Набирая шаг за шагом данные, аналитик выстраивает картину,
в которой твердо убежден в каждый момент времени, и его подмывает прекратить изучение, ведь «все уже ясно». Если вы недобрали данных и кто-то, обладая ими, поставит под сомнения ваши выводы – вы будете доказывать обратное, потому что для правильных выводов нет полной картины данных.
Прайминг
Воздействия личных воспоминаний или ассоциаций на анализ. В нашем случае, когда вопрос изначально формулируется с оценкой. Например, в брифинге клиент убежден в росте рынка, и задача ставится на основе того, что этот рост продлится сам по себе. Клиент продает эту идею аналитику, и он, находясь под влиянием, начинает искать зацепки, почему рынок будет расти, хотя никакой базы для этого нет.
Ключевая компетенция аналитика – уметь смотреть на задачи под разным углом, и забывать про свое мнение
Вспомните, как мы ищем информацию, когда уверены, что болезнь можно победить народными средствами: мы пишем «куда приложить подорожник, чтобы прошла гангрена». То есть изначальное убеждение ложное, и на его базе строятся неверные выводы, что вопрос лишь
в том, куда прикладывать.
Критерии хорошего анализа
Основная проблема аналитика – отсутствие полного объема данных.
В таких условиях ему необходимо обладать творческим подходом
и определить, как использовать текущие данные для решения задачи.
Отличительная черта хорошего аналитика – генерация нескольких путей решения одной и той же задачи, в условиях ограниченных данных.
Актуальность
Хороший анализ руководствуется бизнес-потребностью. Он
не производится, потому что это интересно или весело. В случае
с большим объемом данных легко втянуться в их разбор с непонятной целью. Конкретная бизнес-задача – прекрасный старт для аналитика.
Дальше задача трансформируется в подзадачи, например, бизнес- задача в маркетинговую, а затем в коммуникационную. Нет смысла анализировать насколько различные сегменты рынка чувствительны к цене продукта, если его доля составляет всего 2% от оборота.
Статистическая значимость
Аналитику нужно видеть, когда отклонение в показателях достаточно значимо, чтобы бить тревогу и срочно что-то править. Как определить эту значимость? Если параметр дает отклонение больше, чем в 10% – мы считаем его математически значимым.
Отдельно отметим исследования групп. Чаще всего, аналитику важно, что думает, делает и ожидает большинство выборки, а не вся аудитория. Всем угодить невозможно, и перфекционизм будет лишь увеличивать бюджет и срок анализа. Помните, чем больше
размер выборки, тем меньше погрешность и выше вероятность того, что «правильный» ответ очень близок к тому, который был найден на основе исследования группы.
Объяснимость
Вас должны понимать люди, которые