Пора внедрять data-driven. как этот подход преобразует бизнес

Data-driven

Это самый строгий и формальный подход — решения принимаются исключительно на основе точных количественных данных. Для data-driven необходимо много данных, причем проектировать систему сбора данных и собирать их необходимо задолго до начала принятия решений — чтобы накопить статистически значимые показатели. Такой подход предполагает, что в команде будут профессиональные аналитики, которые понимают, как правильно обращаться с данными и какие из них корректные. Data-driven отвечает на вопрос, что делать прямо сейчас.

Data-driven-подход помогает прогнозировать продажи, выбирать наилучшее время для запуска новой фичи, сравнивать эффективность разных вариантов дизайна. Решения, основанные на данных, обычно легче защищать перед руководством.

Но у data-driven есть и проблемы: 

• Дает ответы только на конкретные вопросы — можно проверять и сравнивать какие-то решения, но для стратегических вопросов он не подходит.
• Есть соблазн обосновать тот ответ, который вам нравится больше — данные позволяют это сделать, если использовать их предвзято. 
• Данные — не панацея и не снимают ответственность с менеджера продуктов. В любом случае он должен ориентироваться на здравый смысл. Иначе можно упустить интересные и потенциально прорывные решения только потому, что эффект от них невозможно точно измерить и напрямую связать с метриками. С другой стороны, решения, приносящие выгоду прямо сейчас, в долгосрочной перспективе могут негативно влиять на продукт.
• Необходимо корректно настроить аналитику, хранить и постоянно обрабатывать большие объемы данных, ставить эксперименты — это трудоемко и недешево. А в небольших продуктах данных слишком мало, чтобы делать однозначные выводы.

BDD — Behaviour Driven Development

Из-за некоторого методологического сходства TDD (Test Driven Development) и BDD (Behaviour Driven Development) часто путают даже профессионалы. В чем же отличие? Концепции обоих подходов похожи, сначала идут тесты и только потом начинается разработка, но предназначение у них совершенно разное. TDD — это больше о программировании и тестировании на уровне технической реализации продукта, когда тесты создают сами разработчики.

BDD предполагает описание тестировщиком или аналитиком пользовательских сценариев на естественном языке — если можно так выразиться, на языке бизнеса. BDD — behaviour-driven development — это разработка, основанная на описании поведения. Определенный человек(или люди) пишет описания вида «я как пользователь хочу когда нажали кнопку пуск тогда показывалось меню как на картинке» (там есть специально выделенные ключевые слова). Программисты давно написали специальные инструменты, которые подобные описания переводят в тесты (иногда совсем прозрачно для программиста). А дальше классическая разработка с тестами.

Если записывать названия тестов в виде предложений и при записи имен методов использовать лексику бизнес-домена, созданная документация становится понятна заказчикам, аналитикам и тестировщикам.

Тексты сценариев записываются в определенной форме.

Имея (прим. given — данное) какой-то контекст, Когда (прим. when) происходит событие, Тогда (прим. then) проверить результат.

Может получиться что-то подобное:

Или другой пример на русском:

+Сценарий 1: На счету есть деньги+

Имея счет с деньгами

И валидную карточку

И банкомат с наличными

Когда клиент запрашивает наличные

Тогда убедиться, что со счета было списание

И убедиться, что наличные выданы

И убедиться, что карточка возвращена

BDD подход совместно с инженерными практиками позволил нам отказаться от legacy-документации, содержащей неактуальную информацию, и получать новую документацию на лету, хранить ее вместе с проектом, что приблизило аналитиков и тестировщиков к коду.

BDD — скорее, процесс, целью которого является удешевление реализации новых фич. Еще на старте разработки мы получаем важные артефакты. Например, понятную для поддержки документацию. Эта документация дает возможность всем заинтересованным лицам сформировать свое представление о продукте и сценариях пользовательского поведения, которые должны быть реализованы в ходе итераций разработки. С BDD-подходом мы также снижаем порог входа в проект новых участников.

В чем преимущество BDD?

• Тесты читаемые для не программистов.
• Их легко изменять. Они часто пишутся почти на чистом английском.
• Их может писать product owner или другие заинтересованные лица.
• Результаты выполнения тестов более «человечные».
• Тесты не зависят от целевого языка программирования. Миграция на другой язык сильно упрощается.

Минусы:

Но у данного подхода есть и недостатки — это долго и дорого. BDD неудобен хотя бы тем, что требует привлечения специалистов тестирования уже на этапе проработки требований, а это удлиняет цикл разработки.

Выходом из этой ситуации может оказаться выбор подходящего BDD фреймворка и правильно выстроенных процессов разработки.

Подробнее о BDD можно прочитать тут.

Многие уже давно поняли, что тестирование — это своего рода панацея от всех болезней, но так ли это на самом деле? Безусловно, основательно протестированный код работает стабильнее и предсказуемее, но тесты не избавляют нас от проблем и ошибок на этапе проектирования и постановки задач. Следующие подходы к разработке могут помочь вам с этим.

Суть Data-driven

Тщательный анализ информации позволяет создать представление об эффективности бизнеса, а также наметить основные направления его развития. На рубеже 2000-х появился новый подход к принятию стратегических решений, основанный на изучении данных. За прошедшие с тех пор два десятилетия data-driven стал одним из базовых принципов работы руководителей бизнес-структур, маркетологов, менеджеров и других специалистов.

Дословный перевод этого термина с английского звучит как «основанный на данных», то есть речь идет о принятии важных решений с опорой на факты. Data-driven исключает любую возможность выстраивать стратегию и просчитывать шаги, исходя из интуиции, ничем не подкрепленных догадок и предположений. Во главу угла ставятся точные сведения, голые цифры, которые являются единственно допустимой базой для поиска бизнес-решений.

Суть Data-driven

Казалось бы, в чем инновационность такого подхода, ведь деловых людей всегда отличало умение анализировать текущую ситуацию, делать выводы, опираясь на положительный и отрицательный опыт, как свой, так и конкурентов. Однако риск поддаться эмоциям и в итоге неверно оценить положение дел, свойственный человеку, нередко значительно снижает эффективность бизнеса. Не подкрепленное расчетами стремление обойти соперников, рискнуть, чтобы заработать больше, приводит к разорению многих предпринимателей.

Бизнес, сделавший data-driven основным принципом своей деятельности, сильнее защищен от субъективного подхода к оценке ситуации и, соответственно, принимает решения ответственно, делая выбор в пользу стратегии, которая с наибольшей вероятностью будет успешной.

В чем заключаются характерные особенности такого подхода? Их несколько:

• Понимание необходимости нести дополнительных расходов, связанные с внедрением data-driven. Информацию потребуется собирать, хранить, обрабатывать, а это работа специалистов и деньги на оплату их труда.
• Аналитические навыки, позволяющие извлекать максимальную пользу из полученных данных. Цифры в отчете – не самоцель, это только инструмент для принятия стратегических и тактических решений.
• Гибкость в вопросах бизнес-планирования, умение опираться на собранные данные, но в то же время доверять мнению опытных специалистов и находить компромисс. При этом факты и числа являются основным ориентиром для принятия окончательного решения.

Готов ли казахстанский рынок к data-driven?

Несмотря на большой интерес к сфере data-science, на рынке пока не хватает специалистов. В Казахстане университеты только начали открывать специальности по Data и Computer Science. В числе первых – КБТУ, КазНУ и Политех. Работать с большими данными хотят преимущественно студенты и совсем молодые специалисты.

«Мы долго не можем найти себе людей в команду, потому что на рынке мало тех, кто сразу бы мог выполнять поставленные задачи. Большие компании открывают свои академии для студентов последних курсов, где обучают их всему необходимому. Так делают Beeline, Kaspi. Мы тоже собираемся запускать свою академию. Для нас это чуть ли не единственный способ быстро найти талантливых ребят и через полгода-год получить хороших специалистов в нужном для нас количестве. Спрос на дата-сайнтистов и ML-инженеров с опытом пока превышает предложения», – говорит Пётр Царенко.

Другая крайность – слабое представление компаний, начинающих работать с big data, каких результатов они хотят с их помощью достичь и какие задачи решить. От этого во многом зависит подбор профессиональной команды, задача которой предлагать руководству свежие идеи и рекомендации. По мнению специалистов, прежде чем внедрять data-driven-подход, у организации должны быть налажены все рабочие процессы.

Так, главный признак дата-ориентированной компании – эффективная цепочка создания стоимости (value chain). Собранные данные и отчёты превращаются в идеи и рекомендации, используемые руководителями для принятия решений. Это циклический процесс: data-science приводит к изменениям в бизнесе, результаты изменений оценивают, анализируют и снова применяют для изменения бизнеса. Однако руководители и топ-менеджеры в Казахстане не готовы (во всяком случае, пока) полностью положиться на данные, что порождает другой замкнутый круг: data-science не используется в полной мере, не показывает результатов и отбрасывается как малоэффективный инструмент.

Грязная выборка

Классическая ошибка малого размера выборки давно набила оскомину тем, кто читал хоть что-нибудь про A/B-эксперименты. Вкратце, напомним — если компания тестирует новую посадочную страницу, то ей нужно рассчитать размер выборки: сколько посетителей нужно на старую и на новую версию исходя из разницы в показателях.В этом материале мы рассмотрим проблему грязной или неполной выборки при принятии решений в двух других бизнес-процессах: во время customer development и во время исследования рынка.С customer development всё выглядит так: компания проводит серию интервью с клиентами, чтобы узнать об их проблематике и особенностях. Проведено 10 встреч, из которых взята информация: людей волнует проблематика XYZ. Компания удовлетворена результатами, и решает переделать посадочную страницу и все промо-материалы под XYZ. Результат — снижение конверсии и финансовых показателей.Вывод: компания не учла, что клиенты представляют собой очень ограниченную часть рынка — остальные отличаются и имеют совершенно другие потребности. Чтобы избежать такого сценария, стоило бы провести короткий эксперимент — сравнить старую посадочную страницу с новой на достаточном объёме трафика, либо увеличить размер выборки для интервью и следовать методологии, которой пользуются в статистике. Исследования рынков же часто проводятся через анализ поисковой выдачи. Аналитик смотрит на количество запросов «золотое кольцо» и не понимает, что в количество входят также запросы «золотое кольцо путешествовать», «золотое кольцо фильм скачать», «золотое кольцо ремонт». По грязному запросу делается вывод о спросе на золотые ювелирные изделия.Другой пример: использование соцдем данных внутри инструментов аналитики. Иногда маркетологи используют Facebook Audience Insights, чтобы получить атрибуты целевого сегмента. Как итог — усреднённые данные о поведении аудитории, не разбитые по локалям и сегментам, становятся основой маркетинговой стратегии. В итоге, в охват рекламной кампании попадёт много людей, не относящихся к целевой аудитории. Вывод: старайтесь очистить данные, сделав размер выборки достаточно большим, чтобы принять решение, но при этом сузить его до минимально допустимого значения по сегменту.

Какие проекты реализованы в России

Многие российские компании начинают готовить инфраструктуру и переходить к Data Governance, реализуя проекты отдельными блоками. Например, для крупной компании из сектора массовых пассажирских перевозок специалисты «Крока» реализовали проект по созданию предметно-ориентированной базы данных (ПОИБД).

Как понять, когда нужно создавать DDT

• Если вы увидели, как какой-то компонент системы описать с помощью входных параметров и выходного состояния или результата — можно создавать DDT. По опыту автора, требуется определённое время, чтобы разработчики начали замечать, как ввести DDT на проект. Притом очень часто без явного напоминания или толчка со стороны люди продолжают полагаться или на мануальное тестирование, или пишут много похожих Unit-тестов. На проекте примера 4 так и было.
• Приходилось участвовать в ситуациях, когда DDT становился спасением проекта из-за накопленной внутренней сложности, когда небольшое изменение может повалить всю систему. Смотрите пример 6.
• Если входные параметры представляют собой сложный набор данных, или когда нужно тщательно проверять взаимозависимости входных параметров, делать валидацию с большим количеством ошибочных вариантов, а также когда количество результирующих состояний системы неограниченно.
  • Используется свой DSL (domain specific language). Смотрите пример 3.
  • Покрываемая система расширяема — плагины, скрипты. Смотрите пример 4.
  • В базе данных происходят сложные калькуляции или присутствуют сложные связи. Смотрите пример 6.
• DDT можно применять для стабилизации системы, в которой случаются трудно-поправимые баги, и для организации грамотного регрессионного тестирования (Смотрите примеры 3 и 5).
• Также, если в юнит тестах вы видите copy pasting на уровне test методов, стоит подумать над вынесением этого в DDT (значительно сокращается объём кода для тестов).

Подход Data-driven в менеджменте

Применение принципов Data Driven для управления бизнесом подразумевает принятие решений с опорой на фактические данные. При этом менеджеры могут эффективнее решать стоящие перед ними задачи:

• Обеспечивать высокую отдачу инвестиций. Анализ собранных данных позволяет привлекать те сегменты аудитории, у которых предложение найдет максимальный отклик.
• Минимизировать маркетинговые издержки. Подведение итогов рекламных кампаний служит основой для внесения корректив в стратегию продвижения.
• Учет любых изменений рынка. Постоянный мониторинг ситуации и своевременная реакция на появление новых факторов повышает конкурентоспособность.

Закономерным итогом использования подхода data-driven в компании становится рост прибыли.

Intel, Google, Chevron давно практикуют принятие стратегических решений на основе тщательного анализа данных. В России приверженцем этого подхода является «Сбер», который использует CRISP (Cross Industries Standard Process по Data Mining) – межотраслевой стандарт извлечения данных.

Для чего фраза “ничего личного”? Как её понимать и правильно использовать?

Фраза “ничего личного” – это сокращенный вариант от фразы “Nothing personal. Only bysiness” (“Ничего личного. Только бизнес”), прозвучавшей в фильме Крестный Отец.

Эту фразу используют, когда человек хочет сказать, что сам против человека ничего не имеет, однако обстоятельства складываются так, что он вынужден действовать против него.

Тоже самое значение, что и “Не принимай близко к сердцу”.

Это выражение еще принято называть Золотым правилом нравственности. По сути, это общее правило, известное с древности. Оно есть в религиозных и философских учениях Запада и Востока. У правила есть несколько вариантов формулировки:

Относись к людям так, как хочешь, чтобы они относились к тебе;

Не делай другим того, чего не хочешь себе.

Это правило есть в христианстве, в Новом Завете ее неоднократно повторял Иисус Христос (Евангелие от Марка, от Матфея, от Луки). В исламе это правило есть в “Сунне” как одно из изречений Мухаммеда. Есть оно и в индуизме: упоминается оно в Махабхарате.

В китайской философии его сформулировал Конфуций в знаменитых “Беседах и суждениях”.

Трактовать, мне кажется, его надо однозначно: относись к окружающим так, как хочешь, чтобы относились к тебе. Не делай плохого, если не хочешь, чтобы делали плохое тебе. Не причиняй боли и не принижай никакое живое существо – так же, как любая боль неприятна и тяжела тебе, так же тяжела она другому живому организму.

3 5 · Хороший ответ

Что значит фраза «взять ответственность за свою жизнь»?

Это значит что только вам нужно выстраивать свою жизнь так, как вам хочется. И внешние обстоятельства не должны влиять на вас.

Если у вас что-то не получается, в этом не виноват никто кроме вас, путей и выходов всегда можно найти из любой ситуации.

Британский филолог и психоаналитик Микита Броттман считает чтение “пороком”, сравнимым с мастурбацией. По ее мысли, ребенок, не умеющий читать, свободно выражает все, что приходит ему в голову. Начиная читать и уединяясь с книгой, он якобы усваивает язык, совершенно не похожий на тот, на котором говорят окружающие, привыкает внутренне проговаривать свои мысли перед тем, как выразить их, чаще воздерживается от самовыражения, опасаясь осмеяния, и может отдалиться от друзей и родственников.

Тезисы Броттман, высказанные в труде 2008 года “The Solitary Vice”, дополнены ужасающими биографическими подробностями о том, как пагубное пристрастие к чтению превратило ее из обычной девочки в унылую филологическую деву. Вывод примерно такой – чем читать, лучше кино посмотреть (список прилагается). В общем, за этим может стоять заговор кинематографистов, потому что ничто не мешает автору по сей день преподавать литературу в Университете Мэриленда, состоя при этом в браке с кинокритиком.

4 7 · Хороший ответ

TDD — Type Driven Development

Type Driven Development сокращенно пишется также, как и разработка через тестирование, поэтому обычно пишут полное название.

При разработке на основе типов ваши типы данных и сигнатуры типов являются спецификацией программы. Типы также служат формой документации, которая гарантированно обновляется.

Типы представляют из себя небольшие контрольные точки, благодаря которым, мы получаем множество мини-тестов по всему нашему приложению. Причем затраты на создание типов минимальны и актуализировать их не требуется, так как они являются частью кодовой базы.

Разработка по типу — это еще один правильный метод построения приложения. Как и в случае разработки на основе тестирования, разработка на основе типов может повысить вашу уверенность в коде и сэкономить ваше время при внесении изменений в большую кодовую базу.

Из минусов только возрастающая сложность у языков с динамической типизацией. К примеру, для JavaScript этот подход тяжелее применить, чем для TypeScript.

Что такое «тест Тьюринга»?[править]

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, обладает ли компьютер сознанием человека.

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, может ли компьютер вести диалог с человеком.

Тест, в ходе которого, через анонимную коммуникацию, компьютер должен определить, общается ли с ним человек или другая программа.

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, с кем общаются – с компьютером или человеком. +

Тест, в ходе которого, через анонимную коммуникацию, компьютер должен определить, каким уровнем интеллекта обладает человек.

Правописание слова «ничего»

Чтобы разо­брать­ся, как пишет­ся сло­во «ниче­го» или «ни чего», обра­тим­ся к сло­во­об­ра­зо­ва­нию.

С помо­щью при­став­ки ни- обра­зу­ют­ся отри­ца­тель­ные место­име­ния от отно­си­тель­ных место­име­ний:

Все эти сло­ва соглас­но пра­ви­лу орфо­гра­фии пишут­ся слит­но.

Примеры

Только если в падеж­ной фор­ме отри­ца­тель­но­го место­име­ния появ­ля­ет­ся пред­лог меж­ду «ни» и место­име­ни­ем, тогда пишем все сло­ва раз­дель­но:

Понаблюдаем:

Источник статьи: http://russkiiyazyk.ru/orfografiya/pravopisanie/kak-pravilno-pisat-nichego-ili-ni-chego.html

Как внедрять

В 2016 г. подавляющее число проектов IBM по внедрению Data Governance в мире относилось к финансовому сектору. Дело в том, что Data Governance — в первую очередь про упорядочивание данных. Если представители фискальных ведомств, к примеру налоговой службы или казначейства, во время внешнего аудита найдут в разных источниках противоречивые значения одного параметра, они могут выставить немалую претензию. Это одна из причин востребованности Data Governance в финансовом секторе.

Сейчас инструменты DG легче «приземлить» на реальный бизнес, поэтому их используют в телекоме, логистике, на производстве. Технологии стали проще, доступнее и дешевле. Совокупная стоимость их владения (TCO) за последние годы снижается. Сейчас Data Governance включает в себя создание каталога метаданных, физическую и логическую модели, data lineage (отслеживает происхождение данных) и data quality (контролирует их качество). Выбирая нужные блоки, вы фактически формируете стоимость решения. Внедрение всего и сразу обойдется дороже, но, если вести работу поэтапно, получится не такая большая единовременная нагрузка на бюджет.

Не каждая компания готова управлять данными. Решение IBM InfoSphere Information Governance Catalog известно на рынке, поэтому нередко заказчики сами приходят к нам с запросом на внедрение. Когда мы начинаем общаться, то понимаем, что у них нет необходимой оргструктуры, ответственного за данные, даже цели DG зачастую не определены. Есть своего рода энтропия данных, которыми бизнес хочет управлять, но не знает как. Осознание проблемы присутствует, и это отлично, но с такими вводными сложно начинать проект. 

Топ-менеджер крупной компании как-то сказал на рабочей встрече, что не доверяет двум третям данных в отчетах. Это признак того, что DG-проект нужен компании и решение будет успешно использоваться. Для внедрения необходимы две составляющие. Первая: в компании должна быть методология работы с информацией, формируется офис директора по работе с данными (Chief Data Officer). Вторая, самая главная: представитель топ-менеджмента (уровня директора или вице-президента) осознает необходимость внедрения инструмента управления данными. Это работает во всех случаях. Когда нет спонсора на высшем уровне, который включит зеленый свет и будет продвигать проект, внедрение может забуксовать. Если такой есть, останется решить технические задачи. Вместе с бизнес-партнером мы готовы помочь выбрать методологию и спланировать внутреннюю инфраструктуру

Главное, чтобы руководство компании осознавало всю важность будущего проекта — для чего они внедряют Data Governance. 

Своеобразная фабрика данных, поддерживаемая процессами Data Governance, поможет устранить разрозненность и автоматизировать интеграцию данных, чтобы обеспечить их доступность для просмотра и анализа всеми пользователями. Данные можно обрабатывать, управлять ими и сохранять их по мере обработки, поэтому бизнес-пользователи получают единую точку доступа для поиска, формирования и использования данных в масштабах всей компании.

Недостатки data-driven подхода

Самый главный недостаток – данные не будут принимать решения за вас.

Первое решение, которое нужно принять, – нужен ли вашему бизнесу data-driven менеджмент.

Учитывайте нюансы:

• Просто собирать данные недостаточно. Нужна инфраструктура сбора данных, их структуризация, систематизация и своевременная передача нужным людям в нужное время.
• Эта инфраструктура требовательна к человеческому ресурсу. Сотрудников нужной квалификации искать сложно, и стоить они будут дорого.

Специалисты, которые работают с данными, умеют задавать правильные вопросы и отвечать на них, генерировать гипотезы, давать рекомендации и убеждать руководителей в том, что их гипотезы верны.

• Чтобы делать все это, сотрудникам необходимы соответствующие навыки, обучение и поддержка.
• Помимо инфраструктуры сбора данных, есть требования и к структуре самой организации. Общие цели и задачи, тесная взаимосвязь между бизнес-подразделениями, а также централизованная поддержка в обучении и формировании стандартов.
• Чем больше данных собираем, тем больше времени тратим на их обработку. Тем труднее отделить значимые факты от незначимых и тем больше ресурсов тратится на проверку гипотез.

Если количество данных превышает способность менеджмента к их обработке и принятию решений, их ценность автоматически снижается до нуля.

• Полученные данные, даже очень полные и очень точные, описывают прошлое. На основании таких данных строят предиктивные модели, но нельзя забывать, что в любой момент может прилететь «черный лебедь».
• Для оценки нового функционала или инновационного продукта, которого раньше не существовало, data-driven подход неприменим.
• Результаты внедрения data-driven подхода будут видны не сразу. К этому нужно быть готовым и не ждать чудес.
• Пути назад нет. Если компания принимает решения, основываясь на данных, все остальные факторы (прошлый опыт, экспертное мнение, прочитанный в интернете кейс и т.д.) играют роль только на этапе формирования гипотез.