Почему бы просто ни довериться интуиции или экспертам?
И в бизнесе и в повседневной жизни мы принимаем множество решений: что съесть, надеть, кого нанять или уволить. Все они в итоге привели нас туда, где мы есть. Но время идет и все меняется. И нам хочется, чтобы эти изменения приводили к позитивным для нас последствиям, а не негативным. Например, вместо боли в спине от сидячего образа жизни мы бы предпочли хорошую осанку. Или компания, в которой мы работаем становилась лидером на новых рынках, а не теряла долю на своем текущем.
Мы хотим принимать решения, которые будут двигать нас в сторону «лучших» изменений. И важным фактором для принятия таких решений является умение опираться на объективную информацию. А это невероятно сложно.
Поэтому кто-то в жизни постоянно все анализирует и тратит на это кучу сил, а кто-то и в бизнесе действует «на интуиции». И их легко понять. Ведь даже, если собрать все данные, это не гарантирует, что мы будем двигаться в сторону нужных изменений. Такой поход лишь в среднем поможет чуть чаще принимать решения, которые можно назвать верными.
Что такое данные
Данные — это обработанная информация.
Например, наличие истории продаж, в которую никто не смотрит — это не данные, это как раз информация.
Но если в эту информацию погрузиться, интерпретировать смысл, который она может нести, и, желательно, прикинуть, как она на нас влияет, тогда она превращается в данные.
Самая главная сложность, которую почему-то редко учитывают, в данных очень много субъективного. Чтобы увидеть это, можно прибегнуть к самой популярной классификации данных: количественные и качественные.
Возьмем ту же историю продаж и спросим у клиентов, почему они совершили покупку в это время. Они расскажут нам, что им удобно заехать в магазин и купить товары после работы. Это субъективная информация.
Что значит удобно? Почему именно заехать? Мы же можем и сами привезти. После работы это во сколько? Мы трактуем это, как клиенты предпочитают ехать в магазин сами и пик продаж приходится на 18-19 часов вечера. Это субъективная трактовка.
Дальше мы думаем, как это использовать в достижении наших целей. К примеру, в увеличить продажи. Это субъективная гипотеза.
Одновременно с этим залезем в историю продаж и попробуем взглянуть, во сколько в среднем клиенты совершают покупки и какая доля приходится на самовывоз. Оказалось, что в среднем клиенты совершают покупку в 11 утра и 75% этих покупок на доставку. Это объективная информация.
Значит ли это, что клиентам удобнее доставка? Они планируют покупку утром? Это субъективная трактовка. У нас нет подтверждающей это объективной информации, только цифры, которые не равняются реальному поведению и желанию клиентов.
Информация необязательно несет тот смысл, который мы в нее вкладываем.
Про данные и их плюсы я еще писал короткую заметку тут.
Как различаются количественные и качественные данные
С природой данных понятно. Теперь про классификацию.
Данные не бывают строго количественными или качественными. Их классификация скорее похожа на шкалу.
Опрос это какие данные?
Это информация о множественном голосовании людей. Оно может быть за определенные варианты, а может быть в свободной форме. Схожие ответы можно объединить в тему.
Большое количество комментариев на определенную тему невозможно глубоко понять. информация смешивает и постепенно превращается в количественную. То есть в количество комментариев на ту или иную тему.
Например, мы опросили клиентов порекомендуют ли они нас своим знакомым.
Шкала 1 — никогда, 10 — совершенно точно порекомендуют. Плюс необязательный комментарий.
Получили информацию: средний балл ответов, число голосовавших и их комментарии.
Комментарии клиентов дают качественную информацию. Это субъективная точка зрения.
Мы можем классифицировать комментарии по темам и попробуем оценить сколько людей нас не рекомендует из-за этого. Например, высокие цены.
Подсчет количества ответов на тему становится объективной информацией. Но переход на количественную оценку лишает нас человеческого контекста. Если у нас нет контекста и мы никогда не работали в ритейле, как трактовать высокую цену и что дальше делать с этой трактовкой?
Ограничения данных
Цифры хоть и объективны, но они не эквивалентны реальности.
Пример 1.
Опрос из примера выше мы проводили в email рассылке после покупки. По итогу мы видим средний балл — 50.
Значит ли это, что каждый второй клиент рекомендует нас своим знакомым? Нет, это значит, что те клиенты, которые открыли письмо в 50% случаев ответили 9 или 10.
В следующем месяце средний балл изменился до 90. Значит ли это, что наш бизнес качественно изменился и клиенты стали рекомендовать нас чаще? Возможно, но необязательно.
Пример 2.
Мы построили отчет на основании истории продаж. В нем есть показатель, который называется «средний чек на клиента».
Действительно ли этот показатель несет именно тот смысл, который в него заложен? Непонятно, нужно разбираться.
Например, в Леруа Мерлен этот показатель несет смысл про одну конкретную посылку, а не про клиента целиком. При этом клиент в среднем покупает больше одной посылки. Однако при принятии решений и обсуждении контекста показатель воспринимается именно как «в среднем на клиента».
Мы работаем не с самим событием, а с вероятностью его исполнения.
Пример 3.
Вернемся к опросу. Мы видим балл рекомендаций 50. Мы ставим себе цель вырастить его с 50 до 90. Таким образом мы ожидаем увидеть, что качество нашего сервиса растет и люди как следствие чаще рекомендуют нас знакомым.
В итоге мы нашли ошибку в отправке email’в: части клиентов они не приходили. Мы ее исправили и средний балл вырос до 90.
Стал ли наш сервис при этом лучше? Мы повысили вероятность дохождения данных, но не вероятность рекомендации.
Инструменты для поиска решений
В условиях таких ограничений, когда нельзя до конца доверять смыслу, вкладываемому в полученную информацию, важно иметь правильный инструментарий для работы.
Реальность можно пощупать, но не конкретной цифрой, а динамикой изменения нескольких цифр одновременно. Математическое моделирование помогает представить ситуацию в виде множества взаимозависимых цифр, а не одной единственной. Предполагая, как цифры должны поменяться в совокупности мы можем с большей уверенностью говорить о том, что мы смотрит в верном направлении и трактуем информацию ближе к истине.
Например, в опросе мы ожидаем увидеть увеличение среднего балла до 90. При этом мы ожидаем, что количество голосующих людей в среднем останется таким же, при стабильном сравнимом потоке клиентов. Но после исправления отправки писем мы увидели, что количество ответов выросло, что можно трактовать как увеличение положительных ответов, что приводит к росту среднего балла.
Этот случай дает нам очень позитивную информацию, но не там, где мы могли бы подумать. Дело не в росте балла, а в том, что мы нашли конкретный сегмент клиентов, которые чаще дают нам позитивную оценку. Это открытие нового контекста интерпретации данных. Используя смешанные методы исследований, мы можем погрузиться в него и найти реальные точки улучшения, которые позволят нам стать лучше.
Использование данных со всеми ограничениями
Можно принимать данные, опираясь на экспертизу или интуицию. Особенно без понимания всех системы ограничений. Это дешевле, но с меньшей вероятность приведет к искомому результату.
Если все-таки решились опираться на data-driven подход, нужно осознавать все недостатки и ограничения тех цифр, которые используются при принятии решений. При этом «хорошие» решения, принятые сегодня, необязательно останутся такими же, когда откроются новые вводные и новое понимание цифр.
В таких условиях парадигма мышления и понимание контекста конкретным человеком становится важнее самого наличия данных. Ведь само мышление должно постоянно трансформироваться в особенностях постоянно открывающегося нового контекста.
Связаться со мной