Анализ данных для улучшения

Понятие и значение анализа данных

Современные предприятия придерживаются принципа постоянного улучшения. В соответствии с ним необходимо постоянно принимать меры по повышению эффективности производственной системы, результативности системы менеджмента, производительности труда сотрудников и т. д. Это требует выполнение некоторых условий, одним из которых является проведение анализа данных.

Анализ данных представляет собой отдельную функцию на предприятии, выполнение которой состоит в исследовании, фильтрации, преобразовании и моделировании данных. Целью проведения анализа данных провозглашается извлечение полезной информации, на основе которой впоследствии принимаются определенные управленческие решения.

Анализ данных на предприятии с точки зрения управления качеством должен приводить к формулированию выводов насчет того, в какой области на постоянной основе может повышаться результативность системы менеджмента качества. Для этого предварительно нужно поработать с информацией, касающейся удовлетворенности потребителей, требований к продукции и ее соответствия им, характеристик и тенденций процессов и продукции (в частности, возможности совершения предупреждающих действий), поставщиков.

Анализ данных имеет множество аспектов и подходов, охватывает разные методы в различных областях науки и деятельности. Однако в настоящее время анализ данных преимущественно ассоциируется с областями математики и информатики, которые предоставляют исследователям математические методы и вычислительные алгоритмы вычисления данных из знаний.

Методы анализа данных

По состоянию на сегодняшний день, анализ данных на предприятии может быть проведен при помощи различных инструментов. Так, наибольшей популярностью сегодня пользуются следующие методы анализа данных:

• бизнес-аналитика - анализ из внутренних и внешних источников с целью повышения рентабельности и формирования конкурентного преимущества;
• текстовая аналитика - обработка исходного текста и письменных материалов (результатов опросов, онлайн-обзоров, сообщений в интернете, электронных писем и др.);
• потоковая аналитика - агрегирование, фильтрация и оценка больших объемов данных, которые в настоящее время после вызова события определенным действием находятся в движении;
• машинное обучение - использование искусственного интеллекта (т. е. машин) для автоматического создания моделей, способных анализировать сложные наборы данных;
• визуализация данных - создание точного визуального представления данных в виде диаграмм и графиков, которые позволяют быстро выявить тенденции и закономерности в данных;
• предиктивная (прогнозная) аналитика - предсказание вероятности будущего события в результате сочетания машинного обучения, статистики и исторических данных;
• исследовательский анализ данных - использование статистики (графиков и количественных показателей) для интерпретации наборов данных, выявления и изучения основных характеристик, нахождения закономерностей.

Данный перечень методов не является исчерпывающим, однако именно они используются представителями бизнеса в подавляющем большинстве случаев.

Порядок проведения анализа данных

Эффективное проведение анализа данных обеспечивается, прежде всего, за счет последовательного и правильного выполнения должностными лицами предприятия всех этапов. Сначала формулируют цели и соответствующие задачи анализа данных. Они должны быть конкретными, измеримыми, достижимыми, актуальными, привязанными ко времени и расположены в соответствии с приоритетностью.

Далее следует разработать вопросы, ответы на которых могут быть даны с помощью собранных данных. Подобные вопросы должны в дальнейшем помочь с выбором наиболее полезных показателей и инструментов анализа данных.

Когда поставлены вопросы и выбраны инструменты анализа данных, может быть начат сбор данных, для которого может быть использовано несколько разных стратегий. Так, практика показывает, что возможно применение следующих методов сбора данных:

• опросы покупателей;
• мониторинг транзакционных данных;
• онлайн мониторинг;
• аналитика цифровых медиа;
• мониторинг социальных сетей;
• личные интервью;
• сбор регистрационных и подписных данных;
• мониторинг трафика в магазине и др.

Собранные данные подлежат очистке и преобразованию. Это значит, что из набора данных нужно удалить неправильные, поврежденные, дублированные или неполные данные, которые содержат неполезную информацию. В настоящее время данный этап осуществляется специальным программным обеспечением, которое в автоматическом режиме идентифицирует и удаляет ненужные данные. Оставшиеся данные должны быть представлены в правильном формате, т. е. без каких-либо структурных ошибок.

В отношении очищенных и преобразованных данных затем применяется выбранный инструмент анализа данных, который предназначен для выявления закономерности и поиска несоответствия. А для того чтобы точно сделать итоговый вывод, нужно периодически пересматривать первоначальные цели и вопросы.

Выводы, сформулированные по завершению анализа данных, собирают в один отчет, который должен быть представлен руководителям бизнеса, ключевыми заинтересованным сторонам, а также членам команды. Причем при составлении отчета нужно использовать четкий, лаконичный язык, что придаст ему понятную форму.

Таким образом, принцип постоянного улучшения на современном предприятии реализуется, помимо прочего, в результате анализа данных, значение которого существенно возросло в информационной, постиндустриальной экономике.