Data: ожидания клиентов от бизнес-аналитиков

Кратко о том, как видит ситуацию Марина Володских, глава бизнес-аналитиков в EPAM Беларусь.

Опрос о направлениях развития

Результаты недавнего опроса бизнес-аналитиков нашего BeAmazing сообщества со всей несомненностью демонстрируют желание коллег развиваться в области данных (data), и всего, что к ним относится:

• Принятие решений на основе данных (data-driven decisions)
• Визуализация данных
• Построение хранилищ данных

Большинство респондентов поставили эти позиции на первые места.

Пост-ковидное изменение рынка бизнес-анализа

Клиенты всё чаще требуют от бизнес-аналитиков умения работать с данными, что совпадает с мнением нашего эксперта Николая Чесалина о тенденциях развития бизнес-анализа в СНГ и США.

Умение работать с данными везде проходит красной нитью.

Что ожидают клиенты?

Итак, что ожидают заказчики, когда пишут в требованиях к позиции бизнес-аналитика заветное слово DATA? Определим scope и рассмотрим три типичных случая.

Область определения

В нашем рассмотрении исключаются позиции, требующие глубоких специальных знаний и навыков типа:

• Анализ данных, например, мастерство работы с Tableau.
• Реструктуризация баз данных на уровне умений аналитиков и инженеров данных (data analysts and data engineers).

По умолчанию мы будем рассматривать те позиции, где работа с данными идёт на стыке с бизнесом, и при которой умений бизнес-аналитика достаточно для погружения в тему.

I. Построение модели данных

В этом случае заказчик обычно декларирует, что от бизнес-аналитика крайне требуется умения в области данных. В реальности это оказывается преувеличением.

Пример

Успешно работающая компания, которая в результате развития пришла к ситуации, в которой все её данные хранятся во множестве хранилищ, при этом ни mapping, ни структура совершенно не настроены. В результате один и тот же запрос совершенно неконтролируемым образом попадает в разные базы данных и выдаёт совершенно разные результаты.

Нужны ли этой компании реальные умения в data? Нет.

Им просто нужно выстроить модель данных, при построении которой бизнес-аналитик идёт обычным путём — от бизнеса к данным, сверху вниз (top-down).

Поэтому нельзя сказать, что это чистый data skills запрос, но без знания data и навыков работы с UML и умений строить ERD и диаграммы классов его не решить. Сейчас таких запросов становится всё больше, и они стали сложнее в связи с развитием технологий, нереляционных баз данных и т. п.

II. Интерпретация данных

В этом случае у заказчика очень серьезная необходимость в работе с данными, чтобы принимать решения (data-driven decisions). С этим к нам приходят все заказчики из фармацевтической промышленности и life science. Им требуются умения в применении различных алгоритмов в обработке данных, знание математической статистики.

Что же требуется от бизнес-аналитика?

Наша задача — правильная категоризация данных. Типов данных очень много, категоризировать их — сложная задача, она выполняется человеком, машина неспособна с ней справиться.

III. Главный стейкхолдер — данные

Этот случай достаточно необычный с точки зрения стандартной практики бизнес-анализа, как по роли главного стейкхолдера, так и по подходу — снизу вверх (bottom-up).

Примеры и тенденции

Есть множество примеров заказчиков в ситуации, когда накопленные ими данные являются единственным и окончательным источником информации для принятия решений. Когда меняется штат, уходят носители сакрального знания, тогда база данных становится single source of truth.

Есть множество примеров стартапов, которые прочли правильные книжки, и хотят грамотно вести свой бизнес. Компания из десяти человек, запустившая свой продукт на большую аудиторию, просто отчаянно нуждается в достойной аналитике. Наша роль — подсказать, что делать, на что обратить внимание.

И, наконец, монстры бизнеса, огромные корпорации, которые никогда не задумались бы о внедрении статистики и анализа данных, eсли бы их не поджимали маленькие, но активные и быстрорастущие стартапы. Но мир изменяется быстро, цена ошибки, особенно для больших корпораций, очень велика. Ранее малоизвестные компании задают тон всему рынку, пример — Xiaomi. Ранее это был низкосортный ширпотреб, а сейчас в каждом доме есть хоть одно их устройство.

Острова сокровищ

На рынке есть множество компаний и даже корпораций, которые просто не осознают, как много данных они собрали, и не понимают, каким сокровищем они владеют на самом деле.

Если мы приходим и говорим, что можем не только проанализировать эти данные с выводами, но и использовать правильные алгоритмы предсказания, которые позволят им сделать значительный шаг вперёд в их бизнесе, их удивлению и восторгу нет пределов.

В нашей практике есть пример ИТ компании, работавшей в области HR planning & management. С нашей подачи они с изумлением обнаружили, что огромный массив данных о жизненном цикле их клиентов позволяет открыть много интересного, например рассчитать и предвидеть attrition score, посмотреть, как сотрудники будут расти и развиваться, и ещё множество разных тенденций.

И вот, клиент, много лет работающий в ИТ и владеющий современными технологиями, изумляется и говорит — и правда можете?

Казалось бы, Machine Learning и всё остальное уже знакомая тема, но тем не менее для многих существуют препятствия в применении. Правильная консультация может полностью изменить ситуацию и причинить непоправимую пользу клиенту 😊.

По всем направлениям

Сверху вниз или снизу вверх?

Обычно мы начинаем сверху (top-down) — стейкхолдеры, бизнес-требования, и т.д.

А ведь можно начинать снизу (bottom-up) — посмотреть на ту технологическую базу, которая у есть у наших клиентов, оценить, на сколько процентов они её используют — на 10%, 20%, 30%, и объяснить им как можно увеличить эффективность использования.

Изменение традиционной практики

Просто разговаривая с клиентами и пытаясь выяснить их потребности, как мы делаем обычно, мы не достигнем успеха. Причина проста — они пока ещё неспособны мыслить нужным образом.

Тут может быть два варианта — либо они 20–30 лет в этом бизнесе и привыкли смотреть только направо, либо только входят в этот бизнес и не понимают, какие возможности у них есть.

Но это уже больше из области бизнес-консалтинга.

Цена бизнес-аналитика

Умение работать с данными, анализировать и интерпретировать данные, это как раз то, что ожидается от бизнес-аналитика. Если наши аналитики это умеют, их общий ценник на рынке сильно поднимается.

Пока не все бизнес-аналитики к этому готовы, но спрос на рынке будет сильно расти. Чем быстрее будут расти ориентированные на пользователя продукты, тем быстрее нужно будет перестраиваться всем остальным. Для этого нужно быстро понимать, что нужно твоему потребителю, и здесь сбор аналитики — самый быстрый способ получить обратную связь.

Заключение

Итак, мы отчётливо видим три направления работы бизнес-аналитиков в области data.

• Наведение порядка в бизнес-информации клиента, её структурирование. Режим стандартный — от понимания бизнес-проблем к деталям реализации, структурированию данных и построению хранилищ данных.
• Интерпретация данных, где мы можем помочь клиенту понять, какие данные у него есть, категоризировать их и предложить алгоритмы для обработки данных.
• Использование данных как стейкхолдера для нашего проекта, когда никто, кроме данных, не знает о том, что происходит.

Присоединяйтесь к нам в соцсетях, впереди много интересного.

BeAmazing Telegram

Facebook

YouTube

Podcasts on SoundCloud

Использованы изображения из www.dilbert.com by Scott Adams.