Что это значит, как использовать на практике и зачем это нужно

Специалисты по обработке данных по своей природе ориентированы на детали. Вы, наверное, уже заметили это. И можете ли вы нас винить? Мы тратим время на изучение детализированных наборов данных, нахождение ошибок, их исправление, построение прогнозных моделей, создание визуализаций, получение идей и передачу этих идей заинтересованным сторонам в надежде на стимулирующее воздействие.

Все это требует большого внимания к деталям, поэтому хорошо, что мы умеем сосредоточиться на мелочах. Но у каждой истории есть две стороны.

Эта проблема

Когда мы получаем запрос или бизнес-проблему, которую нужно решить, мы склонны уделять внимание деталям и упускать из виду общую картину. Позвольте мне немного подробнее остановиться на примере Грега Реда и его великого эссе о жизни внештатного специалиста по данным:

Вы получаете следующий запрос: «Какое оптимальное количество потенциальных клиентов должен получить представитель? Мы хотим улучшить направление ».

Как специалисты по обработке данных, мы слышим «оптимальное число» и начинаем думать о сложных математических вычислениях и построении моделей. В конечном итоге мы игнорируем самую важную часть: «Мы хотим стать лучше» - наша заинтересованная сторона говорит нам: «Мы мало что знаем об этом прямо сейчас - помогите!»

Если мы остановимся, услышав «оптимальное число», и пойдем по этому пути, велика вероятность, что мы в конечном итоге будем тратить часы на решение сложной проблемы. Только после завершения мы понимаем, что заинтересованной стороне нужно что-то гораздо более простое. . Эта проблема беспокоит специалистов по анализу данных по нескольким причинам.

Перво-наперво, проблемы науки о данных часто бывают открытыми. Всегда есть еще одна догадка, которой нужно следовать, другая модель, которую нужно повторить, или другая визуализация, которую нужно создать. Возможности поистине безграничны. Когда мы не проявляем осторожности, мы идем в кроличьи норы в поисках лучших и лучших решений нашей проблемы. Пока это происходит, часы тают с угрожающей скоростью. Это время можно было бы лучше потратить в другом месте.

Во-вторых, общение просто затруднено. Заинтересованные стороны часто говорят одно, а имеют в виду другое. Как специалисты по обработке данных, мы часто интерпретируем вещи одним способом, хотя на самом деле это совершенно другая история. Мы впадаем в иллюзию согласия, когда обе стороны думают, что друг друга понимают. Чтобы исправить это, мы в конечном итоге ходим туда-сюда с нашими заинтересованными сторонами, пока, наконец, не разберемся. Опять же, это не только расстраивает, но и является пустой тратой нашего самого ценного ресурса: времени.

Введите минимальный жизнеспособный анализ

Итак, мы знаем, что это проблема, но как ее решить? Короче говоря, просто начните с простого и повторяйте оттуда. Создавайте что-нибудь и получайте отзывы как можно быстрее. Если это звучит знакомо, это потому, что это так. Продуктовые люди знают это как минимально жизнеспособный продукт или MVP - термин, популяризированный в начале 2000-х годов Стивом Бланком и Эриком Райсом.

Специалисты по анализу данных могут использовать очень похожий подход. Это не только поможет нам решить проблемы, описанные ранее в этом сообщении, но также даст более точные и частые результаты. Мы назовем это минимально жизнеспособным анализом или MVA.

Идея здесь в том, что мы предпочитаем постепенный прогресс и не предполагаем, что нашей заинтересованной стороне потребуется самое сложное из доступных решений. Процесс проведения минимально жизнеспособного анализа довольно прост. Я изложу краткую версию описанных ниже шагов, а затем более подробно расскажу о них.

Шаги для проведения минимально жизнеспособного анализа:

  • Убедитесь, что вы полностью понимаете суть проблемы
  • Быстрое получение аналитических сведений на поверхностном уровне для решения проблемы
  • Сообщите результаты своим заинтересованным сторонам и узнайте их мысли
  • Либо завершите анализ, либо погрузитесь глубже

Прежде всего, вы хотите потратить столько времени, сколько вам нужно, чтобы обдумать проблему. Это может означать дополнительную встречу один на один с вашим заинтересованным лицом, чтобы прояснить ситуацию. Это может означать, что нужно потратить некоторое время на обзор прошлой работы над проектом или обратиться к другим товарищам по команде с полезной информацией. Независимо от того, что вам нужно сделать, это будет стоить вашего времени, чтобы подготовиться к работе, прежде чем вы погрузитесь в анализ и проведете свой минимально жизнеспособный анализ.

Начните с простой исследовательской работы или построения сюжетов. Оттуда переходите к решению проблемы самым простым из возможных способов, чтобы получить поверхностное понимание. Как только это будет сделано, пора сообщить о ваших результатах. Убедитесь, что они легко усваиваются, чтобы вы и ваша заинтересованная сторона были на странице.

Обычно они предлагают один из двух типов обратной связи. Либо вы получите ответ «круто, это все, что мне нужно», либо «это хорошо, но продолжайте». В зависимости от их ответа либо завершите анализ, либо углубитесь в проблему. Достаточно просто, правда?

Заключение

На самом деле вы будете шокированы тем, как часто заинтересованные стороны удовлетворяются вашим минимально жизнеспособным анализом. Не предполагая, что им нужно самое сложное или оптимальное решение, вы экономите себе и компании бесчисленные часы, которые можно было бы потратить на другие проекты. Так что наслаждайтесь этими другими проектами и помните: просто потому, что вы можете, не обязательно значит, что вы должны.

Спасибо за прочтение! Не стесняйтесь проверить некоторые из моих похожих эссе ниже и подпишитесь на мой информационный бюллетень, чтобы получать любой новый контент.

Вы можете подписаться на меня на Medium, чтобы увидеть больше подобных сообщений, а также найти меня в Twitter. Чтобы узнать больше обо мне и о моих планах, посетите мой сайт.