Įtakingiausių verslininkų analizė

Vakar dariau šiokią tokią analizę, apie kurią jau rašiau Facebooke. Šiandien tiesiog bandau būdą, kaip įkelti šią analizę į dienoraščio formatą. Geresnę notebook versiją galima rasti čia, o žalius duomenis šiuo adresu.

Svarbiausia pastraipa tiems, kas tingi skaityti viską:

Įdomu tai, kad politikai daug įtakos suteikia asociacijų ir konfederacijų veikėjams, bet verslininkams jie įspūdžio nedaro: grafiko apačioje liko Danas Arlauskas bei Stasys Kropas. Matyt politikams su jais tenka nemažai bendrauti, bet reali jų įtaka kyla ne iš pačių asmenybių, o iš atstovaujamų interesų. Tuo tarpu verslininkai žymiai daugiau reikšmės suteikia Dariui Mockui bei Nerijui Numavičiui: asmenims, kurie atstovauja savo pačių interesus. Gal kiek netikėtai trečias tarp labiausiai politikų nuvertintų verslininkų yra Dalius Misiūnas: energetika verslininkams labai svarbu, bet ji kontroliuojama valstybės ir pačių politikų, tad politikai energetikų galios nesureikšmina.

Tarp didžiųjų bankų ekonomistų irgi įdomus prasilenkimas: Gitanas Nausėda bei Raimondas Kuodis yra politikų ekonomistai, o Nerijus Mačiulis ir Jekaterina Rojaka – labiau verslininkų.

Delfi įtakingiausi verslininkai

Kiekvienais metais portalas Delfi daro svarbių žmonių apklausas ir taip išrenka įtakingiausius šalies žmones. Pasižiūrėjus į įtakingiausių verslininkų rinkimus pasirodė, jog politikai ir patys verslininkai labai skirtingai vertina tam tikrų verslininkų įtaką, tad ką politikai nuvertina ar pervertina?

Tam pirmiausia reikėjo išsivalyti duomenis. Po keliasdešimt search-replace operacijų iš HTML teksto pasidariau švarų CSV, kuris jau tinkamas analizei.

verslas = read.csv2('/Users/petras/datadev/verslininkai.csv', header=TRUE, sep=",")
head(verslas)
##         Verslininkas Politiku_balas Verslininku_balas Pop_balas
## 1    Robertas Dargis            128                89         9
## 2    Gitanas Nausėda             93                62         9
## 3      Darius Mockus             58                68        16
## 4 Nerijus Numavičius             56                62        18
## 5   Nerijus Mačiulis             41                39         4
## 6     Arvydas Avulis             36                22         4
##   Ziniasklaidos_balas Visuomenininku_balas Tarnautoju_balas
## 1                  54                   80              103
## 2                  46                   64               78
## 3                  53                   36               56
## 4                  50                   36               41
## 5                  30                   28               42
## 6                  23                   17               51

Duomenų normalizavimas

Žymiai patogiau dirbti su santykiniais skaičiais, tad absoliučius balus paverčiau į santykinius, padalindamas juos iš kiekvienos kategorijos respondentų skaičiaus (bent jau spėju, jog būtent tai reiškia maksimalus galimas balų skaičius kategorijoje). Santykinis rodiklis reiškia, kokia dalis respondentų pažymėjo konkretų verslininką kaip vieną iš 5 įtakingiausių Lietuvoje.

verslas %>% 
  mutate(Politiku_balas = Politiku_balas / 196) %>%
  mutate(Verslininku_balas = Verslininku_balas / 137) %>%
  mutate(Pop_balas = Pop_balas / 29) %>%
  mutate(Ziniasklaidos_balas = Ziniasklaidos_balas / 93) %>%
  mutate(Visuomenininku_balas = Visuomenininku_balas / 106) %>%
  mutate(Tarnautoju_balas = Tarnautoju_balas / 160) -> verslas

Tiesinė regresija

Pritaikome paprastą tiesinę regresiją.

fit <- lm(Verslininku_balas ~ Politiku_balas, data=verslas) -> fit
summary(fit)
## 
## Call:
## lm(formula = Verslininku_balas ~ Politiku_balas, data = verslas)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.118173 -0.017360  0.002104  0.012048  0.192314 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    -0.002738   0.006480  -0.423    0.674    
## Politiku_balas  1.036687   0.049748  20.839   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.04563 on 68 degrees of freedom
## Multiple R-squared:  0.8646, Adjusted R-squared:  0.8626 
## F-statistic: 434.3 on 1 and 68 DF,  p-value: < 2.2e-16

Kad jau turime regresiją, kurios R^2 yra 0.86, galima pasižiūrėti, ką labiausiai vertina verslininkai, lyginant su politikais.

verslas$diff <- residuals(fit)
verslas %>% 
  ggplot(aes(x=diff, y=reorder(Verslininkas, diff))) + theme_light() + 
    geom_point(size=1) + 
    geom_segment(aes(y=Verslininkas, yend=Verslininkas, 
                     x=0, xend=diff, color=(diff>0))) +
    geom_point(size=1) + 
    theme(axis.text.y=element_text(size=6), axis.title=element_text(size=8)) + 
    guides(color=F) + ylab("") + 
    xlab("Verslininkų vertinimas, lyginant su politikais") 

Įdomu tai, kad politikai daug įtakos suteikia asociacijų ir konfederacijų veikėjams, bet verslininkams jie įspūdžio nedaro: grafiko apačioje liko Danas Arlauskas bei Stasys Kropas. Matyt politikams su jais tenka nemažai bendrauti, bet reali jų įtaka kyla ne iš pačių asmenybių, o iš atstovaujamų interesų. Tuo tarpu verslininkai žymiai daugiau reikšmės suteikia Dariui Mockui bei Nerijui Numavičiui: asmenims, kurie atstovauja savo pačių interesus. Gal kiek netikėtai trečias tarp labiausiai politikų nuvertintų verslininkų yra Dalius Misiūnas: energetika verslininkams labai svarbu, bet ji kontroliuojama valstybės ir pačių politikų, tad politikai energetikų galios nesureikšmina.

Tarp didžiųjų bankų ekonomistų irgi įdomus prasilenkimas: Gitanas Nausėda bei Raimondas Kuodis yra politikų ekonomistai, o Nerijus Mačiulis ir Jekaterina Rojaka - labiau verslininkų.

Balsuojančiųjų koreliacijos

Ne visos balsuotojų grupės turi vienodą nuomonę. Galima paskaičiuoti koreliacijas tarp skirtingų balsuotojų.

cor(verslas %>% select(-Verslininkas, -diff))
##                      Politiku_balas Verslininku_balas Pop_balas
## Politiku_balas            1.0000000         0.9298451 0.6915122
## Verslininku_balas         0.9298451         1.0000000 0.8094200
## Pop_balas                 0.6915122         0.8094200 1.0000000
## Ziniasklaidos_balas       0.8891672         0.9622906 0.8549599
## Visuomenininku_balas      0.9585121         0.9400149 0.6876915
## Tarnautoju_balas          0.9715207         0.9244120 0.6896682
##                      Ziniasklaidos_balas Visuomenininku_balas
## Politiku_balas                 0.8891672            0.9585121
## Verslininku_balas              0.9622906            0.9400149
## Pop_balas                      0.8549599            0.6876915
## Ziniasklaidos_balas            1.0000000            0.8930495
## Visuomenininku_balas           0.8930495            1.0000000
## Tarnautoju_balas               0.8978414            0.9541088
##                      Tarnautoju_balas
## Politiku_balas              0.9715207
## Verslininku_balas           0.9244120
## Pop_balas                   0.6896682
## Ziniasklaidos_balas         0.8978414
## Visuomenininku_balas        0.9541088
## Tarnautoju_balas            1.0000000

Atrodo, jog labiausiai išsišoka Popkultūros ir sporto atstovų nuomonė. Jų atotrūkis dar geriau matosi spalvotame grafike:

qplot(x=Var1, y=Var2, 
      data=melt(cor(verslas %>% select(-Verslininkas, -diff))), 
      geom="tile", fill=value) +
  xlab("") + ylab("") + guides(fill=F) + theme_light() + 
  theme(axis.text.x=element_text(angle=90)) 

Nenuostabu, kad tarnautojai ir politikai turi labai panašias nuomones (koreliacijos koeficientas net 0.97). Šiose dviejose grupėse buvo apklausta net 160 + 196 = 356 respondentų, tad vienoda valdininkų/politikų nuomonė rinkimuose yra labai stipriai reprezentuojama. Žiniasklaida yra antra labiausiai „nepriklausoma“ grupė (koreliacija su kitomis grupėmis mažesnė nei 0.9), nors jos nuomonė geriausiai koreliuoja su verslininkų nuomone.

Nauji dalykai, kuriais džiaugiesi tapus tėčiu

Pirmas garsus vaiko klyksmas tik atėjus į pasaulį, nes žinai, kad nuo šiol viskas bus kitaip;

Pirma tylos minutė po kelių valandų klyksmo vaikui pagaliau užmigus, nes gal galėsi gauti akimirką atokvėpio;

Pirma plati vaiko šypsena vos ryte tave pamačius, nes ji nubraukia visą susikaupusį nuovargį ir bemiegę naktį;

Laisvas pusvalandis, kai vaikas dieną miega, nes galima vėl veikti tai, kas prieš buvimą tėčiu buvo visiškai įprasta;

Laisva minutė su žmona, kai vaikas miega ramiai ir nebesiveja buitis, nes galima tiesiog pabūti kartu nieko neveikiant;

Kartais pasitaikančios stebuklingos naktys, kai neprabudęs gali išsimiegoti bent šešias valandas;

Pilnos vaiko sauskelnės ir garsus oro gadinimas, nes tai didina šių stebuklingų naktų tikimybę;

Švelnus pavargusios dukros prisiglaudimas tau prie krūtinės paėmus ją ant rankų;

Aplinkinių dėmesys, kai išdidžiai su dukra rankose žygiuoji per Gedimino prospektą;

Tave vis sekantis dukros žvilgsnis, kai tik įeini į kambarį, lyg tu būtum pats įdomiausias dalykas visatoje;

Kiekviena nauja diena, kuri atneša kažką naujo.

Vilniaus viešojo transporto duomenys

Niekada iki šiol nenaudojau dplyr R paketo, tad norėjau pasižiūrėti, kaip jis veikia (o veikia jis tikrai patogiai!). Kadangi neseniai buvo paviešinti Vilniaus Viešojo Transporto vėlavimų duomenys, tai kaip tik šis duomenų rinkinys pasirodė tinkamas pasižaidimui. Kadangi tai labiau techninis galimybių bandymas, tai didelių įžvalgų ir neieškojau, nors visgi radau, kad privatūs vežėjai vėluoja žymiai rečiau nei VVT, troleibusai yra patikimesni nei autobusai, o savaitgaliais viešasis transportas yra punktualesnis (kuo nereiktų stebėtis – juk eismo mažiau).

Nevėluojančių reisų dalis
Nevėluojančių reisų dalis

Detaliau ir techniškiau, su visu kodu: Notebook: Transportas-vėlavimai

Duomenų analitiko darbas dažniausiai yra duomenų valymas

Turbūt didžiausias skirtumas tarp mokykloje ar universitete darytų duomenų analizių ir realaus pasaulio yra turimų duomenų kokybė. Rašėm savaitgaliais magistrinius darbus, pasižiūrėdami į kursiokų failus darėm „statistikos laboratorinius“, sprendėm uždavinius bei iš vadovėlio atkartojom nelabai suprantamas ekonometrinius modelius – ir  beveik visada duomenys buvo duotybė. Ar tai būtų BVP augimo eilutė iš Statistikos departamento, ar Olimpiadų medalių suvestinė: beveik visada duomenys buvo švarūs, tvarkingi, be klaidų, be neužpildytų eilučių, be praleistų kablelių, romėniškų skaitmenų, sunkiai įskaitomo buhalterės Janinos rašto ir pasimetusių sąskaitų-faktūrų. Tereikėdavo tuos duomenis paimti, sudėti į modelį, sukalbėti kelis užkeikimus ir gaudavai vienintelę teisingą p reikšmę ir iš to sekančią išvadą. Didesnis nedarbas yra mažesnė infliacija. Narystė Europos Sąjungoje didina akcijų kainas. Marytė suvalgo daugiau obuolių nei Jonukas.

Skirtingai nei universitete, realybėje duomenys beveik niekada nebūna aiškūs ir tvarkingi. Dažniausiai tau reikiamų duomenų tiesiog nėra (ar daug kas kaupia duomenis apie kiekvienos fizinės parduotuvės kasvalandinį lankytojų srautą?). Jeigu jų galima rasti – jie nepatikimi, nes iki galo nežinai, ar kiekviena apskaitininkė visose Baltijos šalyse prieš penkerius metus vienodai koduodavo gautas sąskaitas. Jeigu jais galima pasitikėti, jie tikriausiai būna nepilni – vienur trūksta detalumo, kitur kažkas nusimušę, trečioje vietoje duomenys nepasiekiami, nes jie nesuskaitmenizuoti. Jau nekalbu apie tai, kad visur yra ir žmogiškas faktorius: kažkur vardas įvestas į pavardės grafą, kažkas sumas vietoje eurų įrašė litais. Kuo daugiau duomenų (ir ypač jei kalbam apie didelius duomenis be struktūros) tuo didesnė duomenų analitiko darbo laiko dalis yra ne sudėtingas duomenų modeliavimas ar rezultatų interpretavimas, o duomenų tvarkymas bei paruošimas analizei. Sakoma, kad šiam kruopščiam ir nuobodokam darbui analitikai sugaišta nuo 50 iki 80 procentų savo darbo laiko.

Gerai sutvarkyti duomenys yra aukso vertės. Tai tokie duomenys, kuriuose nebėra erdvės interpretacijoms, kuriuose nelikę klaidų ir kuriais tvirtai galima remtis darant verslo sprendimus. Tik juos išvalius galima kurti sudėtingus modelius bei algoritmus, o iki tol reikia praleisti ne vieną valandą rymant prie duomenų kokybės. Toks analitiko darbas.

Kada duomenys gali padėti priimti sprendimus?

Prieš pusantrų metų mano rašytas dienoraščio įrašas apie duomenų kultūrą organizacijose pastarosiomis savaitėmis vėl iš naujo užkabino skaitytojus: šia tema parašė „Verslo žinios“ ir apie tai nemažai buvo kalbama Login koridoriuose. Matyt, kompanijose duomenų atsiranda vis daugiau, tik dar nelabai aišku, kaip iš jų išpešti naudos.

Kad ir kaip skambėtų neįprastai, manau, jog duomenų analizėje sudėtingiausia yra ne algoritmai ir ne duomenų infrastruktūra. Svarbiausia ne kur stovi jūsų serveriai, kokia kalba parašytos jūsų duomenų apdorojimo programos ar kuris kietas matematikas darys statistinę jūsų klientų analizę. Svarbiausia, ar jūsų kompanijos kultūra leis jums priimti verslo sprendimus remiantis šaltais ir objektyviais duomenimis, nekreipiant dėmesio į vidinį politikavimą ir norą prieš vadovą pasirodyti geresniu nei esi. Iš duomenų analizės jokios naudos (o netgi sakyčiau dar blogiau – ji žalinga!), jeigu ji naudojama tik savo išankstinei nuomonei apginti bei parodyti, kad jūsų padalinys dirba puikiai. Analitikai turėtų būti skatinami ieškoti kontraargumentų vyraujančiai nuomonei, nes duomenys tam ir yra, kad sprendimai būtų priimami ne vien tik pagal vadovo šeštąjį jausmą. Tai nelengva, jei vadovas galvoja, jog jis geriausiai viską išmano, o jam dirba tik jo valią vykdantys pavaldiniai.

Būti atviram pačiam sau nelengva bet kuriam vadovui. Kartais, žvelgiant į duomenis, reikia giliai įkvėpti ir pripažinti klydus: gal visgi už krentančius pardavimus yra kalti ne konkurentai ar oro temperatūra, o ne itin tobulas pačios kompanijos darbas. Gal nepataikyta su rinkodara, gal buvo problema su sandėliu, gal pritrūko vadybininkų, gal buvo broko ar kokių kitų nesklandumų. Duomenų analizės nauda prasideda nuo atvirumo sau, nuo nuoširdaus noro išsiaiškinti, kur yra problemos šaknys ir noro ją išspręsti. O tai neįmanoma, jeigu kompanijoje vyrauja kaltų paieškos kultūra: natūralu, kad visi stengsis duomenis pagražinti ir parodyti save kuo geresnėje šviesoje.

Tad kai šiomis dienomis kas nors manęs paklausia, ko reikia imtis pirmiausia, kad duomenys padėtų priimti verslo sprendimus, atsakau, jog tai vadovų tikėjimas duomenų kultūra ir realus noras prisikasti iki tiesos. Net geriausi algoritmai jūsų verslui nepadės, jei sprendimai ir toliau bus priimami vien tik remiantis nenuginčijama aukščiausio vadovo nuomone arba jei save pagiriant analizės bus naudojamos tik gražesniam paveikslui valdybai pateikti. Pradėti reikia nuo kompanijos kultūros.

Telefonas žino, kada tu nuėjai miegoti

Iš anksto įspėju: tai techniškas įrašas, kuris bus įdomus tik stiprokai užkietėjusiems duomenų analitikams, kurių negąsdina R ar Ruby. Jei šie dalykai jus nelabai domina, štai trumpa įrašo santrauka: jūsų telefonas gali kaupti daug įdomios informacijos apie jūsų judėjimą, mat jis moka būti ir žingsniamačiu. Tuos duomenis galima išsitraukti ir pribraižyti visokių gudrių grafikų, kurie parodo, kad kažkodėl antradieniais ir ketvirtadieniais jūs keliatės valandą anksčiau nei įprastai, 2015 metų gegužę kelias savaites praleidote kitoje Atlanto pusėje ar bent jau panašioje laiko zonoje, o tų pačių metų rugsėjo pradžioje buvote vakarėlyje, iš kurio grįžote apie 2 valandą ryto.

Išsitraukti duomenis iš iPhone telefono nesudėtinga: keli mygtukų paspaudimai, keletas minučių laukimo, ir sugeneruojamas nemažas XML archyvas. Jame yra ne vien tik nueiti žingsniai ir kilometrai, bet ir visi kiti Health programėlės duomenys: gal ten kada vedėtės savo svorį, gal dar koks Runkeeper ten saugojo bėgimo rezultatus ar panašiai – viskas bus viename archyve. Duomenų nemažokai: per pusantrų metų vien žingsniamačio duomenų buvo virš 130 tūkstančių įrašų. Iki 2015 kovo pabaigos, kai Apple išleido Apple Watch ir atnaujino žingsniamačio programinę įrangą, telefonas per dieną jų sugeneruodavo po kelis tūkstančius eilučių. Vos tik stabteli ir atsiranda naujas įrašas: per paskutinės keturias sekundes nuėjai 3,5 metro. Vėliau jau duomenys užrašinėjami ne tokiu jautrumu, tad duomenų mažiau, ir jie nebe tokie smulkūs (nors suminis nueitų žingsnių/kilometrų kiekis nepakito).

XML su Ruby konvertavau į CSV:

require 'nokogiri'
puts "start,end,source,dist"
doc = File.open('export.xml') { |f| Nokogiri.XML(f) }
doc.xpath("//Record[@type='HKQuantityTypeIdentifierDistanceWalkingRunning']").each do |record|
  puts "#{record['startDate']},#{record['endDate']},#{record['sourceName']},#{record['value']}"
end

Tada su R po nedidelių duomenų pakeitimų (tais atvejais, kai judėjimas tęsiasi per vidurnaktį, reikėjo įrašą išskaidyti į du segmentus: iki vidurnakčio ir po jo) sudėjau visus duomenis ant vieno grafiko. Aišku, kai duomenų eilučių šimtas tūkstančių, tai jis labiau primena baltąjį triukšmą, nors kai kurie dalykai visgi matosi: tarkim, galima matyti, jog 2015 gegužę judėjimo ir ramybės laikas ryškiai pasistūmęs, nes tuo metu buvau už Atlanto.

library(lubridate)
library(ggplot2)
library(data.table)

foo = read.csv("distances.csv")
foo$start_hour = hour(foo$start) + minute(foo$start)/60 + second(foo$start)/3600
foo$end_hour = hour(foo$end) + minute(foo$end)/60 + second(foo$end)/3600

foo_overlap = foo[end_hour < start_hour]
foo_overlap[end_hour < start_hour, start_hour := 0]
foo_overlap[end_hour < start_hour, start := end]
foo$end_hour = ifelse(foo$end_hour < foo$start_hour, 24, foo$end_hour)
foo_awesome = rbind(foo, foo_overlap)

ggplot(foo_awesome) + 
  geom_segment( 
    aes(
      x    = start_hour,
      xend = end_hour,
      y    = as.Date(start),
      yend = as.Date(start)
    ),
    size=0.7) +
  xlab("Paros laikas") + ylab("Data") + 
  scale_x_continuous(breaks=c(0,2,4,6,8,10,12,14,16,18,20,22,24), limits=c(0,24), expand=c(0,0)) + 
  scale_y_date(expand=c(0,0), date_breaks="2 month", date_labels = "%Y %b") + 
  guides(colour=FALSE)
Visi duomenys yra beveik kaip baltas triukšmas
Kai sudedi visus duomenis į vieną grafiką gauni beveik tik triukšmą

Akivaizdu, kad norint pamatyti ką nors gudresnio, reikia duomenis kaip nors pjaustyti ar grupuoti. Parą galima suskaidyti į intervalus po 10 minučių, ir kiekviename šių intervalų pažymėti ar buvo judama ar ne: duomenų kiekis sumažėja ir juos galima žymiai lengviau analizuoti. Grupuojant pagal savaitės dienas grafikas žymiai iškalbingesnis.

Mano aktyvumas pagal savaitės dienas
Mano aktyvumas pagal savaitės dienas: žalia – neaktyvu, kuo raudoniau/balčiau tuo daugiau judėjimo

Čia aiškiai matosi, kad antradieniais ir ketvirtadieniais keliuosi anksčiau, mat nuo 8 ryto einu į baseiną. Darbo dienomis apie 10 valandą būna mažokai judėjimo – tuo metu skaitau elektroninį paštą bei geriu kavą, kaip ir mažiau judėjimo apie 14-15 valandą, kai dirbu produktyviausiai. Savaitgaliais miegu dar ilgiau, o sekmadieniais iš lovos išlipu 9.30. Šeštadienis – aktyviausia diena, o sekmadienio vakaras tingus jau nuo pat 18-19 valandos.

Rūta Vanagaitė: Mūsiškiai

Tikriausiai apie Rūtos Vanagaitės „Mūsiškius“ sunku ką nors naujo pasakyti. Tai emocinė knyga, ne sausa monografija apie žuvusių ar žudžiusių statistiką, bet knyga, skirta sustoti ir pamąstyti apie didžiulę tragediją, pagalvoti, ką mes padarėme, kad tai nepasimirštų, kad kaltieji būtų teisingai įvertinti ir kad niekada niekada taip daugiau nepasikartotų. Ir iš tiesų sutinku, kad apie šią tragediją galvojame per mažai, lyg Lietuvos piliečių žydų aukos būtų buvę ne tokios svarbios kaip kitų, labiau „mūsiškių“, išvežtųjų į Sibirą ir persekiotų bolševikų. Dar dabar galima sutikti žmonių, kurie savyje nešioja man niekaip nesuprantamą neapykantą žydų tautai ir tiki „žydomasonų“ sąmokslais: galbūt tai tamsūs žmonės, kurie kartu tiki ir chemtreilais bei acto garinimu, bet vengdami Holokausto temos ir jo aiškaus pasmerkimo mes šio tamsumo niekaip nepragiedrijame.

Kad ir kokios emocijos vyrautų Rūtos Vanagaitės knygoje, niekaip negaliu sutikti su teze, jog lietuviai – žydšaudžių tauta. Lygiai taip galėtume sakyti, jog mes – girtuoklių, stribų bei vaikžudžių, mėtančių į šulinius savo vaikus, tauta. Tauta, kurioje nėra nei vieno teisiojo, kuri susideda tik iš nusikaltėlių, nepaisant to, jog žydus gelbėjusiųjų pasaulio teisuolių tarp mūsiškių irgi galima atrasti. Kiekvienoje tautoje yra žmonių, kurių nusikaltimai turi būti objektyviai išaiškinti ir pasmerkti, bet nusikaltėlių etiketės prilipdymas visai tautai vargu ar gali privesti prie gero. Priklijuota etiketė nepalieka vilties nebekartoti klaidų. Nurašo. Nesvarbu, kokias moralines vertybes įdiegsime savo anūkams, jie liks žydšaudžių tauta. Niekaip negaliu su tuo sutikti.

Visus nusikaltimus reikia tirti objektyviai ir teisingai, be baimės teisti bei pasmerkti tuos, kurie prie to prisidėjo. Nesvarbu, kad jie vėliau padarė dar daug kitų, gerų darbų – kovojo kaip partizanai ar padėjo galvas už laisvę. Tik čia nepamesti šaltos galvos tikrai nelengva, kaip galima matyti ir iš knygoje pateiktų Efraimo Zurofo minčių: tai pilna emocijų tema, kai kur jau apaugusi legendomis, kai bandymai suvokti baisius dalykus darusių motyvus pasitikami riksmu „tu bandai teisinti nusikaltėlius!!“. Ne, neteisinu, bandau suvokti, kas atsitiko ir suprasti ką daryti, kad tai daugiau niekada nepasikartotų. Juk praradome tiek daug saviškių – Lietuvos piliečių.

Marketingistai yra iš Marso, o vartotojai – iš Grigiškių

Nedažnai pasiseka paimti į rankas knygą, kuri argumentuotai apverčia požiūrį į kokią nors sritį. Bob Hoffman‘o „Marketers are from Mars, Consumers are from New Jersey“ išspardė iš galvos visus naujoviškus įsitikinimus apie internetinę bei socialinių medijų rinkodarą ir grąžino į realybę. Dėkui Tomui Ramanauskui už nuorodą.

Esate perskaitę visas Seth Godin knygas ir galvojate, jog socialiniai tinklai visiškai pakeitė rinkodarą, reklamos amžius praėjo ir dabar vartotojai nori būti įtraukti į bendravimą su jūsų prekės ženklu? Kad vartotojams patinka interaktyvi reklama? Kad jie gali įsimylėti „Žemaitijos žvaigždžių“ kefyrą ar nepailstamai domėtis „Vilniaus Gardėsio“ batono istorija? Jums reikia paskaityti šią knygą. Paprastam vartotojui prekių ženklai ne itin rūpi: net jei parduotuvėse dingtų toks stiprus prekinis ženklas kaip Coca-Cola, didžioji dalis vartotojai neimtų inkšti, protestuoti ar trypti kojomis – jie ramiai kitą kartą į krepšelį įsidėtų Pepsi. Vartotojas visai nenori su dauguma prekės ženklų gulti ir keltis, apie juos svajoti ir galvoti, išgyventi jų istoriją, kartu su jais dūsauti, duše niūniuoti daineles, jais gėrėtis ar kartu su jais keisti pasaulį: vartotojas tikisi, jog jis už gerą kainą gaus kokybišką daiktą ar paslaugą ir tiek. Tai labai akivaizdžiai galima matyti ir socialiniuose tinkluose: net ir tokie grandai kaip Red Bull, turintys milijonus fanų bei sekėjų, savo Facebook įrašuose surenka tik keletą tūkstančių „patiktukų“ – 99,9% fanų (!) jie visiškai neįdomūs. Analizė sako, kad Facebooke vartotojai sureaguoja į 0,07% prekinių ženklų skleidžiamo turinio, o Twitteryje – tik į 0,03% (taip, atitinkamai 7 ir 3 iš 10,000!). Socialiniai tinklai ne taip jau radikaliai pakeitė rinkodarą kaip skelbia naujųjų medijų pranašai: geriausiai vis dar veikia senamadiška masinė reklama.

Knygoje dar daug įdomių pastabų apie rinkodarą (tarkim, reikia pardavinėti ne hipsteriams, o penkiasdešimtmečiams, nors tai ir ne taip kieta: penkiasdešimtmečiai turi žymiai daugiau pinigų) ir reklamą. Perskaičiau su malonumu, net jei ir apie šią sritį beveik nieko neišmanau.

Dailius Dargis: 13 tamsaus lietuviško verslo paslapčių

Labai ilgai laukiau, kad kas nors su visu rimtumu ir atsidėjimu imtųsi parašyti lietuviško verslo istoriją: apie pirmuosius šiuolaikinės Lietuvos verslininkus vyšniniais švarkais, apie metalų perpardavinėjimą, investicinius čekius, privatizacijos istorijas, apie nusisekusius ir ne tokius sėkmingus verslus, bankus, finansų piramides, apie tuose drumzlinuose istorijos vandenyse sėkmingai sugebėjusius žvejoti drąsuolius ir tik savo sąžinės bei apsukrumo dėka išplaukusius verslo didvyrius. Su daug analizės, skaičių, profesionaliais komentarais, šimtais dokumentinių šaltinių bei liudininkų pasakojimų. „13 tamsaus lietuviško verslo istorijų“ nėra ta knyga.

Nors Dailiaus Dargio knygos idėja gal ir buvo panaši, bet kompetencijos tam tikrai pritrūko. Gilesnės analizės čia vargu ar galima atrasti, tėra tik keletas žinomų faktų apie verslininkų sovietinių laikų teistumus: ir nors tai irgi yra svarbūs faktai, bet jie nebūtinai yra esminės verslininkų portretų dalys. Juk kur kas įdomesnis turėtų būti gilus verslininkų iškilimo bei pinigų uždirbimo istorijų tyrimas. Deja, pakrapštymas labai paviršutiniškas, apsiribojama vos vienu kitu šaltiniu, o apie tuos, kurie sutiko su autoriumi pakalbėti, tik žodis žodin skamba pačių herojų nuomonė. Tame nieko blogo, bet iki tiriamosios žurnalistikos tolokai. Gal neužteko tam laiko.

Net ir tie skyriai, kuriuose bandoma kastis giliau (dažniausiai todėl, kad verslininkai apie savo istoriją patys atsisakė kalbėtis) gavosi silpnoki ir menkai įtaigūs. Pavyzdžiui, minima apšepusi sodyba Molėtų rajone, kurioje, anot autoriaus, slaptiems pasitarimams rinkdavosi VP grupės nariai, o kaip to įrodymas pateikiamas kaimo gyventojų liudijimas, jog jie matė ten besilankančias mašinas su Maximos lipdukais. Kartais atrodo, jog autorius dega begaliniu noru atrasti sensacingų faktų, net jeigu tai ir ne itin sekasi: skyriuje apie Bronislovą Lubį kone penketui pašnekovų vis buvo užduodamas klausimas, ar jo mirtis jiems neatrodo keista. Jiems visiems neatrodė.

Manau, kad kompetetingai parašyti gilaus žurnalistinio tyrimo knygą apie ankstyvąjį lietuvišką verslą yra labai sunku – ir to darbo galėtų imtis gal tik keletas žmonių, kurie verslu domisi jau ne vieną dešimtmetį. Tam reikia labai daug kruopštaus darbo ir srities išmanymo, knaisiojimosi finansiniuose duomenyse, žiniasklaidos archyvuose, ataskaitose ir akcininkų sąrašuose. Tokios knygos, kuri ne vien papasakotų kelis faktus, bet ir nuodugniai skaičiais pagrįstų bei sudėliotų visą verslo istorijos paveikslą vis dar viltingai laukiu. Juk svajoti galima?