Get best of the week

Pakar dan pemrograman bisnis. Combine tidak dapat dibagikan

Halo! Nama saya Victoria Krasnova, saya baru-baru ini menulis posting yang bagus tentang data-driven dalam petrokimia. Tetapi ada tentang pendekatan itu sendiri dan sistem. Mari kita bicarakan hari ini tentang siapa yang akan menggunakan sistem ini (dan siapa yang akan memperbaikinya). Itu tentang orang.

Secara umum, mudah untuk berbicara tentang data didorong dan menyenangkan untuk mengimplementasikannya di perusahaan di mana sebagian besar karyawan adalah pengguna yang kuat, yaitu, mereka dapat dengan mudah menulis kueri ke database tanpa melepaskan diri dari menyeduh teh, dan di kepala mereka mereka memiliki pertanyaan dan tugas yang dapat diselesaikan hanya dengan teknologi Big Data.



Sekarang bayangkan bagaimana rasanya menerapkan DAAS (data sebagai layanan) jika pengguna Anda hanya berinteraksi satu sama lain menggunakan Excel dan Power Point. Ada celah: mereka yang memiliki keterampilan pemrograman tidak memiliki bidang subjek untuk menunjukkan dengan benar semua manfaat teknologi modern, dan para pakar bisnis berada dalam keadaan kebingungan karena masalah yang diketahui dapat diselesaikan dengan menggunakan "Data Kecil "Di muka Excel.

Untuk menjembatani kesenjangan ini, dan secara ideal menghilangkannya sama sekali, kita dapat mendekati masalah dari sisi mana. Pertama, merekrut analis dengan pengetahuan SQL dan Python. Kedua, untuk mengajarkan pengguna bahasa pemrograman yang ada. Dan sepertinya cara pertama terlihat lebih logis dan lebih sederhana, bukan? Namun ada jebakan, yaitu:

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

Tentu saja, pendekatan kedua juga memiliki kelemahan - tidak sepenuhnya jelas bagaimana orang-orang yang dimuat dengan pekerjaan saat ini dapat diajarkan keterampilan pemrograman, itu secara default panjang, sulit dan tidak jelas mengapa, jika semuanya bisa dilakukan di Excel. Selain itu, kami tidak memiliki fungsi berbeda dari analis yang akan menguasai keterampilan modern dalam bekerja dengan alat.

Karenanya, kami berpikir dan meluncurkan School of Analytics.

Idenya muncul sebagai upaya untuk menjawab pertanyaan-pertanyaan berikut:

  • sebagai ahli bisnis yang sukses yang tahu peralatan matematika dengan baik, untuk mengajar tidak hanya bagaimana bekerja dengan kode, tetapi juga memperluas cakrawala imajinasinya: tugas apa yang dapat Anda selesaikan dengan bantuan alat modern; sekarang Anda tidak tahu sesuatu, tetapi bagaimana jika Anda tahu?
  • , , , (, , );
  • (, self service , , ).

Dan pada tahun 2019, kami mulai menguji format School of Analytics di SIBUR untuk karyawan kami. Kami perlu belajar memprogram orang-orang Python dan SQL yang sebagian besar memecahkan masalah bisnis. Tidak mudah bagi siapa pun untuk masuk ke sekolah kami, bahkan jika Anda benar-benar menginginkannya. Maksimum yang dapat kami berikan kepada semua orang yang tertarik untuk belajar dengan satu atau lain cara - menyarankan kursus yang tepat tentang Coursera atau memberikan setumpuk buku yang bermanfaat. Jika Anda ingin belajar, silakan belajar.

Pemimpin tim sekolah adalah Andrei Telyatnik, yang tertarik untuk memecahkan masalah optimasi dan pemenang satu kompetisi besar Amerika. Sekarang pengoptimalasinya menghitung pasar listrik di Rusia, di SIBUR Andrey berpartisipasi dalam proyek untuk mengoptimalkan rantai pasokan bisnis polimer kami.

Hanya seorang karyawan perusahaan yang sudah memiliki kasus bisnis nyata yang sedang bekerja sekarang dapat belajar di School of Analytics. Kemudian kepala memiliki alasan untuk mencurahkan sebagian waktu untuk pelatihan. Saat masuk, kami mengajukan pertanyaan tidak nyaman seperti "Mengapa Anda melakukan ini?", Tapi pilihan utama bahkan bukan pada saat masuk, tetapi dalam proses pembelajaran. Mereka yang tidak bisa atau tidak siap untuk melakukan upaya yang cukup jatuh sendiri.

Bahkan, School of Mentoring dilaksanakan di Sekolah kami - seorang karyawan yang telah menjalani pelatihan berkomitmen untuk membantu aliran berikutnya belajar. Dan jika tiba-tiba ia tidak mengatasi masalah seorang pemula, Anda selalu dapat memanggil mantan mentor Anda sendiri. Dengan cara ini, lingkungan yang aman terbentuk di mana Anda selalu dapat mencoba hal-hal baru, tetapi Anda tidak dapat secara menyimpang menyimpang dari tugas.

Dalam proses pembelajaran, kami membantu siswa mengatasi ketakutan pemrograman yang mengerikan dan mengerikan serta membentuk pemikiran proaktif di dalamnya. Hal utama di awal adalah untuk mengatasi kebodohan dari batu tulis bersih ketika Anda perlu menulis sesuatu dari awal. Mentor berpengalaman membantu mengidentifikasi alat dan memulai, dan kemudian bantuan bahkan mungkin tidak diperlukan sama sekali, karena semua informasi ada di Internet, Anda hanya perlu dapat merumuskan pertanyaan Anda. Jika seorang siswa dihadapkan dengan beberapa jenis masalah atau hanya terjebak di suatu tempat, ia harus terlebih dahulu mencoba mengatasinya, memilah beberapa opsi, dan jika mereka tidak berhasil, hubungi seorang mentor. Dia akan memegang tangannya, mendengarkan masalah dan cara-cara siswa mencoba menyelesaikannya, mengangguk penuh pengertian dan memberi tahu Anda cara membuatnya bekerja lagi.

Dengan demikian, orang menjadi lebih percaya diri dalam diri mereka sendiri dan kemampuan mereka, membentuk pemikiran kritis dalam diri mereka sendiri. Kami mengikuti lulusan kami, dan sejauh ini tidak ada yang berhenti di skrip yang mereka tulis selama studi mereka, dan terus membuat yang baru sebagai bagian dari tugas yang semakin banyak. Sejauh ini, kami telah merilis tiga aliran siswa dan mengumpulkan beberapa kasus dari lulusan kami - analis bisnis, dan siap untuk membagikannya kepada Anda.

Sedikit tentang format


Semua pelatihan berlangsung rata-rata tiga hingga tiga setengah bulan, satu pelajaran per minggu atau dua. Dua bulan pertama hanya ada penelitian, dan kemudian, bersamaan dengan itu, kasus diputuskan secara langsung. Siswa setuju dengan mentor dari School of Analytics tentang pertemuan itu, berbicara tentang masalah, membenamkan mereka dalam masalah dan harapan hasil, dan mentor berbagi alat dan pendekatan untuk memecahkan masalah.

Semuanya terjadi dalam format paling bebas - rapat, korespondensi di ruang surat dan obrolan, diskusi melalui telepon - tanpa tenggat waktu dan frekuensi resmi. Pada saat yang sama, para siswa terus melakukan tugas-tugas biasa mereka secara paralel, dan Sekolah adalah beban tambahan bagi mereka, yang mereka putuskan untuk menanggungnya.

Apa motivasi mereka? Semuanya sederhana - setelah menguasai alat-alat baru, analis bisnis akan menyingkirkan mereka dengan bantuan operasi rutin dan sering diulang, yang, jujur ​​saja, sudah cukup dalam pekerjaan mereka. Dan jika, di satu sisi, mereka meluangkan waktu untuk menyelesaikan lebih banyak tugas kreatif, di sisi lain, dengan mengembangkan alat berdasarkan data lake, Anda dapat membuat data pemasaran transparan, dapat diakses setiap saat, dan seragam untuk semua pengguna.

Apa tugas khusus yang membantu Sekolah Analytics menyelesaikan masalah? Mereka berbagi cerita sendiri. Mereka semua adalah spesialis dari departemen pemasaran.

Pemrosesan data spesifik


Alyona Vartanskaya, kepala spesialis, analitik bisnis

Dari hari pertama studi, kami memusatkan perhatian pada tiga blok. Yang pertama adalah bekerja dengan danau data pemasaran. Kami menguasai alat yang memungkinkan kami pergi ke danau dan memvisualisasikan data ini di dasbor. Kami belajar untuk menganalisis dengan benar kualitas data, mencari yang hilang, dan dalam beberapa kasus menebusnya. Perhatikan hierarki, bagaimana data dibuat dan bagaimana disimpan, bagaimana dari sumber yang berbeda untuk menarik data dengan benar pada satu produk tertentu.

Kedua, sebenarnya, alat digital itu sendiri - SQL dan Python, dengan bantuan mereka, kami belajar menulis algoritma. Dan ketiga, pengetahuan dasar tentang dashboard.

Masalah yang saya selesaikan di School of Analytics terkait dengan klien dan fokus pelanggan, karena klien untuk bisnis tentu saja merupakan peserta paling penting dalam hubungan tersebut. Dalam kasus saya, kami mencoba mempelajari lebih lanjut tentang klien, dan menggunakan analisis aliran dari berbagai sumber, serta menggunakan analisis teks untuk memahami bagaimana dan di daerah mana ia menjual produknya, untuk mendistribusikan produk berdasarkan merek.

Dengan demikian, kita akan dapat memahami dalam periode apa klien mungkin mengalami kesulitan dalam hal penjualan produk atau pengembangan segmen, dan apakah kita dapat mendukungnya, misalnya, dengan penawaran paket. Atau sebaliknya, kita akan melihat bahwa semuanya baik-baik saja dengan klien sekarang, dia sedang mengembangkan secara intensif, membuka segmen baru, dan kita dapat menawarkannya untuk melakukan beberapa proyek bersama.

Dan selain mengotomatiskan seluruh proses, saya perlu menyelam lebih dalam ke spesifikasi klien. Sebelumnya, hal-hal seperti itu dilakukan titik demi titik berdasarkan permintaan, mengambil rata-rata 1-2 jam kerja. Sekarang masalahnya ada di rel - saya selalu bisa membuka dasbor dan dengan cepat mengumpulkan data yang diperlukan: bagaimana klien mengubah strateginya, di mana, bagaimana dan kapan produk dibawa, dll. Jadi, dibutuhkan 10-15 menit untuk menyelesaikan satu permintaan.

Permintaan dari kolega dari pemasaran paling sering dikaitkan dengan analisis data pada produk tertentu di mana mereka terlibat. Memahami volume penjualan, saluran distribusi atau segmen aplikasi. Jika Anda membangun dasbor dengan benar dalam kerangka pertanyaan yang sering dijumpai, semua statistik dapat dengan cepat ditarik keluar.

Ya, cukup banyak waktu dihabiskan untuk dasbor pertama, tetapi seiring waktu Anda melakukan beberapa operasi lebih cepat. Bagaimanapun, seluruh sistem dibangun sekali, dan kemudian Anda hanya perlu memilih informasi yang sesuai, yang juga diperbarui secara otomatis.

Untuk menyelesaikan permintaan, Anda biasanya perlu mengumpulkan banyak data dari berbagai sumber, maka Anda juga perlu menautkan berbagai dokumen, data dari periode yang berbeda, agregat file excel besar.

Sekarang ini adalah danau pemasaran data tunggal, menggabungkan sumber-sumber internal seperti SAP dan eksternal. Anda dapat melihat riwayat berdasarkan bulan, mulai dari tahun 2000-an, dapatkan rincian berdasarkan produk.

Sebelumnya, perlu menyiapkan ringkasan data seperti itu setiap bulan dan menyimpannya di suatu tempat. Dan secara lokal, hanya di rumah. Dan sekarang semuanya transparan, setiap karyawan dapat menggunakan danau jika dia membutuhkan informasi ini.

Kelebihan lainnya dari mentransfer data ke danau adalah keseragaman. Format data dalam basis data berbeda. Saya belajar dalam kerangka kerja pengelompokan tertentu untuk menggabungkan data ini sehingga produk segera menarik data dari berbagai sumber untuk kunci tertentu, sehingga saya dapat lebih lanjut menghubungkan dan menggunakannya dalam pekerjaan saya.

Otomasi pelaporan operasional


Vitaliy Malakhai, pakar, analitik bisnis.

Mingguan dalam fungsi Pemasaran dan Penjualan, sesi operatif diadakan untuk membahas situasi pasar saat ini, acara utama, tren. Kami benar-benar mempersiapkan rapat tersebut dan setiap minggu kami mengumpulkan materi dalam format laporan analitik dengan informasi terperinci tentang produk kami (parameter makro, kutipan, harga, komentar, dll.).

Sebelumnya, semua informasi dikumpulkan dari berbagai laporan PDF dan file excel, yang diproses secara manual, dan dari sana masuk ke bantuan. Secara alami, kami menghabiskan banyak waktu menyiapkan materi, ditambah semua informasi ini tetap lokal. Sebagai bagian dari School of Analytics, menggunakan Python, kami mengotomatisasi pengumpulan data dan memungkinkan informasi dari laporan PDF dan file excel untuk disimpan dalam database dan kemudian divisualisasikan di Tableau.

Jadi kami mengurangi biaya tenaga kerja untuk pengumpulan informasi rutin, ditambah sekarang kami dapat melihat keseluruhan gambar. Sayangnya, kami belum belajar menulis komentar secara otomatis, tetapi saya pikir ini akan menjadi tugas yang menarik.

Optimalisasi dan pengurangan operasi rutin dalam pengumpulan data dan pemrosesan primer


Arseny Korshunov, kepala ahli, analitik tingkat lanjut

Agar seorang pemasar dapat menarik kesimpulan tentang apa yang terjadi dengan pasar, terkadang tidak cukup membaca laporan atau membuat diagram di Excel. Anda perlu membuat perkiraan dan memahami apa yang akan terjadi jika Anda mengubah satu atau lebih parameter input. Saya sedang membangun model matematika untuk menganalisis pasar nyata.

Untuk melakukan ini, Anda perlu mengumpulkan banyak data input dari berbagai format dari sumber yang berbeda dan menumpuknya di satu tempat, mempelajari pola di antara mereka dan membangun model statistik. Sebenarnya, tugas saya adalah membangun fungsi-fungsi yang memadai dari variabel-variabel input, yang secara transparan dan jelas memberi pengguna hasil dalam bentuk prakiraan, skenario perilaku pasar.

Tugas saya di Sekolah adalah mengotomatiskan kumpulan set informasi tertentu, dan kemudian mengunggahnya ke Vertica. Solusi itu sendiri dibagi menjadi tiga blok, yang hanya pusat siap. Blok pertama adalah membuat sistem secara otomatis masuk ke situs, mengunduh arsip dengan 20-30 file excel dan menyimpannya ke disk. Yang kedua adalah melalui 20-30 file ini dan menguraikannya berdasarkan tipe data, membuat template untuk integrasi dengan database. Dia baru saja siap. Dan yang ketiga adalah mengunggah data ke Vertica.

Jika sebelumnya untuk model perkiraan saya, saya memasukkan blok informasi dan secara teratur memperbaruinya sebulan sekali, sekarang saya dapat masuk dan mengunduh arsip, menjalankan Python, dan terus menggunakan template yang sudah jadi untuk mengunggah ke Vertica.

Kesan umum


Ini bukan untuk mengatakan bahwa School of Analytics adalah serangkaian kursus. Sebaliknya, ini adalah platform di mana sejak hari pertama Anda dapat menggunakan alat baru untuk menyelesaikan masalah operasional. Pada saat yang sama, ada mentor yang selalu berhubungan dan siap membantu.

Kami mendiskusikan ide-ide kami dengan para mentor, dan mereka membagikan visi mereka dan menyarankan solusi. Ini banyak membantu, karena kami biasanya melihat masalah dari sudut pandang bisnis, dan mentor dari sudut pandang teknis, dan dengan demikian solusi baru dapat ditemukan yang tidak akan terjadi pada kami dalam keadaan biasa.

Sangat menyenangkan mengetahui banyak peretasan kehidupan bahkan ketika bekerja dengan alat yang sudah dikenal, karena kami dapat mengamati pekerjaan para mentor, memperhatikan beberapa hal dalam praktiknya dan kemudian secara aktif menggunakannya dalam proyek kami. Sekarang kami secara aktif mengembangkan danau data kami, dan kami menghabiskan waktu luang untuk mengotomatisasi tugas-tugas baru yang semakin banyak.

More articles:


All Articles