Какая теория была положена в основу работы систем поддержки принятия решений анализ больших данных

Обновлено: 05.05.2024

С возрастанием объемов обрабатываемой информации эффективность принятия управленческих решений все больше зависит от используемых информационных технологий. Особенно это касается вопросов управления кадрами, ведь работники организации рассматриваются как основной стратегический ресурс, способный обеспечить ее эффективную деятельность и достижение поставленных целей. Автоматизация управления персоналом, как и автоматизация производства – это обязательное требование современного менеджмента в сложных условиях высокой конкуренции, финансовой нестабильности и неопределенности на рынках. Потребность в структурировании и обработке больших объемов кадровой информации, нахождении зависимостей между данными обуславливает применение средств поддержки принятия решений в программных средствах управления персоналом. В статье рассмотрены особенности применения информационных технологий поддержки принятия решений при управлении кадрами. Проведен анализ наиболее распространенных современных отечественных и зарубежных систем управления организаций и предприятий с точки зрения поддержки задач управления персоналом. На основе теоретических данных исследованы примеры использования методов для решения некоторых кадровых задач в современных системах управления персоналом. Особенно выделена важность применения методов поддержки принятия решений для задачи формирования проектной команды. Обоснована необходимость развития информационного обеспечения кадрового менеджмента в сфере управления проектами.

1. Асанов А. З. Решение некоторых задач на предприятии на основе информационных моделей профессиональных знаний специалистов и должностей / А. З. Асанов, И. Ю.Мышкина // Вестник УГАТУ. Управление, вычислительная техника и информатика. – Уфа:УГАТУ, 2010. - № 4 (39). – С. 185-193.

2. Гостева О. В. Оценка эффективности работы команды проекта // Сибирский журнал науки и технологий. - 2009. - №2 (23). – С. 296-299.

3. Жукова И.Г. Повышение эффективности работы системы поддержки принятия решений по управлению персоналом / И.Г.Жукова, Д.В. Козлов, М.Б. Кульцова, Д.В. Литовкин // Известия ВолгГТУ. - 2015. - №14 (178). – С. 87-93.

4. Карелин В. П. Методы и средства информационно-аналитической поддержки принятия решений в организационных системах // Вестник ТИУиЭ. - 2009. - №2. – С. 74-81.

5. Ломазов В.А., Прокушев Я. Е. Процедура поддержки принятия кадровых решений с учетом мотивации работников // Экономический анализ: теория и практика. - 2014. - №4 (355). – С. 2-10.

7. Мазур И. И., Шапиро В. Д., Ольдерогге Н. Г. Управление проектами: учеб. пособие / под общ. ред. И. И. Мазура. - 2-е изд. - М. : ОМЕГА-Л, 2004. - 664 с.

8. Романова М. М. Особенности управления персоналом при проектной организации деятельности // Вестник ОмГУ. Серия: Экономика. -2011. - №2. – С. 30-34.

9. Сабадош Л. Ю., Косенко Н. В., Гахова М. А. Система поддержки принятия решений по формированию проектной команды // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - 2012. - №19-1 (138). - С. 185-189.

Введение

Применимость методов поддержки принятия решений в управлении персоналом

Современные системы поддержки принятия решений используют в своей работе следующие технологии: хранилища данных, инструменты оперативной аналитической обработки информации (On-Line Analytical Processing), инструменты извлечения данных (Data Mining), текстов (Text Mining) и визуальных образов (Image Mining), а также имитационное моделирование, искусственные нейронные сети и методы искусственного интеллекта.

Кадровые службы в ходе своей работы сталкиваются с задачами планирования персонала, подбора, найма, адаптации, увольнения, продвижения, развития, обучения и мотивации кадров. При этом лицо, принимающее решение (ЛПР), в каждом отдельном случае должно оценить и принять во внимание информацию, характеризующую конкретного человека, его интересы, возможные воздействия и результаты. В связи с этим возникает потребность применения современных информационных технологий для решения трудноформализуемых кадровых задач, не имеющих алгоритмического решения, и при этом получения результатов, сравнимых, а иногда и превосходящих те, которые может получить эксперт – человек.

В области управления людскими ресурсами можно выделить следующие направления деятельности:

Кадровое обеспечение, которое заключается в том, чтобы находить компетентных сотрудников и обеспечивать их условия труда;
Обучение и развитие, необходимое для адаптации работников в организации и помощи в получении новых навыков, знаний и умений;
Мотивация, заключающаяся в обеспечении сотрудникам среды, которая стимулирует их к высокой работоспособности, развитию личных и профессиональных качеств;
Поддержка и обслуживание персонала, призванные поддерживать приверженность и лояльность персонала по отношению к организации.

Вся эта деятельность предполагает работу с разнообразными данными. Применение методов поддержки принятия решений позволяет обрабатывать сложные и противоречивые потоки информации, учитывать большое число факторов, оценивать множество влияний, предпочтений, интересов и последствий, характеризующих альтернативы. Методы поддержки принятия решений позволяют повысить эффективность решения задач, связанных, например, с подбором наиболее подходящих кадров на вакантную должность, грамотной расстановкой существующих кадров, оценкой текущего уровня компетентности персонала, выработкой решений по повышению интеллектуального капитала организации, прогнозированием возможной текучки кадров.

Реализация методов поддержки принятия решений в системах управления персоналом

Принятие решения происходит в результате взаимодействия человека как управляющего звена, задающего входные данные и оценивающего полученный результат решения, с программой, в которой реализована определенная технология поддержки принятия решений. Системы поддержки принятия решений ориентированы на решение недостаточно структурированных задач, которым присуща неопределенность, невозможность выделения объективно наилучшей альтернативы решения.

выявить неэффективные трудовые ресурсы для сокращения затрат на персонал;
оптимизировать систему мотивации персонала, завязать систему оплаты на ключевые показатели;
выявить персонал, обучение которого позволит в условиях кризиса повысить эффективность работы компании;
изменить систему оплаты труда производственного персонала, оптимизировать нормативы расхода времени на выполнение производственных операций.

В таблице 1 представлено сравнение программных продуктов по управлению персоналом с точки зрения использования в них методов поддержки принятия решений для реализации определенных функций.

Но самым главным классом систем, в которых используются экспертные системы в качестве элементов, являются системы поддержки принятия решений. С развитием аналитических методов и появлением новых математических формализмов для обработки больших объёмов данных, для поиска закономерностей, в том числе скрытых, системы поддержки принятия решений получили второе дыхание, и сегодня этот класс систем используется в большом количестве областей применений для снятия с аналитиков и руководителей рутинной работы по сбору и анализу больших массивов информации и подготовке и принятию решений. Так что внимательно посмотрим на такие системы — какие методы в них используются, какие составные элементы в них имеются, каковы взаимосвязи между элементами и всё остальное.

Общая структура систем поддержки принятия решений выглядит следующим образом:

Кратко рассмотрим все элементы, приведённые на схеме, за исключением экспертных систем, которые были детально описаны ранее:

1. Хранилище данных — первичный элемент системы, в который собираются все данные об объекте управления или проблемной ситуации, относительно которых система осуществляет поддержку принятия решений. Как и в случае с экспертной системой в хранилище попадают данные как от пользователей, так и с различного рода датчиков, устройств и иных систем. В отличие от базы данных в хранилище осуществляется первичная обработка данных таким образом, чтобы потом их можно было эффективно использовать для анализа и визуализации. Происходит очистка и преобразование данных, а их хранение осуществляется в специальном формате, который позволяет быстро манипулировать ими. Всё это помогает двух другим компонентам системы — модулям статистического и интеллектуального анализа быстро обрабатывать огромные массивы информации.

2. Модуль статистического анализа предназначается для применения различных методов математической статистики и смежных дисциплин для анализа больших объёмов информации (статистических выборок), в частности, поиска корреляций и причинно-следственных связей, анализа трендов, определения статистических закономерностей и т. д. Большинство методов статистического анализа давно разработаны и апробированы, однако временами появляются новые, а потому важно, чтобы этот элемент системы был открытым для использования новых методов.

3. Модуль интеллектуального анализа используется для проведения глубокого анализа больших объёмов данных методами, которые позволяют обнаруживать скрытые закономерности, нетривиальные и практически полезные интерпретации информации в данных. В первую очередь это методы из разряда технологий Data Mining. Этот модуль сам по себе реализует многие техники искусственного интеллекта, начиная от генетических алгоритмов и искусственных нейронных сетей до отдельных методов символьных вычислений. При этом в рамках интеллектуального анализа данных также могут проводиться и отдельные ветви статистического анализа, либо результаты такого анализа могут браться из соответствующего модуля.

4. Модуль построения отчётности — фактически, центральный модуль, преобразующий результаты анализа и (или) выводы экспертной системы к виду, который доступен для лица, принимающего решения. Основная задача этого модуля — доступная и эффективная визуализация найденных закономерностей и знаний для руководителя, который на основании этой информации может принять взвешенное и оптимальное решение. В этом и заключается сама сущность поддержки принятия решений.

5. Интерфейс аналитика — в процессе принятия решений и его поддержки важна роль аналитика, который готовит окончательный вариант решения или варианты альтернатив на основе того, что рекомендует система. Аналитик модифицирует процедуры извлечения и обработки информации из неструктурированных больших объёмов данных, он же проверяет окончательные результаты работы системы и её объяснения того, как она получила эти результаты. Поэтому для аналитика имеется интерфейс, при помощи которого он может взаимодействовать с системой. Он намного более богат на функциональность, нежели интерфейс руководителя.

Сегодня системы поддержки принятия решений используются во многих областях жизни. В первую очередь необходимо отметить, что они являются неотъемлемой частью деятельности различного штабов, действующих в условиях крайне ограниченного времени — при ликвидации последствий чрезвычайных ситуаций, при очень быстро развивающихся событиях внешнего характера, при невозможности задействования людей при выполнении каких-либо работ. В этих случаях системы поддержки принятия решений используются в рамках так называемого ситуационного управления, когда такая система должна за крайне ограниченное время обработать большие объёмы динамической информации о развитии ситуации, над которой осуществляется управления, и выдавать лицам, принимающим решения, обоснованные прогнозы, планы и решения.

Но не только государственные службы, задействованные в предупреждении и ликвидации последствий чрезвычайных ситуаций, использую системы поддержки принятия решений. Многие коммерческие компании используют системы этого класса для развития своего бизнеса. В первую очередь это относится к организациям, работающим в области телекоммуникационных технологий, розничной продажи, обслуживания массового клиента, банковской сфере. Системы поддержки принятия решений в этих областях находят различные скрытые закономерности в поведении клиентов, что позволяет организациям тонко настраивать тарифные политики или даже организовывать персонализированный маркетинг.

В будущем прогнозируется использование таких систем не только в связке с людьми, принимающими решения, но и автономно, когда сами искусственные интеллектуальные системы начинают самостоятельно принимать решение. Это позволит повысить скорость принятия решений, исключить человеческий фактор в критических областях, а также персонализировать подход к каждому конкретному человеку. И это ожидается не только в части маркетинга (персонализированные рекламные акции и продажи), но и в таких областях, как образование, здравоохранение, юриспруденция и многих других. Хотя, конечно же, остаётся вопросы этического плана и ответственности за решение, ожидается, что эти вопросы будут решены, а уровень решений будет настолько качественным, что говорить об ответственности интеллектуальной системы не придётся.

Развитие компьютерных технологий и достижения в области нейрофизиологии сделали возможным реализацию некоторых простых функций человеческого мозга на комьютере. Однако целью исследований в этих областях и разработок интеллектуальных систем является не замена мозга человека компьютером, а создание эффективного симбиоза человека с компьютером, снабженного соответствующими интеллектуальными модулями, моделями и методами. Есть основания считать, что некоторые способности человеческого мозга никогда не будут поняты до конца. Самыми ценными качествами человеческого мозга являются интуиция, инсайт (озарение), способность к глобальному охвату, владение метафорой.

Сила человека - в его знании предмета исследования, понимании и использовании контекста, в котором проводится исследование, в интуиции, чувстве правильного решения, аудиовизуальных возможностях, творчестве и т.д. Сила компьютера - это его вычислительная мощность, легкость, с которой он производит огромное число операций, значительно превосходящая в этом отношении возможности человека. Правильно использованная мощность компьютера существенно увеличивает интеллектуальную силу человека, осуществляя для него необходимый детальный анализ, помогает избежать многих интуитивно не обнаруживаемых ловушек, связанных со сложностью систем.

Использование компьютера как гаранта и усилителя интуиции при поддержке управленческих решений и решении системных задач - это одно из важнейших его применений.

Система поддержки принятия решений (СППР) связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений.

Интеллектуальная СППР - это компьютерная система, состоящая из следующих пяти основных взаимодействующих компонентов:

языковая подсистема (механизм обеспечения связи между пользователем и другими компонентами интеллектуальной СППР);

подсистема знаний (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, средства обработки знаний);

подсистема моделей (хранилище моделей, языки моделирования, средства управления моделированием). Состоит из базы моделей, системы управления моделями, языков моделирования, справочника моделей и процессора, который осуществляет реализации на модели, интегрирует модели и руководит процесом моделирования;

подсистема обработки и решения задач (связующее звено между другими системами). Подсистема обработки и решения задач реализует свои отдельные специфические функции в их рамках. Эта подсистема обладает основными способностями по манипуляции и обработке задая для принятия решений.

Абдикеев Н. М., Киселев А. Д. Управление знаниями корпорации и реинжиниринг бизнеса. - М. : Инфра-М, 2010.

Система поддержки принятия решений (СППР) ( Decision Support System, DSS) — компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности.

Информационная система руководителя (Executive Information System ,EIS)-компьютерная система, предназначенная для обеспечения текущей адекватной информации для поддержки принятия управленческих решений менеджером

Основы концепции СППР

Система поддержки принятия решений включает в себя правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.

Основу СППР составляет комплекс взаимосвязанных моделей с соответствующей информационной поддержкой исследования, экспертные и интеллектуальные системы, включающие опыт решения задач управления и обеспечивающие участие коллектива экспертов в процессе выработки рациональных решений.

Рассмотрим более подробно каждый элемент вышеприведенной схемы .

1) Первоначально информация хранится в оперативных базах данных OLTP-систем. Агрегированная информация организуется в многомерное хранилище данных. Затем она используется в процедурах многомерного анализа (OLAP) и для интеллектуального анализа данных (ИАД).

OLTP (Online Transaction Processing) — обработка транзакций в реальном времени. Способ организации БД, при котором система работает с небольшими по размерам транзакциями, но идущими большим потоком, и при этом клиенту требуется от системы минимальное время отклика

OLAP (online analytical processing, аналитическая обработка в реальном времени) — технология обработки данных, заключающаяся в подготовке суммарной (агрегированной) информации на основе больших массивов данных, структурированных по многомерному принципу.

2) Хранилища данных. Принятие решений должно основываться на реальных данных об объекте управления. Такая информация обычно хранится в оперативных базах данных OLTP-систем. Но эти оперативные данные не подходят для целей анализа, так как для анализа и принятия стратегических решений в основном нужна агрегированная информация. К

Решением данной проблемы является создание отдельного хранилища данных (ХД), содержащего агрегированную информацию в удобном виде. Целью построения хранилища данных является интеграция, актуализация и согласование оперативных данных из разнородных источников для формирования единого непротиворечивого взгляда на объект управления в целом.

Концепция хранилищ данных предполагает не просто единый логический взгляд на данные организации, а действительную реализацию единого интегрированного источника данных.

Таким образом, хранилище данных функционирует по следующему сценарию. По заданному регламенту в него собираются данные из различных источников – баз данных ,систем оперативной обработки. В хранилище поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, агрегируются до минимально требуемого уровня обобщения.

4) Интеллектуальный анализ данных (Data Mining) — это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания.

Типы СППР

Управляемые моделями/ориентированные на модели (model-driven)
Среди систем поддержки принятия решений исторически первыми были именно такие DSS, что неудивительно – они строились примерно на тех же кибернетических подходах, которые применялись в создании технических систем управления с начала 60-х годов. В отечественной практике модели довольно широко использовались в различного рода автоматизированных системах управления. Отличительной особенностью Model-Driven DSS является использование ограниченных по размерам наборов данных и параметров, их объем не должен быть больше, чем необходимо для создания репрезентативной модели, требуемой для анализа финансовой или экономической ситуации. Алгоритмическая основа для моделирования может быть весьма разнообразной, в том числе может быть сведена к графическому представлению данных. Кстати, первая электронная таблица VisiCalc, предложенная для ПК в 1978 году, как легко догадаться из ее названия, предназначалась не столько для расчетов, сколько для визуализации результатов, то есть являлась средством для моделирования. Model-Driven DSS не потеряли своей актуальности и до сих пор используются в ограниченном количестве университетских и академических исследовательских работах, к тому же некоторые системы, построенные на принципах OLAP, можно рассматривать как гибридные, сочетающие в себе свойства управляемых моделями и управляемых данными систем.

Управляемые данными (data-driven)
Системы этого типа обеспечивают доступ и манипулирование большими базами структурированных данных, чаще всего упорядоченных по времени внутрикорпоративных или внешних. В них основой для составления запросов и выборки нужных сведений служат простые средства для доступа к файлам, они же обеспечивают необходимое агрегирование данных и, если есть необходимость, то и требуемые вычисления. Хранилища, позволяющие манипулировать данными с привлечением инструментов, адаптированных к определенным задачам, обеспечивают более высокий уровень функциональности. Data-Driven DSS с возможностями аналитической работы обеспечивают более высокий уровень функциональности и поддержку анализа исторических данных. Сегодня BI сводится исключительно к анализу Data-Driven DSS, что не вполне корректно.

Управляемые документами (document driven)
Системы этого типа обеспечивают поиск, выделение, классификацию в неструктурированных тестовых документах. Они основываются на комплексе самых разнообразных поисковых технологий, включая техники работы с гипертекстовыми документами, аудио- и видеофайлами.

Data Driven принятие решений — это подход, когда вы стремитесь к тому, чтобы каждое решение опиралась на какую–то информацию. Если информации недостаточно, вы работаете прежде всего над тем, чтобы ее получить.

Разберете по косточкам компетенции продакт-менеджера и влезете в его шкуру

Содержание

Что такое принятие решений на основе данных

Зачем нужно принимать решения на основе данных

Компании с Data Driven имеют большое конкурентное преимущество. Они совершают меньше ошибок и могут более уверенно двигаться в своем направлении, потому что их решения научно обоснованы. Например, во многих лидирующих компаниях практикуется Customer Development.

Как принимать решения на основе данных

Для начала начните их собирать. Особенно те данные, которые являются ключевыми и могут повлиять на самые главные решения в вашем бизнесе. Например, Customer Development — возможно, самый быстрый и прямой способ получить данные о потребностях вашего клиента.

Принятие решений на основе данных

Компаний, которые используют данные для принятия решений, получают конкурентное преимущество. Они сокращают расходы на бизнес и увеличивают прибыль. Но как?

Мир наполнен данными. Текст, который вы читаете, видео, которые вы смотрите, обновления, которые вы публикуете, и продукты, которые вы покупаете.

Все наше цифровое поведение записывается. Но во многих компаниях эти данные хранятся в базах данных и никогда не будут использоваться.

Что такое принятие решений на основе данных

Data-Driven Decision-Making — это альтернатива стратегии, когда вы принимаете решения просто на основе того, что вы считаете лучшим решением. Принятие решений на основе данных — это стратегия, которая использует данные для информирования деловых решений.

Реализуя DDDM вы собираете историческую информацию для анализа тенденций и принятия решений на будущее. Вы основываетесь на том, что работало в прошлом, а не на основе интуитивных чувств, мнений или опыта.

Компании, которые практикуют данные DDDM фокусируют свою работу вокруг данных. Данные — это ядро таких компаний.

Какую пользу может получить ваша компания, если она станет Data-Driven организацией

В бизнесе всегда присутствует элемент риска, но решения, основанные на данных, делают вас менее уязвимыми к ошибочным решениям.

Например, представьте, что вы планируете стратегию выхода на рынок для SaaS–компании. Вместо того, чтобы начинать с нуля и надеяться, что новая стратегия сработает, взгляните на предыдущие версии продукта. Что сработало? Воспроизведите это. Не используйте ничего, что не сработало.

Проще говоря, делайте больше из того, что сработало, и меньше из того, что может или не может работать — все на основе данных, которые вы собрали для принятия более разумных управленческих решений. Именно так делают настоящие Data-Driven организации.

Может показаться, что это очевидно. Но на самом деле — нет. Это видно на практике — не каждая компания принимает решения на основе данных. И это при том, что это так важно.

Компании, использующие большие данные, получили увеличение прибыли на 8–10% и снижение общих затрат на 10%.

Если вы все еще не уверены, подумайте об этом:

В то время как 91% компаний говорят, что принятие решений на основе данных важно для роста их бизнеса, только 57% компаний заявили, что они основывают свои бизнес–решения на своих данных.

Для каких бизнес–решений можно использовать данные

Теперь вы знаете, что есть смысл извлечь выгоду из принятия решений на основе данных.

Следующий шаг — определить, как ваша организация может использовать данные для принятия решений о том, как развивать свой бизнес.

Например, вы можете использовать данные, чтобы решать такие вопросы:

Финансы: Какой самый рентабельный способ найма нового персонала или самый дешевый способ продвижения нового продукта?
Рост: Какие действия вы можете предпринять, чтобы предотвратить отток клиентов? Как вы повышаете лояльность клиентов?
Маркетинг и продажи: Какой рекламный канал получает наилучшую рентабельность инвестиций? Какие виды продаж приносят наибольшее количество потенциальных клиентов?
Обслуживание клиентов: Какой самый экономически эффективный способ обработки тикетов поддержки? Какие каналы улучшают время отклика?

Как видите, DDDM может помочь вам решать самые разные. Так что по большому счёту всё сводится к тому, какие задачи вы решаете прямо сейчас, что имеет наибольший приоритет. Как только вы определите эту задачу — решайте её с помощью данных, которые вы уже имеете, или начните получать новые данные, которые прояснят вопросы, связанные с задачей.

Как использовать данные для принятия управленческих решений

Прежде чем приступить к анализу информационной панели вашей компании, лучше всего начать с плана действий, который подробно описывает, как вы найдете нужные данные, и, что более важно, как вы будете интерпретировать данные для принятия правильных бизнес–решений.

Вот пятиэтапный процесс, который вы можете использовать, чтобы начать работу по DDDM.

Посмотрите на свои цели и расставьте приоритетыЛюбое принятое вами решение должно начинаться с основных целей вашего бизнеса.

Итак, начните с вопроса: какие цели вы хотите улучшить?

Начните с самого важного, когда вы принимаете решения.

Например, допустим, вы хотите, чтобы больше людей подписалось на ваш премиальный SaaS–инструмент в Европе. В этом случае получение новых регистраций — ваш главный приоритет.

Но на этапе исследования вы можете обнаружить, что 75% премиальных подписок происходят из Норвегии. Менее 10% — из Великобритании или Германии.

Это простейший пример того, как данные помогают принимать решения. В данном случае они помогли вам конкретизировать цель, чтобы решать её более эффективно.

Найти и использовать релевантные данныеПосле того, как вы определили проблему, которую хотите решить, и решение, которое вы собираетесь принять, пришло время найти и использовать релеватные данные.

Вы не хотите тратить часы на сбор и анализ данных, которые не повлияют на ваше окончательное решение. Поэтому сохраняйте актуальность данных и собирайте только те данные, которые релевантны вашей цели.

Вы можете найти релеватные данные в таких источниках, как:

Аналитика сайта
CRM
Платформы бизнес–аналитики
Инструменты мониторинга социальных медиа
Отзывы клиентов

Последний пункт особенно важен, поскольку 60% компаний говорят, что использование отзывов клиентов как часть процесса принятия решений способствовало их наиболее успешным проектам.

Сделайте выводы на основе данныхПосмотрите на собранные вами исторические данные и постарайтесь выявить закономерности или тенденции, которые в них есть.

Для компании это означает, что нужно посмотреть на их исторические данные, чтобы увидеть, есть ли какие–либо признаки того, что перезапись будет работать хорошо.

Например, вы можете обнаружить что–то вроде такого:

В этом случае вы можете сделать вывод, что переписывание вашей последовательности вовлечения аудитории является безопасным экспериментом, поскольку данные указывают на то, что это может привести к успеху. И это было бы разумным решением!

Теперь сравните это с примером принятия решений, не основанным на данных.

Проходит несколько недель, и нет разницы в скорости оттока. Вы решаете, что проблема не в последовательности электронной почты, а в чем–то другом. Вы делаете новое предположение и идете дальше.

Видите разницу здесь?

А теперь представьте, что вам нужно использовать подход, основанный на данных, для каждого подразделения вашей организации. Легко понять, почему компании, использующие принятие решений на основе данных, намного более успешны.

Запланируйте свою стратегиюВы нашли вещь, которую хотите улучшить, и проанализировали данные, чтобы принять решение, базирующееся на новой стратегии.

Чтобы вы приняли решение по жизни.

Просто, но на удивление эффективно.

Измерьте успехВаше решение было принято, и у вас есть результаты — отличная работа!

Это означает, что ваш процесс принятия решений окончен.

Посмотрите на данные, которые были изначально собраны и на которых основывалось ваше решение. Сравните исторические данные с новыми данными, и ответьте на вопрос:

Оказало ли ваше решение положительное влияние на рост вашего бизнеса?

Если ваше решение было успешным, поздравляем!

Но даже если нет — все в порядке.Иногда понимать, что не работает — буквально так же важно, как понимать, что работает.

Читайте также: