Kiekvieną dieną atsirandant vis daugiau skaitmenizuotų sprendimų ir išmaniųjų technologijų natūraliai auga ir sugeneruojamos informacijos kiekiai, kuriuos prasminga tikslingai įdarbinti. Tam, kad duomenų bitai ir baitai, nuliai ir vienetai, taptų suprantama ir praktiškai pritaikoma informacija, pravartu pasitelkti duomenų analizę ir jos specialistą – duomenų analitiką. Tam tikrą komunikacijos specialisto, sociologo, „hakerio“, analitiko ir konsultanto derinį viename asmenyje.
Duomenų vertėjas į verslo kalbą
Tam, kad galėtume bent nutuokti, su kokias duomenimis (ir jų kiekiais) savo kasdieniame darbe susiduria duomenų analitikas, reikėtų įsivaizduoti kiekvieną mūsų paspaudimą ir kitus veiksmus socialiniuose tinkluose, pirkinį internetu, spustelėjimą ant reklamos, prisijungimą prie internetinės bankininkystės. Visa tai tik labai maža didžiųjų duomenų, kuriuos tiria duomenų analitikas, dalis bei potencialas. Šie žmonės dažnai yra matematikos, informacinių technologijų, vis dažniau ir fizikos specialistai – dauguma tiksliųjų sričių atstovai. Būtent tokių sričių žinios padeda tikslingai ir logiškai apdoroti milžiniškus duomenų kiekius. Iš šios pusės duomenų analitikas apdoroja naudingą kompanijos sukauptą informaciją ir padeda atrasti logiškas sąsajas, tendencijas, padedančias priimti operatyvesnius ir dinamiškesnius verslo sprendimus.
Žinoma, labai svarbus ir duomenų analitiko gebėjimas dirbti įrankiais, kurie šiandien įgalina duomenų analitiką, gali padėti kaupti, apdoroti, modeliuoti ir vizualizuoti didžiulius kiekius duomenų – SQL, Tableau, Python, Hadoop ir kt. Dar neseniai darbuotojai įmonėse keitė skaičiuotuvą į Excel, dabar Excel gali apdoroti tik mažą dalelytę duomenų. Taip, milijoną eilučių, ir vis tik – tik labai mažą dalelytę.
Kita vertus, duomenų analitikams ne mažiau svarbios ir „minkštosios“ (angl. – soft) kompetencijos. Turbūt svarbiausia savybė – gebėjimas būti vertėju. Kitaip tariant, suprasti verslo kalbą, išversti ją į duomenų kalbą, išanalizuoti ir galiausiai pateikti atlikta analize paremtų įžvalgų ar patarimų. Įmonėse duomenų analitikams labai svarbu daug bendrauti su kolegomis, kurie yra arti klientų, kuria produktus, supranta verslo specifiką. Galiausiai, nuolat klausti „kaip ir kodėl?“ Geras duomenų analitikas šių klausimų turėtų paklausti tiek kartų, kiek kiekvieną dieną paklausia trimetis.
Tuo tarpu bendros duomenų analitikų komandos pagrindinis tikslas turėtų būti gebėti ne tik pateikti tokią analizę, kurios kažkas paprašė, bet pasiūlyti, kaip galima pažiūrėti iš kito kampo, kaip susieti iš pirmo žvilgsnio nesusiejamus dalykus, pateikti tokias įžvalgas, kurios padeda ne tik suprasti, kaip kažkas vyko praeityje, bet ir prognozuoti, kaip bus ateityje. Investicija į duomenų analitikų komandą atsiperka tuomet, kai verslo atstovai, atėję pagalbos suprasti verslą, grįžta sakydami, kad naudodami duomenų analizę, suprato geriau ir priėmė pasvertus sprendimus, kurie ilgainiui atsipirko.
Ką duomenų analitikas gali žinoti apie mus?
Vienas pagrindinių duomenų analitikos privalumų – galimybės stebėti informacijos ir duomenų srautus bei gauti išvadas ir pasiūlymus beveik „realiuoju laiku“. Pavyzdžiui, turto valdymo įmonei sukūrus naują investicinį produktą ir pristačius jį investuotojams, duomenų analitikai gali sukurti vizualizaciją, kurioje įmonės vadovai kasdien gali stebėti, kokio profilio klientai pasirinko šią investiciją, kiek investavo, kokių kitų produktų galbūt atsisakė, kiek naujų klientų papildė portfelį, kaip dažnai klientai Google ieškojo produkto pavadinimo, kaip dažnai investavo interneto banke ir panašiai.
Duomenų analitikai gali padėti suprasti ne tik „kaip buvo“, bet ir „kodėl“ bei pasiūlyti, ką daryti kitaip. Galbūt prieš investuodamas, klientas interneto banke turi užpildyti klausimyną, perskaityti informaciją ir kelis kartus spustelti vieną ar kitą mygtuką. Įvertinus kliento praleistą laiką skaitant, pildant informaciją, momentą, kada galbūt dalis klientų nusprendžia nebetęsti investavimo proceso, galima nuspėti, kodėl taip įvyko – galbūt per sudėtingas klausimynas, galbūt per ilgas procesas, o gal nebeinvestuoja tam tikro profilio klientai ir būtent jiems informaciją reikėtų pateikti kitu būdu.
Pavyzdžių būtų galima pateikti daug ir įvairių. Duomenų analitikai (angliškai vis dažniau vadinami Data Scientists – net keista išversti į lietuvių kalbą – duomenų mokslininkai) gali padėti sukurti taip vadinamus churn, leads modelius. Šie modeliai gali padėti įvertinti, kada ir kokie klientai paliks įmonę ar atsisakys vieno ar kito produkto, padėti kolegoms, bendraujantiems su klientais, nuspręsti, su kuriuo klientu, kada, kokiu kanalu ir kokiu klausimu verta susisiekti, kad jis būtų aptarnautas kuo greičiau, kokybiškiau ir pagal savo poreikius. Duomenų analitikai gali padėti kuriant kredito rizikos modelius, kainodaros modelius ir daugybę kitų. Turbūt apskritai būtų teisinga apibrėžti, kad duomenų analitikai dažnai ieško sąsajų tarp klientų ir įmonės veiksmų, jų pasirinkimų, aplinkybių ir galutinio rezultato, kuris svarbus kiekviename versle – teigiamų klientų atsiliepimų ir augančių verslo rodiklių.
Svarbu pabrėžti, kad Bendrasis duomenų apsaugos reglamentas (BDAR) yra labai svarbus duomenų analitikos srityje – kaupiami, analizuojami ir naudojami gali būti tik tiek duomenys, kurie atitinka reguliacijos normas. Kuriant naujus modelius ar rengiantis rinkti naujus duomenis, duomenų analitikos komanda visada turi įvertinti, ar naujas procesas atitinka BDAR normas. Taigi, prie anksčiau išvardyto ilgo duomenų analitiko kompetencijų sąrašo, būtų galima pridėti ir dar vieną – teisės normų išmanymą. Žinoma, duomenų analitikai čia nėra paliekami vieni, jie nuolat konsultuojasi su savo kolegomis – teisės ir atitikties komandų specialistais (angl. Legal and Compliance).
