«Я не знаю, почему мы не исключили ипотечные кредиты из наших бухгалтерских книг», - сказал мне несколько лет назад старший количественный аналитик крупного американского банка. «У меня была модель, четко указывающая на то, что многие из них не будут погашены, и я отправил ее руководителю нашего ипотечного бизнеса».
Когда я спросил лидера ипотечного бизнеса, почему он проигнорировал совет, он сказал: «Если аналитик и показывал мне модель, я не мог ее понять. Я даже не знал, что его группа работала над вероятностями погашения». В итоге банк потерял миллиарды по безнадежным кредитам.
Мы живем в эпоху больших данных. Независимо от того, работаете ли вы в сфере финансовых услуг, потребительских товаров, путешествий и транспорта или промышленных товаров, аналитика становится конкурентной необходимостью для вашей организации. Но, как показывает банковский пример, наличия больших данных и даже людей, которые могут успешно ими манипулировать, недостаточно. Компаниям нужны генеральные менеджеры, которые могут эффективно сотрудничать с «количественными аналитиками», чтобы гарантировать, что их работа приведет к принятию более эффективных стратегических и тактических решений.
Для людей, хорошо разбирающихся в аналитике, таких как Гэри Лавман из Caesars Entertainment (с докторской степенью Массачусетского технологического института), Джефф Безос из Amazon (специалист по электротехнике и компьютерным наукам из Принстона) или Сергей Брин и Ларри Страничка в гугле (ученая степень доктора компьютерных наук, выбывшая из Стэнфорда) - нет проблем. Но если вы типичный руководитель, ваш уровень знаний по математике и статистике, вероятно, равен паре курсов в колледже. Вы можете хорошо работать с электронными таблицами и разбираться в гистограммах или круговых диаграммах, но когда дело доходит до аналитики, вы часто испытываете количественные трудности.
Так что же означает для вас переход к принятию решений на основе данных? Как избежать участи главы убыточного ипотечного банка и вместо этого привести свою компанию к аналитической революции или хотя бы стать в ней хорошим пехотинцем? Эта статья - учебник для тех, кто не является количественным специалистом, - основана на обширных интервью с руководителями, в том числе с теми, с кем я работал преподавателем или консультантом.
Вы, Потребитель
Начните с того, что думайте о себе как о потребителе аналитики. Производители - это количественные специалисты, чьи анализы и модели вы интегрируете со своим бизнес-опытом и интуицией при принятии решений. Производители, конечно, умеют собирать доступные данные и делать прогнозы на будущее. Но большинству не хватает знаний, чтобы идентифицировать гипотезы и соответствующие переменные, а также знать, когда фундамент организации меняется. Поэтому ваша работа как потребителя данных - генерировать гипотезы и определять, имеют ли смысл результаты и рекомендации в изменяющейся бизнес-среде, - имеет решающее значение. Это означает принятие на себя нескольких ключевых обязанностей. Некоторым требуется только изменение отношения и точки зрения; другие требуют небольшого изучения.
Узнайте немного об аналитике
Если вы помните содержание своего курса статистики на уровне колледжа, вы можете быть в порядке. Если нет, освойте основы регрессионного анализа, статистического вывода и планирования эксперимента. Вам необходимо понимать процесс принятия аналитических решений, в том числе, когда вы должны вмешаться в качестве потребителя, и вы должны признать, что каждая аналитическая модель построена на предположениях, которые производители должны объяснять и защищать. (См. врезку «Шесть ключевых шагов принятия решений на основе аналитики».)) Как заметил известный статистик Джордж Бокс, «Все модели ошибочны, но некоторые из них полезны». Другими словами, модели намеренно упрощают наш сложный мир.
Чтобы стать более грамотным в области данных, запишитесь на программу обучения руководителей по статистике, пройдите онлайн-курс или учитесь у специалистов по количественной оценке в вашей организации, тесно сотрудничая с ними над одним или несколькими проектами.
Неважно, насколько вы доверяете своим квантам, не переставайте задавать им сложные вопросы.
Дженнифер Джой, вице-президент по клиническим операциям компании Cigna, выбрала третий подход. У Джой есть диплом медсестры и степень магистра делового администрирования, но ей не совсем нравились ее аналитические способности. Однако она знала, что объемные отчеты, которые она получала о работе своего колл-центра, не говорили ей, действительно ли коучинговые звонки, сделанные пациентам, помогали справиться с их болезнями и уберечь их от госпитализации.
Итак, Джой обратился к аналитической группе Cigna, в частности к экспертам по планированию экспериментов - единственному аналитическому подходу, который потенциально может продемонстрировать причинно-следственные связи. Например, она узнала, что может проводить пилотные исследования, чтобы выяснить, какие сегменты целевой аудитории получают наибольшую (и наименьшую) выгоду от услуг ее колл-центра. В частности, она использует аналитику для «предварительного сопоставления» пар пациентов, а затем случайным образом назначает одного члена пары для получения этих услуг, в то время как другой получает альтернативу, такую как заказ по почте или интерактивная поддержка. Каждый пилотный проект длится всего пару месяцев, и несколько исследований проводятся одновременно, так что теперь Джой получает информацию об эффективности своих программ на непрерывной основе.
В конце концов, Джой и ее партнеры по количественной оценке узнали, что коучинг работал для людей с определенными заболеваниями, но не для других пациентов, и в результате некоторые сотрудники колл-центра были переведены на другую работу. Теперь ее группа регулярно проводит от 20 до 30 таких тестов в год, чтобы выяснить, что действительно имеет значение для пациентов. Она может не понимать всех методологических деталей, но, как сказал Майкл Казинс, вице-президент U. С. по исследованиям и аналитике в Cigna, свидетельствует, что она научилась быть «очень аналитически ориентированной».
Настройте себя на правильный тип кванта
Карл Кемпф, руководитель группы разработки решений Intel, известен в компании как «сверхквант» или «главный математик». Он часто говорит, что эффективные количественные решения «не связаны с математикой; они об отношениях». Он имеет в виду, что кванты и потребители их данных получают гораздо лучшие результаты, если они формируют глубокие, доверительные связи, которые позволяют им свободно обмениваться информацией и идеями.
Конечно, высокоаналитические люди не всегда известны своими социальными навыками, так что это может быть тяжелой работой. Как в шутку посоветовал один шутник: «Ищите квантов, которые пялятся на ваши ботинки, а не на свои, когда вы вовлекаете их в разговор». Но можно найти людей, которые хорошо общаются и увлечены решением деловых, а не математических задач, и после того, как вы установили отношения, поощрять откровенный диалог и основанное на данных несогласие между вами двумя.
Кэти Нокс из Bank of America научилась сотрудничать с производителями данных. В качестве руководителя отдела розничной стратегии и дистрибуции потребительского подразделения банка она курирует более 5 400 отделений, обслуживающих более 50 миллионов потребителей и малых предприятий. В течение нескольких лет она подталкивала своих непосредственных подчиненных к использованию аналитики для принятия более эффективных решений - например, о том, какие филиалы открывать или закрывать, как сократить время ожидания клиентов, какие стимулы способствуют многоканальному взаимодействию и почему некоторые продавцы более продуктивны, чем другие. другие.
Bank of America имеет сотни специалистов по количественному анализу, но большинство из них были объединены в группу, к которой менеджеры не могли легко получить доступ. Нокс настояла на том, чтобы у нее была собственная команда аналитиков, и она установила прочные рабочие отношения с ее членами благодаря частым встречам и отчетам о проектах. Она особенно тесно сотрудничала с двумя руководителями групп, Джастином Аддисом и Майклом Хайзи, которые имеют опыт работы в сфере розничных банковских услуг и шести сигм, поэтому они могут понимать бизнес-проблемы ее подразделения и сообщать о них профессиональным аналитикам, которыми они руководят. После того, как Нокс создал прецедент, Bank of America создал матричную структуру для своих аналитиков в потребительском банке, и теперь большинство из них подчиняются как бизнес-линии, так и централизованной аналитической группе.
Сосредоточьтесь на начале и конце
Сформулировать проблему - определить ее и понять, как другие могли решить ее в прошлом - это самый важный этап аналитического процесса для потребителя больших данных. Именно здесь ваш деловой опыт и интуиция имеют наибольшее значение. В конце концов, гипотеза - это просто догадка о том, как устроен мир. Отличие от аналитического мышления, конечно, в том, что вы используете строгие методы для проверки гипотезы.
Например, руководители двух корпоративных организаций-учредителей Transitions Optical полагали, что компания по производству фотохромных линз, возможно, не инвестирует в маркетинг в оптимальном объеме, но никакие эмпирические данные не подтвердили или не опровергли эту идею. Грэди Ленски, который в то время возглавлял отдел маркетинга, решил нанять консультантов по аналитике для измерения эффективности различных рекламных кампаний - конструктивная формулировка, расширившая простой бинарный вопрос о том, не слишком ли высоки затраты.
Если вы не занимаетесь количественной оценкой, вам также следует сосредоточиться на последнем шаге процесса - представлении результатов и доведении их до сведения других руководителей, - потому что многие количественные специалисты игнорируют или игнорируют его, а вы вероятно, придется взять на себя в какой-то момент. Если аналитика в основном заключается в том, чтобы «рассказать историю с помощью данных», какой тип истории вы бы предпочли? Какой язык и тон вы бы использовали? Должна ли история быть рассказана в нарративных или визуальных терминах? Какие виды графики вам нравятся? Независимо от того, насколько сложны их анализы, следует поощрять квантовиков объяснять свои результаты простым способом, чтобы каждый мог их понять, или вы должны сделать это за них. История со статистическими методами («сначала мы провели критерий хи-квадрат, а затем преобразовали категориальные данные в порядковые, затем провели логистическую регрессию, а затем отстали от экономических данных на год») редко приемлема.
Многие бизнесмены останавливаются на вопросе о рентабельности инвестиций: как новая модель принятия решений повысит конверсию, доход или прибыльность? Например, исполнительный директор Merck, отвечающий за глобальное бизнес-подразделение, в течение многих лет тесно сотрудничал с группой коммерческой аналитики фармацевтической компании, чтобы ответить на множество вопросов, в том числе о том, каковы показатели рентабельности инвестиций в рекламу, направленную непосредственно на потребителя. Перед анализом рентабельности инвестиций он и группа обсуждают, какие действия они предпримут, когда узнают, насколько успешными были продвижения по службе, незначительными или неуспешными, чтобы было ясно, что усилия - это не просто академическое упражнение. После анализа руководитель усаживает аналитиков за стол со своей управленческой командой, чтобы представить и обсудить результаты.
Задавайте много вопросов по пути
Бывший министр финансов США Ларри Саммерс, который когда-то работал советником в количественном хедж-фонде, сказал мне, что его основная обязанность на этой работе заключалась в том, чтобы «оглядываться через плечо», то есть спрашивать умные кванты в фирме столь же умны в вопросах своих моделей и предположений. Многие из них не подвергались такому прессингу раньше; им нужен был разумный потребитель данных, который помог бы им продумать и улучшить свою работу.
Неважно, насколько вы доверяете своим квантам, не переставайте задавать им сложные вопросы. Вот некоторые из них, которые почти всегда приводят к более строгому и обоснованному анализу. (Если вы не понимаете ответ, попросите ответ на более простом языке.)
1. Каков был источник ваших данных?
2. Насколько хорошо выборочные данные представляют генеральную совокупность?
3. Включает ли ваше распределение данных выбросы? Как они повлияли на результаты?
4. Какие предположения лежат в основе вашего анализа? Могут ли определенные условия сделать ваши предположения и вашу модель недействительными?
5. Почему вы выбрали именно этот аналитический подход? Какие альтернативы вы рассматривали?
6. Насколько вероятно, что независимые переменные на самом деле вызывают изменения в зависимой переменной? Могут ли другие анализы установить причинно-следственную связь более четко?
Фрэнк Фридман, главный финансовый директор и управляющий партнер по финансам и административным вопросам американского бизнеса Deloitte, является заядлым любителем вопросов. Он собрал группу специалистов по анализу данных и количественных аналитиков, которые помогут ему в реализации нескольких инициатив, включая оптимизацию ценообразования на услуги, разработку моделей, прогнозирующих производительность сотрудников, и выявление факторов, влияющих на дебиторскую задолженность.«Люди, которые работают со мной, знают, что я всегда во всем ставлю под сомнение», - говорит Фридман. «После допроса они знают, что им придется вернуться и повторить некоторые из своих анализов». Он также считает жизненно важным признать, что вы чего-то не понимаете: «Я знаю, что я не самый умный человек в комнате на моих встречах с этими людьми. Я всегда стремлюсь к большей ясности, [потому что], если я не могу это сформулировать, я не могу защитить это перед другими».
Создайте культуру исследования, а не адвокации
Все мы знаем, как легко «цифры лгут, а лжецы - лгут». Потребители аналитики никогда не должны давить на своих производителей комментариями типа «Посмотрите, сможете ли вы найти какие-либо доказательства в данных, подтверждающие мою идею». Вместо этого ваша явная цель должна состоять в том, чтобы найти истину. Как говорит глава группы коммерческой аналитики Merck: «Наша управленческая команда хочет, чтобы мы были похожи на Швейцарию. Мы работаем только для акционеров».
Никогда не давите на своих аналитиков комментариями вроде «Посмотрите, сможете ли вы найти какие-нибудь доказательства в данных, подтверждающие мою идею».
На самом деле, некоторые руководители высшего звена заставляют своих аналитиков играть роль адвоката дьявола. Это задает правильный культурный тон и помогает усовершенствовать модели. «Все организации стремятся угодить лидеру, - объясняет Гэри Лавман из Caesars, - поэтому крайне важно создать среду, в которой идеи рассматриваются отдельно от людей, и требуется строгое доказательство, чтобы различать эти идеи».
Лавмен поощряет своих подчиненных выдвигать данные и анализ, а не мнения, и раскрывает свои ошибочные гипотезы, выводы и решения. Таким образом, и менеджеры, и количественные специалисты понимают, что его иногда «хромые и необдуманные взгляды», как он их описывает, нуждаются в такой же объективной и беспристрастной проверке, как и любые другие. Например, он часто говорит, что его самой большой ошибкой в качестве нового генерального директора было решение не увольнять управляющих недвижимостью, которые не разделяли его аналитическую ориентацию. Он думал, что их опыта будет достаточно. Лавман использует этот пример, чтобы показать, что он может ошибаться и что он настаивает на том, чтобы быть потребителем аналитики.
Когда все складывается
Уоррен Баффет однажды сказал: «Остерегайтесь гиков… с формулами подшипников». Но в современном мире, управляемом данными, вы не можете себе этого позволить. Вместо этого вам нужно объединить науку аналитики с искусством интуиции. Будьте менеджером, который знает гиков, понимает их формулы, помогает улучшить их аналитические процессы, эффективно интерпретирует результаты и передает их другим, а в результате принимает лучшие решения.
Сравните банк, упомянутый в начале этой статьи, с банком Торонто-Доминион. Генеральный директор TD Эд Кларк грамотен в количественном отношении (имеет докторскую степень по экономике), и он также настаивает на том, чтобы его менеджеры понимали математику любого финансового продукта, от которого зависит компания. В результате TD знала, что следует избегать продуктов с самой рискованной структурой и отказываться от других, прежде чем понести большие убытки во время финансового кризиса 2008-2009 годов.
Акцент TD на данных и аналитике влияет и на другие области бизнеса. Например, вознаграждение тесно связано с мерами по управлению эффективностью. И отделения TD остаются открытыми дольше, чем у большинства других банков, потому что Тим Хоккей, бывший руководитель отдела розничных банковских услуг, настаивал на систематическом тестировании эффекта продления розничных часов (с контрольными группами) и обнаружил, что они привлекают больше депозитов. Если кто-то на собрании руководства предлагает новое направление, от него требуют данных и анализа, подтверждающих это. Кларк признает, что TD не идеальна, но «никто никогда не обвиняет нас в том, что мы не учитываем цифры».
Ваша организация может быть не такой аналитической, как TD, а ваш генеральный директор может быть не таким, как Эд Кларк. Но это не значит, что вы не можете самостоятельно стать большим потребителем аналитики и подать пример для остальной части вашей компании.