От оптимизации показателей до создания смысла: возвращение людей к принятию решений на основе данных.
Делиться
Мы живем в эпоху, когда ориентация на данные стала знаком качества. Организации с гордостью рассказывают о панелях мониторинга, стратегиях в области ИИ, предиктивных моделях и автоматизации, в которые они инвестировали и от которых получили выгоду. Как показывает интернет, почти каждая компания из списка Fortune 1000 увеличивает свои инвестиции в данные и ИИ, чтобы оставаться гибкой и конкурентоспособной. И все же, несмотря на беспрецедентный доступ к качественным и многочисленным данным, подавляющее большинство инициатив в области аналитики и ИИ не доходят до стадии внедрения в производство или не могут оказать долгосрочного влияния.
Создаются модели данных, делятся результатами анализа, презентации вызывают одобрение, а затем тихо забываются и превращаются (как я это называю) в мусорные доски.
В наш век, когда машины берут на себя принятие решений, проблема заключается не в нехватке данных, талантов или инструментов, а в том, что мы начинаем забывать общаться с людьми.
Именно здесь ориентированный на человека анализ данных становится не просто актуальным, а необходимым.
Что такое человекоцентрированный подход?
Данные — это не что иное, как цифровые следы человеческого взаимодействия. Человекоцентричный подход может улучшить решения, которые ежедневно принимают специалисты по анализу данных, сделав процесс более прозрачным, задавая вопросы и учитывая социальный контекст данных.
Человекоцентричный подход задает очень простой вопрос:
Для кого это предназначено и как это будет использоваться на практике?
Теперь давайте посмотрим на это с другой стороны: от вопроса «Что мы можем предсказать на основе этих данных?», человекоцентричный подход заставляет нас задавать вопрос: «Что мы должны помочь людям понять или решить с помощью этих данных?»
Человекоцентрированная аналитика данных — это концепция понимания того, как люди взаимодействуют и осмысливают социальные ситуации, позволяющая людям исследовать и получать ценные сведения, а также разрабатывать модели данных с учетом конечного пользователя (а не только бизнеса).
По своей сути, человекоориентированный анализ данных означает разработку моделей и метрик с учетом конечного пользователя, а не только бизнес-показателей эффективности. Он требует от нас улучшения повседневных решений, принимаемых специалистами по работе с данными: как мы формулируем проблемы, какие функции разрабатываем, какие метрики оптимизируем и как сообщаем о решениях этих проблем.
Почему ориентированная на человека аналитика данных — это будущее
По мере того как мир становится все более технически совершенным и ориентированным на бизнес, наша социальная и поведенческая значимость как общества снижается. Организации, независимо от сферы своей деятельности, свели людей к прибыли и вероятностям. Мы забываем, что каждый набор данных поступает от человека, принимающего решение о покупке, клике, перемещении, голосовании или отказе от участия, и в итоге рассматриваем эти действия как сигнал, а не как историю.
Игнорирование человеческого контекста может привести к оптимизации совершенно неверного результата. Человекоцентричный подход вводит новое измерение и заставляет нас задавать вопросы:
- Кому выгодна эта модель?
- Кому может быть нанесен вред?
- Какие предположения заложены в эти данные?
Как можно применять человекоориентированный подход к анализу данных в своей работе?
Моя склонность к человекоцентричному подходу не является новообретенной любовью.
В начале своей карьеры я глубоко интересовался взаимодействием человека с компьютером (HCI) — областью, изучающей, как люди проектируют, используют технологии и взаимодействуют с ними. Работая в сфере HCI, я, сам того не осознавая, выработал подход, при котором при решении проблем в первую очередь следует учитывать человеческое познание, поведение и социальный контекст.
Поэтому, несмотря на то, что сейчас я работаю в сфере данных и искусственного интеллекта, человекоцентричный подход стал для меня второй натурой. За годы работы старшим консультантом по аналитике внедрение человекоцентричного подхода потребовало лишь нескольких простых, целенаправленных изменений в моей работе, и вот как я применяю человекоцентрированный подход к анализу данных на своем рабочем месте.
1. Начинайте с людей, а не с показателей.
В первые годы своей карьеры я был сосредоточен на создании красивых панелей мониторинга, потому что это был ощутимый результат, который обеспечил бы мне прозрачность. Однако со временем, по мере того как я совершенствовался как специалист по работе с данными, я понял, что сами по себе панели мониторинга не создают ценность. Ценность создают принимаемые решения.
Ваш анализ должен строиться вокруг решений, которые люди могут принять на основе этого анализа, а не просто на основе панелей мониторинга. Прежде чем определять какие-либо шаги или ключевые показатели эффективности для вашего анализа или панели мониторинга, вы должны задать себе следующие вопросы:
- Кто будет использовать эти знания и применять их на практике?
- Какое решение они пытаются принять?
- С какими ограничениями они сталкиваются?
Задавая эти вопросы людям, которых это затрагивает, я обычно заранее определяю дальнейшие шаги, исключая догадки и гарантируя, что предоставляемые мной показатели действительно помогают решить проблему, вместо того чтобы надеяться, что имеющиеся у меня показатели соответствуют решаемой проблеме.
2. Выясните причину проблемы.
У каждой проблемы есть своя история.
Человекоцентрированный подход к анализу данных требует от нас формулировать вопросы, имеющие отношение к проблеме, и делать небольшую паузу перед сбором, обработкой и манипулированием необходимыми данными. Необходимо документировать предположения и известные предубеждения не просто в виде сносок, а как часть анализа. Задавайте себе вопросы, например:
- Откуда возникла проблема? При каких условиях?
- Какие модели поведения отсутствуют или недостаточно представлены?
- Какие данные могут помочь ответить на этот вопрос в данном контексте?
Это обеспечивает прозрачность и устанавливает реалистичные ожидания относительно того, как следует интерпретировать полученные данные.
3. Разработка с учетом понимания, а не только точности.
Модель данных с точностью около 94%, которую никто не понимает, редко приносит ощутимые результаты.
Но если вы сопоставите результаты той же модели данных с кратким описанием, объясняющим, почему результат существует, а не просто что он собой представляет, проверьте сами, насколько это эффективно. Аналитика, ориентированная на человека, побуждает вас переводить технический язык на простой человеческий язык.
Как только ваша модель данных будет готова, задайте себе вопрос:
- Сможет ли неспециалист объяснить ваши идеи после того, как услышит их один раз?
- Можно ли заменить диаграммы важности функций визуализацией, ориентированной на принятие решений (например, «Если X увеличится, вот что изменится»)?
- Можно ли пожертвовать незначительным повышением точности ради большей ясности?
Человекоцентричный подход позволяет разрабатывать модели, которые отличаются улучшенным внедрением и высокой точностью.
4. Учитывайте то, что данные не могут увидеть.
Не могу не подчеркнуть, насколько это помогло мне продвинуться по карьерной лестнице! Умение видеть недостатки набора данных, предвидеть вопросы, касающиеся этих пробелов, и готовиться к их решению стало ключевым фактором моего продвижения по службе.
Но, знаете, несложно догадаться, откуда это берется – из человекоцентричного подхода к работе с данными!
Человекоцентричный подход позволяет явно признавать «слепые пятна». По мере ознакомления с набором данных начинайте документировать известные пробелы в данных, поведенческие модели набора данных и указывайте на предположения во время презентаций, вместо того чтобы оставлять их неявными. Вы могли бы спросить:
- Что эти данные не показывают?
- Какая группа или какое поведение недостаточно представлены?
- Может ли суждение, вынесенное лицами, принимающими решения на основе этих данных, оставаться неизменным, если существуют существенные пробелы?
4. Проектирование с учетом этических аспектов, а не только производительности.
Работа с конфиденциальными данными делает этические вопросы неизбежными. Но благодаря человекоцентричному подходу мы можем рассматривать этику как ограничение проектирования, а не как формальность. Задавайте этические вопросы на ранних этапах и планируйте их, а не рассматривайте их как вопрос, возникающий уже после внедрения, например:
- Что произойдет, если эта модель данных окажется неоптимальной?
- Кто понесет расходы, связанные с ошибками?
- Как будет учитываться обратная связь?
Предварительное планирование подобных сценариев позволяет мне разрабатывать решения, которые не только эффективны, но и ответственны, а также более устойчивы.
5. Встройте в систему петли обратной связи.
Как работники, мы все знаем, насколько важна обратная связь и ее интеграция в нашу работу, причем не только с точки зрения данных, но и в целом. Человекоцентричный подход побуждает меня рассматривать решения как развивающиеся системы, а не как разовые результаты.
В соответствии с человекоцентрированным подходом, структура добавления петель обратной связи в ваши системы представляет собой трехэтапный процесс:
- Определите показатели успеха, выходящие за рамки запуска (такие как уровень внедрения, количество отказов от использования и доверие заинтересованных сторон).
- Запланируйте регулярные встречи с пользователями и заинтересованными сторонами, чтобы понять, как используются или игнорируются полученные данные.
- В будущих итерациях следует учитывать не только количественные показатели эффективности, но и качественную обратную связь.
Результаты второго шага, касающиеся использования или игнорирования полученных данных, не всегда могут совпадать с вашими ожиданиями. Я часто слышу: «О, мы больше не используем этот инструмент» в отношении инструментов, которые я создавал в прошлом. Поэтому, чтобы избежать этого, помня о человекоцентричном подходе, задавайте вопросы до и после создания инструментов.
- Как будет оцениваться и использоваться этот анализ после его внедрения?
- Это должно быть разовое мероприятие или полноценный инструмент?
- Сколько пользователей перестали использовать инструмент всего после нескольких применений? Что изменилось?
Заключительные мысли
Данные обладают огромной силой, потому что ими обладают люди.
Будущее аналитики — это не увеличение объёма данных, создание более крупных моделей или ускорение процессов, а обретение мудрости!
Человекоцентрированный подход к анализу данных напоминает нам, что данные обладают огромной силой не потому, что они объективны, а потому, что они отражают человеческую жизнь во всей её сложности. Когда мы разрабатываем аналитические инструменты с учётом эмпатии, контекста и ответственности, мы создаём не просто лучшие модели, а лучшие системы!
И это сейчас важно как никогда.
Источник: towardsdatascience.com
