Μια υποτιμημένη δεξιότητα χρειάζεται τώρα περισσότερο από ποτέ, για να διώξει τα εμπόδια στην κατανόηση των αποτελεσμάτων της ανάλυσης. Όπως γνωρίζουν όλοι όσοι ασχολούνται με τον τομέα της data science, οι τελευταίες δύο δεκαετίες μας έχουν ωθήσει σε μια νέα εποχή.

Τα big data, και τα διαρκώς εξελισσόμενα πακέτα νέων μεθόδων ανοιχτού κώδικα, έχουν παραγάγει επαναστατικές γνώσεις σχεδόν σε κάθε κλάδο. Από τον τρόπο με τον οποίο η Amazon συνιστά το επόμενο βιβλίο σας ή τον τρόπο με τον οποίο η Visa ανιχνεύει την απάτη, μέχρι τις νεοσύστατες επιχειρήσεις που διευκολύνουν την έγκαιρη ανίχνευση του καρκίνου ή τους κατασκευαστές που μειώνουν τα απόβλητα, οι εταιρείες αξιοποιούν τα big data analytics με την ελπίδα να προσεγγίσουν νέους πελάτες και να βελτιώσουν την κερδοφορία.

Ωστόσο, παρά ορισμένα ιδιαίτερα ορατά παραδείγματα επιτυχίας, υπάρχουν ανησυχητικές ενδείξεις ότι η επιστήμη των δεδομένων στις επιχειρήσεις δεν ανταποκρίνεται στις υποσχέσεις της. Αν και υπάρχουν περιορισμένες μελέτες για το ακριβές ποσοστό αποτυχίας, μπορούμε να βρούμε κάποια δεδομένα:
 

• Η Gartner προέβλεψε ότι μόνο το 20 τοις εκατό των big data analytics projects θα αποφέρει αξία στις επιχειρήσεις μέχρι το 2022.
• Τα επιχειρηματικά περιοδικά τονίζουν το επίπεδο απογοήτευσης από τα analytics, συμπεριλαμβανομένων των MIT Sloan Management Review, Harvard Business Review και Forbes.
• Σε μια έρευνα του 2021 σε στελέχη επιχειρήσεων, πάνω από το 90 τοις εκατό απάντησαν ότι τα μεγαλύτερα εμπόδια για την επιτυχή εφαρμογή των big data είναι οι άνθρωποι, η επικοινωνία και η κουλτούρα, και όχι η τεχνολογία.

 
Το υποκείμενο μήνυμα: η αποτυχία είναι κοινή. Είτε πιστεύουμε ότι το ποσοστό αποτυχίας είναι 80 τοις εκατό, 50 τοις εκατό ή ακόμη και 30 τοις εκατό, έχει τεράστιες επιπτώσεις.
 
Σαν να μην έφτανε αυτό, οι αναλυτές δεδομένων εγκαταλείπουν τη δουλειά τους κατά μέσο όρο κάθε 20 μήνες, επειδή οι προηγμένες δεξιότητές τους δεν χρησιμοποιούνται ή επειδή δεν βλέπουν ένα ελπιδοφόρο μέλλον. Έτσι, την ώρα που η επιστήμη δεδομένων θα έπρεπε να φέρνει επανάσταση στις επιχειρήσεις, τα projects παραπαίουν και οι εργαζόμενοι ψάχνουν αλλού ευκαιρίες.
 
Το μεγάλο πρόβλημα, για το οποίο δε μιλά κανείς
 
Οι απολογισμοί για το τι πάει στραβά επισημαίνουν ότι το πρόβλημα δεν είναι τεχνολογικό – οι εργαζόμενοι έχουν τα εργαλεία, τον εξοπλισμό και τους πόρους για να κάνουν τα analytics να λειτουργήσουν.

Ούτε φταίει η έλλειψη ταλέντου στην ανάλυση. Αντίθετα, οι βασικοί υπαίτιοι είναι η οργάνωση και η κουλτούρα, η αποτυχία στη διεπαφή μεταξύ των επιχειρήσεων και αναλυτών.
 
Το χάσμα επικοινωνίας μεταξύ αυτών των δύο ομάδων δε θα πρέπει να μας εκπλήσσει. Έχουν και οι δύο διαφορετικά στυλ, ορολογίες, εκπαίδευση και επιρροές, και συνήθως λειτουργούν σε ξεχωριστά τμήματα.

Οι στόχοι τους συχνά δεν έχουν κοινή κατεύθυνση, ενώ μπορεί να έρχονται σε άμεση σύγκρουση. Ο τρόπος επικοινωνίας είναι διαφορετικός, ωστόσο ούτε οι επιχειρήσεις ούτε οι αναλυτές δίνουν μεγάλη προτεραιότητα στην εκπαίδευση σχετικά με την επικοινωνία.

Οι ομάδες μάρκετινγκ προτιμούν τις απλές, απόλυτες δηλώσεις. Οι επιστήμονες δεδομένων δίνουν έμφαση στις διαφοροποιήσεις και τους περιορισμούς, προσδιορίζοντας τις παρατηρήσεις τους.
 
Συνδυάζοντας αυτούς τους παράγοντες, οι παρεξηγήσεις και η δυσαρέσκεια φαίνονται σχεδόν αναπόφευκτες.

Σύμφωνα με μια διαδικτυακή δημοσκόπηση, μόνο το ένα τρίτο των δύο ομάδων αισθάνεται θετικά για τις αλληλεπιδράσεις του με την άλλη.

Οι αναλυτές περιγράφουν μια σχέση όπου τα αιτήματα είναι μονόδρομα, με ελάχιστο εννοιολογικό πλαίσιο ή πρόσκληση για συνεισφορά.

Οι επαγγελματίες των επιχειρήσεων εκφράζουν απογοήτευση σχετικά με τα αποτελέσματα που λαμβάνουν, ενώ τα χρειάζονται σε μορφή που να κατανοούν.
 
Η πρόοδος των Analytics θα το κάνει χειρότερο
 
Αν και η εξέλιξη των big data αναβαθμίζει την ανάλυση, επιτείνει το επίπεδο δυσκολίας επεξήγησης των αποτελεσμάτων σε όσους δεν έχουν στατιστική κατάρτιση.

Ένα άτομο που είναι μόνο αμυδρά εξοικειωμένο με τα βασικά των συντελεστών συσχέτισης Pearson και της γραμμικής παλινδρόμησης, δεν θα κατανοήσει πώς τα διαγράμματα GBM αντικατοπτρίζουν, όχι μόνο τις άμεσες συσχετίσεις, αλλά και τις αλληλεπιδράσεις δεύτερης και τρίτης τάξης, τους τετραγωνισμένους και κυβοποιημένους όρους.
 
Ουσιαστικά, όσο καλύτερα μπορούμε να εφαρμόζουμε τη μηχανική εκμάθηση και την τεχνητή νοημοσύνη, τόσο μεγαλύτερο γίνεται το χάσμα κατανόησης μεταξύ των ομάδων ανάλυσης και των ομάδων επιχειρήσεων.

Οι επιστήμονες δεδομένων – των οποίων το κύριο ενδιαφέρον είναι η ανάπτυξη όλο και πιο κομψών και ορθών μοντέλων – μπορεί να αισθάνονται εκνευριστικά δεμένοι από τα αιτήματα για απλοποίηση των αποτελεσμάτων τους για τους επιχειρηματίες ή τους πελάτες.
 
Ένας εξειδικευμένος μεταφραστής μπορεί να βοηθήσει
 
Τώρα περισσότερο από ποτέ, υπάρχει η ανάγκη για άτομα που εστιάζουν στη γεφύρωση αυτού του επικοινωνιακού χάσματος: analytics translators.

Αυτός ο ρόλος, που εισήχθη για πρώτη φορά από τη McKinsey το 2018 (ή αλλιώς μεταφραστές ανάλυσης ή μεταφραστές δεδομένων), αφιερώνει την προσπάθειά του στη μετατροπή των επιχειρηματικών όρων σε γλώσσα αναλυτών και των αποτελεσμάτων των αναλυτών σε επιχειρηματικά αποτελέσματα.
 
Εκπαιδευμένοι τόσο στην ανάλυση όσο και την επικοινωνία, οι μεταφραστές των analytics διευκολύνουν την καλύτερη αλληλεπίδραση και προς τις δύο κατευθύνσεις.

Ερμηνεύουν τα ευρήματα της ανάλυσης με τρόπους που οι επαγγελματίες των επιχειρήσεων μπορούν να εφαρμόσουν αποτελεσματικά.

Εξίσου σημαντικό είναι ότι γνωρίζουν πώς να θέτουν ερωτήσεις που αποκαλύπτουν τις υποκείμενες επιχειρηματικές ανάγκες, αυξάνοντας την πιθανότητα οι αναλυτές να απαντήσουν στις σωστές ερωτήσεις με την πρώτη φορά.
 
Οι βασικές επικοινωνιακές δεξιότητες για τους analytics translators περιλαμβάνουν:

• Αναγνώριση των σημείων όπου οι αλληλεπιδράσεις ξεφεύγουν από την πορεία τους.
• Αναζήτηση για σήματα που δείχνουν ότι υπάρχει κάτι περισσότερο στην υπόθεση.
• Υποβολή αποτελεσματικών ερωτήσεων για την απόσπαση διαφορετικών επιπέδων πληροφοριών.
• Επιλογή και παρουσίαση των σχετικών πληροφοριών που χρειάζεται κάθε ομάδα.

Μια νέα επιλογή στην καριέρα του αναλυτή:  Ένα ουσιαστικό μέλος των ομάδων analytics

Προηγουμένως, η επαγγελματική εξέλιξη στη data science παρείχε δύο κύριες επιλογές: να γίνεις ειδικός σε όλο και πιο πολύπλοκες μεθόδους ή να γίνεις διευθυντής άλλων αναλυτών.

Η μετάφραση των analytics παρέχει μια τρίτη επιλογή.

Οι μεταφραστές ανάλυσης μειώνουν τον άσκοπο χρόνο και την προσπάθεια που δαπανάται για την επανεπεξεργασία των αποτελεσμάτων, ενώ καθιστούν την εργασία πιο ουσιαστική για τους αναλυτές.

Στόχος τους δεν είναι μόνο να μετατρέψουν τις ιδέες σε κατανοητή γλώσσα για κάθε ομάδα, αλλά και να οικοδομήσουν συμμαχίες και αμοιβαία εκτίμηση.

Με αυτόν τον τρόπο, οι μεταφραστές των analytics γίνονται απαραίτητα μέλη της ομάδας με τρόπους που ενθαρρύνουν τη μεγαλύτερη συνεργασία, ενώ παράλληλα παρέχουν πιο συναφή και ουσιαστικά αποτελέσματα.

Πηγή: https://tdwi.org/Articles/2022/09/29/ADV-ALL-Coming-Soon-to-Analytics-Teams-Analytics-Translators.aspx?Page=1