Кто нужен вашей компании: инженер данных или data scientist?

О том, кто такой инженер данных, чем он отличается от data scientist, рассказывает Адам Мюррей, менеджер по контентному маркетингу компании Sisense. Также Адам объясняет, кто из этих специалистов нужен вашей компании.

9 января 2020
Также читайте статью Что нужно, чтобы стать data scientist?

Кто заставит данные приносить пользу: инженер данных или data scientist

Рассмотрим такую ситуацию. В вашей компании всё идёт отлично. У вас большая база клиентов. У вас много посетителей на сайте, большинство из них сами запрашивают у вас коммерческое предложение, сами хотят протестировать ваш продукт или услугу. Вы постоянно находите перспективные лиды и хорошие идеи для лидогенерации. Вы постоянно развиваете отношения с партнёрами, потенциальными партнёрами, поставщиками, развиваете различные каналы сбыта. К чему приводит такая активная работа? К тому, что в вашей организации возникает большой поток данных. Важно эти данные собрать, аккуратно проанализировать, правильно интерпретировать, тогда развивать бизнес можно будет на их основе. Но, чтобы это всё осуществить, нужен квалифицированный специалист. Какой именно? Инженер по данным или data scientist? Может быть непросто сделать этот выбор, потому что между обязанностями этих двух специалистов – очень тонкая грань. Ниже вы найдёте рекомендации, которые помогут вам определиться.

Инженер данных будет искать бриллианты в ваших данных

Данные – это бриллианты. Однако для того, чтобы бриллиант получить, нужно найти алмаз, его извлечь из земли, очистить, обработать. Только тогда ценность бриллианта будет максимальной. Извлечением данных занимается инженер данных. Он одновременно и геолог, и горняк-добытчик. Он ищет, где могли бы быть полезные данные, потом разрабатывает, создаёт, тестирует и поддерживает инструменты для их извлечения, создания их моделей и генерации сырых данных. Другими словами, инженер данных работает с ИТ-архитектурой, базами данных, системами по масштабной обработке данных. Инженеры данных пытаются выкопать информацию из всех источников, которые доступны в организации, интегрировать данные, управлять ими и оптимизировать их. Зачастую данные оказываются неотформатированными, неподтверждёнными и могут содержать ошибки и специфичные детали. Решить эти проблемы также придётся инженеру по данным. Иногда инженеры могут рекомендовать и внедрять различные способы обработки и улучшения надёжности данных, их качества и прочее. Инженеру данных нужно стремиться создавать конвейеры данных. Необходимо выстраивать такие конвейеры и обеспечивать их эффективность, создавать постоянный свободный поток данных для data scientist и бизнес-пользователей. Когда данные выкопаны и проведена их первичная обработка, в игру входит data scientist. Благодаря работе инженера данных data scientist получает большие объёмы сырых данных из широчайшего набора источников. С помощью этих данных data scientist старается удовлетворить потребности бизнеса.

Data scientist занимается переработкой сырья в ценные инсайты

Если инженер данных занимается добычей алмазов, то data scientist – их огранкой, созданием бриллиантов. Data scientist шлифует данные для получения ценных инсайтов, которые будут соответствовать задачам бизнеса. Такие специалисты в основном сфокусированы на выявлении отношений между данными внутри организации. Они сравнивают данные, ищут в них закономерности и проводят их статистический анализ. Чаще всего у data scientist хорошие знания высшей математики и/или статистики. Благодаря этому они могут эффективно исследовать рынок и бизнес, чтобы находить в данных тренды и возможности. Эти драгоценные камни – инсайты – помогут лучше понять компании свой бизнес и клиентов, а значит повысить свою эффективность.

Data scientist VS бизнес-аналитик

Обычно data scientist передаёт результаты своей работы бизнес-аналитику. Тут может возникнуть путаница с обязанностями data scientist и бизнес-аналитика. Важно понимать, что первый анализирует данные, ищет полезные для бизнеса закономерности в них. Второй – отвечает за то, чтобы эти тренды подтвердить с точки зрения бизнеса и представить их представителям бизнеса в правильном бизнес-контексте. Если продолжить нашу метафору с алмазами и бриллиантами, то бизнес-аналитик будет ювелиром. Именно ювелир создаёт что-то ценное для широкой аудитории. Бизнес-аналитики помогают представителям бизнеса понять закономерности, тренды и инсайты, найденные в данных. В этой цепочке data scientist находится между инженером данных и бизнес-аналитиком, поэтому он должен сочетать в себе техническую экспертизу и понимание бизнеса. Подробнее о том, какие навыки инструменты нужны data scientist и инженеру по данным, читайте во второй части статьи.

Рекомендуем также

Пять шагов к построению успешной стратегии BI. Часть 2

Секреты построения успешной стратегии BI раскрывает Йонатан Ландау, руководитель команды консультантов по BI, Sisense.

26 декабря 2019
О том, что такое BI читайте в статью Что такое Business Intelligence и что мешает его работе. Первые два шага к успешной стратегии BI – в первой части статьи.

Третий шаг у успешному BI: определяем, как будет проходить обмен данными и как сведения будут распределяться

Итак, мы определились с целями и разработали план по их достижению. Но, прежде чем начать его реализацию, необходимо определиться с тем, как пользователи будут пользоваться BI-решением, которое вы запустите. Вам может показаться это очевидным. Однако именно этот момент будет одним из ключевых для вашей стратегии. Здесь есть два подхода.

Децентрализованный подход к использованию решения BI

Некоторые организации предоставляют широкому кругу конечных пользователей возможность использовать интерактивные дашборды для анализа данных. Этими конечными пользователями могут быть представители бизнеса – так называемые гражданские data scientists. По сути, таким гражданским data scientist не нужны какие-то дополнительные знания кроме понимания того, как получить данные, которые им нужны для решения задач. При необходимости, этим сотрудникам предоставляется доступ к более широкому перечню систем, а не только к дашбордам. При составлении стратегии BI в компании с децентрализованным подходом вам нужно в первую очередь фокусироваться на гражданских data scientists. Именно им нужны данные для качественных инсайтов, на основе которых они будут принимать решения. Именно они определяют, какие потребности в области работы с данными есть в том или ином отделе компании. В больших компаниях децентрализованный подход позволяет избежать узких мест, которые возникают, когда ИТ-отдел или офис CDO полностью контролирует работу с данными и их аналитику.

Централизованный подход к использованию решения BI

При централизованном подходе распространение данных строго контролируется, в том числе контролируется то, кто видит информацию, и кто может её использовать или менять. Рассмотрим пример американской биржи Nasdaq. В стратегии компании для BI учитывается, что в компании есть много чувствительной информации и много каналов распространения. Кроме того, учитывается, что для лучшего управления данными важно достичь единой версии правды для многих записей. Опираясь на эту стратегию, Nasdaq позволяет своим клиентам работать с дашбордыми, но не даёт возможности работать напрямую на моделях данных. Клиенты могут копнуть немного глубже, чтобы получить больше деталей. Но в целом данные Nasdaq строго контролируются на уровне системы, объектов, на уровне данных и низкоуровневой безопасности. Выбор между централизованным и децентрализованным подходом за вами. Кроме того, на этом этапе важно продумать, как будет проходить внедрение инструмента BI, как вы будете встраивать его в сайт или приложение, как вы будете масштабировать его в будущем, как вы будете выходить из тестовой среды в продуктивную, как будете замораживать в это время код. Также важно продумать, как вы будете рассказывать о внедрении BI внутри компании и клиентам. Здесь можно сделать e-mail-рассылки, организовать мероприятия, тренинги, PR-активности и прочее. Обсудите все эти моменты с членами своей команды, руководством и всеми, кто будет вовлечён в процесс внедрения BI. Позже вы будете благодарны сами себе за это.

Четвёртый шаг к успешному BI: продумайте детали внедрения и ключевые моменты, на которых будете фокусироваться

Что-то определиться само собой, когда вы решите, как будет проходить распределение данных и обмен ими в компании. Например, если вы выберете для себя централизованный подход (где конечный пользователь не может сам выбирать, с какими источниками данных работать) вам нужно будет сфокусироваться на подготовке качественной технической документации и обучении сотрудников. Если вы выберете децентрализованный подход, вам стоит провести короткие циклы релизов инструмента BI, собрать по каждому обратную связь и учесть её в финальном релизе. На этом этапе нужно определиться со всеми ключевыми моментами, на которых нужно сконцентрироваться.

Пятый шаг к успешному BI: определите, что мешает использовать данные, и устраните эти помехи

К этому этапу вы уже определили свои задачи и поняли, какие данные вам нужны для их выполнения. Теперь нужно понять, что или кто стоит между вами и этими данными. Данные могут храниться в базах, могут быть размещены где-то у компаний-партнёров, подрядчиков или поставщиков. Например, ваша компания может отдавать какие-то задачи в области HR на аутсорс (например, наём сотрудников). Компания может пользоваться услугами подрядчиков для управления маркетинговыми компаниями (например, Marketo) или услугами в области финансов (Quickbooks). Всё это приведёт к тому, что данные будет непросто соединить и определить их структуру перед использованием. Иногда для данных, которые хранятся у партнёров, подрядчиков и поставщиков, может быть достаточно простого API для импорта данных. А, чтобы получить доступ к данным из ИТ-отдела внутри компании – разрешения руководства. Но в любом случае все эти моменты потребуют выделения отдельного времени и ресурсов, которые нужно заложить в стратегию BI. Также проблему могут создавать сотрудники, которые принимают участие в реализации стратегии. Не забудьте заранее распланировать, сколько человеческих ресурсов вам потребуется не только для первого запуска BI-инструмента, но и для будущих изменений и дополнений.

Вам не обойтись без сильной стратегии BI

Я твёрдо верю в то, что можно извлечь значительную пользу из данных и стратегии BI. Я много раз был свидетелем того, как на дашбордах находили важнейшие для компании инсайты, которые полностью меняли бизнес. Важно понимать, что в любом случае вашему бизнесу нужна цифровая трансформация, и вам в любом случае не обойтись без эффективной BI стратегии. Также читайте статью BI или автоматизация формирования отчётности. Что выбрать?

Рекомендуем также

Как увеличить продажи с помощью системы управления знаниями

Эксперты KMS Lighthouse рассуждают о том, как система управления знаниями помогает повысить эффективность отдела продаж.

20 декабря 2019

Система управления знаниями – максимум пользы для любого менеджера по продажам

Главное преимущество системы управления знаниями в том, что она предоставляет релевантную бизнес-информацию тем, кому она нужна, тогда, когда она нужна. Система управления знаниями (СУЗ) позволяет сотрудникам отдела продаж не изобретать велосипед каждый раз заново. Кроме того, СУЗ помогает выработать ключевые метрики для оценки процесса продажи. Система управления знаниями может стать тем самым инструментом, который позволит развить в компании культуру более эффективного сотрудничества коллег, более интенсивного обмена знаниями. Система управления знаниями обеспечит всех сотрудников (и новичков, и ветеранов) доступом к одной и той же ценной информации, которая станет для них преимуществом при общении с клиентом. Опыт показывает, те, компании, которые успешно собирают релевантные для продаж знания, оказываются значительно более успешными на рынке. Когда система управления знаниями уже внедрена, важно правильно её применять. Ниже – несколько рекомендаций для этого.

Развивайте в своей компании обмен бизнес-информацией с помощью системы управления знаниями

Эффективная система управления знаниями даёт возможность совместной работы сотрудников в реальном времени. И речь идёт не только о менеджерах по продажам, но и их коллегах из всех других департаментов (например, юридического отдела и отдела маркетинга). При этом очень важно стимулировать менеджеров по продажам постоянно предлагать новые идеи, возможные решения общих для всех проблем, делиться своим опытом. Такой подход особенно полезен тогда, когда потенциальный клиент выдвигает возражения и нужно придумать, что на них отвечать.

Проясните ситуацию с помощью системы управления знаниями

Каталогизация знаний и обмен ими – это только начало. Чтобы в коммуникации с клиентом не возникало противоречий, все менеджеры по продажам должны чётко и одинаково понимать, в чём конкурентное преимущество того, что они предлагают клиенту. Также они должны понимать те цели, к которым должны стремиться они сами и их коллеги. Система управления знаниями как раз даёт возможность получить самую актуальную информацию. Именно система управления знаниями может предотвратить распространение устаревшей информации.

Сделайте сотрудничество проще с помощью системы управления знаниями

Для любого бизнеса важно, чтоб сотрудники отдела продаж активно сотрудничали с сотрудниками из отдела маркетинга. Помочь им в этом должно руководство компании. Маркетологи должны определять потребности целевой аудитории и вопросы, которые у клиентов возникают чаще всего. Это необходимо для того, чтобы создавать наиболее релевантный контент. Очень важно, чтобы у менеджеров по продажам был лёгкий доступ к этому контенту (а это редко встречается в большинстве организаций). Если продавцы не будут использовать инсайты, полученные в отделе маркетинга, они рискуют упустить множество возможностей.

Собирайте обратную связь и измеряйте эффективность продаж, храните информацию об этом в системе управления знаниями

Процесс продажи очень сильно зависит от того, как эффективно вы измеряете ключевые метрики, по которым их можно оценить. Обратная связь от клиентов и потенциальных клиентов могут помочь улучшить коммерческое предложение и работу с возражениями. А это в свою очередь улучшит вовлечённость клиентов и конверсию. Почти каждая точка соприкосновения с клиентом открывает новые возможности собрать ценную информацию о нём. Сбор и организация этой информации в системе управления знаниями позволяет менеджерам по продажам быстро находить её и использовать при необходимости.

Качественно обучайте сотрудников с помощью системы управления знаниями

Качественная система управления знаниями позволяет мониторить:
  • контент, к которому чаще всего обращаются пользователи;
  • вопросы, которые чаще всего задают менеджеры по продажам и их клиенты;
  • активности, которые позволяют добиваться лучших результатов в продажах.
Если собрать всю эту информацию в одном месте, на её основе можно создать сильную стратегию по обучению менеджеров по продажам. И это не только обучение новичков, но и давно работающих сотрудников. Последние смогут значительно повысить свою эффективность благодаря тренингам по тому, какие подходы устарели в продажах, а какие помогают добиваться максимума. Также читайте статью Как решать проблемы клиентов в кол-центре при первом обращении: система управления знаниями и другие инструменты.

Рекомендуем также

Смотреть видео: поздравление с Новым годом 2020 Павла Лихницкого, генерального директора DIS Group

18 декабря 2019

Рекомендуем также

Умная монетизация данных: нужно аккуратно рисковать. Часть 2

О том, что такое монетизация данных и как эффективно организовать её в своей компании, рассуждает Чарльз Холив, управляющий директор отела стратегического консалтинга, Sisense.

16 декабря 2019
О том, почему один из важнейших способов монетизации данных – внедрение инноваций в компании, читайте в первой части статьи.

Монетизации данных на всех шести этапах внедрения инноваций

Самый эффективный способ монетизации данных – внедрение инноваций в компании. Вы проанализировали данные, нашли в них закономерность, вычленили какой-то бизнес-инсайт. На основе этого инсайта необходимо разу внедрять новый проект – инновацию. Я выделяю шесть этапов внедрения инноваций. На каждом их них важно продолжать монетизацию данных – тестировать гипотезы и искать инсайты.

Первый этап: эффективно презентуем проект

Прежде всего, определите, кто будет заказчиком вашего инновационного проекта внутри компании. Вы должны объяснить заказчику, как он сможет извлечь выгоду из продукта, который вы создадите. Важно сразу обозначить ROI (возврат на инвестиции) проекта. Кроме того, необходимо определить методику, которая поможет посчитать влияние вашего продукта бизнес. Также у проекта должен быть понятный план реализации, из которого будет понятно, когда он начнёт приносить пользу.

Второй этап: определяем объёма инвестиций

Когда вы и заказчик проекта посчитаете, какой возврат на инвестиции ожидается, можно переходить к обсуждению объёма этих инвестиций. Для правильной оценки определите максимальный и минимальный ожидаемый эффект от применения вашего продукта в деньгах. От этой суммы нужно посчитать 10-20%. Это и будет оптимальный объём инвестиций. Например, если проект принесёт миллион долларов, то с заказчика вам нужно взять 100–200 тысяч долларов.

Третий этап: стремимся к экономической эффективности

На этом этапе вы должны начать относится к своему проекту, как отдельной единице внутри компании, которая должна быть экономически выгодной. Нужно ответить себе на ряд вопросов. Как будет проходить создание и внедрение продукта, который вы создадите? Какой поток заявок ожидается для его использования? Какой прогноз по прибыли, затратам? Как и для любого другого бизнес-кейса, вы должны просчитать предполагаемую прибыль и расходы, распланировать, когда они сравняются. Важно иметь аккуратные данные, на их основе определить ограничения для дальнейшей работы.

Четвёртый этап: создаём прототип

Продукт, который вы в итоге создадите, должен приносить ту ценность, которую вы запланировали в начале. Он должен соответствовать требованиям, которые вы выдвинули и обсудили с заказчиком. Он должен пройти ряд бета-тестов, тестировать его должны пользователи (лучше – из вашей целевой аудитории). При этом важно определить дедлайн полномасштабного внедрения, который будет соответствовать вашему первоначальному плану.

Пятый этап: активируем каналы продаж внутри компании

Нужно продавать не только решения и функциональные возможности, но и результаты, которых можно добиться с их помощью. Эта ценность – совершенно новое понятие. Для того, чтобы продавать свой продукт, вам будет нужно организовать образовательные инициативы и поддержку его использования.

Шестой этап: заручаемся поддержкой руководства

Этот этап должен быть сквозным для всего проекта. Непросто убедить руководство инвестировать в новые продукты. Особенно, когда речь идёт о проектах, которые приносят прибыль не по тем же схемам, как основные линии бизнеса. Вам понадобиться сильная внутренняя поддержка, чтобы иметь возможность пробовать новые нестандартные подходы и методики. Иначе вы обречены на неудачу.

Монетизация данных – возможность рисковать при внедрении инноваций

Дешевое, быстрое и эффективное внедрение инноваций и есть монетизация данных. Чтобы этот способ монетизации данных был успешным, создайте удобную экосистему использования информации. Эта экосистема должна позволять тестировать инновации исключительно быстро – обеспечивать максимальную монетизацию данных на каждом из шести этапов. Ситуация на рынке сейчас очень быстро меняется. Кто-то где-то постоянно создаёт что-то инновационное и большое. Если вы нашли в данных инсайт – возможность для развития – нужно сразу стараться воплотить эту возможность в жизнь. Если вы этого не сделаете, это сделает кто-то другой. Затраты на эксперименты с информацией сравнительно не высоки. Особенно это видно при их сравнении убытками, которые вы можете потерпеть, когда проиграете конкуренцию из-за инноваций, которые внедрит у себя кто-то другой. Также читайте мнение о монетизации данных эксперта Informatica в статье Ценность Big Data: висит груша, нельзя скушать. А вы научились монетизировать? Хотите больше узнать о монетизации данных? Присылайте вопросы на почту info@dis-group.ru

Рекомендуем также

Умная монетизация данных: нужно аккуратно рисковать. Часть 1

О том, что такое монетизация данных и как эффективно организовать её в своей компании, рассуждает Чарльз Холив, управляющий директор отела стратегического консалтинга, Sisense.

13 декабря 2019
Также читайте мнение о монетизации данных эксперта Informatica в статье Ценность Big Data: висит груша, нельзя скушать. А вы научились монетизировать?

Монетизация данных – в основе современного бизнеса

Для современного бизнеса монетизация данных – основная составляющая успеха. Компании используют данные для разработки новых продуктов, создания линий бизнеса, а иногда – новых индустрий. Данные – это начальный пункт и финальный результат каждой инициативы. Сейчас все компании стремятся стать более data-driven. А наибольшего успеха добьются те, кто может лучше организовать у себя монетизацию данных и инсайтов, полученных на них. Для того, чтобы делать это эффективно, компании должны научиться выстраивать на основе аналитики данных новые продуты и линии бизнеса.

Монетизация данных – это возможность создать ценность

В основе любого бизнеса – обмен ценностями. Компании создают продукты или услуги, которые представляют ценность для потенциальных клиентов. Эти продукты или услуги потом обмениваются на прибыль. Монетизация данных должна также фокусироваться на создание ценности на основе данных. Очень часто такой ценностью может быть устранение какой-то проблемы, которая мешает работе многих сотрудников. При создании новых ценностей на основе данных нужно начать с понимания для кого эти ценности будут создаваться. Также важно точно определить проблему, которую вы будете решать, и пользу, которую можно будет при этом извлечь. Если быть точнее, когда вы планируете инициативу на основе данных, не нужно пытаться продать кому-то сами данные. Также не нужно продавать новые функциональные возможности, которые вы создаёте на основе данных. Продавайте бизнес-результаты, которые ваш проект поможет достичь. Никто не будет покупать данные или функциональные возможности. Покупать будут лёгкое решение проблем, возможность проще принимать сложные управленческие решения, возможность зарабатывать на инвестициях. Если вы сможете представить реальные сценарии того, как данные улучшат чью-то жизнь, вы на правильном пути к монетизации данных.

Монетизация данных – внедрение инноваций

Когда вы определите ту ценность для бизнеса, которую ваши данные могут создать, нужно будет разработать продукт, который будет обеспечивать эту ценность. Этот процесс – процесс внедрения инновации. По моему мнению, есть три эффективных способа для внедрения инноваций:
  • улучшить существующий продукт, чтобы достигать ценности для бизнеса быстрее и эффективнее;
  • развить существующий продукт, чтобы создать новую ценность;
  • трансформировать индустрию, чтобы создать новый рынок.
Каждый из этих способов может быть эффективным, но стоимость реализации и выгода от неё будет разной. Улучшение существующего продукта не будет дорого стоить, но и большой прибыли вы от этого не получите. На развитие продукта придётся затратить больше усилий, но оно может помочь охватить совершенно новые сегменты покупателей. Трансформацию рынка редко удаётся осуществить, но именно она может принести больше всего выгоды. Выгоду из монетизации данных извлекают те компании, которые создают масштабируемые пути для реализации каждого из трёх способов внедрения инноваций. Не имеет значения, насколько амбициозные цели ставит перед собой бизнес, самое важное для внедрения инноваций – снизить стоимость одной попытки. Важно понимать, что все проекты внедрения инноваций не будут успешными. К сожалению, очень легко потерпеть неудачу, когда вы делаете что-то новое. Чем амбициознее инновация, тем сложнее всё сделать правильно с первого раза. Нужно, чтобы провал происходил быстро и сразу после него была возможность попробовать другую инновацию. В этом случае вы сможете быстро находить успешные идеи. Чем больше инноваций вы попробуете в определённый период, тем больше шанс, что одна из них выстрелит. При этом важно эффективно собирать обратную связь о своих проектах, тогда они будут значительно улучшаться с каждой итерацией. О шести этапах умной монетизации данных читайте во второй части статьи. Также читайте статью Монетизация данных. 9 сценариев для страховых компаний.

Рекомендуем также

Управление знаниями: в чем отличие от управления информацией

Эксперты KMS Lighthouse рассказывают о том, что такое управление знаниями и чем оно отличается от управления информацией.

12 декабря 2019

Важно, чем управлять

Для начала давайте разберёмся с разницей между информацией и знаниями. Информация – это релевантные данные, которые используются для определённых целей, но сами по себе не передают какое-либо знание. Для понятия информации большое значение имеет организация, анализ и извлечение данных, которые включают в себя факты и цифры. Гораздо сложнее дать определение понятию «знания». Знания очень тесно переплетены с практическим опытом и навыками сотрудников. Важно, что невозможно полностью управлять всеми знаниями, так как в значительной мере они хранятся в головах людей, которые так или иначе их приобрели. Информация обычно однозначна (и отвечает на вопрос – что?), знания не могут быть однозначными (чаще всего отвечаю на вопрос – как?). Информация в компании находится на физических носителях (например, в документах), знания могут храниться и на различных носителях, и в головах сотрудников, и в специализированных системах.

Управление знаниями VS управление документацией

Организация не может оставаться конкурентоспособной, если в ней нет чёткого разграничения между управлением знаниями и управлением документацией. Последняя не учитывает того, как люди обучаются, подтверждают свой опыт, создают знания и обмениваются ими. Управление документаций фокусируется на физическом сборе, организации и хранении точных данных. Управление знаниями, напротив, фокусируется на том, как сотрудники находят, понимают информацию. Кроме того, это направление не просто позволяет работникам самим создавать знания, но и стимулирует их это делать. Делается это с помощью корпоративной культуры и отдельных бизнес-процессов. Эти бизнес-процесс строятся на поминании того, о чём создаются знания, как это происходит и почему, кто и для кого это делает. Управление знаниями призвано создать идеальные условия для того, чтобы сотрудники компании могли эффективно ими делиться. На управление знаниями значительно влияет то, насколько точно экспертиза и практический опыт сотрудника переведены в релевантные сведения, которыми можно делиться с другими и которую можно использовать для пользы организации. При этом обмен знаниями между сотрудниками не подразумевает её немедленного потребления. Читайте также Управление знаниями: 3 составляющие успешной стратегии.

Зачем нужна система управления знаниями

Эффективное управление знаниями невозможно без специализированной системы.
  • Система управления знаниями создаёт «образовательную среду», знания и обучение им построены на практическом опыте и навыках. Знания при этом помогают оптимизировать и улучшить операционную деятельность и улучшить бизнес-процессы.
  • Система управления знаниями улучшает процессы принятия управленческих решений. Происходит это благодаря тому, что из больших объёмов данных выделяется самая важная информация.
  • Система управления знаниями стимулирует изменения корпоративной культуры во всей компании, а также подталкивает организацию к внедрению инноваций. Происходит это за счёт укрепления сотрудничества и свободного обмена идеями между работниками;
Компании, которые не могут наладить у себя эффективный обмен знаниями, платят за это большую цену. Важно понимать, активное управление знаниями – залог успеха современного бизнеса.

Система управления знаниями: как выбрать?

При выборе системы для управления знаниями обратите внимание на то, что она:
  • функционирует так, как этого требуют особенности управления знаниями в компании;
  • отличается простотой использования;
  • позволяет гибко развивать корпоративные знания;
  • позволяет проводить глубокую аналитику;
Кроме того, важно, чтобы систему управления знаниями можно было легко масштабировать на всю компанию. В какой-то момент это может понадобиться, чтобы стимулировать обмен информацией и снижение затрат. Если в организации не появится именно единой системы управления знаниями, информация останется разрозненной и в ней будет сложно искать нужные сведения. А это – удар по продуктивности сотрудников. Читайте также Как решать проблемы клиентов в кол-центре при первом обращении: система управления знаниями и другие инструменты

Рекомендуем также

На что обратить внимание CDO (Chief Data Officer) при переходе компании в облако

О том, как переход в облако касается CDO и на что ему нужно обратить внимание в первую очередь, рассуждает Кевин Флит вице-президент Informatica по консалтингу.

21 ноября 2019

Кто такой Chief Data Officer?

Несомненно, при переходе в облако основную роль играют ИТ и информационная архитектура компании, а также сотрудники, которые за них отвечают. Но по мере того, как использование облачных решений становится всё более массовым, оно начинает влиять на всё большее число сотрудников организации. Среди них – Chief Data Officer. CDO – относительно новая роль в корпоративной структуре. Ещё не во всех организациях чётко определена область ответственности Chief Data Officer, иногда она пересекается с областью ответственности CIO – директора по ИТ. Важное отличие CDO от CIO: последний отвечает за ИТ-инфраструктуру организации. Chief Data Officer в свою очередь фокусируется применении данных для пользы бизнеса. Также читайте больше по теме в статье Кто такой CDO? статье Директора по данным Банка ВТБ, «Ростелекома», «МегаФона», Газпромбанка, X5 Retail Group: роль CDO изменилась, статье Позиция CDO – новые возможности для женщин в области ИТ и работы с данными. Сейчас на позицию CDO чаще приходят не ИТ-специалисты, а люди из других направлений бизнеса. Скорее всего этот тренд будет продолжать развиваться: Chief Data Officer должен хорошо знать бизнес, чтобы извлекать из данных компании максимум пользы. Нельзя сказать, что ИТ-специалист не может начать выполнять эту роль. Самые известные и успешные директора по ИТ хорошо разбираются в бизнесе, в котором работают. И это становится для них важным конкурентным преимуществом на рынке. В целом всё больше ИТ-специалистов сейчас осознают важность хорошего знания бизнеса. Это не случайно. На форуме Informatica World в прошлом мае на одной из сессий мы обсуждали роль CDO в организации. Я попросил поднять руки CDO, и из аудитории в 100 человек (большинство – ИТ-специалисты) подняли руки только двое. Когда я немного перефразировал вопрос и спросил: «Кто стремиться к тому, чтобы Chief Data Officer?», руки подняли 75% аудитории. Это говорит о том, что большая часть будущих CDO придёт на эту позицию из ИТ. Но для этого важно, чтобы они смогли доказать, что у них для этого есть хорошее знание бизнеса.

Облако: здесь CDO вплотную встречается с ИТ

Для успешной работы CDO важно понять цели своей компании в области ИТ-архитектуры. Нет необходимости вникать в малейшие подробности работы систем и инфраструктуры. Скорее важно, чтобы Chief Data Officer внимательно разобрался со следующими основными моментами:
  • Во-первых, Chief Da Officer должен понять, к какой конечной ИТ-архитектуре стремятся ИТ-специалисты компании.
  • Во-вторых, какую выгоду бизнесу принесёт такая архитектура (включая потери, которые возникнут, если эту архитектуру придётся принести в жертву сиюминутной выгоде).
Прежде всего CDO должен спросить CIO: «Как выглядит план развития ИТ-архитектуры компании и почему он такой?». CIO же со своей стороны должен спросить CDO, какие проблемы сейчас тот решает, чего ему не хватает для этого? Chief Data Officer должен проработать этот вопрос. Возможно, его ограничивают технологии, которые есть в компании. Или ему не хватает специалистов (например, аналитиков или data scientists). Или всё-таки проблема с данными, которые хранятся разрозненно или противоречат друг другу? Зачастую проблемы оказываются систематическими, помочь их решить может помочь CIO. Важно совместить планы работы CDO и CIO так, чтобы оба могли извлекать максимум выгоды. CDO при этом должен помочь ИТ по-новому посмотреть на свои системы, и те, которые размещены на собственных северах организации, и в облаке. Переход компании к облачным технологиям при этом открывает новые перспективы, потому что подразумевает изменение заведённого порядка, позволяет что-то улучшить.

Ключ к успеху – сотрудничество

Наступление эпохи CDO придало новый толчок трансформации ИТ в компаниях. Это настоящая трансформация, она предполагает не просто применение той или другой новой системы или введение новых функций. Она полностью меняет бизнес-модели в организации. Важно, чтобы CDO объединил свои усилия с ИТ-командой. Понимание бизнеса, данных и аналитики первого должны сочетаться с пониманием технологий последних. Без этого невозможно эффективно настроить получение полезных для компании инсайтов. Пока роль CDO новая, сотрудничество между ним и директором по ИТ ещё не налажено в полной мере. Но я считаю (и ИТ-директор Informatica меня в этом поддерживает), что без такого сотрудничества невозможно добиться высоких результатов ни в бизнесе, ни в ИТ. Также читайте статью Кто такой директор по данным и почему эта позиция всё важнее?

Рекомендуем также

Как обеспечить высокое качество данных для машинного обучения и почему это важно?

О методах обеспечения качества данных и их роли для машинного обучения (ML) рассуждает Донал Данн, который отвечает в Informatica за маркетинг продуктов и решений.

19 ноября 2019

Обеспечение качества данных в новой парадигме

Качество данных не новая проблема. Однако раньше оно в большей степени обсуждалось в контексте хранилища и операционных систем. Сегодня мир данных значительно изменился. Объёмы и разнообразие данных постоянно растут, появились озёра для хранения структурированных и неструктурированных данных в больших объёмах. Кроме того, методы машинного обучения пережили второе рождение. Это всё привело к тому, что от аналитиков и инженеров по данным всё чаще звучит вопрос: «Как обеспечить качество данных, которое подходило бы под эту новую парадигму работы с данными?».

Зачем нужно качество данных при использовании ML

Для эффективного использования машинного обучения качество данных играет важнейшую роль. Неполные, дублирующиеся, несогласующиеся друг с другом сведения могут значительно ухудшить результаты, которые вы получаете с помощью методов ML (кластеризации, использование прогностических моделей и прочее). Некачественное обучение моделей ML приведут к тому, что бизнес-пользователи не смогут доверять результатам вашего исследования данных или будут принимать на основе этих результатов неверные решения. Давайте подробнее рассмотрим, как избежать проблем в качеством данных.

Инструмент по профилированию для поиска проблем с качеством данных

Начать стоит с инструментов для каталогизации и профилирования данных. Профилирование помогает определить, какие действия по обработке и очищению данных нужно предпринять следующими.
  • Нехватка данных. Если в дата-сете не хватает значений в каких-либо полях, безусловно, это повлияет на обучение моделей. Нехватку нужно будет как-либо компенсировать. Что вы будете делать? Удалите записи с недостающими значениями полностью? Вставите в пустые поля случайные значения? Используете усреднённое, медианное значение, заполните пустое поле значением из ближайшей записи или что-то ещё? С одной стороны, любой из этих подходов может помочь. С другой, – привести к потере важных деталей или к противоречиям.
  • Неточность данных. Например, точность данных из CRM-системы чаще всего зависит от того, насколько точно информация была внесена в эту систему вручную. Salesforce – вендор одной из лидирующих CRM-систем. Компания провела исследование, в результате которого выяснила, что 20% записей о клиентах, на самом деле, бесполезно из-за неточных данных. Неточности часто возникают, когда пользователь пытается изменить значение по умолчанию. Например, он создаёт возможность продажи и изменяет дату в записи с 01-01-00 на реальную дату во всплывающем меню. Определять, какие значения подойдут для обучения модели, а какие нет, нужно для каждого конкретного случая. Так, иногда неточные данные могут быть полезны для определения мошенничеств.
  • Дубликаты данных. Если данные дублируются в одной системе – это проблема. Но если данные поступают из нескольких систем, то проблема дублирующихся данных будет стоять гораздо острее. Например, Джим Смитт в CRM-системе может проходить как Джеймс Смитт в биллинговой системе. В системе обслуживания клиентов его имя может превратиться в Джеймса Дж Смитта. Дублирующиеся данные приведут к тому, что модель может переобучаться, поэтому важно определить эффективную процедуру определения и удаления дубликатов. При этом удаление дублирующихся данных может быть проблематичным и может потребовать много времени).
  • Отсутствие стандартизации. Стандартизация может быть и простой, и сложной. Пример простой стандартизации – перевод всех текстовых запросов в один регистр (все прописные, все строчные, прописные буквы для начала предложений или названий).
Более сложный процесс стандартизации подразумевает приведение разных вариантов названий одной и той же компании к единой версии (“Pacific Gas and Electric”, “PG&E”, “PGE” должны стать Pacific Gas & Electric”). А задача по сведению к единому знаменателю обозначения цвета («чёрный», «черн» и так далее) или параметров товаров может потребовать особенно много времени.

Большую роль играют правила обеспечения качества данных

Когда у вас появится ясная и точная картина данных и их формата, который нужен вам для обучения моделей ML, вы сможете перейти к определению правил очищения данных. Эти правила нужны, чтобы данные были точными с семантической и синтаксической точек зрения, автоматически исправлялись и стандартизировались. При этом обо всех исключениях из правил должны формироваться отчёты. Процесс создания отчётов об исключениях помогает найти и исправить слабые места в данных, а также сделать эти слабые места заметными для дальнейшего профилирования и анализа. Кроме того, по мере того как компания начинает использовать новые источники информации, правила обеспечения качества данных могут использоваться повторно. Отмечу, что обеспечение качества данных нельзя установить раз и навсегда. Чтобы поддерживать высокий уровень результативности моделей и постоянное его улучшать, нужно постоянно мониторить и управлять качеством данных во всех источниках информации. При этом важно учитывать все моменты, которые перечислены выше.

Спросите себя: как ещё может помочь инструмент для обеспечения качества данных?

Выше перечислено только несколько способов очистить информацию для ML с помощью инструментов обеспечения качества данных. На самом деле их гораздо больше. Для того, чтобы получить более подробную консультацию по теме, пишите на почту info@dis-group.ru Также читайте о том, как Альфа-Банк Казахстан повышает качество данных. А перед тем, как в следующий раз начнёте реализовывать свою следующую инициативу с машинным обучением, не забудьте спросить себя:
  • Тратите ли вы больше времени на улучшение качества данных, чем на улучшение моделей ML?
  • Используете ли вы сложные модели машинного обучения, чтобы компенсировать низкое качество данных?
  • Можно ли доверять результатам анализа данных, которые вы получили с помощью машинного обучения?

Рекомендуем также

Agile-менеджмент: как распределять роли и обязанности. Часть 2

12 ноября 2019
Agile-менеджмент продолжает набирать популярность. О том, как эффективно внедрить его в организации, рассказывает Мохаммад Реза. Мохаммад консультирует ведущие стартапы и крупные компании по вопросам DevOps, использования облачных технологий, безопасности и интернета вещей. В первой части статьи Agile-менеджмент: как распределять роли и обязанности Мохаммад объясняет обязанности владельца продукта и scrum-мастера. В этой части речь пойдёт о других важных ролях направления scrum agile-менеджмента: члене команды разработки, стейкхолдерах и других.

Третья роль в agile-менеджменте – член команды разработки

Эта роль в направлении scrum agile-менеджмента подразумевает ответственность непосредственно за разработку продукта, но этим не исчерпывается. Сотрудники в этой команде должны брать на себя кросс-функциональные обязанности по трансформации требований к продукту и возникающих идей в реальные функции программного обеспечения. В команде должны быть сотрудники с компетенциями разработчиков, технических писателей, программистов, тестировщиков и UX-специалистов. Не обязательно, чтобы все члены команды были техническими специалистами. Важно, чтобы среди них были сотрудники именно с теми компетенциями, которые требуются для реализации конкретного проекта. Кроме навыков по организации разработки продукта члены команды должны также развивать в себе коммуникативные навыки. Умение договориться должно помочь им самоорганизоваться и успешно реализовать свой проект. Когда возникают проблемы, они должны знать, какие действия предпринять для их устранения, и уметь самостоятельно это сделать. Деятельность членов команды разработки разделена на короткие временные промежутки – спринты. Спринты длятся от одной до четырёх недель. За это время разработчики должны создать часть продукта, которая будет соответствовать требованиями его владельцев и будет готова к демонстрации. На постоянной основе проводятся встречи в формате стендапа (ежедневный scrum). Цель таких встреч – рассказать другим членам команды и scrum-мастеру о том, как продвигается проект. Это обеспечивает прозрачность реализации проекта и позволяет разработчикам в последующих спринтах принимать во внимание обратную связь от владельца продукта.

Четвёртая роль в agile-менеджменте – стейкхолдер

Стейкхолдерами принято называть тех, кто напрямую не принимает участия в процессе разработки продукта, но влияет на принятие решений и работу команды разработчиков. Стейкхолдерами могут быть конечные пользователи продукта, руководство, сотрудники технической или клиентской поддержки, инвесторы, внешние аудиторы или члены других scrum-команд, которые работают над смежными проектами. Вклад стейкхолдеров имеет большое значение для развития проекта. Они помогают привести продукт в соответствие с бизнес-целями компании, ожиданиями конечных пользователей и решить проблемы, с которыми сталкиваются разработчики.

Ещё больше ролей в agile-менеджменте

Мы рассмотрели типичные роли agile-менеджмента, но могут быть и дополнительные. Особенно это актуально для крупных компаний, которые работают над большими проектами. Потребоваться могут технические и индустриальные эксперты, которые должны не только хорошо знать технологию, но и потребности и ожидания конечных пользователей. Кроме того, в ходе разработки продукта возможно придётся привлечь специалистов для его тестирования и разработки. Также может потребоваться сотрудник, который выступит в качестве интегратора. Нужен он будет в тех случаях, когда большая команда работает над независимыми, но близко связанными системами одного и того же проекта. Интегратор будет отвечать непосредственно за интеграцию этих систем, а также за их тестирование. Может возникнуть необходимость ввести роль владельца-архитектора, который будет определять архитектуру продукта, отвечать за планирование и принятие решений в этой области. И интегратор, и архитектор могут быть введены для небольших групп внутри команды разработки, которые будут работать над связанными друг с другом системами внутри одного проекта. В целом, повторюсь, на роли в agile-менеджменте, в частности, в scrum нужно смотреть с точки зрения обязанностей, которые сотрудники выполняют. Они не отражают должности работников и не должны так восприниматься. Обязанности с точки зрения scrum должны распределяться среди сотрудников в соответствии с их задачами. Это позволит придерживаться принципов agile-менеджмента и в проектном управлении, и в решении технических вопросов. Остались вопросы о распределении ролей в agile-менеджменте? Присылайте их на почту info@dis-group.ru

Рекомендуем также