Сам себе MBA. Самообразование на 100 %

Ограничьте себя тремя-пятью KPI на систему. При выполнении измерений очень хочется держать в голове всю найденную вами информацию. Сопротивляйтесь такому желанию: если вы перегрузите свой мозг данными, то, скорее всего, пропустите те изменения, которые действительно имеют значение. Вы всегда сможете копнуть глубже в случае необходимости.

Найдите системные KPI — и вы сможете управлять своей системой, не боясь утонуть в море данных.

Мусор на входе — мусор на выходе

Если качественно начать, результаты не заставят себя ждать.

Александр Кларк, дипломат, гражданский активист XIX века

Анализ некачественных данных в лучшем случае грозит вам получением бесполезных результатов, а в худшем — обманчивых или дискредитирующих.

Качество «входа» всегда отражается на качестве «выхода». Если вы будете строить дом из плохих материалов, он получится некрасивым и ненадежным. Если вы будете неправильно питаться, вести сидячий образ жизни и слишком много смотреть телевизор, то, скорее всего, станете вялым и равнодушным. Если вы не чувствуете никакой радости от своей работы, то вряд ли сможете выполнить ее хорошо.

«Мусор на входе — мусор на выходе» — очень простой принцип: при внесении бесполезных данных получается бесполезный результат. Ваша способность понимать систему непосредственно связана со способностью отслеживать то, что в ней происходит, а это, в свою очередь, зависит от качества и количества собранных вами данных.

Если вы не хотите в результате получить мусор, откажитесь от него в самом начале. Всегда помните об этом, принимаясь за новый проект, — и конечный результат обязательно оправдает ваши надежды.

Качественный вход — качественный выход.

Аналитическая честность

То, что может быть разрушено правдой, должно быть разрушено.

Пэт Ходжилл, профессор, писатель-фантаст

На последнем рабочем месте в Procter & Gamble я должен был разработать стратегию маркетинговых измерений — придумать способ определения эффективности рекламы нашей компании в сети. Каждый год P&G тратила миллионы долларов на рекламные баннеры, продвижение в поисковой системе и создание видеороликов. Я должен был понять, стоят ли результаты затраченных денег.

В процессе работы моя команда выяснила, что система, которую мы использовали для подсчета уникальных посетителей наших сайтов, работала неправильно. Она учитывала не только реальных пользователей, но и поисковых роботов, которые заходили на наши интернет-страницы по несколько раз в день. Иначе говоря, мы попали в ситуацию мусор на входе — мусор на выходе, и все наши измерения оказались бесполезными.

Естественно, мы рекомендовали модернизировать систему подсчета посетителей. Но наше предложение не вызвало энтузиазма в компании. Все сотрудники знали, что собираемые системой данные бесполезны, но, похоже, им было все равно. Странно, правда?

Проблема заключалась вот в чем: установка новой системы подсчета сильно уменьшила бы количество уникальных посетителей сайта, то есть то, что большинство считало ключевым показателем деятельности. Будучи более точной, новая система выставила бы их работу сотрудников в невыгодном свете. Исправлению ошибки они предпочли дальнейшую жизнь во лжи и сами поставили под сомнение свою способность увеличить эффективность работы сайта.

Аналитическая честность означает беспристрастные измерение и анализ имеющихся у вас данных. Поскольку мы, люди, существа социальные, нам свойственно переживать из-за того, что подумают о нас другие, и это заставляет нас приукрашивать реальность. Если вы действительно хотите произвести улучшения, такое стремление может помешать сбору точных данных и проведению объективного анализа.

Чтобы сохранить объективность по отношению к данным, лучше всего попросить, чтобы их оценил человек не заинтересованный, со стороны. Поддаться искажению, вызванному стимулированием, и предвзятости подтверждения легко, когда на кону стоит ваше социальное положение. Наличие опытного, но беспристрастного третьего лица, которое проверит ваши методы измерения и анализа, имеет огромное значение: может быть, вам и не понравятся его выводы, но по крайней мере вы будете точно знать, как обстоят дела.

Снимите розовые очки и постарайтесь объективно принять те данные, которые в конечном счете помогут вам совершенствовать вашу систему

Контекст

Чтобы что-то понять, нужно знать контекст.

Ричард Рабкин, психиатр

В этом месяце ваш доход составил 200 тысяч долларов. Это хорошо или плохо?

Зависит от обстоятельств. Если в прошлом месяце вы заработали 100 тысяч долларов — это хорошо. А если в этом месяце вы потратили 400 тысяч долларов — это плохо.

Контекст — это использование соответствующих измерений с целью предоставления дополнительной информации о данных, которые вы исследуете. Чтобы выбрать между «хорошо» и «плохо», недостаточно знать свой доход — нужна дополнительная информация. Размер дохода за предыдущий месяц и расходов в нынешнем месяце и есть тот контекст, который поможет прояснить всю ситуацию.

Обобщенные измерения практически всегда бесполезны, особенно когда речь идет о реальных улучшениях, поскольку они лишены контекста. То, что на ваш сайт в этом месяце зашло 2 миллиона пользователей, ни о чем не говорит. Без контекста вы не можете определить, было ли внесено в систему какое-либо изменение или насколько эффективно она работает, а это, в свою очередь, ограничивает вашу способность ее усовершенствовать.

Старайтесь принимать во внимание не только цифры, но и контекст: без него вы рискуете пропустить какое-нибудь важное изменение в данных. Даже зная «общий показатель качества» или то, что доход увеличился или уменьшился, вы не сможете понять, важно это или нет и почему так произошло (случайность это или следствие какого-то изменения в системе или среде).

Возьмите себе за правило всегда рассматривать каждое измерение в контексте с другими измерениями.

Выборка

Если вы не верите в теорию выборки, в следующий раз, когда пойдете к врачу, попросите его взять всю вашу кровь.

Джан Фупгони, основатель и председатель компании Comscore, Inc.

Что делать, если ваша система слишком большая и сложная, чтобы собирать данные по каждому процессу?

Иногда не стоит измерять все потоки. Если вы управляете масштабируемой системой, зачастую невозможно проверить все элементы и найти все ошибки. Как быстро определить возможные проблемы, если система обрабатывает огромное количество данных и заключает миллионы сделок?