Get best of the week

Experto en negocios y programación. Combinar no se puede compartir

¡Hola! Mi nombre es Victoria Krasnova, recientemente escribí una gran publicación sobre datos en petroquímicos. Pero se trataba del enfoque en sí y del sistema. Hablemos hoy sobre quién usará este sistema (y quién lo mejorará). Eso se trata de personas.

En general, es fácil hablar sobre datos impulsados ​​y es divertido implementarlo en compañías donde la mayoría de los empleados son usuarios avanzados, es decir, pueden escribir fácilmente una consulta a la base de datos sin separarse de hacer té, y en su cabeza tienen preguntas y tareas que pueden resolverse solo con tecnología Big Data.



Ahora imagine cómo es implementar DAAS (datos como servicio) si sus usuarios solo interactúan entre ellos mediante Excel y Power Point. Hay una brecha: aquellos que tienen habilidades de programación no poseen el área temática para demostrar adecuadamente todos los beneficios de la tecnología moderna, y los expertos en negocios están desconcertados porque cualquier problema conocido se puede resolver utilizando "Small Data". "Frente a Excel.

Para cerrar esta brecha e idealmente eliminarla por completo, podemos abordar el problema desde qué lado. Primero, reclute analistas con conocimiento de SQL y Python. En segundo lugar, enseñar a los usuarios existentes lenguajes de programación. Y parece que la primera forma parece más lógica y simple, ¿verdad? Pero hay dificultades, a saber:

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

Por supuesto, el segundo enfoque también tiene desventajas: no está del todo claro cómo se puede enseñar a las personas cargadas con el trabajo actual habilidades de programación, por defecto es largo, difícil y no está claro por qué, si todo se puede hacer en Excel. Además, no teníamos la función distinguida existente de analistas que habrían dominado las habilidades modernas para trabajar con herramientas.

Por lo tanto, pensamos y lanzamos la Escuela de Análisis.

Su idea surgió como un intento de responder las siguientes preguntas:

  • como un exitoso experto en negocios que conoce bien el equipo matemático, para enseñar no solo cómo trabajar con el código, sino también expandir los horizontes de su imaginación: qué tareas puede resolver con la ayuda de herramientas modernas; ahora no sabes algo, pero ¿y si lo supieras?
  • , , , (, , );
  • (, self service , , ).

Y en 2019, comenzamos a probar el formato de la Escuela de Análisis en SIBUR para nuestros empleados. Necesitábamos aprender a programar en Python y SQL personas que en su mayoría resuelven problemas de negocios. No es tan fácil para nadie entrar a nuestra escuela, incluso si realmente quieres. Lo máximo que podemos dar a todos los que estén interesados ​​en aprender de una forma u otra: aconsejar los cursos correctos en Coursera o dar una pila de libros útiles. Si quieres estudiar, por favor estudia.

El líder del equipo de la escuela fue Andrei Telyatnik, quien está interesado en resolver problemas de optimización y es el ganador de una gran competencia estadounidense. Ahora su optimizador está calculando el mercado de electricidad en Rusia, en SIBUR Andrey participó en un proyecto para optimizar las cadenas de suministro de nuestro negocio de polímeros.

Solo un empleado de la compañía que ya tiene un caso de negocios real que está trabajando ahora puede estudiar en la Escuela de Análisis. Entonces la cabeza tiene una razón para dedicar parte del tiempo al entrenamiento. En el momento de la admisión, hacemos preguntas incómodas como "¿Por qué haces esto?", Pero la selección principal ni siquiera es en el momento de la admisión, sino en el proceso de aprendizaje. Los que no pueden o no están dispuestos a hacer los esfuerzos suficientes se caen.

De hecho, la Escuela de Mentoría se implementó en nuestra escuela: un empleado que ha recibido capacitación se compromete a ayudar a la próxima transmisión de aprendizaje. Y si de repente no se enfrenta al problema de un principiante, siempre puede llamar a su propio antiguo mentor. De esta manera, se forma un entorno seguro dentro del cual siempre puedes probar cosas nuevas, pero no puedes desviarte traidoramente de la tarea.

En el proceso de aprendizaje, ayudamos a los estudiantes a superar el miedo a la programación terrible y terrible y a formar un pensamiento proactivo en ellos. Lo principal al principio es superar el estupor de una pizarra limpia cuando necesitas escribir algo desde cero. Los mentores experimentados ayudan a identificar herramientas y comenzar, y luego tal vez ni siquiera se necesite ayuda, ya que toda la información está en Internet, solo necesita poder formular su pregunta. Si un estudiante se enfrenta a algún tipo de problema o simplemente está atrapado en algún lugar, primero debe tratar de resolverlo, resolver varias opciones y, si no funcionan, llamar a un mentor. Él tomará su mano, escuchará el problema y las formas en que el estudiante trató de resolverlo, asiente con la cabeza y le dice cómo hacerlo funcionar nuevamente.

Por lo tanto, las personas se vuelven más seguras de sí mismas y de sus habilidades, forman un pensamiento crítico en sí mismas. Estamos siguiendo a nuestros graduados, y hasta ahora nadie se ha detenido en los guiones que escribieron durante sus estudios, y continúa creando nuevos como parte de tareas cada vez más nuevas. Hasta ahora, hemos publicado tres flujos de estudiantes y hemos recopilado varios casos de nuestros graduados, analistas de negocios, y estamos listos para compartirlos con usted.

Un poco sobre el formato


Todo el entrenamiento dura un promedio de tres a tres meses y medio, una lección por semana o dos. Los primeros dos meses solo hubo estudio, y luego, en paralelo con él, los casos se decidieron directamente. El estudiante estuvo de acuerdo con los mentores de la Escuela de Análisis acerca de la reunión, habló sobre los problemas, los sumergió en los problemas y las expectativas del resultado, y los mentores compartieron herramientas y enfoques para resolver el problema.

Todo sucedió en el formato más gratuito: reuniones, correspondencia en el correo y salas de chat, discusiones por teléfono, sin plazos formales ni frecuencia. Al mismo tiempo, los estudiantes continuaron llevando a cabo sus tareas habituales en paralelo, y la Escuela fue una carga adicional para ellos, que decidieron asumir.

¿Cuál fue su motivación? Todo es simple: habiendo dominado nuevas herramientas, los analistas de negocios las eliminarán con la ayuda de operaciones rutinarias y repetidas con frecuencia, que, para ser honestos, son suficientes en su trabajo. Y si, por un lado, liberan tiempo para tareas más creativas, por otro lado, al desarrollar herramientas basadas en un lago de datos, puede hacer que los datos de marketing sean transparentes, accesibles en todo momento y uniformes para todos los usuarios.

¿Qué tareas específicas ayudó la Escuela de Análisis a los graduados a resolver? Compartieron sus historias ellos mismos. Todos ellos son especialistas del departamento de marketing.

Procesamiento de datos específicos


Alyona Vartanskaya, especialista principal, análisis de negocios

Desde el primer día de estudio, centramos nuestra atención en tres bloques. El primero es trabajar con un lago de datos de marketing. Dominamos las herramientas que nos permitieron ir al lago y visualizar estos datos en un tablero. Aprendimos a analizar correctamente la calidad de los datos, buscar los que faltan y, en algunos casos, compensarlos. Preste atención a la jerarquía, cómo se construyen los datos y cómo se almacenan, cómo desde diferentes fuentes extraer datos correctamente en un producto específico.

En segundo lugar, en realidad, las herramientas digitales en sí mismas: SQL y Python, con su ayuda aprendimos a escribir algoritmos. Y en tercer lugar, conocimiento básico de paneles.

El problema que llegué a resolver en la School of Analytics estaba relacionado con los clientes y el enfoque en el cliente, porque un cliente para negocios es sin duda el participante más importante en la relación. En mi caso, tratamos de aprender más sobre el cliente, y utilizando el análisis de flujo de diferentes fuentes, así como el análisis de texto para comprender cómo y en qué regiones vende sus productos, para distribuir productos por marca.

Por lo tanto, podremos comprender en qué períodos el cliente puede tener dificultades en términos de ventas de productos o desarrollo de segmentos, y si de alguna manera podemos apoyarlo, por ejemplo, con ofertas de paquetes. O viceversa, veremos que todo está bien con el cliente ahora, él está desarrollando intensamente, abriendo nuevos segmentos, y podemos ofrecerle que haga algunos proyectos juntos.

Y además de automatizar todo el proceso, necesitaba profundizar en los detalles del cliente. Anteriormente, tales cosas se hacían punto por punto a pedido, y tomaban un promedio de 1-2 horas de trabajo. Ahora el asunto está en los rieles: siempre puedo abrir el tablero y recopilar rápidamente los datos necesarios: cómo el cliente cambia su estrategia, dónde, cómo y cuándo se llevan los productos, etc. Por lo tanto, lleva de 10 a 15 minutos completar una solicitud.

Las solicitudes de colegas de marketing se asocian con mayor frecuencia con el análisis de datos sobre un producto en particular en el que participan. Comprenda el volumen de ventas, el canal de distribución o el segmento de aplicación. Si construye correctamente un tablero en el marco de consultas frecuentes, todas las estadísticas se pueden extraer rápidamente.

Sí, se pasa mucho tiempo en los primeros paneles, pero con el tiempo realiza algunas operaciones más rápido. En cualquier caso, todo el sistema se construye una vez, y luego solo tiene que elegir la información adecuada, que también se actualiza automáticamente.

Para completar una solicitud, generalmente necesita recopilar una gran cantidad de datos de una variedad de fuentes, luego también debe vincular una gran variedad de documentos, datos de diferentes períodos, agregar grandes archivos de Excel.

Ahora, este es un único lago de datos de marketing, que combina fuentes internas como SAP y externas. Puede ver el historial por mes, a partir de la década de 2000, obtener un desglose por producto.

Anteriormente, era necesario preparar tal resumen de datos cada mes y almacenarlo en algún lugar. Y localmente, solo en casa. Y ahora todo es transparente, cualquier empleado puede usar el lago si necesita esta información.

Otra ventaja de transferir datos al lago es la uniformidad. Los formatos de datos en diferentes bases de datos son diferentes. Aprendí en el marco de ciertas agrupaciones a combinar estos datos para que el producto extraiga inmediatamente datos de diferentes fuentes para ciertas claves, de modo que pueda conectarlos y usarlos en mi trabajo.

Automatización de informes operativos.


Vitaliy Malakhai, experto, análisis de negocios

Semanalmente en la función de Marketing y Ventas, se lleva a cabo una sesión operativa para discutir la situación actual del mercado, los principales eventos y las tendencias. Nos preparamos a fondo para tales reuniones y cada semana recopilamos materiales en el formato de un informe analítico con información detallada sobre nuestros productos (parámetros macro, cotizaciones, precios, comentarios, etc.).

Anteriormente, toda la información se recopilaba de una variedad de informes PDF y archivos de Excel, que se procesaban manualmente, y a partir de ahí se obtenía la ayuda. Naturalmente, pasamos mucho tiempo preparando materiales, además toda esta información seguía siendo local. En la Escuela de Análisis, usando Python, automatizamos la recopilación de datos e hicimos posible que la información de los informes PDF y los archivos de Excel se almacenen en una base de datos y luego se visualicen en Tableau.

Así que redujimos los costos de mano de obra para la recopilación de información de rutina, y ahora podemos ver la imagen completa. Desafortunadamente, aún no hemos aprendido a escribir comentarios automáticamente, pero creo que será una tarea interesante.

Optimización y reducción de las operaciones de rutina en la recopilación de datos y el procesamiento primario.


Arseny Korshunov, experto principal, análisis avanzado

Para que un especialista en marketing pueda sacar conclusiones sobre lo que está sucediendo con el mercado, a veces no es suficiente leer un informe o crear diagramas en Excel. Debe hacer un pronóstico y comprender qué sucederá si cambia uno o más parámetros de entrada. Me dedico a la construcción de modelos matemáticos para el análisis del mercado real.

Para hacer esto, debe recopilar un montón de datos de entrada de diferentes formatos de diferentes fuentes y acumularlos en un solo lugar, estudiar los patrones entre ellos y construir modelos estadísticos. De hecho, mi tarea es construir funciones adecuadas de las variables de entrada, que de forma transparente y clara le dan al usuario el resultado en forma de pronósticos, escenarios de comportamiento del mercado.

Mi tarea en la escuela era automatizar la recopilación de ciertos conjuntos de información y luego subirlos a Vertica. La solución en sí se dividió en tres bloques, de los cuales solo la central está lista. El primer bloque fue hacer que el sistema iniciara sesión automáticamente en el sitio, descargue el archivo con 20-30 archivos Excel y guárdelo en el disco. El segundo es revisar estos 20-30 archivos y analizarlos por tipo de datos, creando plantillas para la integración con la base de datos. El solo está listo. Y el tercero es subir datos a Vertica.

Si antes para mis modelos de pronóstico insertaba bloques de información y la actualizaba regularmente una vez al mes, ahora puedo iniciar sesión y descargar el archivo, ejecutar Python y continuar usando plantillas listas para cargar en Vertica.

Impresiones generales


Esto no quiere decir que la School of Analytics sea una serie de cursos. Más bien, es una plataforma donde desde el primer día puede usar nuevas herramientas para resolver problemas operativos. Al mismo tiempo, hay mentores que siempre están en contacto y listos para ayudar.

Discutimos nuestras ideas con mentores, y compartieron su visión y sugirieron soluciones. Esto ayudó mucho, porque generalmente analizamos el problema desde el punto de vista del negocio, y los mentores desde el punto de vista técnico, y por lo tanto, se pudo encontrar una nueva solución que no se nos hubiera ocurrido en circunstancias ordinarias.

Fue genial aprender muchos trucos de la vida, incluso cuando trabajamos con herramientas familiares, porque pudimos observar el trabajo de los mentores, notar algunas cosas en la práctica y luego usarlas activamente en nuestros proyectos. Ahora estamos desarrollando activamente nuestro lago de datos y estamos dedicando el tiempo libre a la automatización de más y más tareas nuevas.

More articles:


All Articles