Pastaraisiais metais organizacijos vis daugiau investuoja į su duomenimis susijusius išteklius, siekdamos plėtoti duomenų analizės galimybes, kad padidintų savo įmonių našumą, efektyvumą, pagerintų teikiamų paslaugų kokybę ir konkurencinį pranašumą. Apie skaitmeninio amžiaus duomenų analizę ir jos svarbą šalies ūkio ekonomikai kalbamės su dr. Lina Dindiene.
Pastaraisiais metais organizacijos vis daugiau investuoja į su duomenimis susijusius išteklius, siekdamos plėtoti duomenų analizės galimybes, kad padidintų savo įmonių našumą, efektyvumą, pagerintų teikiamų paslaugų kokybę ir konkurencinį pranašumą.
Asociatyvi „Pixabay“ nuotr.
Apie skaitmeninio amžiaus duomenų analizę ir jos svarbą šalies ūkio ekonomikai kalbamės su Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto (KTU MGMF) Taikomosios matematikos katedros dėstytoja dr. Lina Dindiene.
– Pastaruoju metu itin daug dėmesio įmonėse skiriama sukauptų duomenų analizei. Kodėl duomenų analizė yra tokia svarbi, ypač verslui? Kokias įžvalgas gali pateikti duomenų analitikas ar duomenų mokslininkas?
– Skaitmeniniame amžiuje duomenys tapo viena svarbiausių organizacijos „valiutų“. Kone visos įmonės – nuo smulkaus verslo iki tarptautinių korporacijų – generuoja ir kaupia didžiulius kiekius duomenų: apie klientus, produktus, pardavimus, rinkos tendencijas, vidaus procesus ir daug kitų dalykų. Tačiau pats duomenų turėjimas dar nesuteikia jokios vertės – duomenys patys „nekalba“ – svarbiausia yra gebėjimas tuos duomenis analizuoti, interpretuoti ir paversti naudingomis įžvalgomis.
Duomenų analizė suteikia organizacijai galimybę pažvelgti į save objektyviai, tarsi į veidrodį. Ji padeda suprasti, kas veikia gerai, o kuriose srityse slypi problemos ar neišnaudotas potencialas, kur yra silpnoji veiklos grandis. Pavyzdžiui, duomenys gali parodyti, kurie produktai yra pelningiausi, kuriose rinkose mažėja pardavimai, kokie klientų segmentai yra labiausiai lojalūs, kurie procesai užima per daug laiko ar resursų.
Duomenų analitikas ar duomenų mokslininkas yra tas specialistas, kuris turi ne tik techninių žinių dirbti su duomenimis (pvz., juos paruošti, apdoroti, vizualizuoti), bet ir analitinį mąstymą, kuris leidžia suprasti, kokią naudą tie duomenys gali atnešti praktiškai. Specialistai gali suformuluoti hipotezes, atlikti statistinius tyrimus, kurti prognozes bei pasiūlyti sprendimus, kaip optimizuoti veiklą ar pagerinti rezultatus. Analitikas gali atskleisti duomenyse slypinčias struktūras, ryšius, kurių plika akimi nesimato.
Svarbu pabrėžti, kad duomenų analizė reikalinga ne tik verslui. Viešajame sektoriuje, sveikatos apsaugoje, švietime ar net aplinkosaugos srityje duomenys padeda priimti pagrįstus sprendimus, planuoti išteklius, prognozuoti rizikas ir vertinti politikos priemonių poveikį. Tad duomenų analizė šiandien yra vienas kertinių įrankių tiek viešojo, tiek privataus sektoriaus valdyme.
– Koks yra pagrindinis duomenų analitiko vaidmuo? Kokią jis informaciją gali pateikti įmonei, išanalizavęs turimus duomenis?
– Šiandieniame pasaulyje, kuriame viskas – nuo mūsų apsipirkimų iki sveikatos priežiūros – generuoja milžiniškus kiekius duomenų, duomenų analitikas tampa nepakeičiamu žmogumi kiekvienoje organizacijoje. Jo pagrindinis vaidmuo – iš skaičių, lentelių, grafikų ir duomenų bazių ištraukti paslėptas tendencijas, kurios padeda priimti išmintingus, duomenimis pagrįstus, sprendimus.
Duomenų analitikas ne tik surenka ir apdoroja informaciją, bet ir geba ją interpretuoti bei pateikti aiškiai ir suprantamai. Jis analizuoja, kokie verslo procesai veikia gerai, o kurie stringa, padeda identifikuoti galimybes augimui, optimizacijai, inovacijoms. Analitikas tampa tarsi įmonės „navigacijos sistema“ – rodo kryptį, kuria verta judėti.
Vienas iš svarbiausių aspektų – tai gebėjimas duomenis paversti konkrečiais pasiūlymais. Analitikas gali padėti atnaujinti produktus, kurti asmeniškai pritaikytą klientų patirtį, tiksliai nustatyti, kas yra pagrindinė auditorija, ir kaip su ja bendrauti. Taip pat jis padeda įmonei valdyti rizikas, prognozuoti pokyčius ir greičiau reaguoti į rinkos situaciją.
Pavyzdžiui, finansų srityje duomenų analitikas gali nustatyti klientus, kurie artėja prie pasitraukimo (ar bankroto), įvertinti kredito riziką ar net pastebėti įtartinas transakcijas. Sveikatos priežiūroje – prognozuoti pacientų ligas, analizuoti gydymo efektyvumą ar planuoti medicinos personalo apkrovas.
Gamyboje – optimizuoti tiekimo grandinę, sumažinti broko lygį ar numatyti įrangos gedimus, o pardavimų ir rinkodaros srityse analitikas padeda suprasti klientų elgseną, kurti personalizuotus pasiūlymus ir atrasti sritis, kuriose verta daugiau investuoti.
Analitikas taip pat labai svarbus ir rizikos valdymo procese – jis modeliuoja galimus scenarijus, padeda suprasti, kokie išoriniai ar vidiniai veiksniai gali pakenkti įmonės veiklai, ir pasiūlo sprendimus, kaip jų išvengti arba jiems pasiruošti.
Duomenų analitiko darbas yra itin platus ir įvairiapusis – jis apima ne tik skaičiavimus ar ataskaitų rengimą. Priklausomai nuo organizacijos pobūdžio, analitikas gali dirbti su verslo strategijos formavimu, klientų elgsenos tyrimais, rinkodaros kampanijų optimizavimu, tiekimo grandinės efektyvinimu ar net dirbtinio intelekto modelių kūrimu.
Vieną dieną jis gali analizuoti klientų lojalumo programas, o kitą – prognozuoti pardavimus ar identifikuoti rizikas. Dėl tokio plataus veiklos spektro ši profesija suteikia galimybę prisidėti prie įvairių sričių, spręsti kardinaliai skirtingas problemas ir nuolat kelti profesinę kvalifikaciją.
– Prieš imantis duomenų analizės, kaip įvertinama, ar turimi duomenys patikimi, ar juose nėra klaidų? Kokie duomenų rinkimo instrumentai šiandien naudojami?
– Prieš pradedant bet kokią analizę, labai svarbu įsitikinti, kad duomenys, su kuriais dirbame, yra kokybiški, patikimi ir aktualūs. Duomenų kokybė analizėje yra tarsi pamatas namui – jei pamatas silpnas, viskas, kas pastatyta ant jo, gali sugriūti. Todėl pirmas žingsnis visada yra duomenų kokybės vertinimas.
Dr. Lina Dindiene. KTU nuotr.
Vertinant duomenų patikimumą, atsižvelgiama į kelis esminius aspektus. Pirma – duomenų šaltiniai. Kuo daugiau skirtingų šaltinių naudojama, tuo didesnė rizika, kad tarp jų bus nesuderinamumų ar klaidų. Idealu, kai duomenys renkami iš vieningos, patikimos sistemos, kur visi įrašai sujungti ir nuoseklūs. Jeigu visgi šaltinių yra daug, būtina juos kruopščiai sutikrinti – ar visi duomenys pateikti vienodu formatu, ar nėra pasikartojimų, tuščių reikšmių ar nelogiškų įrašų (pvz., neigiamas amžius ar 300 metų senumo data).
Antras svarbus aspektas – duomenų aktualumas. Net ir tikslūs duomenys, jei jie pasenę, gali klaidinti. Pavyzdžiui, klientų elgsena ar rinkos situacija prieš 5 metus gali visiškai nebeatspindėti šiandienos realybės. Todėl analitikas visada tikrina, ar duomenys yra tinkami šių dienų aktualijoms, ar jie renkami nuolat (realiuoju laiku ar periodiškai), ar jie vis dar atspindi dabartinę situaciją.
Taip pat labai svarbi duomenų saugyklų ir naudojamos techninės bei programinės įrangos kokybė. Įmonės, turinčios gerai prižiūrimus duomenų sandėlius (angl. data warehouses), kur duomenys dažnai būna struktūrizuoti ir standartizuoti, užtikrina geresnę duomenų kokybę.
Kalbant apie duomenų rinkimo instrumentus, šiandien jų yra labai daug ir jie priklauso nuo konteksto. Pavyzdžiui, el. prekyboje naudojami tokie įrankiai kaip „Google Analytics“, „Hotjar“ ar el. parduotuvės platformų integracijos, leidžiančios stebėti vartotojų elgseną. Gamyboje duomenys renkasi iš jutiklių, IoT įrenginių ir valdymo sistemų. Finansų sektoriuje naudojamos transakcijų sistemos, klientų ryšių valdymo sistemos (angl. Customer Relationship Management), rizikos vertinimo platformos. Sveikatos priežiūroje – pacientų duomenų valdymo sistemos, elektroninės kortelės, diagnostikos įranga.
Visuose šiuose paminėtuose (ir ne tik) sektoriuose vis dažniau naudojamos automatizuotos surinkimo sistemos, kurios sumažina žmogaus klaidų tikimybę. Tačiau analitikas vis tiek turi būti budrus – net ir automatizuota sistema gali būti netinkamai sukonfigūruota arba fiksuoti duomenis netiksliai, jei, pavyzdžiui, sensorius sugedęs.
Galiausiai labai svarbu ir duomenų saugumas – tik patikimai saugomi ir tvarkomi duomenys gali būti laikomi tinkamais analizei. Tai reiškia ir prieigos kontrolę, ir apsaugą nuo neteisėto keitimo, ir atsargines kopijas. Tačiau duomenų saugumo klausimas jau ne duomenų mokslo specialisto-analitiko kompetencija.
– Kokie duomenų analizės įrankiai dažniausiai naudojami įmonėse? Su kokiais įrankiais dirbti mokosi mūsų studentai? Ir ar mes gebame patenkinti įmonių lūkesčius, rengdami būsimus šios srities specialistus?
– Įmonėms, norint pasinaudoti duomenų analize ir priimti duomenimis pagrįstus sprendimus, būtina naudoti tinkamus įrankius. Vieni populiariausių įrankių šiandien yra „Excel“, SQL, „Tableau“, „Power BI“, „Python“ ir R kalbos, nes jos leidžia atlikti pažangias statistines analizes ir kurti prognozinius modelius. Įmonės, norėdamos stebėti vartotojų elgseną, taip pat naudoja įrankius kaip „Google Analytics“ ir „Hotjar“, kurie leidžia analizuoti interneto svetainių lankomumą, vartotojų sąveikas ir patirtis. Tam tikrose srityse plačiai naudojama licencijuota programinė priemonė SAS bei SPSS.
Mūsų studentai, ruošdamiesi tapti šios srities specialistais, mokosi ne tik teorijos, bet ir praktiškai dirba su tais pačiais įrankiais, kuriuos naudoja verslas. SQL, „Power BI“, „Python“ ir R, „Tableau“ bei SAS yra pagrindiniai įrankiai, kuriuos studentai įvaldo per studijas. Šie programavimo įgūdžiai suteikia galimybes dirbti su sudėtingesniais duomenimis ir atlikti pažangesnes analizės užduotis. Be to, studentai turi galimybę naudotis įvairiais interneto analitikos įrankiais, kad geriau suprastų, kaip rinkti ir analizuoti duomenis apie vartotojų elgseną svetainėse.
Mūsų studijų programos orientuotos ir į tai, kad studentai išmoktų dirbti su globaliais duomenimis, suprastų įvairių šalių verslo praktikas ir gebėtų prisitaikyti prie tarptautinių darbo rinkų. Studentai įgyja ne tik techninių žinių, bet ir gebėjimų veikti tarptautiniame kontekste – nuo darbo su pasauliniais duomenų srautais iki skirtingų šalių verslo kultūrų pažinimo (per duomenis bei jų įvairovę).
Mūsų tikslas – ne tik išmokyti dirbti su universaliais analitikos įrankiais, bet ir padėti studentams tapti lankstiems, globaliai mąstantiems profesionalams, kurie drąsiai žengia koja kojon su naujausiomis duomenų mokslo kryptimis. Būtent toks pasiruošimas suteikia realias galimybes siekti aukštumų tarptautinėje arenoje.
Vis dėlto, kalbant apie kiekį, galime pripažinti, kad specialistų trūksta, o paklausa jų darbo rinkoje yra didelė. Nors mūsų studentai yra gerai pasiruošę, ne visada sugebame parengti tiek specialistų, kiek jų reikėtų.
Dažnai mūsų studentai pradeda dirbti jau studijų metu ir po baigimo paprastai įsidarbina tose pačiose įmonėse, kuriose atliko praktiką. Tai rodo, kad mes puikiai paruošiame specialistus, kurie gali sėkmingai prisidėti prie įmonių veiklos. Tačiau dėl didėjančios paklausos reikia tobulinti ir plėsti specialistų rengimą, kad galėtume patenkinti visus verslo lūkesčius.
