Artykuły

Jak wskaźniki pomagają podejmować decyzje?

05.05.2017 Autor: Konrad Kulikowski
Wszystkie wskaźniki efektywności, czy to dotyczące pracy działów HR, czy linii produkcyjnej tworzone są po to, by pomagać w podejmowaniu decyzji biznesowych. Czy należy zwiększyć produkcję danego artykułu? Czy zatrudnić dodatkowych pracowników w nowym roku? Czy zredukować liczbę kierowników? Tych, a także wielu innych decyzji, nie można podjąć bez analiz liczbowych wskaźników pracy przedsiębiorstwa.
Czasem jednak wskaźniki zamiast pomagać, wprowadzają zamieszanie i utrudniają pracę. Zbyt duża liczba danych, ich niejednoznaczność, problemy ze zrozumieniem skomplikowanych reguł wyliczania wskaźników - wszystko to może sprawiać, że choć posiada się dane, to nie posiada się żadnej wiedzy. Warto, zatem przez chwilę zastanowić się jak analizować wskaźniki by pomagały w prowadzeniu biznesu.

Kiedy wskaźniki pomagają?


Aby wskaźniki pomagały w podejmowaniu decyzji, warto zaplanować proces ich analizy. Gdy sami zbieramy i tworzymy wskaźniki, jak i w sytuacji, gdy otrzymujemy gotowy raport od firmy konsultingowej, zawsze to do nas należy ostateczna decyzja - interpretacja wskaźników. To osoba korzystająca ze wskaźników podejmuje decyzję i to ona za te decyzje odpowiada. Warto zatem proces podejmowana decyzji przeprowadzić tak, by zwiększyć szanse dokonania trafnego wyboru. Aby to osiągnąć, dobrze jest oprzeć analizę wskaźników na sprawdzonych regułach i wskazówkach działania - metodologii. Oparcie się na metodologii pozwala przejść od podejścia „zróbmy coś z tymi danymi” do systematycznej i efektywnej pracy ze wskaźnikami.

Jedną z najefektywniejszych metodologii odkrywania wiedzy z danych jest opracowana przez ekspertów z IBM metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) (Shearer i in., 2000, Chapman i in., 2000, Witten, Frank 2005). Metodologia ta stworzona została przez IBM i współpracujące z nią firmy w celu wypracowania możliwie uniwersalnego i efektywnego schematu eksploracji danych zbieranych przez różnorodne organizacje biznesowe. Zauważono, że przemyślana analiza danych prowadzi do realnej poprawy funkcjonowania przedsiębiorstwa.

Dziś CRISP –DM DM znajduje szerokie zastosowanie zarówno w obszarze nauki, jak i biznesu. Innymi słowy - stosuje się ją wszędzie tam, gdzie mamy do czynienia z analizą różnorakich wskaźników. Metodologia zalecana jest przykładowo w nauczaniu matematyków w zakresie modelowania danych (Xiao i in., 2015), stosowana jest w kryminalistyce (Venter i in., 2007) oraz w analizie olbrzymich zbiorów danych – big data (Riedel i in., 2014, Cobos i in., 2010). Sugeruje się także używanie jej do zarządzania budżetami organizacji biznesowych (Hiltbrand, 2013), a także znajduje zastosowanie w medycynie, zwiększając efektywność analizy danych klinicznych (Khaleel, 2013, McGregor i in., 2011, Rivo i in., 2012). Opisywaną metodologię wykorzystuje się też do ewaluacji procesów edukacyjnych (Alsultanny, 2011). Swoja popularność metodologia CRISP – DM zawdzięcza prostocie i wyjaśniającemu charakterowi. Jest powszechnie stosowana, gdyż dostarcza strategii rozwiązywania problemów komórek biznesowych i badawczych z wykorzystaniem eksploracji danych. Warto ją zatem zastosować w analizie wskaźników HR.

Jak działa Cross Industry Standard Process for Data Mining CRISP – DM?


Metodologia Cross Industry Standard Process for Data Mining zakłada (Larose, 2008), że każdy projekt analizy danych biznesowych składa się z sześciu etapów (por. rys. 1):
  1. Zrozumienie uwarunkowań biznesowych

  2. Zrozumienie danych

  3. Przygotowanie danych

  4. Modelowanie

  5. Ewaluacja

  6. Wdrożenie



Krok 1. Zrozumienie uwarunkowań biznesowych


Analizę wskaźników rozpoczynamy jeszcze na długo przed uzyskaniem końcowych wyników badania. Zapoznając się z opisami wskaźników i ich znaczeniem możemy postawić pytania ważne w kontekście naszego biznesu. Oceńmy sytuację w naszej firmie, zastanówmy się, jakie zmiany chcielibyśmy wprowadzić i jakie wskaźniki mogą nam w tym pomóc. Spróbujmy precyzyjnie określić problem, który chcemy rozwiązać i wyrazić go w języku wskaźników. Jeśli chcemy zmniejszyć absencję, to określmy to możliwie jasno: chcemy, aby wskaźnik absencji mierzony jako X przez Y został w ciągu dwóch lat zrównany ze standardami rynkowymi. Na koniec tego etapu powinniśmy posiadać jednoznacznie sformułowane cele analizy wskaźników - wiedzieć, co chcemy dzięki nim uzyskać.

Krok 2. Zrozumienie danych


Gdy widzimy już dane, zwłaszcza gdy widzimy je po raz pierwszy, zadajmy sobie pytanie, czy rozumiemy to, co widzimy. Czy wiem skąd te dane się wzięły? Kto udzielał odpowiedzi?
Co oznaczają poszczególne wartości? Na tym etapie jest czas, by zyskać pewność, że dane, które posiadamy, odpowiadają naszym celom. Upewnijmy się także, że dobrze rozumiemy wszystkie liczby. Jeśli coś jest niejasne jeszcze raz zapytajmy osoby dostarczające dane o znaczenie poszczególnych wskaźników. Mając przed oczyma realne dane może okazać się, że zebrane wskaźniki nie pozwalają na pełną realizację zakładanego celu lub wręcz przeciwnie - zapoznanie się z surowymi wynikami otworzy nam oczy na nowe możliwości, których nie dostrzegaliśmy wcześniej. Na tym etapie czasem potrzebne są modyfikacje postawionych wcześniej celów. Co ważne, metodologia CRIDP-DM takie modyfikacje traktuje nie jako porażki, ale jako coś naturalnego, ponieważ analiza danych to ciągły proces. Na każdym etapie możemy spostrzec coś, co zmieni wcześniejsze ustalenia, wówczas możemy cofnąć się o krok, poczynić odpowiednie zmiany, po czym powrócić do bieżącego etapu. Na zakończenie tego etapu powinniśmy mieć pewność, że rozumiemy dane i że możemy zaufać ich rzetelności i trafności.

Krok 3. Przygotowanie danych


Gdy mamy już pewność, że rozumiemy wskaźniki, należy przygotować się do ich analizy. Rzadko będzie miała miejsce sytuacja, w której wszystkie dostarczone nam dane będą potrzebne, aby odpowiedzieć na nurtujące nas pytania. W etapie przygotowania danych warto zastanowić się, jakie wskaźniki uznamy za najważniejsze i przeznaczymy do szczegółowej analizy, jak będziemy je grupować i czy zamierzamy dokonać samodzielnych analiz. Jeśli analizy prowadzi dla nas firma konsultingowa w tym etapie powinniśmy upewnić się, że rozumiemy sposób, w jaki prezentowane są nam dane. O ile we wcześniejszym kroku skupialiśmy się na tym, by zrozumieć same wskaźniki, o tyle teraz przyjrzyjmy się sposobowi ich prezentacji i grupowania. Na koniec tego etapu powinniśmy posiadać końcowy plik w zrozumiałym dla nas formacie z wszystkimi danymi potrzebnymi do zaplanowanych analiz lub dostęp do odpowiednich stron aplikacji prezentujących wyniki w sposób umożliwiający ich analizowanie.

Krok 4. Modelowanie - analiza danych
Gdy mamy już zbiór odpowiednio pogrupowanych wskaźników, możemy rozpocząć jego przegląd – analizę. Zwróćmy uwagę, iż zgodnie z założeniami metodologii CRISP-DM analizę danych poprzedzają trzy ważne etapy. Upewnijmy się, że zrealizowaliśmy trzy pierwsze kroki zanim rozpoczniemy właściwą analizę danych. Jeśli pominiemy któryś z początkowych etapów, tylko pozornie przyśpieszymy cały proces - tak naprawdę narazimy się na pominięcie ważnych dla biznesu wniosków.

Na tym etapie dostarczone dane powinny być już zapisane w sposób umożliwiający ich analizę. Zacznijmy od prostych zestawień. Wykresy i tabele mówią niekiedy więcej niż statystyczne modelowanie na poziomie matematyki wyższej. Prawie 40 lat temu John Wilder Tukey, jeden ze znamienitych statystyków ubiegłego wieku, pisał: „wszystko, czego potrzeba do eksploracji danych to ołówek i kartka papieru, jeśli masz kalkulator to dobrze” (Tukey, 1977). Dziś można sparafrazować jego słowa mówiąc, iż nie potrzebujesz niczego więcej oprócz arkusza kalkulacyjnego i działającej myszki .

Po dokonaniu analiz i zestawień warto zastanowić się, czy analiza, którą przeprowadziliśmy, przybliżyła nas do zakładanego celu? Czy porównania pomiędzy wskaźnikami pomogły odpowiedzieć na stawiane pytania i podjąć decyzję? Jeśli nie, można rozważyć inne sposób zestawienia wyników i rozpocząć analizie jeszcze raz lub skorzystać z usług zewnętrznych analityków.
Na zakończenie tego etapu wstępne odpowiedzi na postawione pytania powinny być już gotowe. Jeśli nie masz odpowiedzi to znaczy, że nie zakończyłeś jeszcze etapu analizy danych.

Krok 5. Ewaluacja


Na tym etapie należy ocenić wnioski otrzymane w etapie analizy danych - ich użyteczność praktyczną, jak i jakość. Czy dzięki analizie lepiej rozumiemy sytuację firmy? Czy wnioski są dostatecznie precyzyjne? Czy zdajemy sobie sprawę z błędów, jakimi mogą być obarczone wysunięte wnioski? Na te wszystkie pytania należy odpowiedzieć na etapie ewaluacji. Warto skonfrontować wyciągnięte wnioski z opiniami ekspertów niezaangażowanych bezpośrednio w proces analizy. Trzeba także stwierdzić, jakie cele nie zostały zrealizowane i czego nie udało się osiągnąć. Na zakończenie tego etapu podejmuje się decyzję dotyczącą wykorzystania wyników analiz w praktyce. Może okazać się, że przeprowadzone analizy nie dały zadowalających rezultatów i wymagany jest powrót do pierwszego etapu oraz redefiniowanie problemu. Gdy zawędrujemy w ślepą uliczkę pamiętajmy, iż metodologia CRISP DM jasno mówi nam, że analiza danych wymaga eksperymentowania. Lepiej cofnąć się do wcześniejszego etapu i przemyśleć problem, niż wdrożyć błędne rozwiązania.

Krok 6. Wdrożenie


W etapie tym, jeśli przeprowadzona ewaluacja wskazuje na możliwość zastosowania wniosków w praktyce, następuje wdrożenie nowych pomysłów i próba usprawnienia działania w oparciu o wiedzę pozyskaną ze wskaźników. Zaakceptowane rozwiązania wykorzystywane są w praktycznym działaniu do realizacji postawionych celów. Na tym etapie warto sporządzić końcowy raport z wykorzystania wskaźników oraz dalsze rekomendacje. Zakończenie tego etapu na nowo rozpoczyna cykl CRISP - DM. Ulepszanie pracy organizacji na podstawie wskaźników to proces, który wciąż daje nam nowe możliwości. Przeanalizujmy sytuację, sprawdźmy co można ulepszyć, sformułujmy problemy i rozpocznijmy zbieranie danych i kolejną analizę.

Podsumowanie


Zastosowanie metodologii CRISP – DM i podzielenie analizy wskaźników na etapy jest niezwykle użyteczne gdyż pozwala usystematyzować wyciąganie wniosków z zebranych danych (studium przypadku z wykorzystaniem CRISP – DM znajdzie czytelnik, u Larose 2008). Dzięki zastosowaniu metodologii CRISP – DM jasne staje się, jak postępować z uzyskanymi wskaźnikami, o czym pamiętać na każdym etapie i jakie powinny być kolejne kroki ich analizy. Metodologia CRISP – DM zakłada możliwość powrotu i zmian w zakończonym już etapie, co daje elastyczność i pomaga w korygowaniu pojawiających się błędów. Jej atrakcyjność wynika przede wszystkim z faktu, iż wprowadza ona w proces analiz i eksploracji danych ład i porządek. Model CRISP-DM dostarcza jasno zdefiniowanych etapów wraz z ich szczegółowymi opisami, w całym procesie analizy wiadomo, co należy zrobić na każdym z kolejnych etapów. Niezwykle przydatna okazuje się także wynikająca z założeń CRISP-DM wiedza, że zakończenie jednego etapu analizy nie oznacza definitywnego jego zamknięcia, a powrót do niego nie jest porażką analityka, ale naturalnym etapem procesu eksploracji danych. Co więcej, model CRISP-DM daje formalne oparcie w dyskusjach z zarządem i menedżerami. Pozwala wskazać, jaki etap analiz się realizuje i jakie jeszcze kroki pozostały oraz co może się przytrafić w dalszych analizach. Zatem model ma przynajmniej trzy zalety praktyczne, które sprawiają, że warto z niego korzystać:
  • wprowadza ład w proces analizy,

  • pokazuje, że wracanie do etapów już zakończonych jest możliwe, a nawet potrzebne,

  • daje uzasadnienia podejmowanych decyzji.

  • Więcej informacji na ten temat znajdą Państwo na platformie wskaznikiHR.pl.

Bibliografia
Alsultanny, Y. (2011). Selecting a suitable method of data mining for successful forecasting. Journal of Targeting, Measurement and Analysis for Marketing, 19(3-4), 207–225.
Chapman, P. Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth R. (2000) CRISP-DM 1.0 Step-by-step data mining guide, SPSS Inc.
Cobos, C., Zuñiga, J., Guarin, J., León, E., Mendoza, M. (2010). CMIN - Herramienta case basada en CRISP-DM para el soporte de proyectos de minería de datos. Ingenieria E Investigacion, 30(3), 45–56.
Hiltbrand, T. (2013). Behavior-Based Budget Management Using Predictive Analytics. Business Intelligence Journal, 18(1), 25–33.
Khaleel, M. A. (2013). A Survey of Data Mining Techniques on Medical Data for Finding Locally Frequent Diseases, International Journal of Advanced Research in Computer Science and Software Engineering 3(12), 149–153.
Larose D.T.(2008) Metody i modele eksploracji danych PWN, Warszawa.
McGregor, C., Catley, C., James, A. (2011). A process mining driven framework for clinical guideline improvement in critical care. CEUR Workshop Proceedings, 765.
Riedel, M., Memon, A.S., Memon, M.S., (2014) High productivity data processing analytics methods with applications,"Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2014 37th International Convention on, pp.289-294.
Rivo, E., De La Fuente, J., Rivo, Á., García-Fontán, E., Cañizares, M. Á., Gil, P. (2012). Cross-Industry Standard Process for data mining is applicable to the lung cancer surgery domain, improving decision making as well as knowledge and quality management. Clinical and Translational Oncology, 14, 73–79.
Shearer, C. (2000). The CRIS-DM model: The New Blueprint for Data Mining. Journal of Data Warehousing14, 5(4), 13–22.
Tukey J.W. (1977) Exploratory Data Analysis, Addison Wesley Publishing Company
Venter J., de Waal A. Willers C., (2007) Specializing CRISP-DM for evidence mining in: Craiger, Philip, Shenoi, Sujeet (Eds.) Advances in Digital Forensic III, Sprnger, Boston.
Witten, I., Frank, E., (2005) Data Mining – Pratical Machine Learning Tools and Techniques, Elsevier, USA.
Xiao, X., Xu, H., Xu, S. (2015). Using IBM SPSS modeler to improve undergraduate mathematical modelling competence. Computer Applications in Engineering Education, in Press.

Konrad Kulikowski

Udostępnij