Category: Vadyba

Jeb Blount – „Fanatical Prospecting“

Knygos, Lifehacks, Pastebėjimai, Vadyba, ,

Knygos apie pardavimus gal nevisai mano tema, bet ši visai patiko. Pagrindinė mintis labai paprasta: pardavimuose nėra jokios stebuklingos formulės, viskas pasiekiama per kruviną darbą. No grind – no shine. Jei nuobodžiai neblizginsi, tai ir nežibės.

Knygoje daug dėmesio skiriama šaltiems skambučiams: sakoma, kad jie visgi veikia, nors natūralu, kad bet koks pardavėjas bando jų išvengti. Tačiau pardavėjui telefonas yra pati efektyviausia darbo priemonė – per valandą galima pasiekti keliasdešimt potencialių klientų ir bent jau užmesti meškeres. Jei taip skambini po keletą valandų per dieną, netrukus pasimato ir rezultatai. O kas svarbiausia, tai žymiai geriau pamatuojama, nei turinio kūrimas socialiniuose tinkluose ar kitoks reklamavimasis. Įdomu ir tai, kad siūloma tokių skambučių metu nevynioti nieko į vatą ir neprisigalvoti visokių sudėtingiausių kalbos skriptų: niekas nemėgsta būti trukdomas, tad jei tavo paaiškinimas ko nori trunka ilgiau nei keliasdešimt sekundžių – viskas baigta. Be to, ir pats pardavėjas yra suinteresuotas kuo greičiau išsiaiškinti, ar šis potencialus klientas vertas gaištamo laiko, ar ne: juk eilėje laukia dar šimtai tokių pačių. Tokie patarimai – didelis kontrastas nuo visokių telemarketingistų naudojamų technikų, kai koks nors vadybininkas iš Latvijos ar darbuotojas iš Indijos bando užkalbėti dantį ir įsiūlyti pirkti kokią nors kriptovaliutą. Net nesijausčiau taip blogai, jeigu pardavėjas per 15 sekundžių išgirdęs iš manęs „ne“ padėkotų ir baigtų pokalbį.

Knygoje patiko ir mintis, kad pardavimai dažniausiai padaromi tik po kokių 20-50-ies kontaktų (t.y. skambučių, susitikimų, elektroninio pašto laiškų ir pan). Tad vienas svarbiausių pardavėjo tikslų – kad apie tave žinotų ir pasitikėtų. Jeigu eini į konferencijas, bendrauk su žmonėmis klausydamasis apie jų problemas ir nieko nepardavinėk. Tavo tikslas – užmegzti ryšį ir jau kada nors vėliau jį sustiprinti papildomų susitikimų metu. Be to, kuo geriau supranti kliento problemą, tuo geriau gali pasiūlyti jos sprendimą. O kai ryšio centre yra kliento rūpesčiai, o ne tavo produktų brošiūros, pardavimai tampa lengvesni.

Pardavimai – sunkus darbas, nes didžiąja dalimi laiko iš klientų girdi neigiamą atsakymą. Bet iš kitos pusės, pardavimuose galioja ir didžiųjų skaičių dėsnis – kuo daugiau kontaktų su potencialiais klientais, tuo tikimybė, kad kažkas gausis padidėja. Stebuklų nebūna, tik sunkus ir kruvinas darbas. Turbūt galioja ne vien pardavimams.

James Cortada IBM istorija

Istorija, Knygos, Programavimas, Vadyba, ,

James Cortada dirbo IBM berods 45-erius metus ir, išėjęs į pensiją, parašė virš septynių šimtų puslapių knygą apie šios kompanijos istoriją. Nemanau, kad „IBM: The Rise and Fall and Reinvention of a Global Icon“ pretenduoja būti labai objektyvi – tai žvilgsnis į IBM ilgamečio darbuotojo akimis, be didelės kritikos, daugiausia tik su nuomonėmis „iš vidaus“. Tad nereikia stebėtis, jog kompanija piešiama beveik vien tik teigiamomis spalvomis: inovacijų lyderė, technologijų etalonas ir panašiai. Net ir paskutinius tris dešimtmečius vykęs IBM nuosmukis nurašomas nekompetetingiems vadovams, kurie tik norėjo mažinti kaštus ir pasinaudodami finansų inžinerija išspausti kuo didesnę akcijos kainą. Bet IBM nuosmukis prasidėjo žymiai anksčiau, dar tada, kai jiems puikiai sekėsi ir kompaniją pradėjo valdyti pardavėjai bei „procesų vergai“, o ne technologijų žmonės. Su biurokratija ir per dideliais pažadais klientams toli nenuvažiuosi, net jeigu ir turi kone monopolinę rinką.

Nors tikrai ilgai tai buvo sėkminga strategija. Nuo pat 1940-ųjų IBM nesistengė būti inovacijų smaigalyje. IBM stiprybė buvo pardavėjai ir „customer service“:

Technology turned out to be less important than sales and distribution methods. Starting with UNIVAC, we consistently outsold people who had better technology because we knew how to put the story before the customers, how to install the machines successfully, and how to hang on to the customers once we had them.

James Cortada, „IBM: The Rise and Fall and Reinvention of a Global Icon“

Geras servisas ir puikūs pardavėjai leido IBM susikurti labai patogią rinkos poziciją: IBM buvo sinonimas žodžiui „patikima“. Padėjo ir tai, kad dėl didelės rinkos dalies visi imdavo laikyti IBM rinkos standartu, o tai padėdavo uždirbti krūvas pinigų iš visokiausių priedų, perfokortų (kurios, aišku, buvo patentuotos) ir panašių papildomų prekių ir paslaugų. Tik ši komfortabili pozicija neleido jiems greitai judėti naujose rinkose: stalinių kompiuterių era buvo beveik pražiopsota (o juk IBM turėjo tapti Microsoftu, tačiau negalėjo perlipti per save ir imti konkuruoti su savo didžiųjų serverių verslu, kuris ilgą laiką buvo aukso kasyklos), „debesis“ irgi visiškai pragrotas Amazonui, Google ir tam pačiam Microsoft. Prieš penkiolika metų kiek gyvybės įpūtė IBM noras tapti konsultacine programuotojų bendrove, bet pradėjus taupyti kaštus ir perkelti viską į Rytų Europą ir Indiją IBM prarado savo patikimumo veidą – ar bent jau taip mano autorius James Cortada: daugelis jo brangiai kainuojančių bendradarbių buvo atleisti taupant kaštus.

Knyga baigiasi ties 2018-ųjų pradžia ir ji vis dar kupina vilties, kad IBM renesansas jau čia pat už kampo – Watson ir dirbtinis intelektas viską išgelbės. Bet tai tik dar vienas pardavėjų, o ne inžinierių sukurtas produktas: IBM nuosmukis tęsiasi, o Watson neatrodo, jog pateisino viltis.

Ar ofisas vis dar reikalingas?

Darbas, Pastebėjimai, Vadyba, ,

Pastarąsias dešimtį dienų dirbau ne iš namų. Dirbau ir ne iš ofiso: daugiau nei savaitei persikėliau į pajūrį. Darbo ritmas nuo to visai nepasikeitė, rutina išliko ta pati. Atsikelti prieš aštuonias, pasidarius kavos perskaityti elektroninį paštą, žiaumojant sumuštinį atnaujinti vienos ar kitos sistemos duomenis ar parašyti vieną kitą lengvesnę duomenų bazės užklausą. Po to įprastiniai dienos skambučiai su klientais, darbas, darbas, darbas, pietų pertraukėlė ir vėl darbas. Ir tada, jau kokią 18 valandą, galima kiek atsipūsti, nueiti prie jūros, pavakarieniauti, paskaityti knygą. Ir tikriausiai dar atsakyti į kelias darbines užklausas.

Dirbu nuotoliniam darbui dėkingoje IT srityje, tad darbas namie ar prie jūros visai nesiskiria nuo darbo ofise. Jei tik yra pakankamai stabilus internetas, galima dirbti bet kur. Ir atrodo, jog pagaliau tai tapo suvokiama vis daugiau kompanijų: jeigu prieš pandemiją pas klientus Londone reikėdavo reguliariai skraidyti kas dvi savaites „atsiskaityti už darbus“, dabar visai pakanka kassavaitinio skambučio. Susitaupo ne vien kelionės nuovargis, bet ir begalės laiko bei pinigų. Nors klientai – ne IT bendrovė, jie irgi į ofisą nebeskuba, fizinis buvimas visuose susitikimuose nebeatrodo efektyvus darbo būdas.

Vienas didžiulis ofiso privalumas išliko: ofise nėra vaikų. Jei vaikai neina į darželį ar mokyklą, tai namuose vis tiek tenka dirbti bent jau pusantro etato, be eilinių darbinių užduočių reikia pasirūpinti ir jais. Neturintys vaikų bendradarbiai visai mielai nuolat dirbtų iš namų ar sodybos. Socializacija svarbu, bet juk nebūtinai darbinėje aplinkoje.

Mano artimiausioje aplinkoje jau bent trys kompanijos nusprendė, kad jiems arba reikia dvigubai mažesnio ofiso, arba jo nereikia visai. Taip, tai gana mažos kompanijos, taip, jos visos dirba IT srityje ar bent jau ne Lietuvos rinkai (tad jau ir šiaip yra įpratę su klientais bendrauti per atstumą). Bet lūžis galvoje įvyko, ofisų paklausa turėtų mažėti. Ir, tikiuosi, pagaliau numirs atviro plano ofisų idėja: juose nei susikaupsi, nei ramiai padirbsi.

Post Scriptum. Nors bendrinėje kalboje dažniausiai vartojamas žodis „ofisas“, lyg ir taisyklinga būtų sakyti „biuras“. Bet tikrai nesuprantu, kuo prancūziškas / vokiškas „biuras“ yra geriau už anglišką „ofisą“ – galų gale abu šie žodžiai kilę iš tos pačios lotynų kalbos (burra ir officium)

Ar visada reikia maksimizuoti pelną?

Ekonomika, Filosofija, Pastebėjimai, Vadyba, ,

Prieš keletą metų esu rašęs apie tai, jog versle galima greitai nuvažiuoti į šoną, jei per daug rimtai pradedi žiūrėti į visokias verslo metrikas:

Nereikia pamiršti, jog visas metrikas galima apgauti: vien jau rodiklio pasirinkimas gali lemti keistus organizacijos kultūros pokyčius. Ekonomisto Goodhart’o dėsnis teigia, jog metrikos nustoja būti efektyvios vos tik jos tampa tikslu, kurį reikia pasiekti. Kai tik kažkas siekdamas suvaldyti bankų riziką apriboja kapitalo pakankamumo rodiklį, randama būdų paskolas paversti obligacijomis (o šios kapitalo pakankamumo formulėje traktuojamos atlaidžiau). Kai interneto rinkodaros efektyvumą matuoji reklamų paspaudimais, atsiranda automatinių botų, kurie nuolat spaudalioja ant banerių. Kai prieš reklamdavius reikia girtis atverstų puslapių skaičiumi, portalų antraštės optimizuojamos taip, kad skaitytoją užkabintų, bet neperteiktų straipsnio minties: veiksmo daug, o portalo vartotojai turiniu nusivilia. Jei tik pradedi rimtai optimizuoti kokią nors metriką, net nepastebi, kaip jau toli nuvažiavai į lankas.

Apie perdėtą metrikų svarbą

Panašia tema vakar užsimezgė diskusija Twitteryje: kuo toliau, tuo labiau manau, kad net įmonės pelnas patenka į šių „metrikų“, ties kuriomis galima perspausti sąrašą.

Pirmiausia, pelnas yra lygiai tokia pati manipuliuojama metrika, kaip ir visos kitos: iš dalies tai kažkiek subjektyvus apskaitos dalykas (tarkim, kokiu greičiu nudėvėsi turtą, paveiks tavo pelningumą), o iš kitos pusės, ne kartą teko matyti, kaip pelną nesunku pakreipti į vieną ar kitą pusę, jei tik labai to reikia. Jei viešuosiuose pirkimuose leisi dalyvauti tik pelningoms organizacijoms, nelabai realaus pelno turinčios ras būdų, kaip ištraukti „ant minimalaus nulio“. Jei pelno mokestis bus labai didelis, atsiras būdų, kaip dirbti „nuostolingai“ optimizuojant mokesčius, ir panašiai.

Antra, net jei ir pelnas būtų labai tiksli matematinė sąvoka, dėl kurio apibrėžimo nekiltų diskusijų, perdėta koncentracija į jo didinimą vadovus padaro aklus ilgalaikėms galimybėms: pelnas šiandien tampa svarbesniu už pelną rytoj. Tai nutinka ne taip jau retai, ir tik pavienės stiprią (dažnai ir monopolinę) galią turinčios kompanijos, uždirbančios labai gerą pelną nepražiopso naujai kylančių konkurentų. Atsisakyti gero dabartinio pinigų srauto investuojant į nelabai aiškią ir nebūtinai pelningą ateitį sunku. Todėl Kodak netapo didžiausiu skaitmeninių fotoaparatų gamintoju, o IBM prarado savo pozicijas kompiuterių rinkoje.

Trečia, verslas neturėtų pelno (ar bet ko kito) siekti bet kokiomis priemonėmis: moralė ir „doing what is right“ visada svarbiau nei pelnas trumpuoju (ir ilguoju) laikotarpiu. Perdėtas pelno vaikymasis veda link korupcijos (telieka prisiminti TeliaSonera nuotykius Uzbekistane), vaikščiojimo ties įstatymo ašmenimis (Danske, Swedbank) ar kitų nelegalių sprendimų (kaip kad Grigeo skandalo atveju). Net jei reputacinė rizika siekiant pelno ir yra teisingai įvertinama, nesu tikras, ar tai gera strategija.

Aišku, daugelį šių argumentų galima suvesti į tai, kad pelnas nebūtinai turėtų būti maksimizuojamas trumpuoju laikotarpiu: aukšti moralės standartai turėtų ilgainiui atsipirkti, lygiai taip, kaip ir investicijos į ilgalaikius projektus, kurios, nors ir mažina pelną artimiausiais metais, bet prisideda prie pelno augimo ilguoju laikotarpiu.

Savaime suprantama, verslo tikslas – uždirbti pinigų – nedingsta. Kaip kad ir noras laimingai nugyventi gyvenimą. Bet jei kas dieną (ar kas ketvirtį, ar kas metus) stengsiesi viską matuoti tik pelno matu, tikriausiai baigsis ne itin gerai. Lygiai taip, kaip baigtųsi, jei kas dieną norėtum maksimizuoti savo laimę.

Machine learning’o projektuose sunkiausia ne techninė dalis

Analizė, Darbas, Pastebėjimai, Vadyba, , ,

Buvęs LinkedIn duomenų analitikas Peter Skomoroch konferencijoje Strata skaitė neblogą pranešimą apie tai, kas sunkiausia įgyvendinant machine learning ar dirbtinio intelekto projektus. Ne, ne techninės kliūtys. Sunkiausia tai, kad labai sunku tokius projektus tiksliai suplanuoti ir subiudžetuoti – o ir jų nauda dažnai sunkiai įvelkama į skaičius (kvantifikuojama). Didelei korporacijai, kurioje visi įpratę IT projektus vykdyti griežtai subiudžetuotais projektais (nesvarbu, kad dauguma jų tuos biudžetus vis tiek ryškiai perlipa), sunku suprasti, jog beveik neįmanoma suprognozuoti, ar veiks algoritmas ar ne, bei kiek laiko užtruks jį ištreniruoti. Niekas negali pasakyti, kada jau bus galima į gyvenimą paleisti save vairuojančias mašinas: visos prognozės buvo labai netikslios (berods Uber kažkada seniai sakė, jog 2020-aisiais jie vairuotojų nebeturės ir važinėsime autonominėmis mašinomis. Vis dar mane namo veža žmonių valdomi Toyota Prius).

The transition to machine learning will be about 100x harder than the transition to mobile.
Some of the biggest challenges are organizational, not technical.
Machine Learning shifts engineering from a deterministic process to a probabilistic one.

Peter Skomoroch

Labai svarbu, kad machine learning projektams vadovautų žmonės, kurie gerai supranta kompanijos duomenis, o ne vien yra matematikos profesoriai. Geras projektų vadovas supranta, kas machine learning‘e yra lengva, o kas sunku, ir, net jei tai ne itin sudėtinga problema techniniu požiūriu, supranta ar ji turi verslo vertę. Gal būt visai neverta šiai problemai skirti dėmesio? Taip pat svarbu suprasti turimų duomenų niuansus ir kokybę – dažnai teoretiniai matematikai tai pražiūri, nes matematiniuose modeliuose visi duomenys vienodai geri ir kokybiški. Realybėje – ne itin.

Duomenys nebūtinai sukuria daug verslo vertės

Analizė, Darbas, Pastebėjimai, Vadyba, , ,

Šiandien užtikau gerą straipsnį apie tokį požiūrį, su kuriuo, deja, gana dažnai susiduriu kompanijose: reikia surinkti kuo daugiau duomenų, viską bet kaip sudėti į duomenų bazę ir iš to vis tiek gausis kas nors gero. Na, žinai, gi ten machine learning, dirbtinis intelektas, visa kita gi šiais laikais. Svarbu duomenų būtų.

Didesnėse kompanijose tai dažnai galima suprasti: pinigų projektams kaip ir yra, norisi užsidėti varnelę, kad „kažką darai su dirbtiniu intelektu“, net jei ir nieko nesigaus, tai bent jau bandysi. Nesvarbu, kad nelabai aišku, kokia reali to nauda verslui, ir kas bandoma pasiekti. Bet tai, pasirodo, dažnai pasitaiko ir tarp startuolių: vietoje to, kad pastangas skirti klientų paieškai ar geresniems procesams, per daug koncentruojamasi į duomenis, lyg jie būtų ta magiška burtų lazdelė, kuri visus staiga padarys milijonieriais.

Straipsnyje galima rasti gerų patarimų ir įžvalgų, kurių niekada reiktų nepamiršti, dirbant su duomenų projektais:

  • Kokie yra duomenų gavimo kaštai? Būtina bent jau apytiksliai paskaičiuoti, kiek kainuoja visi duomenų inžinieriai, visi vadovai, kuriems reikia ataskaitų ir planų, visi serveriai, infrastruktūra, visų vadovų laikas, kurį jie praleidžia kasdieną stebėdami analitines ataskaitas vietoje to, kad galbūt galvotų, kaip užkariauti naujas rinkas ir geriau padėti klientams.
  • Kokią naudą mes gauname iš duomenų? Kas atsitiktų, jei vienos ar kitos ataskaitos ar algoritmo nebūtų? Kiek verslo vertės susideda iš to, kad turime tikslesnę informaciją ir ją galime greičiau pasiekti? Taip neretai galima suprasti, kad visgi lengviau paskambinti klientui ir jo paklausti, kas jį mūsų svetainėje trikdo nei valandų valandas praleisti Google Analytics bandant išskaityti gudrias įžvalgas.
  • Per kiek duomenys pasensta? Dažnai net nepastebima, kad kelių metų duomenys jau niekam neįdomūs ir netgi nelabai naudingi: klientų poreikiai pasikeitė, elgsena kitokia, žiūrėk jau ir Facebook ne toks visiems įdomus, aplinka nujudėjo visai kitur. Kai supranti, kad tavo duomenys labai greitai sensta ir vien jų kiekis nesukuria tvaraus konkurencinio pranašumo (nes bet kas, investavęs metus ar kitus darbo gali irgi įgyti ne ką mažiau panašių duomenų), jų nuolatinis atnaujinimas ir kiekybės siekimas vien dėl kiekybės nušvinta kitomis spalvomis. Gal verčiau mažiau duomenų, bet labai gerai atrinktų? Ir gal užtenka logistinės regresijos ir visai nereikia neuroninio tinklo su dešimt tūkstančių faktorių?

Goldman Sachs pardavimų principai

Knygos, Lifehacks, Pastebėjimai, Vadyba, ,

Neseniai perskaitytoje Goldman Sachs istorijoje man užkliuvo vieno iš jų vadovų suformuluotos taisyklės pardavėjams. Jomis Goldman Sachs bankas vadovavosi tuo metu, kai stengėsi įeiti į Europos rinką: aštuoniasdešimtaisiais jie Europoje tebuvo mažai kam žinoma amerikiečių kompanija, visiškai be klientų ir be jokios įvykdytų sandorių istorijos.

Taisyklės šios:

  1. Negaišk laiko stengdamasis atvesti klientą, kurio šiaip jau ir nelabai nori turėti.
  2. Dažniausiai sprendžia vadovas, o ne vidurinės grandies vadybininkas. Ar pažįsti tą vadovą?
  3. Gauti gerą klientą užtrunka beveik tiek pat laiko, kiek ir prastą.
  4. Kol kalbi, nieko naujo neišmoksti.
  5. Kliento tikslai yra žymiai svarbesni nei tavo paties.
  6. Vieno žmogaus pagarba yra žymiai vertingesnė nei paviršutinė pažintis su šimtu.
  7. Jei tik matosi galimybė gauti klientą – griebk jį!
  8. Svarbūs žmonės mėgsta bendrauti su svarbiais žmonėmis. Ar pats esi svarbus?
  9. Nieko nėra blogiau kaip nepatenkintas klientas.
  10. Jei atvedi klientą, tai iki pat galo turi rūpintis, kad jis viskuo liks patenkintas.

Charles D. Ellis: „The Partnership“

Knygos, Pastebėjimai, Vadyba, , ,

Skaičiau šią knygą keturis mėnesius. Nors ne. Pradėjau ją skaityti dar prieš dešimtmetį, vos tik jai išėjus. Tuomet jos nepabaigiau – buvo krizė, buvo kitų reikalų, o šis storas veikalas reikalavo daug dedikacijos: šiemet teko pradėti jį iš naujo. Po dešimtmečio įspūdžiai apie Goldman Sachs ir pačią finansų industriją kiek pasikeitę, nors knyga vis tiek patiko.

The Partnership yra knyga apie vieno (pačio) garsiausio investicinio banko Goldman Sachs istoriją. Joje išsamiai rašoma apie taip, kaip buvo kuriamos vienos ar kitos verslo linijos, kokiais principais buvo vadovaujamasi, kaip jiems pavyko įeiti į vieną ar kitą rinką ir panašiai. Daug spalvingų istorijų, daug pasakojimų, daug idealizmo – rašant knygą su autoriumi bendradarbiavo daug banko partnerių, tad tikriausiai nenuostabu, jog knyga gavosi labai teigiama, su sąlyginai mažai kritikos ir objektyvumo. Net ten, kur bankas padarė klaidų, pozityviai rašoma labiau apie tai, kas buvo išmokta, nei kritikuojamos klaidų priežastys. No regrets. Todėl skaitant The Partnership turi suprasti, kad istorijos, išdėstytos jos puslapiuose yra labiau apie tą idealųjį Goldman Sachs, tokį, kokį pats bankas norėtų save matyti, o ne tą realųjį Goldman Sachs, kaip jį mato kiti rinkos dalyviai. Bet, aišku, žinoti savo idealus irgi naudinga.

Senosios Goldman Sachs principai skamba neblogai, ir jais norėtųsi pačiam vadovautis savo versluose:

  1. Klientų interesai yra pats svarbiausias dalykas mūsų versle (galima tikrai daug ginčytis apie tai, jog šis banko principas buvo visiškai pamirštas pastaraisiais keliais dešimtmečiais, kai buvo intensyviai prekiaujama sava sąskaita prieš klientų interesus)
  2. Mūsų turtas yra žmonės, kapitalas ir reputacija. Jei bent vieną prarastume, sunkiausia atstatyti reputaciją.
  3. Profesionalumas viskame, ką darome: geriau būti mažu geriausiu nei vidutiniu didžiausiu.
  4. Naujų sprendimų ieškojimas: neapsiriboti tik tuo, ką darome įprastai, ieškoti naujų kelių.
  5. Kadangi esame paslaugų versle, samdome tik geriausius žmones. (iš tiesų, rašoma, jog neretai reikėdavo praeiti keliasdešimt interviu, kol būdavai priimamas į darbą)
  6. Darbuotojų meritokratija: jei sugebi, karjerai (ir pinigams) lubų nėra.
  7. Komandinis darbas: nėra vietos individualizmui. (Rašoma, kad bet kuriam darbuotojui, kuris pradėdavo manyti, jog jis vienas ką nors pasiekė, greitai būdavo parodomos durys. Viduje nebuvo priimtina sakyti „aš padariau tą ir tą“, būtinai reikėjo „mes padarėme tą ir tą“).
  8. Tikimasi, kad darbuotojai dirbs žymiai daugiau nei kitose kompanijose. Tinginiams ne vieta.
  9. Pelnas užtikrina veiklos tęstinumą. Verslas turi būti pelningas. Pelnu nesunku dalintis su tais, kurie prisidėjo prie jo padarymo. Jei verslas nepelningas, tai tokio verslo nereikia (kontrastas su startuoliais nemenkas!)
  10. Reikiamas komandos ir turto dydis: reikia būti pakankamai dideliu, kad galėtum paimti didelius ir pelningus projektus, bet pakankamai mažu, kad nesustabarėtum.
  11. Kadangi finansų sektorius nestovi vietoje, visada turime galvoti apie naujus klientų poreikius ir patiems neužsisėdėti ties senomis idėjomis.
  12. Savo versle gauname daug konfidencialios informacijos: jokiu būdu negalime ja pasinaudoti savo ar kitų klientų reikmėms. Pasitikėjimas yra svarbiausia vertybė ir jei jį prarasime, viską prarasime.
  13. Nors mūsų versle daug konkurencijos ir mes agresyviai norime plėsti klientų ratą, su konkurentais turime elgtis teisingai ir jų nežeminti.
  14. Tikimės, kad darbuotojai elgsis sąžiningai tiek darbe, tiek asmeniniame gyvenime.

Vienas iš įdomiausių kertinių veiklos principų pradžioje buvo visiškas vidinio politikavimo netoleravimas: jei kas pradeda politikuoti, iš karto atsisveikina su darbu. Tiesa, bankui augant, tokių principų nebebuvo galima išlaikyti. Kas tinka mažai kompanijai, nebūtinai realu didesnei.

Ar jums tikrai reikia besimokančių (machine learning) sistemų?

Analizė, Darbas, Pastebėjimai, Vadyba, , ,

„Žiūrėk, turim duomenų, gal galėtumėt ką nors padaryt su machine learning ar dirbtiniu intelektu? Juk čia gi dabar ateitis“ – labai dažnas šiuolaikinis prašymas iš potencialių klientų. Neretai pasirodo, kad realių problemų sprendimui nereikia nei gudrių algoritmų, nei dirbtinio intelekto: didžioji vertė iš duomenų išspaudžiama žymiai paprastesnėmis priemonėmis, vien tik sutvarkius duomenis ar pasinaudojant senais gerais statistikos įrankiais. Kita vertus, logistinės regresijos terminai panašiai kaip ir bet kokios diskusijos apie neuroninius tinklus: nei apie vienus, nei apie kitus nedaug kas girdėjęs.

Problema tame, kad dirbtinis intelektas ir besimokančios sistemos yra dažnai minimos tokiose stebuklinguose kontekstuose, kad paprastas žmogus vargu ar gali suprasti, kad, nepaisant visų pastarųjų metų pasiekimų, jos nėra visagalės. Taip, jos gali atpažinti objektus paveiksliukuose, taip, jog pusėtinai gali išversti vienos kalbą į kitą, taip, jog gali kūrybiškai imituoti meno kūrinius. Ne, besimokančios sistemos dar negreit sukurs naują Nobelio literatūros kūrinį, ne, jos nesugalvos jums naujos verslo strategijos, ne, jūsų atsitiktinė duomenų sankaupa netaps aukso grynuoliu, nešančiu jums milijonus vien todėl, kad nutarėte investuoti į dirbtinį intelektą.

Vienas geriausių kriterijų, kuris labai greitai atmeta visas dirbtiniam intelektui kol kas neįkandamas idėjas yra užduoti sau klausimą, ar su norima spręsti užduotimi susidorotų paprastas žmogus. Jei žmogus duomenyse gali atrasti paaiškinamus sąryšius bei dėsnius, tai yra šansų, kad tai galės atlikti ir dirbtinis intelektas, nors to garantuoti negalima. Jei žiūri į klientų duomenis, ir pradedi suprasti dėsningumus, tuos dėsningumus galbūt atras ir besimokančios sistemos. O jei duomenys nieko nesako net protingiausiam žmogui, tikėtina, jog nieko protingiau nesugalvos ir dirbtinės sistemos.

Panašios nuomonės yra ir šio dienoraščio autorius. Jis gal dar griežtesnis: jei įmanoma duomenis perkratyti statistinės analizės pagalba ir jų ryšius aprašyti matematinėmis formulėmis, dirbtiniam intelektui – ne vieta. Nors suprantu, jog riba tarp sudėtingos statistikos ir besimokančių sistemų kartais nebe tokia ir aiški.

Kad ir kaip ten bebūtų, duomenys atneša daugiausiai verslo vertės, kai yra labai aiškiai suprantama, ką su jais norima padaryti ir kai yra užduodami teisingi verslo klausimai. Vien perleidus atsitiktinių duomenų rinkinį per dirbtinio intelekto algoritmus, verslo įžvalgų grynuolio nerasi. Garbage in, garbage out.

Neapdorotų duomenų nebūna

Analizė, Pastebėjimai, Vadyba, , ,

Yra toks gana gajus mitas, kad turint „žalius“ neapdorotus duomenis, galima nesunkiai padaryti objektyvias išvadas – juk neapdoroti duomenys turėtų kalbėti už save, jie neturėtų būti „sutepti“ šališkos žmogiškos nuomonės bei išankstinių nusistatymų. Kuo daugiau neapdorotų duomenų, tuo objektyvesnės išvados. Deja, visiškai neapdorotų duomenų nebūna. Jau pats faktas, kad kažkas juos rinko, reiškia, kad kažkas padarė sprendimą jais domėtis: o kodėl rinko būtent taip, o ne kitaip? Kodėl rinko tokius, o ne anokius? Kodėl skaičiavo žmones, o ne mašinas; kodėl išmetė iš skaičiavimų vaikus ar žmones vežimėliuose, kodėl nusprendė, jog tamsoje duomenys nepatikimi? Net jei duomenis renka automatiniai prietaisai (tarkim, kas kažkiek laiko skaičiuojama temperatūra), duomenys fiksuojami su aiškia paklaida, kuri nustatyta matavimo įrenginio specifikacijoje – pats įrenginys kažkiek matavimą apvalina, kažkiek veikia nepatikimai už tam tikrų temperatūros rėžių. Jei nežinosi šio konteksto, gali padaryti išvadą, kad temperatūra būna stabili (tiesiog nematai temperatūros pokyčių, mažesnių nei vienas laipsnis) ar ji niekada nenukrenta žemiau -20˚C.

Ypač sunku teisingai interpretuoti skaičius, kurie susiję su žmogumi. Nusikaltimų skaičius gali augti jau vien dėl to, kad pasikeitė suvokimas, kas yra nusikaltimas (tarkim, anksčiau gal buvo visuomenėje priimta, kad vaikus mušti ir tai nebuvo laikoma nusikaltimu). BVP ar infliacijos skaičiai gali kisti dėl metodologinių paklaidų. Pajamų duomenys, surinkti apklausos būdu, smarkiai skirsis nuo duomenų, gautų iš mokesčių inspekcijos.

Simply put, the context of data — why it was collected, how it was collected, and how it was transformed — is always relevant. There is, then, no such thing as context-free data, and thus data cannot manifest the kind of perfect objectivity that is sometimes imagined.

https://www.thenewatlantis.com/publications/why-data-is-never-raw

Šiuolaikinė „didelių duomenų“ mada bando įteigti, jog žali duomenys yra patys objektyviausi, nes jie neužteršti išankstinėmis nuostatomis. Kuo daugiau tokių duomenų, kuriuos galima sušerti taipogi labai objektyviam algoritmui, tuo teisingesnės išvados – ir tam net nereikia jokių ekspertų, mat jie tik įneš savo (nebūtinai teisingą) išankstinę nuomonę. Žmonėmis negalima pasitikėti dėl jų subjektyvumo: nuo to gali išgelbėti tik daugybė duomenų. Bet toks pasaulio vaizdas visgi yra utopinis: jei atvirai nedeklaruoji savo prielaidų, nereiškia, jog jų nedarai. Nematomos subjektyvios prielaidos duomenyse atsiranda jau jų rinkimo procese, ir to niekaip neišvengsi. Ką matuoji, tą ir optimizuosi. Duomenys už save nekalba, jie atkartoja duomenų rinkėjų nuomones.