Duomenų analizės pradžia: nuo nulio iki pirmų skaičių
Kaip pradėti dirbti su duomenimis, jei niekada to nedarėte. Paprasti žingsniai ir praktiški patarimai pradedantiesiems.
Dažniausios klaidos renkantis atrankos kriterijus ir kaip jų išvengti norint gauti objektyvius rezultatus.
Redakcinė komanda
DuomActio redakcinė komanda, sutelkta į praktiškus vadovus apie duomenimis pagrįstą atranką.
Atrankos kriterijai yra pagrindas. Jei jie blogi, visa sistema sugriūva. Kai tu nustatysi kriterijus, tu tu nusprendei, ką tu ieško ir kodėl. Tai nėra abstrakti filosofija — tai tiesiogiai veikia rezultatus.
Dažniausiai žmonės pradeda nuo idealios vizijos. "Norime geriausių." Gražu, bet nekonkretų. Realybė yra žymiai sudėtingesnė. Tu turi būti konkretus. Jei nori matyt skaičius, jie turi būti matuojami. Jei jie nematuojami, jie nėra kriterijai — jie tik svajonės.
Tai yra klasika. Žmonės mano, kad daugiau kriterijų reiškia tikslesnę atranką. Iš tikrųjų? Dažniausiai tai reiškia, kad niekas netampa atrinktas. Arba atrinktos nusikrypelės, kurios sutampa su visais tavo 47 kriterijais.
Pradėk nuo trijų. Tikriausiai keturių. Ne daugiau. Tie kriterijai turi būti tie, kurie tikrai rūpi. Jei kažkas iš tiesų nėra svarbu, pašalink jį. Tai atrodys paprasta, bet žmonės to nedaro. Jie bijo, kad jei pašalins kriterijų, jie kas nors praras. Realybė? Greičiausiai nieko nepraras — pradės gauti geresnių rezultatų.
Susitarimas: "potencialas", "pasitikėjimas", "energija". Viskas gražu, tik viena problema — kaip tu tai matuosi? Jei negalima skaičiumi išreikšti, negalima objektyviai palyginti. O jei negalima objektyviai palyginti, negrąžini rezultatų — grąžini nuomonę. Jūsų nuomonę.
Pabandyk kitaip. Vietoj "potencialo" — "baigė programą per 6 mėnesius arba greičiau". Vietoj "energijos" — "atliko 15+ projektų per praėjusius metus". Matai skirtumą? Pirmasis neapibūdinamas. Antrasis — miertas.
Tu nustačei kriterijus. Jie atrodo gerai. Vienintelė problema — jie nesusijęs su tuo, ką tu iš tikrųjų nori. Pavyzdžiui, tu nori "patikimo", o jūsų kriterijus — "turi B+ vidutinį balą". Galbūt patikimumas ir mokiniai nėra tiesioginiai ryšys.
Prieš nustatydamas kriterijus, paklausyk savęs: ar tai tikrai susiję su rezultatais, kuriuos aš noriu? Jei atsakymas "galbūt" — tai nėra gerai. Turėtų būti "taip" arba nieko.
Tai gali būti pati pavojingiausia klaida. Tu nustačei kriterijus šešis mėnesius atgal. Jie buvo gerai tada. Tačiau pasaulis pasikeitė. Jūsų duomenys pasikeitė. Rezultatai neatitinka lūkesčių. Ir tu vis tiek klimpai prie senų kriterijų.
Būk lanksčiai. Kas ketvirtį peržiūrėk kriterijus. Klausyk rezultatų. Jei 80% atrinktų objektų yra blogai, kažkas negerai. Nebūk per stuborus — pakeisk kriterijus. To negina, jei tai veikia geriau.
Šis straipsnis yra edukacinės paskirties. Jame aprašyti principai ir praktinės rekomendacijos nėra universalūs — jie gali skirtis priklausomai nuo jūsų konkretaus konteksto, industrijos ir tikslų. Prieš taikydami šias nuomones, įvertinkite savo situaciją ir jei reikia, pasitarkite su specialistais jūsų srityje. Rezultatai visada priklauso nuo konkretaus įgyvendinimo ir duomenų kokybės.
Geri kriterijai nėra sudėtingi. Jie yra konkretūs, miertas ir tikrai susiję su tuo, ką tu nori. Pradėk nuo trijų. Jie turi būti išmatuojami. Jie turi būti testuojami. Ir jei negerai dirba — pakeisk juos. Tai viskas. Nereikia inžinerijos, nereikia statistikos — tik sveiko proto ir nuolatinio tobulėjimo.
Dažniausiai žmonės neskubina su šiais žingsniais. Jie nori iš karto turėti tobulus kriterijus. Negrąžina jų. Tobulybė ateina iš praktiško bandymo ir mokymosi iš klaidų. Jei tu atidžiai stebėsi, jei tu klausaisi savo duomenų, jei tu pasikeitai, kai reikia — tu gausi gerus kriterijus. Ir tada atranka darysis žymiai lengviau.
Kaip pradėti dirbti su duomenimis, jei niekada to nedarėte. Paprasti žingsniai ir praktiški patarimai pradedantiesiems.
Kaip apskaičiuoti svorio koeficientus, kai reikia objektyviai įvertinti skirtingus kriterijus.
Metodas, kaip patikrinti ir kalibruoti jūsų duomenis, kad jie tikrai atspindėtų realybę.