Get best of the week

Geschäftsexperte und Programmierer. Kombinieren kann nicht geteilt werden

Hallo! Mein Name ist Victoria Krasnova. Ich habe kürzlich einen großartigen Beitrag über datengetriebene Petrochemikalien geschrieben. Aber es ging um den Ansatz selbst und das System. Lassen Sie uns heute darüber sprechen, wer dieses System verwenden wird (und wer es verbessern wird). Hier geht es um Menschen.

Im Allgemeinen ist es einfach, über datengesteuerte Inhalte zu sprechen, und es macht Spaß, sie in Unternehmen zu implementieren, in denen die meisten Mitarbeiter Power-User sind. Das heißt, sie können problemlos eine Abfrage in die Datenbank schreiben, ohne sich vom Teezubereiten zu lösen, und im Kopf haben sie Fragen und Aufgaben, die gelöst werden können nur mit Big Data Technologie.



Stellen Sie sich nun vor, wie es ist, DAAS (Data as a Service) zu implementieren, wenn Ihre Benutzer nur über Excel und Power Point miteinander interagieren. Es gibt eine Lücke: Diejenigen, die über Programmierkenntnisse verfügen, verfügen nicht über die erforderliche Domäne, um alle Fehler der modernen Technologie inhaltlich zu demonstrieren, und Geschäftsexperten sind verwirrt, da jedes bekannte Problem mit „Small Data“ gelöst werden kann "Angesichts von Excel.

Um diese Lücke zu schließen und im Idealfall ganz zu beseitigen, können wir uns dem Problem nähern, von welcher Seite. Rekrutieren Sie zunächst Analysten mit SQL- und Python-Kenntnissen. Zweitens, um bestehenden Benutzern Programmiersprachen beizubringen. Und es scheint, als ob der erste Weg logischer und einfacher aussieht, oder? Aber es gibt Fallstricke, nämlich:

  • « » ;
  • ( );
  • , — , ;
  • , « » ..

Natürlich hat der zweite Ansatz auch Nachteile: Es ist nicht ganz klar, wie Menschen, die mit der aktuellen Arbeit beladen sind, Programmierkenntnisse vermittelt werden können. Standardmäßig ist es langwierig, schwierig und unklar, warum, wenn alles in Excel möglich ist. Außerdem verfügten wir nicht über die herausragende Funktion von Analysten, die über moderne Fähigkeiten im Umgang mit Tools verfügen würden.

Deshalb haben wir die School of Analytics überlegt und ins Leben gerufen.

Ihre Idee entstand als Versuch, die folgenden Fragen zu beantworten:

  • Als erfolgreicher Geschäftsexperte, der die mathematischen Geräte gut kennt, um nicht nur den Umgang mit dem Code zu lehren, sondern auch den Horizont seiner Vorstellungskraft zu erweitern: Welche Aufgaben können Sie mit Hilfe moderner Werkzeuge lösen? Jetzt weißt du nichts, aber was wäre, wenn du es wüsstest?
  • , , , (, , );
  • (, self service , , ).

Und 2019 haben wir begonnen, das Format der School of Analytics in SIBUR für unsere Mitarbeiter zu testen. Wir mussten lernen, in Python und SQL zu programmieren, die größtenteils geschäftliche Probleme lösen. Es ist für niemanden so einfach, in unsere Schule zu kommen, selbst wenn Sie es wirklich wollen. Das Maximum, das wir jedem geben können, der auf die eine oder andere Weise lernen möchte - beraten Sie die richtigen Kurse auf Coursera oder geben Sie einen Stapel nützlicher Bücher. Wenn Sie studieren möchten, studieren Sie bitte.

Der Teamleiter der Schule war Andrei Telyatnik, der Optimierungsprobleme lösen möchte und der Gewinner eines großen amerikanischen Wettbewerbs ist. Jetzt berechnet sein Optimierer den Strommarkt in Russland. In SIBUR nahm Andrey an einem Projekt zur Optimierung der Lieferketten unseres Polymergeschäfts teil.

Nur ein Mitarbeiter des Unternehmens, der bereits einen echten Business Case hat und gerade in Arbeit ist, kann an der School of Analytics studieren. Dann hat der Kopf einen Grund, einen Teil der Zeit dem Training zu widmen. Bei der Zulassung stellen wir unangenehme Fragen wie „Warum machst du das?“. Die Hauptauswahl erfolgt jedoch nicht einmal bei der Zulassung, sondern im Lernprozess. Wer sich nicht ausreichend anstrengen kann oder will, fällt von selbst ab.

Tatsächlich wurde die School of Mentoring in unserer Schule implementiert - ein Mitarbeiter, der die Schulung abgeschlossen hat, engagiert sich dafür, dem nächsten Lernstrom zu helfen. Und wenn er plötzlich nicht mehr mit dem Problem eines Anfängers fertig wird, können Sie jederzeit Ihren eigenen ehemaligen Mentor anrufen. Auf diese Weise entsteht eine sichere Umgebung, in der Sie immer neue Dinge ausprobieren können, aber nicht tückisch von der Aufgabe abweichen können.

Während des Lernprozesses helfen wir den Schülern, die Angst vor schrecklicher und schrecklicher Programmierung zu überwinden und proaktives Denken in ihnen zu entwickeln. Die Hauptsache am Anfang ist, die Betäubung einer sauberen Tafel zu überwinden, wenn Sie etwas von Grund auf neu schreiben müssen. Erfahrene Mentoren helfen dabei, Tools zu identifizieren und loszulegen. Dann wird möglicherweise gar keine Hilfe benötigt, da sich alle Informationen im Internet befinden. Sie müssen lediglich in der Lage sein, Ihre Frage zu formulieren. Wenn ein Schüler mit einem Problem konfrontiert ist oder einfach an einem Ort festsitzt, muss er zuerst versuchen, es herauszufinden, verschiedene Optionen zu klären und, wenn sie nicht funktionieren, einen Mentor anrufen. Er wird seine Hand halten, auf das Problem und die Art und Weise hören, wie der Schüler versucht hat, es zu lösen, nickt verständnisvoll und erklärt Ihnen, wie Sie es wieder zum Laufen bringen können.

So werden die Menschen selbstbewusster und bilden selbst kritischeres Denken. Wir folgen unseren Absolventen, und bisher hat niemand bei den Skripten angehalten, die sie während ihres Studiums geschrieben haben, und erstellt im Rahmen immer neuer Aufgaben weiterhin neue. Bisher haben wir drei Studentenströme veröffentlicht und mehrere Fälle von unseren Absolventen - Geschäftsanalysten - gesammelt und sind bereit, sie mit Ihnen zu teilen.

Ein bisschen über das Format


Alle Schulungen dauern durchschnittlich drei bis dreieinhalb Monate, eine oder zwei Lektionen pro Woche. In den ersten zwei Monaten gab es nur Studien, und parallel dazu wurden Fälle direkt entschieden. Der Student stimmte den Mentoren der School of Analytics über das Treffen zu, sprach über die Probleme, vertiefte sie in die Probleme und Erwartungen des Ergebnisses und die Mentoren teilten Werkzeuge und Ansätze zur Lösung des Problems.

Alles geschah im freiesten Format - Besprechungen, Korrespondenz in den Post- und Chatrooms, Telefondiskussionen - ohne formelle Fristen und Häufigkeit. Gleichzeitig übten die Schüler ihre üblichen Aufgaben parallel aus, und die Schule war eine zusätzliche Belastung für sie, die sie übernehmen wollten.

Was war ihre Motivation? Alles ist einfach: Nachdem sie neue Tools beherrschen, werden sie von Geschäftsanalysten mithilfe von Routine- und häufig wiederholten Vorgängen entfernt, die, um ehrlich zu sein, in ihrer Arbeit ausreichen. Und wenn sie einerseits Zeit für die Lösung kreativerer Aufgaben frei haben, andererseits durch die Entwicklung von Tools, die auf einem Datensee basieren, können Sie Marketingdaten transparent, jederzeit zugänglich und für alle Benutzer einheitlich machen.

Welche spezifischen Aufgaben hat die School of Analytics Absolventen bei der Lösung geholfen? Sie teilten ihre Geschichten selbst. Alle von ihnen sind Spezialisten der Marketingabteilung.

Spezifische Datenverarbeitung


Alyona Vartanskaya, Chefspezialistin für Business Analytics

Vom ersten Studientag an konzentrierten wir uns auf drei Blöcke. Der erste arbeitet mit einem Marketing-Datensee. Wir beherrschten die Tools, mit denen wir zum See gehen und diese Daten auf einem Dashboard visualisieren konnten. Wir haben gelernt, die Qualität von Daten richtig zu analysieren, nach fehlenden zu suchen und diese in einigen Fällen auszugleichen. Achten Sie auf die Hierarchie, wie die Daten erstellt und gespeichert werden, wie aus verschiedenen Quellen Daten zu einem bestimmten Produkt korrekt abgerufen werden.

Zweitens haben die digitalen Tools selbst - SQL und Python - mit ihrer Hilfe gelernt, Algorithmen zu schreiben. Und drittens Grundkenntnisse in Dashboards.

Das Problem, das ich an der School of Analytics lösen musste, hing mit Kunden und Kundenorientierung zusammen, da ein Kunde für Unternehmen sicherlich der wichtigste Teilnehmer an der Beziehung ist. In meinem Fall haben wir versucht, mehr über den Kunden zu erfahren und mithilfe von Stream-Analysen aus verschiedenen Quellen sowie Textanalysen zu verstehen, wie und in welchen Regionen er seine Produkte verkauft, um Produkte nach Marken zu vertreiben.

So können wir nachvollziehen, zu welchen Zeiten der Kunde Schwierigkeiten beim Produktverkauf oder bei der Segmententwicklung haben kann und ob wir ihn beispielsweise bei Paketangeboten irgendwie unterstützen können. Oder umgekehrt, wir werden sehen, dass es dem Kunden jetzt gut geht, er sich intensiv entwickelt, neue Segmente erschließt und wir ihm anbieten können, einige Projekte gemeinsam durchzuführen.

Zusätzlich zur Automatisierung des gesamten Prozesses musste ich mich eingehender mit den Besonderheiten des Kunden befassen. Zuvor wurden solche Dinge auf Anfrage Punkt für Punkt erledigt, wobei durchschnittlich 1-2 Stunden Arbeit in Anspruch genommen wurden. Jetzt ist die Sache auf den Schienen - ich kann jederzeit das Dashboard öffnen und schnell die erforderlichen Daten sammeln: wie der Kunde seine Strategie ändert, wo, wie und wann die Produkte gebracht werden usw. Daher dauert es 10 bis 15 Minuten, um eine Anforderung abzuschließen.

Anfragen von Kollegen aus dem Marketing sind meistens mit der Analyse von Daten zu einem bestimmten Produkt verbunden, an dem sie beteiligt sind. Verstehen Sie das Umsatzvolumen, den Vertriebskanal oder das Anwendungssegment. Wenn Sie ein Dashboard im Rahmen häufig auftretender Abfragen korrekt erstellen, können alle Statistiken schnell abgerufen werden.

Ja, es wird ziemlich viel Zeit für die ersten Dashboards aufgewendet, aber im Laufe der Zeit erledigen Sie einige Vorgänge schneller. In jedem Fall wird das gesamte System einmal erstellt, und dann müssen Sie nur noch die entsprechenden Informationen auswählen, die ebenfalls automatisch aktualisiert werden.

Um eine Anfrage abzuschließen, müssen Sie normalerweise eine Reihe von Daten aus verschiedenen Quellen sammeln. Anschließend müssen Sie eine große Anzahl von Dokumenten, Daten aus verschiedenen Zeiträumen miteinander verknüpfen und große Excel-Dateien zusammenfassen.

Dies ist nun ein einziger Marketing-Datensee, der interne Quellen wie SAP und externe kombiniert. Sie können die Historie nach Monat ab den 2000er Jahren anzeigen und eine Aufschlüsselung nach Produkten erhalten.

Bisher war es notwendig, jeden Monat eine solche Zusammenfassung der Daten zu erstellen und irgendwo zu speichern. Und vor Ort nur zu Hause. Und jetzt ist alles transparent, jeder Mitarbeiter kann den See nutzen, wenn er diese Informationen benötigt.

Ein weiteres Plus bei der Datenübertragung zum See ist die Einheitlichkeit. Datenformate in verschiedenen Datenbanken sind unterschiedlich. Ich habe im Rahmen bestimmter Gruppierungen gelernt, diese Daten so zu kombinieren, dass das Produkt sofort Daten aus verschiedenen Quellen für bestimmte Schlüssel abruft, damit ich sie weiter verbinden und in meiner Arbeit verwenden kann.

Automatisierung der operativen Berichterstattung


Vitaliy Malakhai, Experte für Business Analytics.

Wöchentlich wird in der Funktion Marketing und Vertrieb eine operative Sitzung abgehalten, um die aktuelle Marktsituation, die wichtigsten Ereignisse und Trends zu erörtern. Wir bereiten uns gründlich auf solche Besprechungen vor und sammeln jede Woche Materialien im Format eines Analyseberichts mit detaillierten Informationen zu unseren Produkten (Makroparameter, Angebote, Preise, Kommentare usw.).

Zuvor wurden alle Informationen aus einer Vielzahl von PDF-Berichten und Excel-Dateien gesammelt, die manuell verarbeitet wurden, und von dort in die Hilfe aufgenommen. Natürlich haben wir viel Zeit damit verbracht, Materialien vorzubereiten, und all diese Informationen blieben lokal. Als Teil der School of Analytics haben wir mithilfe von Python die Datenerfassung automatisiert und es ermöglicht, Informationen aus PDF-Berichten und Excel-Dateien in einer Datenbank zu speichern und dann in Tableau zu visualisieren.

So haben wir die Arbeitskosten für die routinemäßige Erfassung von Informationen gesenkt und können jetzt das ganze Bild sehen. Leider haben wir noch nicht gelernt, Kommentare automatisch zu schreiben, aber ich denke, es wird eine interessante Aufgabe.

Optimierung und Reduzierung von Routinevorgängen bei der Datenerfassung und Primärverarbeitung


Arseny Korshunov, Chefexperte, Advanced Analytics

Damit ein Vermarkter Rückschlüsse auf die Marktentwicklung ziehen kann, reicht es manchmal nicht aus, einen Bericht zu lesen oder Diagramme in Excel zu erstellen. Sie müssen eine Prognose erstellen und verstehen, was passieren wird, wenn Sie einen oder mehrere Eingabeparameter ändern. Ich beschäftige mich mit der Konstruktion mathematischer Modelle zur Analyse des realen Marktes.

Dazu müssen Sie eine Reihe von Eingabedaten verschiedener Formate aus verschiedenen Quellen sammeln und an einem Ort akkumulieren, die Muster zwischen ihnen untersuchen und statistische Modelle erstellen. Tatsächlich besteht meine Aufgabe darin, angemessene Funktionen der Eingabevariablen zu erstellen, die dem Benutzer transparent und klar das Ergebnis in Form von Prognosen und Marktverhaltensszenarien liefern.

Meine Aufgabe an der Schule war es, die Erfassung bestimmter Informationen zu automatisieren und sie dann auf Vertica hochzuladen. Die Lösung selbst wurde in drei Blöcke unterteilt, von denen nur die Zentrale bereit ist. Der erste Block bestand darin, das System automatisch bei der Site anzumelden, das Archiv mit 20 bis 30 Excel-Dateien herunterzuladen und auf der Festplatte zu speichern. Die zweite besteht darin, diese 20 bis 30 Dateien zu durchsuchen und sie nach Datentyp zu analysieren, um Vorlagen für die Integration in die Datenbank zu erstellen. Er ist gerade bereit. Und das dritte ist das Hochladen von Daten zu Vertica.

Wenn ich früher für meine Prognosemodelle Informationsblöcke eingefügt und diese regelmäßig einmal im Monat aktualisiert habe, kann ich mich jetzt anmelden und das Archiv herunterladen, Python ausführen und weiterhin vorgefertigte Vorlagen zum Hochladen auf Vertica verwenden.

Allgemeine Eindrücke


Dies bedeutet nicht, dass die School of Analytics eine Reihe von Kursen ist. Vielmehr handelt es sich um eine Plattform, auf der Sie vom ersten Tag an neue Tools zur Lösung von Betriebsproblemen verwenden können. Gleichzeitig gibt es Mentoren, die immer in Kontakt sind und bereit zu helfen.

Wir haben unsere Ideen mit Mentoren besprochen und sie haben ihre Vision geteilt und Lösungen vorgeschlagen. Dies hat sehr geholfen, da wir das Problem normalerweise aus geschäftlicher Sicht und Mentoren aus technischer Sicht betrachteten und somit eine neue Lösung gefunden werden konnte, die uns unter normalen Umständen nicht in den Sinn gekommen wäre.

Es war großartig, viele Life-Hacks zu lernen, selbst wenn wir mit vertrauten Tools arbeiteten, da wir die Arbeit von Mentoren beobachten, einige Dinge in der Praxis bemerken und sie dann aktiv in unseren Projekten einsetzen konnten. Jetzt entwickeln wir unseren Datensee aktiv weiter und verbringen die Freizeit mit der Automatisierung immer neuer Aufgaben.

More articles:


All Articles