Глава 3. Характеристика данных для анализа
Как процесс, анализ зависит от использования «сырых» (необработанных) данных. Несмотря на это, не просто любые данные могут привести к эффективному анализу. Ряд данных, собранных с целью ответа на требования пользователя, должен оцениваться по нескольким критериям до того, как можно будет делать обнадеживающие выводы. Ключевой критерий – это точность. Понимание точности означает осознание того, что далеко не все данные имеют одинаковое качество. Некоторые данные могут быть превосходными, некоторые – средними, некоторые могут быть плохими, а некоторые могли бы даже ввести в заблуждение. Источники данных должны быть идентифицированы и проверены с целью уточнения того, действительно ли вводимые данные точны и надежны. При прочих равных условиях аналитик предпочитает получать точную информацию из надежных источников. Хорошо известная фраза «что посеешь, то и пожнешь» как раз применима к источникам данных.
У источников часто существуют разные причины предложения данных, и сбор данных может использоваться для многих целей. Знание источника индивидуальных или групповых данных важно в установлении оптимального соотношения этих данных для анализа. Например, многие ряды данных поступают из других источников и могли бы быть неточными, если в оригинальном ряде данных была допущена ошибка. Кроме того, большая часть данных, вырабатываемых группой спустя время, может заставить возвратиться на исходную позицию, если методы одного человека были неправильными с самого начала.
Некоторые источники данных могут пользоваться плохой репутацией из-за создания искажений рядов данных. Например, адвокатские группы, имеющие политические программы, часто искажают данные, которые они предлагают лицам, проводящим политику по поддержанию своей позиции. Конкуренты в бизнесе посредством дезинформации, нелегальной фальсификации или ложных доказательств могут также целенаправленно попытаться подать противоречивые или ложные сигналы в качестве средств, применяемых для того, чтобы сбить с толку своих конкурентов. Дезинформация – это неполные или неточные данные, созданные с целью введения в заблуждение других. Фальсификация включает в себя распространение искаженной или ложной информации с намерением ввести в заблуждение или использовать в своих интересах. Ложные доказательства имеют место в том случае, когда появляется второй источник информации, но на самом деле не подтверждает данные, первоначально появившиеся из определенного источника Надежность – это другой важный критерий оценки вводимых данных. Как и в процессе оценки точности, аналитик должен установить первоисточник данных с целью оценки надежности.
При проведении самого анализа очень важно тщательно изучить вводимые данные и результаты. Один из способов это сделать – следовать анаграмме "AID":
Аномалии. Данные, которые не кажутся достаточно хорошо совпадающими с другими или абсолютно правильными, обычно настораживают и требуют дальнейшей проверки. Аномальные данные часто выявляют проблемы, связанные с предположениями кого-либо, или выявляют то, что имеет место неожиданный феномен. Эти данные часто являются наиболее мощными проблемами контроля аналитика.
Индикаторы. Всегда очень важно изучить наиболее конкретные и особенные проявления (в отличие от вторичных и непрямых проявлений) рассматриваемого феномена. Например, если вы анализируете высокотехнологичный бизнес, будет особенно важно знать, изменил ли конкурент свою политику в отношении формулы, подчеркивающей то, какую долю валовых прибылей он направляет на основные научные исследования, на текучесть главных высококвалифицированных специалистов, разрабатывал ли он патенты на отдельные процессы или товары, или он недавно создал или продал научно-исследовательские средства.
Дезагрегирование. Часто бывает сложно найти вошедшую в поговорку иглу в стоге сена конкурента. Иногда, как и в случае поисков только иглы, полезно шагнуть назад и посмотреть на сам стог. Обзор стога может позволить аналитику последовательно отбросить все те данные, которые ассоциируются с теми данными, в которых аналитик не заинтересован. То, что остается после процесса отбрасывания, может предоставить основные принципы того, какая информация на самом деле требуется. Например, если вы не можете определить, что конкурент тратит на новые информационные системы управления, вы можете изучить его общую финансовую картину, а затем устранить все расходы на все, кроме информационных систем управления. То, что осталось, должно установить границы его расходов на информационные системы управления.
Эффективный анализ основывается на эффективном сборе данных и наоборот. Когда данные неполные или их не хватает, что практически всегда является проблемой, аналитик должен опираться на один из основных пяти нижеследующих типов решения проблем:
1. Аналогия. Имеет место, когда аналитик руководствуется доказательствами, полученными из аналогичных случаев. Этот подход – один из тех, которые в особенности демонстрируют «искусство» анализа в отличие от его «дисциплинарных аспектов». Он является наиболее пригодным, когда числа и формулы, полученные в результате интерполирования, не дают недостающих данных.
2. Дедукция. Эта наиболее простая форма анализа предполагает способность выявлять схемы из достаточно полного ряда данных (то есть из общего частное). Аналитик должен сделать выводы, несмотря на отсутствие некоторых фактов или информационных элементов. Чем меньше отношение доступных данных к недостающим, тем меньше вероятность того, что выводы будут достоверными. Дедукция особенно полезна при прогнозировании методов.
3. Экстраполяция. Аналогично интерполяции, экстраполяция – это процесс прогнозирования, в ходе которого данные объединяются в серии. Одна особенно популярная форма экстраполяционного анализа известна как экстраполяция тенденций, при которой аналитик определяет и проецирует исторические тенденции на будущее. Экстраполяция часто используется в демографических исследованиях и исследованиях в области сельского хозяйства (например, уровни несчастных случаев, уровни рождаемости и тенденции смертности). Тем не менее, она уязвима по отношению к таким событиям, как «нарушение системы».
4. Индукция. Это способность выявлять схемы из ограниченного ряда данных (то есть, общие выводы, сделанные на основе частных примеров). Это процесс выявления причинно-следственных связей, посредством которого мы проходим от восприятия определенного феномена, как, например, события или вещи, к знанию более общих истоков.
5. Интерполяция. Способ нахождения недостающего звена в ряду данных, интерполяция имеет место тогда, когда данные распределены серийно. Это аналогично нахождению недостающей буквы в головоломке кроссворда. Применение простой конкурентной информации по этой дисциплине имеет место, когда аналитик дезагрегирует финансовые данные из всех данных с целью выяснения уровня финансового исполнения конкретной структурной единицы (компании).
Не существует единственного лучшего способа проведения конкурентного анализа. Авторы разделили свою долю с теми, кто хотел испить из мифического «источника анализа». Мифического источника, более известного как документация анализа или конкурентная документация, не существует, и мы сильно сомневаемся в том, что он когда-либо будет существовать. Несмотря на это, мы продолжаем верить в то, что возможно усовершенствовать свой опыт по некоторым задачам, как, например, знание следующего: как отбирать и сортировать данные и вводимую информацию (то есть, «необходимость знать» от установок «хорошо бы знать» или «кто заботится о том, чтобы знать»), какой аналитический метод применить при определенной потребности, и что необходимо понять для эффективного информирования организационных действий и решений.
Существуют несколько «умений», которые должен проявить аналитик. Один из лучших кратких обзоров этих умений исходит из Общества специалистов по конкурентной информации (Society of Competitive Intelligence Professionals), предлагающего следующее:
• Установить взаимосвязь между сбором данных и этапами анализа.
• Работать творчески.
• Применять как дедуктивное, так и индуктивное обоснование.
• Использовать альтернативное мышление.
• Понимать основные аналитические модели.
Представить увлекательные и привлекательные модели для выявления новаторского характера анализа, а не сухой, научный подход
Конец ознакомительного фрагмента.