Данные не говорят сами за себя. Но и сказать ими можно не всё

За последний год у нескольких клиентов сталкивался с одной и той же историей — очень разным пониманием того, что вообще должна делать аналитика внутри компании, которая сама по себе на аналитике не специализируется.

В итоге решил немного систематизировать наблюдения. В первую очередь потому, что неправильные ожидания от аналитической функции довольно быстро превращаются в неправильный найм, взаимное раздражение и вопрос: «А зачем мы вообще друг другу нужны?»

Так что это первый из трёх постов, в серии- Аналитика in house, зачем и кто виноват?

❓Начнем с базы.

На мой взгляд, практически любая аналитика состоит из двух частей: данных и интерпретации.

Данные — это наш базис. То, от чего мы отталкиваемся.

Они могут приходить из социологических исследований, статистической отчетности, внутренних систем компании, открытых источников — откуда угодно. У них может быть разное качество, разная степень надежности, их нужно проверять, сопоставлять, иногда очищать от ошибок.

Но в какой-то момент у вас появляется зафиксированный факт.

🎯Условно: 80% работодателей нанимают швей, 20% — инженеров.

Дальше начинается вторая часть — интерпретация.

И вот здесь у аналитика действительно появляется пространство для творчества.

❓Можно сказать:

— сегодня работодателям в первую очередь нужны швеи;

❓можно задать другой вопрос:

— а устойчив ли этот спрос в долгосрочной перспективе?

Можно подключить экономику отрасли, прогноз производства, производительность труда, инвестиционные планы и прийти к выводу, что текущий массовый найм вовсе не означает такую же структуру кадровой потребности через пять лет.

То есть к исходным данным добавляются новые данные — и возникает более сложная интерпретация.

❗️Но нельзя посмотреть на те же самые 80% и сказать:

«На самом деле швеи вообще никому не нужны, просто все работодатели дураки».

Точнее, сказать можно. Вечером на кухне за бутылочкой чего-нибудь горячительного мы вообще довольно свободны в интерпретациях окружающей действительности.

Но аналитикой это не становится.

❗️Потому что интерпретация тоже имеет границы.

Хорошая аналитика — это не свобода придумать любое объяснение, которое нравится руководителю, заказчику или самому аналитику.

Это способность внутри существующего массива фактов найти несколько допустимых объяснений, проверить их дополнительными данными и определить, какое из них лучше всего описывает реальность.

И здесь возникает довольно неприятное профессиональное требование.

Иногда ты приходишь к данным с одной гипотезой — а они показывают тебе совершенно другое.

Можно начать доказывать данным, что они неправы.

А можно перепроверить методологию, убедиться, что серьезной ошибки нет, и сказать:

«Хорошо. Значит, был неправ я».

И, пожалуй, именно в этой точке аналитика из производства красивых графиков превращается в аналитику.

Продолжение следует