вероятностей, эконометрика, статистика уровня PhD. |
Базовая
школьная программа, понимание статистической логики, шкал и ограничений
моделей. |
|
Критерий успеха |
Математическая
точность, валидность алгоритмов и корректность расчетов. |
Операционная и
финансовая окупаемость принятых решений (рост выручки, сокращение издержек). |
В чём суть этого
разделения?
1. Разделение
зон ответственности: Аналитик отвечает за техническое качество и
математическую корректность расчётов, а менеджер — за связь модели с
бизнес-целями компании и за итоговые действия на основе полученных результатов.
2. Преодоление
языкового барьера: Ошибка многих организаций возникает тогда,
когда менеджеры полностью самоустраняются от анализа, воспринимая его как
«черный ящик». Дэвенпорт и Ким подчёркивают: менеджеру достаточно школьной
программы по математике, чтобы понимать логику шкал и вести диалог с квантами
на равных.
3. Двустороннее партнерство: Аналитики должны учиться говорить на языке бизнеса (выручка, издержки, клиенты), а менеджеры — формировать привычку регулярно проверять допущения модели и требовать цифры для подтверждения гипотез.
Практический пример: Оптимизация медицинской помощи в Cigna
Яркой иллюстрацией
роли «информированного потребителя» выступает опыт Дженнифер Джой, вице-президента
по клиническим исследованиям страховой компании Cigna. Не имея профильного математического
образования и работая в прошлом медицинской сестрой, Джой поставила перед аналитической
группой Майкла Казинса фундаментальный вопрос: действительно ли многочасовые телефонные
консультации пациентов с хроническими заболеваниями (диабетом и сердечной недостаточностью)
снижают частоту их повторных госпитализаций?
Ежемесячные
стандартные отчеты демонстрировали только динамику госпитализаций, но не объясняли
причинно-следственную связь. Группа аналитиков применила метод парной группировки
пациентов (paired matching), сопоставив больных со схожим образом жизни,
возрастом и тяжестью диагноза, часть из которых получала консультации, а часть —
нет.
Результаты
исследования оказались неожиданными: по одним видам заболеваний консультации обладали
выраженным эффектом, тогда как по другим потраченные ресурсы не приносили результата.
Это позволило Cigna перераспределить бюджет в пользу доказанно эффективных каналов
поддержки клиентов, сэкономив миллионы долларов. Этот кейс демонстрирует, что аналитическая
ценность родилась не из сложности формул, а из способности менеджера задать правильный
вопрос к данным.
2. Трехэтапный процесс и шесть шагов количественного
анализа
Томас Дэвенпорт и Ким Джин Хо структурируют любой аналитический проект в виде последовательного 3-этапного фреймворка, состоящего из 6 четких шагов. Соблюдение этой последовательности предохраняет организацию от расходования средств на бесполезные исследования.
Важнейший принцип фреймворка: Процесс количественного анализа является итеративным.
Выводы, полученные на этапе сбора или анализа данных, могут и должны заставлять
исследователя возвращаться к первому этапу и уточнять формулировку проблемы.
Схема трех этапов и шести шагов анализа
1.
Этап 1: Формулирование
проблемы (Problem Framing)
Шаг 1. Определение проблемы: Постановка вопросов, выбор типа проекта и определение
главного заинтересованного лица.
Шаг 2. Изучение прошлых поисков: Обзор предшествующих исследований внутри и вне компании
для уточнения гипотезы.
2.
Этап 2: Решение
проблемы (Solving the Problem)
Шаг 3. Моделирование: Выбор зависимой переменной Y и объясняющих независимых факторов X .
Шаг 4. Сбор данных: Измерение выбранных переменных по шкалам (бинарным, категориальным, количественным).
Шаг 5. Анализ данных: Применение статистических методов, программного обеспечения и алгоритмов.
3.
Этап 3: Результаты
и необходимые меры (Communicating and Acting on Results)
Шаг 6. Демонстрация результатов и действия: Перевод выводов на язык бизнеса ( Data
Storytelling ) и принятие решений.
Этап 1. Формулирование проблемы (Problem Framing)
На
этом этапе закладывается основа исследования. Некорректная постановка задачи
делает бесполезными любые последующие данные и расчёты.
Шаг 1. Определение проблемы (Problem Recognition) — осознание сути проблемы и её актуальности,
выявление заинтересованных сторон (стейкхолдеров) и фокусировка на конкретных
управленческих решениях, которые будут приниматься по итогам анализа.
o Ключевые вопросы:
Кто является главным заинтересованным
лицом (стейкхолдером) и готово ли руководство действовать на основе
результатов?
На принятие какого конкретного
управленческого решения направлен анализ?
·
Задача: Задать достаточно широкий масштаб проблемы, но к
концу шага четко сформулировать проверяемую гипотезу.
На
этом же этапе определяется тип аналитического проекта. Дэвенпорт и Ким Джин Хо
выделяют 6 основных типов аналитических проектов:
1. Проект «CSI»
(Расследование)
• Суть:
Напоминает детективное расследование возникшей проблемы. В бизнесе
обнаруживается некоторая аномалия или сбой, и аналитики изучают данные, чтобы
понять причины случившегося и устранить их.
• Особенности:
Часто не требует сложного статистического аппарата — достаточно корректно
собранных логов и правильной визуализации показателей.
• Пример:
Расследование онлайн-турагентства Expedia, почему клиенты прерывали оформление
бронирования на этапе оплаты.
________________________________________
2. Проект
«Эврика!» (eureka!)
• Суть:
Направлен на целенаправленный поиск решений стратегических задач, возникающих
при изменении бизнес-модели или масштабных трансформациях компании.
• Особенности:
В отличие от проекта «CSI», вызываемого внезапной проблемой, «Эврика!»
планируется заранее, требует больше времени и более глубокого математического
анализа.
• Пример:
Решение Expedia отменить штрафы за отмену бронирования или реорганизация
бизнес-модели компании Zillow по взаимодействию с риелторами.
________________________________________
3. Проект
«Сумасшедший ученый» (Mad Scientist)
• Суть:
Проведение строго контролируемых рандомизированных экспериментов (включая
А/Б-тестирование).
• Особенности:
Формируются тестовые и контрольные группы для проверки конкретных гипотез и
точного выявления причинно-следственных связей между переменными.
• Пример:
Тестирование эффективности установки аквариумов с омарами в супермаркетах Food
Lion или сравнение двух версий дизайна веб-страницы.
________________________________________
4. Проект
«Опрос» (Survey)
• Суть:
Классическое наблюдательное исследование, где аналитик финализирует и изучает
уже происходящие события или мнения респондентов, не пытаясь повлиять на
результат.
• Особенности:
Позволяет выявлять статистические взаимосвязи (например, между демографией
покупателей и их предпочтениями) на основе репрезентативной выборки.
• Пример:
Опросы покупателей для определения целевых групп или анкетирование сотрудников.
________________________________________
5. Проект
«Предсказание» (Prediction)
• Суть:
Прогнозирование будущих событий или поведения людей на основе исторического
массива данных (предсказательное моделирование).
• Особенности:
Аналитики тестируют множество факторов из прошлого, чтобы оценить вероятность
наступления события в будущем.
• Пример:
Оценка вероятности отклика клиента на рекламную рассылку, прогнозирование
увольнения сотрудников или предсказание эффективности кандидатов на работу.
________________________________________
6. Проект «Что
случилось, когда...?» (Отчётность)
• Суть:
Самый распространенный тип проектов, ориентированный на структурированное
описание прошлых событий и динамики показателей.
• Особенности:
Обычно не использует сложную математику, а фокусируется на своевременном и
наглядном представлении фактов (таблицы, графики, дашборды).
• Пример:
Ежеквартальные финансовые отчёты, сводки по продажам по регионам и периодам.
Шаг 2. Изучение предыдущих
поисков решения (Review of Previous Findings) — анализ ранее проведенных
исследований, отчетов и публикаций внутри или вне организации. Это позволяет не
«изобретать велосипед», выявить ключевые параметры и при необходимости
скорректировать формулировку проблемы.
o Ключевые вопросы:
Решалась ли подобная задача внутри
компании или в других организациях ранее?
Какие переменные и методы анализа
использовали предшественники?
o Задача: Не «изобретать колесо», а уточнить формулировку своей проблемы на основе существующего опыта и публикаций.
В аналитике
не существует «создания чего-либо из ничего». Любая проблема уже в той или иной
степени решалась ранее внутри организации или во внешних отраслевых исследованиях.
Изучение академических публикаций, патентных баз и отчетов конкурентов позволяет
уточнить модель и отказаться от велосипедных изобретений.
В качестве
иллюстрации авторы приводят исторический пример Второй мировой войны: когда немецкие
управляемые ракеты ФАУ-2 начали разрушать Лондон, британская разведка под руководством
аналитика Кларка провела статистический анализ мест падения 1358 ракет. Пуассоновское
распределение показало, что точки попадания распределялись абсолютно случайно, опровергнув
панические слухи о наличии у люфтваффе секретной системы точного наведения на ключевые
объекты инфраструктуры.
Этап 2. Решение проблемы (Solving the Problem)
На втором
этапе происходит перевод содержательной гипотезы в математические уравнения и обработка
массивов данных.
Шаг 3.
Моделирование и выбор переменных (Modeling / Variable Selection) — создание
преднамеренно упрощённой модели исследуемого процесса с выделением зависимых
(объясняемых) и независимых (объясняющих) переменных, а также выдвижение
гипотезы.
o Ключевые
вопросы:
Какая
переменная является зависимой (объясняемой), а какие — независимыми
(объясняющими)?
Какие
второстепенные детали можно отбросить, чтобы модель оставалась простой, но
полезной?
o Задача:
Построить преднамеренно упрощенную схему реальности и выдвинуть рабочую
гипотезу.
Модель
представляет собой преднамеренно упрощенное представление реальности. Подобно
тому как хорошая карикатура намеренно гиперболизирует ключевые черты лица, отбрасывая
мелкие детали, математическая модель должна выделять только самые главные независимые
(объясняющие) переменные X_1, X_2, влияющие
на зависимую (объясняемую) переменную Y.
1. Суть
моделирования и выбор переменных.
• Что
такое модель: Это преднамеренно упрощенное представление реального события
или ситуации.
o Преднамеренно
— разрабатывается специально под конкретную проблему.
o Упрощенно
— отбрасывает несущественные детали, выделяя только самые важные характеристики.
• Принцип
карикатуры: Авторы сравнивают модель с карикатурой: она сознательно
заостряет внимание на отдельных чертах лица (носу, улыбке), оставляя остальные
выразительные элементы в тени, чтобы помочь сфокусироваться на главном.
• Правило
Джорджа Бокса: Известный статистик Джордж Бокс сформулировал афоризм: «Все
модели некорректны, но некоторые при этом полезны». Задача аналитика — понять,
в какой момент модель приносит пользу, а когда её упрощения начинали искажать
реальность.
• Формулирование
гипотез и выбор переменных: Выбор факторов основывается на логике, опыте и
обзоре прошлых исследований. На этом шаге выделяют:
o Зависимую
(объясняемую) переменную — показатель, который необходимо спрогнозировать или
объяснить;
o Независимые
(объясняющие) переменные — факторы, влияющие на значение зависимой переменной.
• Наглядные
примеры:
o Схема
метро vs Географическая карта: На схеме метро расстояния между станциями не
пропорциональны расстояниям на местности, так как её единственная цель —
показать способы пересадки и маршрут.
o Индекс
готовности завести питомца (Fido): Пример количественного выражения
субъективных факторов (потребность в любви, свободное время, ответственность,
частота поездок) в виде единой формулы.
o Стилометрический
анализ писем ККС: Использование длины слов в качестве переменной для
статистической проверки, мог ли Марк Твен быть автором спорных исторических
писем.
________________________________________
2. Типы
аналитических моделей
Чтобы выбрать правильную
математическую модель, аналитик должен ответить на три основных вопроса:
1. Сколько переменных анализируется? (Одномерные, двумерные или
многомерные модели).
2. Какова цель анализа? (Описательная статистика — простое
обобщение характеристик данных; индуктивная статистика — перенос выводов с
выборки на всю генеральную совокупность).
3. Как измеряются переменные? (Двоичные,
категориальные/номинальные, ординальные/порядковые или количественные шкалы).
Ключевые
разновидности моделей:
• Модели
с двумя количественными переменными (Корреляционный анализ): Оценивают,
меняется ли одно числовое значение при изменении другого (например, рост и
вес).
• Модели
с категориальными переменными: Используют таблицы сопряженности, критерий ꭕ² (кси-квадрат)
или фиктивные (dummy) переменные для бинарных показателей (например, пол или
наличие гражданства).
• Многомерные количественные модели (Множественная линейная регрессия): Позволяют выразить зависимую переменную через совокупный «вес» (коэффициенты) нескольких независимых факторов.
o Пример
(Модель вин Орли Ашенфельтера): Экономист Орли Ашенфельтер построил
регрессионное уравнение цены на французские вина Бордо на основе 4 независимых
переменных: возраста вина, средней температуры периода созревания, осадков при
сборе и осадков предшествующей зимой. Коэффициент детерминации (R² = 0,828)
показал, что модель на 83% объясняет колебания цен на аукционах.
o Пример
(Модель Блэка — Шоулза): Дифференциальное уравнение ценообразования
опционов на основе 5 факторов (срок, спот-цена, цена исполнения, безрисковая
ставка, волатильность), доказавшее, что личную премию за риск инвестора в
формуле отдельно учитывать не требуется.
________________________________________
3. Изменение и
актуализация моделей (Model Revision)
• Почему
модель нужно изменять: Ни одна модель не работает вечно. Если окружающий
мир, рыночные условия или поведение людей меняются, исходная модель теряет
адекватность.
• Периодичность
обновления:
o В
большинстве бизнес-процессов модели необходимо пересматривать не реже одного
раза в год.
o В
высокодинамичных сферах (например, алгоритмический трейдинг) модели
актуализируются еженедельно или ежедневно.
• Пример
(Джеймс Симонс и Medallion Fund): Основатель хедж-фонда Renaissance
Technologies Джеймс Симонс обновлял торговые модели еженедельно, а расчеты
проводил ежедневно, поскольку рыночные аномалии по своей природе краткосрочны.
• Проверка
исходных предпосылок (Assumptions): Каждая модель строится на допущениях о
стабильности среды. Если исходные предпосылки рушатся, модель дает сбой.
Задачей менеджеров и аналитиков является регулярный скептический аудит: «Что
именно должно измениться в мире, чтобы наша модель перестала работать?».
Шаг 4.
Сбор данных и измерения (Data Collection / Measurement) —
фиксация значений выбранных переменных. Сбор включает работу как с первичными
данными (опросы, эксперименты, наблюдения), так и со вторичными источниками
(существующие базы и отчеты), в структурированном или неструктурированном виде.
o Ключевые
вопросы:
Как
будут измеряться переменные (двоичные, категориальные, ординальные или
количественные шкалы)?
Доступны
ли надежные вторичные данные или требуется сбор первичных данных (опросы,
наблюдения, эксперименты)?
Требуется
ли предварительная обработка неструктурированных «больших данных» (текстов,
логов, аудио/видео) в структурированный вид?
·
Задача: Сформировать
качественный массив данных, так как качество данных часто важнее сложности
используемого алгоритма
На данном
этапе переменные приобретают числовой вид. Сбор данных требует строгого соблюдения
типов измерений:
●
Бинарные (двоичные)
шкалы: Да/Нет, 0 или 1 (например, факт увольнения сотрудника).
●
Категориальные
(номинальные): Группы без внутреннего порядка (регион, цвет, категория
товара).
●
Ординальные (порядковые): Ранговые оценки
и бальные шкалы (например, шкала Ликерта от 1 до 5).
●
Количественные
(интервальные и рациональные): Физические числа
в стандартных единицах (выручка в долларах, вес в кг, возраст в годах).
В ситуации
отсутствия вторичных готовых баз исследователям приходится собирать первичные данные.
В книге приводится пример создания индекса IIEF-5 (International Index of Erectile
Function), который перевел субъективные жалобы пациентов в четкую 25-балльную
медицинскую шкалу тяжести заболевания.
Шаг 5. Анализ
данных (Data Analysis) — поиск устойчивых закономерностей и
взаимосвязей в массиве данных. На этом шаге применяются методы от базовой
описательной статистики (средние значения, распределения) до индуктивного
математического и статистического моделирования (регрессионный, корреляционный
или кластерный анализ, дисперсионный анализ ANOVA, алгоритмы машинного
обучения).
o Ключевые
вопросы:
Как
будут измеряться переменные (двоичные, категориальные, ординальные или
количественные шкалы)?
Доступны
ли надежные вторичные данные или требуется сбор первичных данных (опросы,
наблюдения, эксперименты)?
Требуется
ли предварительная обработка неструктурированных «больших данных» (текстов,
логов, аудио/видео) в структурированный вид?
o Задача: Сформировать качественный массив данных, так как качество данных часто важнее сложности используемого алгоритма.
Непосредственное
применение математического инструментария — от дескриптивных средних и медиан до
множественной регрессии, кластеризации и дисперсионного анализа (ANOVA). Программное
обеспечение выявляет закономерности, статистическую значимость (p-значение <
0,05) и коэффициенты связи.





