Get best of the week

Expert en affaires et programmation. La combinaison ne peut pas être partagée

salut! Je m'appelle Victoria Krasnova, j'ai récemment écrit un excellent article sur les données basées sur la pétrochimie. Mais il y avait à propos de l'approche elle-même et du système. Parlons aujourd'hui de qui utilisera ce système (et qui l'améliorera). Cela concerne les gens.

En général, il est facile de parler de gestion des données et il est amusant de l'implémenter dans les entreprises où la plupart des employés sont des utilisateurs expérimentés, c'est-à-dire qu'ils peuvent facilement écrire une requête dans la base de données sans rompre avec le thé, et dans leur tête, ils ont des questions et des tâches qui peuvent être résolues uniquement avec la technologie Big Data.



Imaginez maintenant ce que c'est que d'implémenter DAAS (données en tant que service) si vos utilisateurs n'interagissent qu'avec Excel et Power Point. Il y a une lacune: ceux qui ont des compétences en programmation ne possèdent pas le domaine pour démontrer correctement tous les avantages de la technologie moderne, et les experts commerciaux sont dans un état de perplexité car tout problème connu peut être résolu en utilisant "Small Data" "Face à Excel.

Afin de combler cet écart, et idéalement de l'éliminer complètement, nous pouvons aborder le problème de quel côté. Tout d'abord, recrutez des analystes connaissant SQL et Python. Deuxièmement, enseigner aux utilisateurs les langages de programmation existants. Et il semble que la première façon semble plus logique et plus simple, non? Mais il y a des écueils, à savoir:

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

Bien sûr, la deuxième approche présente également des inconvénients - il n'est pas tout à fait clair comment les personnes chargées du travail actuel peuvent apprendre des compétences en programmation, c'est par défaut long, difficile et on ne sait pas pourquoi, si tout peut être fait dans Excel. De plus, nous n'avions pas la fonction distinguée existante d'analystes qui auraient maîtrisé les compétences modernes en travaillant avec des outils.

Par conséquent, nous avons pensé et lancé la School of Analytics.

Son idée a surgi comme une tentative de répondre aux questions suivantes:

  • en tant qu'expert en affaires prospère qui connaît bien l'équipement mathématique, pour apprendre non seulement à travailler avec le code, mais aussi à élargir les horizons de son imagination: quelles tâches pouvez-vous résoudre à l'aide d'outils modernes; maintenant tu ne sais pas quelque chose, mais si tu savais?
  • , , , (, , );
  • (, self service , , ).

Et en 2019, nous avons commencé à tester le format de l'École d'Analytique à SIBUR pour nos employés. Nous devions apprendre à programmer en Python et SQL des gens qui pour la plupart résolvent des problèmes commerciaux. Il n’est pas si facile pour quiconque d’entrer dans notre école, même si vous le voulez vraiment. Le maximum que nous pouvons donner à tous ceux qui souhaitent apprendre d'une manière ou d'une autre - conseillez les bons cours sur Coursera ou donnez une pile de livres utiles. Si vous voulez étudier, veuillez étudier.

Le chef d'équipe de l'école était Andrei Telyatnik, soucieux de résoudre les problèmes d'optimisation et vainqueur d'une grande compétition américaine. Maintenant, son optimiseur calcule le marché de l'électricité en Russie, à SIBUR Andrey a participé à un projet d'optimisation des chaînes d'approvisionnement de notre entreprise de polymères.

Seul un employé de l'entreprise qui a déjà une véritable analyse de rentabilisation et qui travaille actuellement peut étudier à la School of Analytics. Ensuite, le chef a une raison de consacrer une partie de son temps à l'entraînement. À l'admission, nous posons des questions inconfortables comme «Pourquoi faites-vous cela?», Mais la sélection principale n'est même pas à l'admission, mais dans le processus d'apprentissage. Ceux qui ne peuvent ou ne sont pas prêts à faire des efforts suffisants tombent d'eux-mêmes.

En fait, l'École de mentorat a été mise en place dans notre école - un employé qui a suivi une formation est déterminé à aider le prochain volet à apprendre. Et si soudain il ne résout pas le problème d'un débutant, vous pouvez toujours appeler votre propre ancien mentor. De cette façon, un environnement sûr se forme dans lequel vous pouvez toujours essayer de nouvelles choses, mais vous ne pouvez pas vous écarter perfidement de la tâche.

Dans le processus d'apprentissage, nous aidons les élèves à surmonter la peur d'une programmation terrible et terrible et à y former une pensée proactive. L'essentiel au tout début est de surmonter la stupeur d'une table rase quand vous avez besoin d'écrire quelque chose à partir de zéro. Des mentors expérimentés aident à identifier les outils et à démarrer, et l'aide ne sera peut-être même pas nécessaire du tout, car toutes les informations sont sur Internet, il vous suffit de pouvoir formuler votre question. Si un élève est confronté à un problème ou est simplement coincé dans un endroit, il doit d'abord essayer de le comprendre, trier plusieurs options et, s'il n'a pas fonctionné, appeler un mentor. Il tiendra sa main, écoutera le problème et la façon dont l'élève a tenté de le résoudre, hoche la tête avec compréhension et vous explique comment le faire fonctionner à nouveau.

Ainsi, les gens deviennent plus confiants en eux-mêmes et en leurs capacités, forment en eux-mêmes une pensée critique. Nous suivons nos diplômés, et jusqu'à présent, personne ne s'est arrêté aux scripts qu'ils ont écrits pendant leurs études, et continuons à en créer de nouveaux dans le cadre de tâches de plus en plus nouvelles. Jusqu'à présent, nous avons publié trois flux d'étudiants et collecté plusieurs cas de nos diplômés - analystes commerciaux, et sommes prêts à les partager avec vous.

Un peu sur le format


Toute formation dure en moyenne trois à trois mois et demi, une leçon par semaine ou deux. Les deux premiers mois, il n'y a eu qu'une étude, puis, en parallèle, les cas ont été tranchés directement. L'élève était d'accord avec les mentors de la School of Analytics sur la réunion, a parlé des problèmes, les a plongés dans les problèmes et les attentes du résultat, et les mentors ont partagé des outils et des approches pour résoudre le problème.

Tout s'est déroulé dans le format le plus libre - réunions, correspondance dans les salles de courrier et de chat, discussions téléphoniques - sans délais ni fréquence officiels. Dans le même temps, les élèves ont continué à exercer leurs fonctions habituelles en parallèle, et l'École était pour eux un fardeau supplémentaire, qu'ils ont décidé d'assumer.

Quelle était leur motivation? Tout est simple - ayant maîtrisé de nouveaux outils, les analystes commerciaux s'en débarrasseront à l'aide d'opérations de routine et fréquemment répétées, qui, pour être honnêtes, suffisent dans leur travail. Et si, d'une part, ils libèrent du temps pour des tâches plus créatives, d'autre part, en développant des outils basés sur un lac de données, vous pouvez rendre les données marketing transparentes, accessibles à tout moment et uniformes pour tous les utilisateurs.

Quelles tâches spécifiques l'École d'Analytique a-t-elle aidé les diplômés à résoudre? Ils ont eux-mêmes partagé leurs histoires. Tous sont des spécialistes du service marketing.

Traitement spécifique des données


Alyona Vartanskaya, spécialiste en chef, analyse commerciale

Dès le premier jour d'étude, nous avons concentré notre attention sur trois blocs. Le premier travaille avec un lac de données marketing. Nous avons maîtrisé les outils qui nous ont permis d'aller au lac et de visualiser ces données sur un tableau de bord. Nous avons appris à analyser correctement la qualité des données, à rechercher les données manquantes et, dans certains cas, à les rattraper. Faites attention à la hiérarchie, à la façon dont les données sont construites et comment elles sont stockées, à partir de différentes sources pour extraire correctement les données sur un produit spécifique.

Deuxièmement, en fait, les outils numériques eux-mêmes - SQL et Python, avec leur aide, nous avons appris à écrire des algorithmes. Et troisièmement, une connaissance de base des tableaux de bord.

Le problème que je suis venu résoudre à la School of Analytics était lié aux clients et à l'orientation client, car un client pour les entreprises est certainement le participant le plus important dans la relation. Dans mon cas, nous avons essayé d'en savoir plus sur le client et d'utiliser l'analyse de flux à partir de différentes sources, ainsi que l'analyse de texte pour comprendre comment et dans quelles régions il vend ses produits, pour distribuer des produits par marque.

Ainsi, nous serons en mesure de comprendre dans quelles périodes le client peut avoir des difficultés en termes de vente de produits ou de développement de segment, et si nous pouvons en quelque sorte le soutenir, par exemple, avec des offres de package. Ou vice versa, nous verrons que tout va bien avec le client maintenant, il se développe intensivement, ouvre de nouveaux segments, et nous pouvons lui proposer de réaliser quelques projets ensemble.

Et en plus d'automatiser l'ensemble du processus, je devais approfondir les spécificités du client. Auparavant, de telles choses étaient faites point par point sur demande, ce qui prenait en moyenne 1 à 2 heures de travail. Maintenant, l'affaire est sur les rails - je peux toujours ouvrir le tableau de bord et collecter rapidement les données nécessaires: comment le client modifie sa stratégie, où, comment et quand les produits sont apportés, etc. Ainsi, il faut 10 à 15 minutes pour traiter une demande.

Les demandes des collègues du marketing sont le plus souvent associées à l'analyse des données sur un produit particulier dans lequel ils sont engagés. Comprendre le volume des ventes, le canal de distribution ou le segment d'application. Si vous créez correctement un tableau de bord dans le cadre de requêtes fréquemment rencontrées, toutes les statistiques peuvent être rapidement extraites.

Oui, beaucoup de temps est consacré aux premiers tableaux de bord, mais au fil du temps, vous effectuez certaines opérations plus rapidement. Dans tous les cas, l'ensemble du système est construit une seule fois, et il vous suffit alors de choisir les informations appropriées, qui sont également mises à jour automatiquement.

Pour compléter une demande, vous devez généralement collecter un tas de données provenant de diverses sources, puis vous devez également relier ensemble un large éventail de documents, des données de différentes périodes, agréger de gros fichiers Excel.

Il s'agit maintenant d'un lac marketing unique de données, combinant des sources internes telles que SAP et externes. Vous pouvez voir l'historique par mois, à partir des années 2000, obtenir une ventilation par produit.

Auparavant, vous deviez préparer un tel résumé des données chaque mois et les stocker quelque part. Et localement, uniquement à la maison. Et maintenant tout est transparent, tout employé peut utiliser le lac s'il a besoin de ces informations.

Un autre avantage du transfert de données vers le lac est l'uniformité. Les formats de données dans différentes bases de données sont différents. J'ai appris dans le cadre de certains regroupements à combiner ces données afin que le produit récupère immédiatement les données de différentes sources pour certaines clés, afin que je puisse les connecter et les utiliser davantage dans mon travail.

Automatisation du reporting opérationnel


Vitaliy Malakhai, expert, Business Analytics,

hebdomadaire dans la fonction Marketing et Ventes, une session opérationnelle est organisée pour discuter de la situation actuelle du marché, des principaux événements et tendances. Nous nous préparons minutieusement à de telles réunions et chaque semaine, nous collectons des documents sous la forme d'un rapport analytique avec des informations détaillées sur nos produits (paramètres macro, devis, prix, commentaires, etc.).

Auparavant, toutes les informations étaient collectées à partir d'une variété de rapports PDF et de fichiers Excel, qui étaient traités manuellement, et à partir de là, ils arrivaient dans l'aide. Naturellement, nous avons passé beaucoup de temps à préparer des documents, et toutes ces informations sont restées locales. Dans le cadre de la School of Analytics, à l'aide de Python, nous avons automatisé la collecte de données et rendu possible le stockage des informations des rapports PDF et des fichiers Excel dans une base de données, puis leur visualisation dans Tableau.

Nous avons donc réduit les coûts de main-d'œuvre pour la collecte régulière d'informations, et maintenant nous pouvons voir l'image dans son ensemble. Malheureusement, nous n'avons pas encore appris à écrire des commentaires automatiquement, mais je pense que ce sera une tâche intéressante.

Optimisation et réduction des opérations de routine dans la collecte de données et le traitement primaire


Arseny Korshunov, expert en chef, analytique avancée

Pour qu'un responsable marketing puisse tirer des conclusions sur ce qui se passe sur le marché, il ne suffit parfois pas de lire un rapport ou de créer des diagrammes dans Excel. Vous devez faire une prévision et comprendre ce qui se passera si vous modifiez un ou plusieurs paramètres d'entrée. Je suis engagé dans la construction de modèles mathématiques pour l'analyse du marché réel.

Pour ce faire, vous devez collecter un tas de données d'entrée de différents formats à partir de différentes sources et les accumuler en un seul endroit, étudier les modèles entre elles et construire des modèles statistiques. En fait, ma tâche est de construire des fonctions adéquates des variables d'entrée, qui donnent de manière transparente et claire à l'utilisateur le résultat sous forme de prévisions, de scénarios de comportement de marché.

Ma tâche à l'école était d'automatiser la collecte de certains ensembles d'informations, puis de les télécharger sur Vertica. La solution elle-même était divisée en trois blocs, dont seule la centrale est prête. Le premier bloc consistait à ce que le système se connecte automatiquement au site, télécharge l'archive avec 20 à 30 fichiers Excel et l'enregistre sur le disque. La seconde consiste à parcourir ces 20 à 30 fichiers et à les analyser par type de données, en créant des modèles pour l'intégration avec la base de données. Il est juste prêt. Et la troisième consiste à télécharger des données sur Vertica.

Si auparavant pour mes modèles de prévision, j'insérais des blocs d'informations et les mettais régulièrement à jour une fois par mois, maintenant je peux me connecter et télécharger l'archive, exécuter Python et continuer à utiliser des modèles prêts à l'emploi pour le téléchargement sur Vertica.

Impressions générales


Cela ne veut pas dire que la School of Analytics est une série de cours. Il s'agit plutôt d'une plate-forme où, dès le premier jour, vous pouvez utiliser de nouveaux outils pour résoudre des problèmes opérationnels. En même temps, il y a des mentors toujours en contact et prêts à aider.

Nous avons discuté de nos idées avec des mentors et ils ont partagé leur vision et suggéré des solutions. Cela a beaucoup aidé, car nous avons généralement examiné le problème du point de vue de l'entreprise et des mentors du point de vue technique, et ainsi une nouvelle solution a pu être trouvée qui ne nous serait pas venue dans des circonstances ordinaires.

C'était génial d'apprendre beaucoup de hacks de la vie même lorsque l'on travaille avec des outils familiers, car nous avons pu observer le travail des mentors, remarquer certaines choses dans la pratique et les utiliser activement dans nos projets. Maintenant, nous développons activement notre lac de données et nous consacrons du temps libre à l'automatisation de plus en plus de nouvelles tâches.

More articles:


All Articles