Come una cattiva gestione degli stakeholder rovina l’analisi dei dati

La cattiva gestione degli stakeholder danneggia l'analisi dei dati.

<h2 id="perché prendere in carico l'interfaccia tra analista e stakeholder può migliorare istantaneamente la tua vita e rendere il tuo lavoro più incisivo

Hai appena iniziato un nuovo ruolo come analista. Sei entusiasta di avere accesso privilegiato ai dati su, diciamo, i mobili per gatti – un settore di cui sei profondamente appassionato. Arriva la tua prima richiesta: un dirigente vuole sapere quanti tipi di lettiere per gatti hanno in assortimento. Desideroso di fare bella figura, recuperi i dati. “Perfetto! Potresti anche recuperare il numero di letti per gatti?” Ti rendi conto che sarebbe più efficiente creare un cruscotto per lei, quindi ne crei uno. Il dirigente è entusiasta e tu ti senti soddisfatto, avanzando il credo orientato ai dati.

In seguito scopri che quei numeri sono stati utilizzati per sostenere un argomento su quali categorie dovrebbero essere messe in homepage. Ti ritrai. Quei numeri non erano destinati ad essere utilizzati in quel modo e puoi pensare a una dozzina di modi per ottenere categorie più ottimali. Hai recuperato quei numeri per… beh, non hai mai saputo perché, ma non pensavi fosse per quello. Vedi la descrizione dell’iniziativa del dirigente e ti rendi conto che i tuoi dati sono stati utilizzati per delle analisi senza senso. Lì sono i tuoi dati, accanto ad argomenti tangenziali in modo illogico. Non ti senti a tuo agio con la mancanza di coerenza logica, quindi protesti con il dirigente, ma lei ti assicura che va bene.

“Avevo solo bisogno di sostenere i miei argomenti e nessuno guarderà così da vicino.”

<p+Sospiri e torni a creare altri cruscotti. Questa volta, ti concentri invece su ciò che puoi controllare: iniziative per la qualità dei dati, creazione di modelli dati più eleganti, ottimizzazione delle tue interrogazioni.

• Estensioni Chrome AI per la scheda degli appunti degli scienziati dei dati
• Nisoo News, 28 giugno 10 Plugin ChatGPT per il Foglio di Appunti di Scienze dei Dati • Il Plugin ChatGPT che Automatizza l’Analisi dei Dati
• Dall’valutazione all’illuminazione Approfondire le previsioni fuori campione nella validazione incrociata

<p+Immagino che la maggior parte di voi, come me, abbia vissuto questa storia più e più volte. E sembra inestricabile perché i problemi sembrano così esterni: ci allontaniamo da queste transazioni sentendoci come se gli stakeholder semplicemente non capissero come funzionano i dati. Attribuiamo i problemi a una cultura aziendale fallita e ci rassegniamo a trovare impatto in qualche altro modo – almeno fino a quando non troviamo il nostro prossimo ruolo in un'azienda più "orientata ai dati".</p+In questo post, però, voglio parlare direttamente di come migliorare questa situazione e migliorare così la qualità della nostra vita come analisti rompendo questo ciclo. In particolare, sosterrò che le nostre due mancanze al centro della storia di cui sopra sono:</p+

1. La nostra incapacità di prendere in carico l’utilizzo dei nostri dati.
2. Una scarsa comprensione di come avviene la presa di decisione.

</ol+<p+Ora, parliamo di ognuno di questi problemi.</p+

Problema 1: dobbiamo assumere un maggior controllo su come vengono utilizzati i nostri dati.

<p+L'analisi è un attrattore di Dunning-Kruger: la maggior parte delle persone pensa di capire come interpretare i dati, ma pochissime persone lo fanno bene. Dopotutto, le insidie sono numerose. Questa dicotomia è un problema centrale nel nostro settore e immagino che sia la ragione per cui spesso siamo sottovalutati, fraintesi e i primi ad essere licenziati quando gli esecutivi fanno tagli.</p+



<p+E sfortunatamente, noi analisti permettiamo questa illusione semplicemente essendo chi siamo: ricercatori, scienziati, eremiti – piace: pensare, flusso, matematica, rigore; non piace: rispondere a richieste ad hoc, persuasione. Quando un collega osa chiederci aiuto, al massimo, inventeremo brillanti analisi, quindi getteremo i risultati esoterici nella direzione generale delle persone che ne hanno realmente bisogno. Nel peggiore dei casi, invieremo dati grezzi senza offrire alcuna interpretazione, lasciando ai nostri stakeholder il compito di (erroneamente) navigare nel bias da soli.</p

Ecco il problema. Questo tipo di comportamento tradisce la nostra incomprensione di come dovrebbe operare l’analisi: non dovrebbe essere compito degli altri rendere il nostro lavoro utile, ma dovremmo farlo noi. Ho già parlato in precedenza di come l’analisi sia una disciplina interfaciale, ma una conseguenza di ciò è che dobbiamo assumerci una certa responsabilità dell’interfaccia.

Considera qualsiasi altra disciplina interfaciale e vedrai che gli IC più efficaci operano in questo modo. I grandi designer, ad esempio, costruiscono tenendo conto delle considerazioni ingegneristiche. I grandi ingegneri esaminano attentamente i documenti dei requisiti del prodotto e lavorano a stretto contatto con designer e product manager. I rappresentanti del servizio clienti e i venditori incontrano i clienti dove si trovano – immagina quanto efficace sarebbe un venditore se aspettasse che i potenziali clienti si mettessero in contatto con lui.

Ma è così che facciamo nell’analisi. Operiamo come un’organizzazione di servizio, anziché come partner di pensiero, ed è facile capire perché alla fine siamo trattati così. E penso che come settore lo sappiamo nel profondo dei nostri cuori. Negli ultimi anni abbiamo collettivamente inventato intere librerie di saggezza operativa, tutte le quali sembrano indicare una causa radice comune: non ci stiamo assumendo la responsabilità dell’interfaccia:

• Dovremmo gestire le nostre squadre come squadre di prodotto… perché le squadre di prodotto stanno sempre pensando al cliente, proprio come dovremmo preoccuparci profondamente di come vengono utilizzate le nostre analisi – l’interfaccia.
• Dovremmo concentrarci meno sul lavoro tecnico… perché il lavoro tecnico è solo metà della battaglia. La consegna – l’interfaccia – è l’altra metà.
• Dovremmo essere ossessionati dal fornire interpretazioni attraverso le analisi, non solo dati grezzi attraverso i cruscotti… perché l’interfaccia tra stakeholder e analista viene mediata attraverso l’interpretazione.
• Dobbiamo costruire ecosistemi orientati alla ricerca della verità… che è, ancora una volta, un modello mentale per capire come dovrebbe essere l’interfaccia con gli stakeholder.

È quindi nel tuo interesse cercare di assumerti la responsabilità di come viene utilizzato il tuo lavoro. Chiedi accesso, partecipa alle riunioni, esci dalla tua eremitaggio per un momento e condividi la tua filosofia rinnovata con i tuoi stakeholder. È un passaggio verso il tuo impatto e il loro.

Problema 2: non sappiamo come funziona il processo decisionale

Quindi naturalmente, scommetto che la maggior parte di noi cerca sinceramente di gestire i nostri stakeholder. Ma ancora, ci imbattiamo e questo mi porta alla seconda grande cosa che ci ostacola: non sappiamo come essere coinvolti nel processo decisionale. Alcuni di noi si assumono il compito della pedanteria, avanzando rigore per il rigore stesso. Altre volte, ci sediamo tranquillamente in un angolo aspettando di essere chiamati. Il problema? Non sappiamo come funziona il processo decisionale e quindi non sappiamo come inserirci utilmente in quel processo. Parliamo quindi di come funziona il processo decisionale.

Un tempo ero un analista hardcore, ma negli ultimi anni ho avuto la meravigliosa opportunità di gestire il prodotto presso Hyperquery. E mentre potresti pensare che costruire uno strumento di dati non sia poi così diverso dal fare lavoro sui dati, ho sentito questa immensa dissonanza cognitiva rispetto al modo in cui operavo un tempo come analista. Dove una volta il mio mondo era completamente quantitativo, improvvisamente mi sono trovato a prendere decisioni in cui avevo solo dati qualitativi a disposizione. E così mi sono adattato: ho imparato gradualmente a prendere decisioni ragionevoli da argilla altamente ambigua. Ma durante tutta questa esperienza, la mia rivelazione più sconcertante è stata questa: negli ultimi tre anni, nessuna decisione che ho preso si è basata interamente sui risultati di una query SQL.

Anche con i dati facilmente disponibili per me, e anche con i dati nelle mie vene, la verità è: i dati non sono mai la cosa principale. E da questo, ho compreso con chiarezza che noi, come professionisti dei dati, abbiamo una comprensione fondamentale del ruolo dei dati nel processo decisionale. Semplicemente non è importante nel modo in cui pensavo. Ciò non significa che non sia importante, solo che non è la rappresentazione infallibile e oggettiva della Verità in cui una volta mi illudevo.

I dati non raccontano l’intera storia. I dati sono un punto di dati.



Questo non vuol dire che non sia utile – i dati possono essere incredibilmente potenti di per sé. Non ti dice cosa fare, ma può chiudere certe strade. Non è mai equivalente a una decisione, ma può agire come un acceleratore per una. Non può dirti cosa fare, ma può parlare per i tuoi clienti quando loro rimangono in silenzio. Non è la risposta, ma può semplificare la comprensione e fornire chiarezza che rende più facile vedere una risposta. I dati mi hanno aiutato a navigare l’ambiguità allo stesso modo dei dati qualitativi. Vedendo i dati, adeguo le mie precedenze di conseguenza e seguo un percorso diverso nel labirinto delle idee. E in questa capacità, è stato prezioso.

Ma è una caratterizzazione dei dati che è completamente diversa da come ho capito i dati come professionista dei dati. Quando tutto il tuo mondo è fatto di dati, è facile pensare che sia tutto ciò che c’è. Ma è importante capire il ruolo del nostro lavoro in modo da poterci integrare meglio nelle conversazioni sulla presa di decisioni. Non dovremmo mai forzare le decisioni, ma aumentare la nostra comprensione del contesto può aiutarci a fare raccomandazioni utili. Sei seduto sul sedile del passeggero, e se sai dove stai andando, puoi aiutare a pianificare il percorso.

Commenti finali

Ora so che tutto ciò sembra più facile a dirsi che a farsi – sono sicuro che l’ambiguità dei miei consigli fino ad ora sia il tuo più grande ostacolo in questo momento. Per rendere le cose un po’ più chiare, ripensiamo alla storia dell’inizio di questo post se le cose fossero andate un po’ diversamente. Ancora una volta, il tuo stakeholder vuole sapere quanti tipi di lettiere per gatti porti. Invece di passare direttamente a una query, tu chiedi il perché. Risulta che l’esecutivo vuole scegliere alcune categorie per la homepage. Offri suggerimenti sui sistemi di raccomandazione, ma lei si lamenta che è troppo. Capendo che ha una scadenza stretta per la consegna, le dici che creerai una dashboard rapida in modo da poter guardare i dati insieme, quindi prendere una decisione coerente basata su quelle informazioni. Lei acconsente. Aggiungi metriche aggiuntive oltre al semplice conteggio che lei ha richiesto inizialmente – tasso di clickthrough, tasso di ordine, valutazioni medie. Definisci persino una nuova metrica: % di elementi a bassa esposizione. Condividi i dati con il tuo stakeholder, insieme alle tue raccomandazioni.

Lei reagisce, naturalmente. Ma invece di reagire a sua volta, cerchi di capire le basi delle obiezioni del tuo stakeholder per raggiungere una decisione ottimale. Da una discussione approfondita, insieme, formulate ipotesi che mescolano le tue scoperte quantitative e la sua intuizione qualitativa, e queste diventano la base di una robusta creazione di categorie. Scrivi un’analisi che è collegata al suo documento di strategia del prodotto. Le scelte che ha fatto sono nettamente migliorate, e ti senti come se avessi veramente cambiato l’andamento della storia dei mobili per gatti.

È una storia fondamentalmente diversa da quella con cui abbiamo iniziato, ma il suo successo si è basato solo su due piccoli cambiamenti:

1. Ti sei assunto la responsabilità di come i dati sarebbero stati utilizzati chiedendo il perché.
2. Hai mescolato i dati nella sua intuizione, invece di cercare di sovrascriverla. Questo è stato possibile perché avevi una chiara comprensione di come i dati dovrebbero essere coinvolti nel processo decisionale.

Abbiamo la tendenza a scaricare i dati sugli stakeholder, lasciando la sintesi a loro. I migliori analisti, però, vanno oltre e si immergono anche nei dati qualitativi, comprendendo a fondo l’obiettivo che stanno cercando di raggiungere. Si assumono la responsabilità di fondere le loro intuizioni nel processo decisionale. Comprendono la funzione obiettivo: una decisione intellettualmente onesta. E così operano in modo da cercare di raggiungerla, anziché semplicemente compiere ciò che viene loro chiesto, rassegnandosi a schemi di accesso ai dati in cui i loro stakeholder sono caduti e rimanendo tranquilli in una stanza di dirigenti finché non vengono chiamati.

Spero che tu sia convinto che i cambiamenti comportamentali che sto proponendo non siano così drastici. Sono sicuro che hai sentito quella voce che ti dice di coinvolgerti in modo più profondo – “forse dovrei chiedere perché questi dati sono necessari” – ma eh, decidi che non hai tempo. Beh, la prossima volta, ascolta semplicemente quella voce.

👋 Ciao! Sono Robert, CPO di Hyperquery e ex data scientist + analista. Questo è un articolo originariamente pubblicato sul mio blog Win With Data, dove parliamo settimanalmente di massimizzare l’impatto dei dati. Come sempre, trovatemi su LinkedIn o Twitter – sono sempre felice di chattare. E se ti è piaciuto questo post, apprezzerei un follow/like/condivisione. 🙂

Analytics,Data,data science,Notes From Industry,SQL