1960'lardan bu yana, veri analistleri, insanların daha iyi kararlar almasını sağlamak için bilgisayar sistemlerinden bilgi toplamak ve paylaşmak için raporlar hazırladılar. Tecrübelerime göre, bu raporlar bilgi dolu olmakla birlikte, çoğu zaman veri müşterilerimizin, işlerinin bir parçası olan kararları almak istedikleri veya ihtiyaç duydukları doğru bilgi değildir.
Bu, birkaç faktörden kaynaklanmaktadır:
- Mevcut veri çeşitliliği arttıkça veri ihtiyaçları hızla değişiyor. Artık insanlar verinin gücünü biliyor - eğer kullanabilecekleri bir formatta alabilirlerse
- Veri hacmi patlıyor. Dünyamız değişti ve şimdi çok fazla veri var, kullanıcıların bunları tüketebilecekleri şekilde düzenlemek ve paylaşmak çok zor oluyor. On sayfa uzunluğunda bir gösterge tablosu gerçekten bir gösterge tablosu değildir ve bilgi hacmi değerini azaltır
- Verilerin kalitesi bir zorluktur. Veri kaynaklarındaki hızlı artışla birlikte, verilerin geçerli olmasını ve beklenen biçimde olmasını sağlama yeteneği çözmemiz için başka bir sorun haline geldi
Yakın tarihli bir projede, müşteri memnuniyetini artırmanın bir yolu olup olmadığını görmek için gelen müşteri çağrı hacmine bakmam istendi. Kimse bekletilmekten hoşlanmıyor, özellikle de bir faturalandırma sorunuyla uğraşırken, müşterilerimize daha iyi hizmet verebilmek için istekliydik.
İlk önce bir yıllık arama detayı topladım: arama tarihi ve saati, cevaplama zamanı vb. Tarihi, tarih-zamandan ayırarak verileri düzenledim ve ardından geçersiz kayıtları filtreledim.
Ayın belirli dönemlerinde yüksek arama hacmimiz olduğu belli oldu. Bu eğilim zaten biliniyordu, ancak çağrıyı iptal etmekte daha önce bilinmeyen büyük bir artış gördüm. Bunlar uzun süre bekletildikten sonra pes eden müşterilerdir.
Geri arama özelliği de dahil olmak üzere bu boşluğu gidermek için çağrı sistemimizde değişiklikler yaptık, böylece insanlar sıradaki yerlerini kaybedecekler ve çağrı oranlarının normalden daha yüksek olacağı günlerde daha fazla personel ekledik.
Bir veri analisti olarak tek yapmam gereken, çağrı oranlarına bakmaktı. Ancak terk oranını gördüm ve bunu müşteri memnuniyetini arttırmak için bir fırsat bulmak için kullandım. Bir ipucu fark eden bir dedektif gibi hissettim.
Test dünyasının daha fazla veri dedektifine ihtiyacı var . Veri uyuma becerilerimizi iyi kullanabilmemiz için başka yollara bakalım.
Veri Algılamanın 5 Adımı
Columbo, aynı isimde bir TV şovunda klasik bir dedektifti. (Bu referans yirmili yaşlarda olmadığımı gösteriyor sanırım!). En karmaşık suçları bile çözmek için gözlem becerilerini ve ustalığını kullandı. Columbo ne yaptı?
- Göz önünde bulundurulması gereken çok fazla kanıt olan bir sahneye girdi (veri)
- Verileri, daha sonra neyin araştırılacağını görmesine yardımcı olacak ipuçlarına göre filtrelemesine ve gruplandırmasına izin veren bir yöntemle düzenledi (bilgi).
- Bu ipuçlarını, suçun nasıl gerçekleştiğine ve kimin sorumlu olduğuna dair teoriler geliştirmek için kullandı; sık sık, yanlış başlangıçlar yaptı ve masum olan insanları suçladı, daha sonra gerçek olayları daha iyi anlamaya dayalı kararlarını gözden geçirmek zorunda kaldı (bilgi).
- Sonunda gerçek hikayeyi anlayacak ve bu noktaya nasıl ulaştığını açıklayacaktır (bilgelik)
- Kötü adam itiraf edip tutuklanırdı (eylem)
Tamam, o bir TV dedektifi ve köpek tüm gerçek tespitleri yaptı. Peki ya gerçek dünyadan bir örnek? Parlak bir veri dedektifi tarafından uygulanan aynı adımları gördük: Albert Einstein.
Einstein keşifleri ve teorileri ile ünlüdür, ancak aynı zamanda bir veri dedektifidir. Bilgisayarlar henüz yoktu, bu yüzden verilerin elle toplanması ve kağıt üzerinde organize edilmesi gerekiyordu. Çalışmalarının çoğu davranışları gözlemlemeyi ve bu gözlemlerden fikir üretmeyi ve çözümler önermeyi gerektiriyordu.
Sadece bir sabah uyanmadığından, “E = mc 2 ” yazdığını ve kahvaltıya gittiğinden eminim . Elde ettiği verileri göz önünde bulundurarak, bu bilgiyi bir hikâyeye dönüştürmeyi ve bilgi olarak adlandıracağımız kuralları oluşturmayı , konuyla ilgili doğru bir anlayış kazanmayı ve bu bilgeliği kavramı insanların anlayabileceği şekilde özetlemek için kullanmasını hayal edebiliriz. teorisini yayınlamak için harekete geçmek .
Bir sonraki Einstein olduğunu iddia etmiyorum - ya da çimlerini biçebilme yeteneğine bile sahip değilim - ama veri analizi çalışmasının gerçek bir değere sahip olduğunu söylüyorum. Gerçekleri bildirmekten daha fazlasını yapma potansiyeline sahibiz.
Eylemdeki Veri Dedektifleri
Elimizdeki verileri analiz etmekten daha fazlasını yapabiliriz; Değişimin gerçekleşmesine yardımcı olmak için işimizin ortaya çıkardığı bilgiyi kullanabiliriz.İşte bir veri dedektifinin gerçekleştirebileceği bazı gerçek, faydalı eylemler:
- Müşterilerinizi sadece ne istediklerini değil, aynı zamanda hangi sorunu çözmeye çalıştıklarını anlamak için dinleyin.
- Mevcut verilere ve müşterinize veya raporlama gereksinimlerinize en uygun hizmetin hangi unsurlarına bakın
- Verileri müşterinizin anlayabileceği ve ihtiyaçları ile ilgili olan bilgilere göre filtreleyin ve düzenleyin
- Ele alınacak problemi ve topladığınız bilgilerin konuyla ilgili bilgi sağlamak için ne yaptığını anladığınızı gösterin
- Son olarak, çalışmanızın ortaya çıkardığı değişiklik fırsatlarına dair sonuçlar, tavsiyeler veya gözlemler sağlayın
- Bonus puanlar için: Yapılan değişikliklerin etkisini hızlı bir şekilde ölçmek için bir gösterge panosu veya basit bir yöntem geliştirin. Müşteriniz sizi, ekibiniz için yapılan değişikliklerin etkilerini zamanında rapor edebiliyorsa, sizi gerçekten bir varlık olarak görecektir.
Bir veri analistiyseniz, işinizde muhtemelen ilk birkaç kurşun noktasını yapıyorsunuzdur. Bu daha fazlasını yapmak için harekete geçirme ifadesidir. Başka hiç kimsenin yapmadığı çabalarınıza dayanarak görüşleriniz olabilir. Risk alın ve durumu iyileştirebileceğini düşündüğünüz değişiklikler hakkında konuşun.
Önünde kanıtlar var. Bu, yalnızca rapor üretmekten daha fazlasını yapabileceğinizi gösterme şansınızdır. Bir veri dedektifi ol ve değişim aktivisti ol.
Yorum Gönder