Machine learning’o projektuose sunkiausia ne techninė dalis

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.

Charles D. Ellis: „The Partnership“

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?

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.

Tamara Shopsin: „Stupid Arbitrary Goal“

Pasirodo, Niujorke yra žymus kišenės dydžio restoranas Shopsin’s, kuris gyvuoja jau ne vieną dešimtmetį. Deja, jo įkūrėjas šiais metais mirė, o ši jo dukters knyga yra istorijų ir prisiminimų rinkinys apie jį patį ir jo žymųjį restoraną.

O restoranas žymus visai ne tuo, kad ten dirba aukščiausio lygio virėjai ar baltomis pirštinėmis vilkintys padavėjai – priešingai, jame visada galėjai rasti išsidrėbusį rajono keistuolį, būti apšauktas, kad nežinai ko nori ir „išbanintas“ dėl to, kad kur nors parašei šio restorano apžvalgą (net ir labai teigiamą!). Šiam restorano savininkui klientų ir taip pakako, jis turėjo kiek kitokį požiūrį į pinigus ir gyvenimo filosofiją. Net kai vienu metu buvo proga už vienodą kainą nusipirkti dvejas patalpas toje pačioje gatvėje – vienas didesnio ploto ir su nauja įranga, o kitas mažesnes ir su nudėvėtomis lentynomis, Shopsin nusipirko mažesnes. Nes jos per kelis šimtus metrų arčiau namų.

Visa ši knyga yra puikių Niujorko gyvenimo anekdotų rinkinys, kurio tiesiog negali padėti į šalį. Prarijau per kelis labai malonius lengvo skaitymo vakarus.

Phil Knight: Shoe Dog

Turbūt nėra žmogaus, kuris nebūtų girdėjęs apie kompaniją Nike: tai vienas stipriausių prekinių ženklų. Jos įkūrėjo Phil Knight memuarai labai asmeniški bei nuoširdūs: čia daugiau asmeninių išgyvenimų nei verslo gudrybių ar strategijos. Gal dėl to ši knyga ir yra tokia patraukli: žmogus, sukūręs tokią žymią kompaniją, apie savo nueitą kelią pasakoja jautriai, paprastai ir žmogiškai. Buvo ir klaidų, nemažai suklupimų, paklydimų, kartais ir pykčio, išdavysčių, per mažai dėmesio aplinkiniams žmonėms, mažai laiko šeimai, mažai laiko sau.

Didelės kompanijos sėkmė neateina per vieną dieną, neateina ji ir per dešimtmetį. Net ir tokia sėkminga kompanija kaip Nike visada vaikščiojo ant peilio ašmenų ir tik atsitiktinumo dėka jai vis pavykdavo išlaviruoti. Suvaldžius vieną krizę, kaip mat iškyla kita: jei jau išsprendei kontrakto problemas su tiekėju, tai tave atsisako aptarnauti bankas, jei užglaistei nesklandumus su banku, tave muitinei paskundžia konkurentai, jei per teismus įrodei, kad muitinė neteisi, tave palieka tavo svarbiausias darbuotojas. Visoms toms problemoms spręsti reikia neregėto atkaklumo, stiprių nervų, kartais tiesiog įžūlios drąsos ir nemažai atsitiktinės sėkmės.

Įdomi buvo ir Phil Knight verslo patirtis su Japonijos partneriais. Darant verslą su kitos kultūros žmonėmis gali nutikti daug visokių netikėtumų, tad tam reikia būti pasiruošus.

Apie (perdėtą) metrikų svarbą

Vienas svarbiausių dalykų šiuolaikinėje vadyboje – metrikų (KPIs, key performance indicators, pagrindinių veiklo rodiklių) sekimas. Juk jei kažko nematuoji, tai ir negali pagerinti. Iš tiesų, poreikis reguliariai matuoti savo progresą organizacijas priverčia rimčiau pažiūrėti į savo duomenų ūkį, mat iki tol duomenų surenkama mažai ir ne daug kam rūpi jų kokybė. Ir tik turint pakankamai duomenų palaipsniui galima prieiti prie „data-driven“ kultūros: visus svarbesnius sprendimus priimti vadovaujantis nebe nuojauta, o paanalizavus objektyvius skaičius.

Tačiau čia, kaip ir visur, galima persūdyti. 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.

Žmogaus elgsenos beveik neįmanoma tobulai išmatuoti – belieka rinktis kažkokius skaičius, kurie gal būt arčiausiai galėtų atspindėti esamą situaciją. Taip „atverstų puslapių skaičius“ apytiksliai matuoja „kiek žmonių perskaitė šį straipsnį?“, o „paspaudimais ant reklamos“ galima išmatuoti vartotojų norą įsigyti reklamuojamą produktą. Kapitalo pakankamumas tampa apytiksliu banko rizikos matu, NPS tyrimas maždaug parodo ar vartotojams patinka jūsų kompanija, studentų egzamino balai maždaug parodo, ar jie išmoko paskaitų medžiagą. Turint prieš akis (kad ir netikslų) skaičių, jį galima stebėti, galvoti, kaip jį pagerinti ir sekti savo progresą. Tai ypač patinka inžinieriams ir matematiškai galvojantiems žmonėms: žymiai lengviau galvoti kaip „X procentų pagerinti egzaminų rezultatus“, nes tai skamba daug tiksliau ir apibrėžčiau nei „geriau mokyti studentus“.

Problema atsiranda tada, kai pamirštama, jog metrika tėra apytikslis pasaulio atspindys. Dar blogiau, kai pagrindiniu tikslu tampa tik metrikos pagerinimas – visada išlenda netikėti antriniai šių metrikų efektai. Norint padidinti straipsnių kokybę pradedama matuoti kiek jų perskaitoma, tada kyla noras optimizuoti paspaudimus ant straipsnių antraščių, o tai galų gale sumažina straipsnių kokybę. Norint, kad kuo daugiau vartotojų naudotųsi tavo programėle, pradedamas sekti vartotojų grįžtamumo dažnumas (retention and churn), o vėliau tai išsiverčia į besaikį elektroninio pašto brukalų ar notificationų naudojimą. Norint, kad studentai geriau išmoktų dėstomą medžiagą, pradedama siekti jų egzaminų rezultatų pagerinimo, ir galų gale profesoriai pradeda mokyti savo dėstomo dalyko egzamino išlaikymo triukų, o ne patį savo dėstomą dalyką.

O kartais reikia optimizuoti visai priešingą metriką nei atrodytų iš pirmo žvilgsnio. Nors standartiškai galvojant norisi siekti, kad vartotojai kuo daugiau laiko praleistų svetainėje, Google stengėsi šią metriką optimizuoti į priešingą pusę: kuo greičiau vartotojai randa ko reikia, tuo jie greičiau dings iš tavo paieškos svetainės ir bus laimingesni. Pasiteisino.

Besaikis skaičių fetišas irgi kenksmingas. Verta į verslą kartais pažvelgti ir ne vien per metrikas.

Ką skaičiau migdydamas dukrą

Nebūčiau pagalvojęs, kad susilaukus dukros atsiras tiek daug laiko skaitymui. Kuo ji neramesnė, tuo ilgiau ją reikia nešioti ant rankų ir migdyti savo glėbyje. Kuo ji neramiau miega, tuo ilgiau ją reikia glausti prie krūtinės ir tuo vėliau perkelti į lovytę. Kuo ilgiau ją tyloje migdai glėbyje, tuo daugiau puslapių perverti Kindle skaityklėje. Dešimt knygų per penkias savaites.

  • Sydney Finkelstein – „Superbosses“. Yra tokių puikių vadovų, su kuriais labai norisi dirbti, nors žinai, jog bus labai sunku: iš tavęs bus daug reikalaujama, bet su šypsena arsi po devyniais prakaitais, nes jie ras kaip tave tinkamai motyvuoti. Su tokiais vadovais gal ir neįmanoma be poilsio išdirbti kelis dešimtmečius, bet laikas su jais atsipirks itin vertinga patirtimi: išmoksi tiek, kad puikiai pats savarankiškai galėsi imtis vadovauti. Tokie vadovai nesimėto, jie išskirtiniai. Jie moka pavaldiniams leisti elgtis savarankiškai ir daryti klaidas, bet tuo pačiu jie ir visada šalia jei reikia patarimo ar pagalbos. Jie neužsiima mikrovaldymu, bet jie detaliai žino kiekvieno darbuotojo problemas ir giliai išmano verslą. Jie atviri idėjoms, bet jie turi ir savo viziją, kuria sugeba užkrėsti aplinkinius. Jie tokie ryškūs, jog didžiuojamasi, kad su jais dirbai, ir tai savaime yra darbuotojo kokybės ženklu. Tema įdomi, bet knygai kiek pritrūko analizės gilumo kaip tokiu vadovu tapti. Deja, dažnai atrodė, jog tai tik anekdotinių istorijų apie kai kuriuos žymius vadovus rinkinys.

  • Alec Ross – „The Industries of the Future“. Po skyrių vienai ateities sričiai – genų inžinerijai, duomenų analizei, robotikai, kibersaugumui, finansų technologijoms. Apie tai, ko galima tikėtis, ir kaip tai pakeis pasaulį. Gaila, kad paviršutiniškai, su naiviu paauglišku susižavėjimu, krykštaujančiu balsu apie tai, kaip viskas jau tuoj pasikeis ir jau kitąmet skraidysime nuosavomis raketomis. Na, kiek perdedu, bet pasirodė, jog autorius nekritiška ausimi prisiklausęs daug visokių idėjų ir nelabai įsigilinęs į jų įgyvendinimo sudėtingumą. Bet gal taip pasirodė todėl, kad tik prieš tai buvau pabaigęs knygą apie genetiką – skyrius apie genų inžineriją atrodė ypač silpnas.

  • Paul Silvia – „How to Write a Lot“. Nebloga trumpa knyga apie akademinį rašymą. Gaila, kad neskaičiau jos tuo metu, kai reikėjo rašyti magistrinį darbą. Viena labai patikusi knygos mintis, kurią reiktų ir man pačiam dažniau taikyti: kiekvieną dieną paskirti kažkiek laiko rašymui. Nėra tokio dalyko kaip writer’s block – to jausmo, kai rašytojui užkietėja plunksna ir jis negali išspausti nei vieno protingo žodžio. Jei įpranti kasdien sėsti ir rašyti, tai daug ir parašai. Svarbu nesiblaškyti ir nelaukiant įkvėpimo žiūrėti tai kaip į darbą.

  • Jordi Torres – „First Contact with Tensorflow“. Jei perskaitėte visus mokomuosius straipsnius apie Tensorflow jų pačių svetainėje, tai šios knygos skaityti neverta, nes joje visiškai tas pats. Skaitykite ką nors kitą.

  • Roy Clark – „Writing Tools“. Kažkas panašaus į klasikinę Strunk ir White knygą „Elements of Style“: kalbos stiliaus ir fabulos patarimai, kurie padės visiems, kurie ką nors rašo – nesvarbu ar romanus, ar emailus, ar dienoraščio įrašus. Mokykloje kalbos kultūra atrodė viena iš beprasmiškiausių pamokų (gal dėl to, kad nelabai ko ten išmokė), bet dabar tokias knygas skaitau su malonumu.

  • Siddhartha Mukherjee – „The Gene: the Intimate History“. Apie šią knygą rašiau atskirame įraše, tad nebesikartosiu. Labai patiko, nes ją perskaitęs daug sužinojau apie sritį, kuri iki tol buvo tamsus miškas. Būtina perskaityti tam, kad užpildyti bendrojo išsilavinimo spragas apie genetiką.

  • Chris Voss – „Never Split the Difference“. Geriausia skaityta knyga apie derybų strategiją. Ir smagiausiai susiskaičiusi iš šių dešimties knygų. Plačiau apie ją jau rašiau, tad jei dar jos neskaitėt, imkit ir perskaitykit.

  • Martin Lindstrom – „Small Data. Tiny Clues that Uncover Huge Trends“. Mintis nebloga: kartais visai nereikia perknisti terabaitų duomenų, kad rastum kokią vertingą įžvalgą. Kartais užtenka pasišnekėti su dešimčia klientų ar stebėti jų elgseną. Pilnai galima su tuo sutikti. Tik ar galima iš tų kelių stebėjimų daryti tokias toli siekiančias išvadas – abejočiau. O Martin Lindstrom daro: stebėdamas kelias dešimtis Indijos uošvienių jis supranta, jog jos nuo marčių labiausiai skiriasi tuo, kad turi spalvotų prieskonių dėžutę, ir kad žmonės labiausiai mėgsta tą spalvą, kuria buvo dažytos jų vaikystės kambario sienos (ir visai nesvarbu, jog atidžiau renkant duomenis vargu ar ši teorija pasiteisintų). Bet knygoje daug smagių istorijų: skaitai, netiki, bet vis tiek norisi versti puslapius, nes gal kitas skyrius bus panašus į dar vieną Mad Menų seriją, kurioje Don Draperis aiškins apie tai, ką turi simbolizuoti Heinekeno buteliukas ir ką iš tiesų nori jausti namų šeimininkės. Rinkodara ir istorijų kūrimas šioje knygoje permuša statistiką ir loginį požiūrį, bet kartais reikia ir to.

  • Yuval Noah Harari – „Sapiens. A Brief History of Mankind“. Pirmas knygos trečdalis apie seniausią priešistorę labai stiprus: jį perskaičiau su didžiuliu malonumu. Žmonijos progresas nebūtinai reiškė, jog žmonija taps laimingesnė: perėjus prie žemės ūkio žmonių padaugėjo, bet vargu ar žemdirbys tapo laimingesnis už medžiotoją. Labai įdomi ir mintis, kad svarbiausias mūsų atradimas yra vaizduotė – demokratija, pinigai ar valdžia tėra mūsų kolektyvinės vaizduotės vaisius, bet kadangi mes visi tai įsivaizuojame taip pat, tai šie vaizduotės padariniai labai realiai veikia mūsų realybę. Antra knygos pusė išsikvėpė, autoriaus idėjos nebe tokios kokybiškos: jaučiasi, lyg nuo Lietuvos istorijos būtų pereita prie Pasvalio savivaldybės komunalinio ūkio problemų – gal įžvalgos ir teisingos, bet kabina jau nebe taip.

  • Arianna Huffington – „The Sleep Revolution“. Gerai išsimiegoti yra labai svarbu, ir netikėkite jei kas sakys, jog jiems pakanka mažiau nei septynių ar aštuonių valandų miego per parą. Miegas išsprendžia daug problemų: tampame protingesni, geriau priimame sprendimus, ilgiau gyvename, mažiau patiriame streso. Ir gaila, jog mūsų visuomenėje miegas yra nuvertinamas – mes laikome didvyriais tuos, kurie dirba be poilsio, o ir vaikams grasiname, jog jiems teks eiti miegoti, jeigu jie blogai elgsis. Įžvalgos geros, tik jos galėjo sutilpti dvigubai (ar trigubai) trumpesnėje knygoje.

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.

Kaip dažniausiai miršta startuoliai?

Here’s a common way startups die. They make something moderately appealing and have decent initial growth. They raise their first round fairly easily because the founders seem smart and the idea sounds plausible. But because the product is only moderately appealing, growth is ok but not great. The founders convince themselves that hiring a bunch of people is the way to boost growth. Their investors agree. But (because the product is only moderately appealing) the growth never comes. Now they’re rapidly running out of runway. They hope further investment will save them. But because they have high expenses and slow growth, they’re now unappealing to investors. They’re unable to raise more, and the company dies.

Šaltinis: Default Alive or Default Dead?