🌳 ОТ ДЕРЕВА К ГРАФУ: КАК DATA SCIENCE И JTBD ОБЪЯСНЯЮТ ОДНО И ТО ЖЕ С РАЗНЫХ СТОРОН
Привет, друзья!☕️
Данные — это не обязательно таблицы и цифры, любой набор признаков или формализованный учет — это тоже данные, и тоже про data driven. Последние недели я усиленно учусь. А когда учишься, неизбежно формируешь какие-то инсайты в голове. Так вот, я тут переосмыслила одну из самых популярных моделей прогнозирования — дерево решений. Если перевернуть логику от фич к работам, то дерево превращается в граф. Смотрите.
Дерево решений — классика Data Science
Если не сталкивались, на пальцах. Дерево решений — это модель, где набор признаков ведёт к одному-единственному ответу.
Хотим определить, что перед нами за плод? Идём по веткам:
- Красный? → да
- Круглый? → да
- Съедобный? → да
- Растёт на дереве? → нет, в огороде
- Ответ: помидор.
Иногда хватает 5 признаков. Иногда нужно 50 — потому что после 49 у нас всё ещё остаётся выбор между «помидор» и «яблоко». И только признак №50 («растёт в огороде, а не в саду») расщепляет последнюю развилку.
Ключевое: каждый объект ведёт к одному решению. Веточки сужаются, пока не остаётся ровно один ответ. Поэтому это — дерево. Одна вершина, один путь, один листок.
Граф работ — это дерево, которое мутировало в JTBD
На воркшопе по JTBD я увидела конструкцию, которая выглядит почти как дерево, но на самом деле — граф.
Вверху — «большая работа» клиента (Big Job): быть здоровым, быть спокойным за семью, быть успешным. Ниже — работы помельче. В самом низу — конкретные решения, которые клиент «нанимает» на работу.
И вот разница: одно решение может закрывать сразу несколько работ выше уровнем.
Тот же помидор. Решение «съесть помидор» закрывает:
- работу «утолить голод»,
- работу «получить удовольствие» (если люблю помидоры),
- работу «съесть что-то полезное» (если слежу за питанием),
- работу «быть экономным» (если он с дачи, а не из «Азбуки»).
Одно решение → четыре стрелки вверх. Это уже не дерево. Это граф.
Почему это не просто игра терминов
В дереве решений логика предсказательная: «вот признаки — вот единственный ответ». Её задача — классифицировать. Отнести объект к одной категории.
В графе работ логика объяснительная: «вот решение — вот все задачи, которые оно закрывает для клиента». Её задача — понять мотивы. Увидеть, зачем человек делает то, что делает.
И когда смотришь через второе, в голове происходит интересное. Ты начинаешь понимать: клиент редко покупает ваш продукт ради одной задачи. Он покупает его, потому что продукт случайно или намеренно закрывает ему сразу 3–4 верхних работы. И если вы оптимизируете продукт под одну «главную» работу, игнорируя остальные ветки графа — вы сами режете себе ценность.
Инсайт, который я забрала
В личном страховании мы классифицируем клиентов по признакам: количество работников, отрасль, регион основной локации. И пытаемся от этого строить решение, которое им нужно. То же самое и в рознице — фичизм повсюду.
Но клиент живёт не на дереве, а в графе. И у московского коллектива в 500 человек потребность в страховке может закрывать разные "работы": от личных работ менеджера по закупкам до глобальных работ-поручений акционеров. И им нужен разный продукт.
P.S. А вы у себя в работе с кем чаще — с деревом или с графом? Где ваши клиенты и продукты? Интересно собрать срез по разным отраслям.
Data Driven Management
Привет, друзья!☕️
Данные — это не обязательно таблицы и цифры, любой набор признаков или формализованный учет — это тоже данные, и тоже про data driven. Последние недели я усиленно учусь. А когда учишься, неизбежно формируешь какие-то инсайты в голове. Так вот, я тут переосмыслила одну из самых популярных моделей прогнозирования — дерево решений. Если перевернуть логику от фич к работам, то дерево превращается в граф. Смотрите.
Дерево решений — классика Data Science
Если не сталкивались, на пальцах. Дерево решений — это модель, где набор признаков ведёт к одному-единственному ответу.
Хотим определить, что перед нами за плод? Идём по веткам:
- Красный? → да
- Круглый? → да
- Съедобный? → да
- Растёт на дереве? → нет, в огороде
- Ответ: помидор.
Иногда хватает 5 признаков. Иногда нужно 50 — потому что после 49 у нас всё ещё остаётся выбор между «помидор» и «яблоко». И только признак №50 («растёт в огороде, а не в саду») расщепляет последнюю развилку.
Ключевое: каждый объект ведёт к одному решению. Веточки сужаются, пока не остаётся ровно один ответ. Поэтому это — дерево. Одна вершина, один путь, один листок.
Граф работ — это дерево, которое мутировало в JTBD
На воркшопе по JTBD я увидела конструкцию, которая выглядит почти как дерево, но на самом деле — граф.
Вверху — «большая работа» клиента (Big Job): быть здоровым, быть спокойным за семью, быть успешным. Ниже — работы помельче. В самом низу — конкретные решения, которые клиент «нанимает» на работу.
И вот разница: одно решение может закрывать сразу несколько работ выше уровнем.
Тот же помидор. Решение «съесть помидор» закрывает:
- работу «утолить голод»,
- работу «получить удовольствие» (если люблю помидоры),
- работу «съесть что-то полезное» (если слежу за питанием),
- работу «быть экономным» (если он с дачи, а не из «Азбуки»).
Одно решение → четыре стрелки вверх. Это уже не дерево. Это граф.
Почему это не просто игра терминов
В дереве решений логика предсказательная: «вот признаки — вот единственный ответ». Её задача — классифицировать. Отнести объект к одной категории.
В графе работ логика объяснительная: «вот решение — вот все задачи, которые оно закрывает для клиента». Её задача — понять мотивы. Увидеть, зачем человек делает то, что делает.
И когда смотришь через второе, в голове происходит интересное. Ты начинаешь понимать: клиент редко покупает ваш продукт ради одной задачи. Он покупает его, потому что продукт случайно или намеренно закрывает ему сразу 3–4 верхних работы. И если вы оптимизируете продукт под одну «главную» работу, игнорируя остальные ветки графа — вы сами режете себе ценность.
Инсайт, который я забрала
В личном страховании мы классифицируем клиентов по признакам: количество работников, отрасль, регион основной локации. И пытаемся от этого строить решение, которое им нужно. То же самое и в рознице — фичизм повсюду.
Но клиент живёт не на дереве, а в графе. И у московского коллектива в 500 человек потребность в страховке может закрывать разные "работы": от личных работ менеджера по закупкам до глобальных работ-поручений акционеров. И им нужен разный продукт.
P.S. А вы у себя в работе с кем чаще — с деревом или с графом? Где ваши клиенты и продукты? Интересно собрать срез по разным отраслям.
Data Driven Management
❤5👍2
🌳 ОТ ДЕРЕВА К ГРАФУ. ЧАСТЬ 2: А В B2B ВСЁ ЕЩЁ ИНТЕРЕСНЕЕ
Привет, друзья! ☕️
В прошлый раз мы с вами разобрали, как дерево решений превращается в граф работ, если перевернуть оптику от фич к задачам клиента. Я поймала себя на том, что к изначальному рассуждению хочется добавить ещё три-четыре пласта.
А когда у тебя «ещё три-четыре пласта» — это уже не пост, это лонгрид. Поэтому оформила всё в статью на Хабр: с таблицей сравнения двух оптик, с развёрнутым кейсом по рознице и — самое главное — с разбором того, что происходит в B2B.
Статья сейчас висит на модерации. Как появится — дам ссылку 🩶
А пока — тизер того, что внутри.
Розница — это цветочки. Ягодки начинаются в корпоративном сегменте.
Когда розничный клиент покупает ДМС, у него в графе одна small job («попасть к врачу») и за ней — штук пять Big Jobs уровнем выше («не терять рабочий день», «не тратить нервы», «не бояться, что выставят счёт», «заботиться о семье», «быть услышанным»). Страховая обычно оптимизирует одну ветку, а про остальные четыре даже не думает. Это уже не очень.
Но в корпоративном ДМС (а это основной рынок в России) граф не один. Их три параллельных.
🔹 Граф компании — удерживать персонал, снижать больничные, держать HR-бренд, оптимизировать налоговую нагрузку.
🔹 Граф ЛПР (того самого HR-директора, который подписывает договор) — быстро закрыть задачу, выглядеть экспертом перед руководством, не разгребать потом жалобы сотрудников.
🔹 Граф сотрудника — всё то же, что у розничного клиента, плюс ощущение «работодатель обо мне заботится».
Одна покупка. Три стейкхолдера. Три набора Big Jobs, которые часто не совпадают и даже конфликтуют между собой.
И вот главный вывод, к которому я пришла, пока писала статью: выигрывает продукт, который закрывает работы во всех трёх графах одновременно. Выиграть тендер ценой можно. Выиграть сервисом для сотрудников можно. Удобством для HR — тоже можно. А вот пролонгацию выигрывает только тот, кто закрыл всё сразу. И это совсем другая задача, чем та, к которой нас приучила классическая юнит-экономика и деревья решений.
P.S. А пока — вопрос в комментарии: сколько стейкхолдеров в вашем B2B-продукте реально учитываются в продуктовых решениях? Один, два, три или больше? Интересно собрать срез по отраслям.
Data Driven Management
Привет, друзья! ☕️
В прошлый раз мы с вами разобрали, как дерево решений превращается в граф работ, если перевернуть оптику от фич к задачам клиента. Я поймала себя на том, что к изначальному рассуждению хочется добавить ещё три-четыре пласта.
А когда у тебя «ещё три-четыре пласта» — это уже не пост, это лонгрид. Поэтому оформила всё в статью на Хабр: с таблицей сравнения двух оптик, с развёрнутым кейсом по рознице и — самое главное — с разбором того, что происходит в B2B.
Статья сейчас висит на модерации. Как появится — дам ссылку 🩶
А пока — тизер того, что внутри.
Розница — это цветочки. Ягодки начинаются в корпоративном сегменте.
Когда розничный клиент покупает ДМС, у него в графе одна small job («попасть к врачу») и за ней — штук пять Big Jobs уровнем выше («не терять рабочий день», «не тратить нервы», «не бояться, что выставят счёт», «заботиться о семье», «быть услышанным»). Страховая обычно оптимизирует одну ветку, а про остальные четыре даже не думает. Это уже не очень.
Но в корпоративном ДМС (а это основной рынок в России) граф не один. Их три параллельных.
🔹 Граф компании — удерживать персонал, снижать больничные, держать HR-бренд, оптимизировать налоговую нагрузку.
🔹 Граф ЛПР (того самого HR-директора, который подписывает договор) — быстро закрыть задачу, выглядеть экспертом перед руководством, не разгребать потом жалобы сотрудников.
🔹 Граф сотрудника — всё то же, что у розничного клиента, плюс ощущение «работодатель обо мне заботится».
Одна покупка. Три стейкхолдера. Три набора Big Jobs, которые часто не совпадают и даже конфликтуют между собой.
И вот главный вывод, к которому я пришла, пока писала статью: выигрывает продукт, который закрывает работы во всех трёх графах одновременно. Выиграть тендер ценой можно. Выиграть сервисом для сотрудников можно. Удобством для HR — тоже можно. А вот пролонгацию выигрывает только тот, кто закрыл всё сразу. И это совсем другая задача, чем та, к которой нас приучила классическая юнит-экономика и деревья решений.
P.S. А пока — вопрос в комментарии: сколько стейкхолдеров в вашем B2B-продукте реально учитываются в продуктовых решениях? Один, два, три или больше? Интересно собрать срез по отраслям.
Data Driven Management
❤2👍1💯1
🤖 IAS-бот: диагностика страхового процесса на готовность к автоматизации
Привет, друзья!☕️
Вайбкодеров не остановить😅.
Сделала бота для руководителей функций в страховых. За 5-7 минут опроса он разбирает один процесс и выдаёт вердикт: подходит ли автоматизация, какие инструменты релевантны, какие ограничения отрасли его блокируют.
Зачем
Я точно знаю, что эта боль существует (хотя слово противное, согласна, но тут как раз оно). И существует этот gap между «внедрите» и «куда». И что когда начинаешь спрашивать, выясняется примерно одно и то же: данных для ML нет, а разметка займёт полгода работы экспертов; облачные LLM закрыты инфобезом; локальные модели слабее облачных в разы; либо сам процесс настолько маленький, что автоматизировать его дороже, чем оставить.
Но все молчат. Все продают красивое будущее. А руководитель остаётся один на один с выбором инструмента.
Что внутри бота
48 процессов по 7 функциям. Андеррайтинг, урегулирование убытков, договорная работа с провайдерами, организация медпомощи, продажи, медэкспертиза, клиентский сервис.
Логика опроса:
— Парето-фильтр в начале. Если процесс редкий, маленький или уже прилично автоматизирован — бот это подсветит.
— 16 вопросов по трём осям: рутинность, зрелость данных, организационная готовность.
— Классификация в один из 7 профилей (Рутинёр, Текстовик, Визуал, Классификатор, Многорукий, Незрелый или «Не требует автоматизации») и три рекомендации с реальными ограничениями отрасли.
Ссылка:
Insurance AI Scanner
(@function_scanner_bot)
Бот бесплатный и без регистрации. Если разбора достаточно — пользуйтесь и применяйте🩶
Писала с Claude Code, матрицу рекомендаций заложила исходя из личного опыта и понимания процессов.
Буду благодарна за обратную связь по логике и точности советов. Особенно от тех, кто сам в страховой и видит свои процессы изнутри.
Давайте помогать другу другу становиться data driven
Data Driven Management
Привет, друзья!☕️
Вайбкодеров не остановить😅.
Сделала бота для руководителей функций в страховых. За 5-7 минут опроса он разбирает один процесс и выдаёт вердикт: подходит ли автоматизация, какие инструменты релевантны, какие ограничения отрасли его блокируют.
Зачем
Я точно знаю, что эта боль существует (хотя слово противное, согласна, но тут как раз оно). И существует этот gap между «внедрите» и «куда». И что когда начинаешь спрашивать, выясняется примерно одно и то же: данных для ML нет, а разметка займёт полгода работы экспертов; облачные LLM закрыты инфобезом; локальные модели слабее облачных в разы; либо сам процесс настолько маленький, что автоматизировать его дороже, чем оставить.
Но все молчат. Все продают красивое будущее. А руководитель остаётся один на один с выбором инструмента.
Что внутри бота
48 процессов по 7 функциям. Андеррайтинг, урегулирование убытков, договорная работа с провайдерами, организация медпомощи, продажи, медэкспертиза, клиентский сервис.
Логика опроса:
— Парето-фильтр в начале. Если процесс редкий, маленький или уже прилично автоматизирован — бот это подсветит.
— 16 вопросов по трём осям: рутинность, зрелость данных, организационная готовность.
— Классификация в один из 7 профилей (Рутинёр, Текстовик, Визуал, Классификатор, Многорукий, Незрелый или «Не требует автоматизации») и три рекомендации с реальными ограничениями отрасли.
Ссылка:
Insurance AI Scanner
(@function_scanner_bot)
Бот бесплатный и без регистрации. Если разбора достаточно — пользуйтесь и применяйте🩶
Писала с Claude Code, матрицу рекомендаций заложила исходя из личного опыта и понимания процессов.
Буду благодарна за обратную связь по логике и точности советов. Особенно от тех, кто сам в страховой и видит свои процессы изнутри.
Давайте помогать другу другу становиться data driven
Data Driven Management
🔥2❤1
Привет, друзья ☕️
Когда долго занимаешься одним и тем же, наступает стагнация. На какие бы курсы ни ходил, какие бы книги ни читал — текущая роль перестаёт мотивировать. Карьерные консультанты в таких случаях советуют менять компанию. Ха-ха, я-то знаю, как тяжело на это решиться, когда у тебя устоявшийся коллектив, удобный график, понятные процессы, и в целом всё хорошо. Внешне кажется, что менять глупо. Внутри — что засиделась.
Но иногда жизнь сама помогает. Подталкивает в нужный момент, разворачивает обстоятельства так, что вдруг видишь — вот он, шанс. Именно это сейчас происходит со мной. Я покинула СОГАЗ. И впервые в жизни решила не уходить из одной компании в другую, а попробовать что-то совсем новое.
То, о чём я давно подумывала, но никогда не решалась. Лет десять назад я вела курс для андеррайтеров страховых компаний, эпизодически, и мне очень понравилось тогда учить людей. Вообще обучать — прямо моё. Любимая часть работы — передавать знания, видеть, как до человека «доходит»
И вот я задумала сделать образовательный проект — курс для страховщиков. Возможно, всё провалится, и я вернусь в наём. Но пока я очень верю, что получится. И очень-очень хочу попробовать.
В достаточности знаний не сомневаюсь, я в этой теме больше двадцати лет. А вот в собственной медийности и готовности быть на виду — что уж говорить. Но я такой человек: боюсь — надо делать. Надо себя толкать, пинать, иначе потом буду жалеть, что не рискнула.
Решила начать с видеоподкастов. Вот оно, моё самое первое видео. Прошу вас его поддержать — посмотреть, поставить лайк, написать комментарий. Конструктивная критика тоже принимается, я её жду. Главное, чтобы она была искренней — такая обратная связь для меня сейчас на вес золота.
YouTube: https://youtu.be/pz1f-Mtik3Q?si=WZoUwYL0pZd0vz6S
ВК: https://vk.ru/wall-238221011_1
P.S. На фото — подарок от моих сотрудников, который они мне сделали в последний день совместной работы. Если на увольнение дарят такое, верится, что ты в этой жизни сделал хорошее. И еще сделаешь..🩶
Когда долго занимаешься одним и тем же, наступает стагнация. На какие бы курсы ни ходил, какие бы книги ни читал — текущая роль перестаёт мотивировать. Карьерные консультанты в таких случаях советуют менять компанию. Ха-ха, я-то знаю, как тяжело на это решиться, когда у тебя устоявшийся коллектив, удобный график, понятные процессы, и в целом всё хорошо. Внешне кажется, что менять глупо. Внутри — что засиделась.
Но иногда жизнь сама помогает. Подталкивает в нужный момент, разворачивает обстоятельства так, что вдруг видишь — вот он, шанс. Именно это сейчас происходит со мной. Я покинула СОГАЗ. И впервые в жизни решила не уходить из одной компании в другую, а попробовать что-то совсем новое.
То, о чём я давно подумывала, но никогда не решалась. Лет десять назад я вела курс для андеррайтеров страховых компаний, эпизодически, и мне очень понравилось тогда учить людей. Вообще обучать — прямо моё. Любимая часть работы — передавать знания, видеть, как до человека «доходит»
И вот я задумала сделать образовательный проект — курс для страховщиков. Возможно, всё провалится, и я вернусь в наём. Но пока я очень верю, что получится. И очень-очень хочу попробовать.
В достаточности знаний не сомневаюсь, я в этой теме больше двадцати лет. А вот в собственной медийности и готовности быть на виду — что уж говорить. Но я такой человек: боюсь — надо делать. Надо себя толкать, пинать, иначе потом буду жалеть, что не рискнула.
Решила начать с видеоподкастов. Вот оно, моё самое первое видео. Прошу вас его поддержать — посмотреть, поставить лайк, написать комментарий. Конструктивная критика тоже принимается, я её жду. Главное, чтобы она была искренней — такая обратная связь для меня сейчас на вес золота.
YouTube: https://youtu.be/pz1f-Mtik3Q?si=WZoUwYL0pZd0vz6S
ВК: https://vk.ru/wall-238221011_1
P.S. На фото — подарок от моих сотрудников, который они мне сделали в последний день совместной работы. Если на увольнение дарят такое, верится, что ты в этой жизни сделал хорошее. И еще сделаешь..🩶
❤3🔥3
Привет, друзья! ☕️
Хочу поговорить про одно понятие, без которого современная аналитика превращается в обработку анкет.
Прокси-признак.
Это когда вам не хватает данных, и вы их выводите из того, что есть.
Простой пример. Магазину очень хочется знать, беременна ли клиентка — чтобы вовремя предложить нужный ассортимент. Напрямую спросить нельзя. Но ещё в 2010-м аналитик американского ритейлера Target Эндрю Пол рассказал, как они научились предсказывать беременность по корзине: женщина начинает покупать определённый набор товаров (лосьоны без отдушек, витамины с магнием и тп) — и через несколько месяцев в семье появляется ребёнок. История попала в New York Times в 2012-м и устроила небольшой скандал: одна школьница получила купоны на детские товары раньше, чем рассказала об этом родителям.
Сама беременность как признак — закрыта. А вот поведение её может предсказать довольно точно.
Это и есть прокси-признак: косвенный след искомой величины в тех данных, которые у вас уже есть.
Аналитики работают с прокси постоянно, часто не называя это так:
— Банковский скоринг не получает в анкете, насколько вы дисциплинированны. Зато видит, в какое время суток вы открываете приложение, сколько секунд проводите на странице кредита, отменяете ли заявку на полпути. Поведенческий профиль предсказывает дефолт точнее, чем ответы анкеты.
— Реклама не знает, что у вас будет отпуск. Но видит, что вы три раза за неделю гуглили «погода в Турции» и зашли в Aviasales. Прокси.
— HR-аналитика не получает заявление об увольнении заранее. Зато видит, что сотрудник стал реже отвечать в рабочем чате после 18:00 и обновил профиль в LinkedIn. Снова прокси.
Главное при работе с такими признаками — помнить про разницу между корреляцией и причинно-следственной связью. Покупка лосьона не делает женщину беременной. Запрос «погода в Турции» не отправляет в отпуск. Прокси — это сигнал, повышающий вероятность гипотезы, и не более того. Но если таких сигналов много, и они складываются в устойчивый паттерн — берём.
Зачем я об этом пишу.
В индустриях, где данных много и они разнообразные — ритейл, банки, реклама, контент-платформы, — работа с прокси давно стала стандартом. И поэтому маркетплейсы знают вас лучше, чем компании, у которых вы клиент годами.
В страховании прокси-признаки в продукте используются редко. Андеррайтеры по-прежнему считают по пяти параметрам: возраст, пол, регион, отрасль, историческая убыточность. Ну ок, кто-то по 10, но сути это не меняет. А прокси, которые могли бы дать другую картину — общий адрес как признак домохозяйства, история совместных полисов как признак семейной связи, сезонность обращений к врачу как признак типа потребления медицины — лежат в базах и обычно не задействованы. Не потому что нельзя, а потому что единица учёта в продуктовых процессах остаётся прежней. Застрахованное лицо. И вокруг него всё построено: тариф, продукт, отчётность.
Об этом, кстати, готовлю подробную статью на Хабр, как выйдет, скину.
А первая, про дерево решений и граф работ, наконец прошла модерацию. И уже собрала 11к просмотров🩶 Ссылка на нее.
P.S. А какие прокси-признаки используете вы в своей работе? Поделитесь в комментариях, особенно нестандартными
Data Driven Management
Хочу поговорить про одно понятие, без которого современная аналитика превращается в обработку анкет.
Прокси-признак.
Это когда вам не хватает данных, и вы их выводите из того, что есть.
Простой пример. Магазину очень хочется знать, беременна ли клиентка — чтобы вовремя предложить нужный ассортимент. Напрямую спросить нельзя. Но ещё в 2010-м аналитик американского ритейлера Target Эндрю Пол рассказал, как они научились предсказывать беременность по корзине: женщина начинает покупать определённый набор товаров (лосьоны без отдушек, витамины с магнием и тп) — и через несколько месяцев в семье появляется ребёнок. История попала в New York Times в 2012-м и устроила небольшой скандал: одна школьница получила купоны на детские товары раньше, чем рассказала об этом родителям.
Сама беременность как признак — закрыта. А вот поведение её может предсказать довольно точно.
Это и есть прокси-признак: косвенный след искомой величины в тех данных, которые у вас уже есть.
Аналитики работают с прокси постоянно, часто не называя это так:
— Банковский скоринг не получает в анкете, насколько вы дисциплинированны. Зато видит, в какое время суток вы открываете приложение, сколько секунд проводите на странице кредита, отменяете ли заявку на полпути. Поведенческий профиль предсказывает дефолт точнее, чем ответы анкеты.
— Реклама не знает, что у вас будет отпуск. Но видит, что вы три раза за неделю гуглили «погода в Турции» и зашли в Aviasales. Прокси.
— HR-аналитика не получает заявление об увольнении заранее. Зато видит, что сотрудник стал реже отвечать в рабочем чате после 18:00 и обновил профиль в LinkedIn. Снова прокси.
Главное при работе с такими признаками — помнить про разницу между корреляцией и причинно-следственной связью. Покупка лосьона не делает женщину беременной. Запрос «погода в Турции» не отправляет в отпуск. Прокси — это сигнал, повышающий вероятность гипотезы, и не более того. Но если таких сигналов много, и они складываются в устойчивый паттерн — берём.
Зачем я об этом пишу.
В индустриях, где данных много и они разнообразные — ритейл, банки, реклама, контент-платформы, — работа с прокси давно стала стандартом. И поэтому маркетплейсы знают вас лучше, чем компании, у которых вы клиент годами.
В страховании прокси-признаки в продукте используются редко. Андеррайтеры по-прежнему считают по пяти параметрам: возраст, пол, регион, отрасль, историческая убыточность. Ну ок, кто-то по 10, но сути это не меняет. А прокси, которые могли бы дать другую картину — общий адрес как признак домохозяйства, история совместных полисов как признак семейной связи, сезонность обращений к врачу как признак типа потребления медицины — лежат в базах и обычно не задействованы. Не потому что нельзя, а потому что единица учёта в продуктовых процессах остаётся прежней. Застрахованное лицо. И вокруг него всё построено: тариф, продукт, отчётность.
Об этом, кстати, готовлю подробную статью на Хабр, как выйдет, скину.
А первая, про дерево решений и граф работ, наконец прошла модерацию. И уже собрала 11к просмотров🩶 Ссылка на нее.
P.S. А какие прокси-признаки используете вы в своей работе? Поделитесь в комментариях, особенно нестандартными
Data Driven Management
❤5🔥1
Привет, друзья! ☕️
Когда я нанимала аналитиков, никогда не проводила технических собеседований. Но задавала задачки на смекалку.
Логика простая: всему остальному я сотрудника научу. Инструменты, методики, конкретные техники анализа, особенности отрасли — это вопрос времени и внимания. А вот логическому мышлению научить нельзя. Если человек к 25–30 годам не натренировал способность раскручивать незнакомую задачу с нуля, без подсказок и шаблона, — хорошим аналитиком ему уже не стать. Он будет считать то, что попросят, по образцу. Но никогда не задаст тот самый неудобный вопрос, после которого вся таблица в отчёте начинает выглядеть иначе.
К тому же задачки на смекалку — это ещё и про стрессоустойчивость. А стресс — наша рабочая среда 🙃 Дедлайны, противоречивые вводные, цифры, которые «не сходятся за пять минут до встречи». Если человек на собесе с одной задачкой уплывает в ступор — на проде он уплывёт быстрее.
Вот вам одна из моих любимых — реальная, с настоящего собеса)
Если интересно — ставьте реакции, поделюсь ещё. У меня их накопилось прилично за годы 🩶
Data Driven Management
Когда я нанимала аналитиков, никогда не проводила технических собеседований. Но задавала задачки на смекалку.
Логика простая: всему остальному я сотрудника научу. Инструменты, методики, конкретные техники анализа, особенности отрасли — это вопрос времени и внимания. А вот логическому мышлению научить нельзя. Если человек к 25–30 годам не натренировал способность раскручивать незнакомую задачу с нуля, без подсказок и шаблона, — хорошим аналитиком ему уже не стать. Он будет считать то, что попросят, по образцу. Но никогда не задаст тот самый неудобный вопрос, после которого вся таблица в отчёте начинает выглядеть иначе.
К тому же задачки на смекалку — это ещё и про стрессоустойчивость. А стресс — наша рабочая среда 🙃 Дедлайны, противоречивые вводные, цифры, которые «не сходятся за пять минут до встречи». Если человек на собесе с одной задачкой уплывает в ступор — на проде он уплывёт быстрее.
Вот вам одна из моих любимых — реальная, с настоящего собеса)
Если интересно — ставьте реакции, поделюсь ещё. У меня их накопилось прилично за годы 🩶
Data Driven Management
❤7🔥4👍1
Привет, друзья! ☕️
В прошлый раз разбирали, что такое прокси-признаки. Сегодня — продолжение: почему компании, у которых эти данные уже лежат в системах, их не используют.
Это вопрос, на который я долго не могла внятно ответить себе сама.
Есть предположение про два основных барьера. И ни один из них не называется «нет технологий».
Барьер 1. Единица учёта прописана в системах десятилетиями назад.
Все базы, отчёты, тарифные модели — построены вокруг одной сущности. В банке это «клиент-физлицо». В страховой — «застрахованный». В ритейле — «карта лояльности». Когда я говорю «давайте смотреть на домохозяйство», это не «давайте напишем SQL-запрос с JOIN». Это «давайте переделаем половину продуктовой архитектуры». От тарифной сетки до системы согласований. И это страшно, дорого, и непонятно, окупится ли.
В результате аналитики могут видеть прокси в данных. Маркетологи могут о них рассуждать. Но в продуктовых решениях — а это то, что доходит до клиента — единица анализа остаётся прежней. Прокси-признак есть, но некуда его применить.
Барьер 2. KPI отделов разрезаны по физлицам.
Это следствие первого барьера. Скоринг банка считается по физлицу. Тариф страховой — по застрахованному. Андеррайтер бонусится за убыточность портфеля физлиц. Никому в среднем менеджменте неинтересно завтра ввести «домохозяйство» как единицу учёта, зачем усложнять себе жизнь. И получается так: «у нас сейчас квартал закрывается, давайте после».
Каждый, кто хоть раз пытался ввести в большой компании сквозную метрику поверх существующих процессов, знает, о чём я.
Что в итоге.
Прокси-признаки — мощный инструмент, но он работает только когда есть продуктовая воля их применять. В индустриях, где такая воля есть (ритейл, реклама, контент-платформы), это даёт колоссальное преимущество — те самые маркетплейсы, которые знают вас лучше, чем компании, у которых вы клиент годами. В индустриях, где этой воли нет, прокси лежат мёртвым грузом в базах, а аналитики продолжают штамповать «отчёты по физлицам».
В страховании пока, на мой взгляд, именно второй случай. Розничный сегмент рынка ДМС от этого — в 27 раз меньше, чем рынок коммерческой медицины, куда клиенты уходят прямо. Об этом, кстати, моя свежая статья на Хабре — там разобрала, что страховщикам надо сделать, чтобы переломить этот разрыв. За первые сутки 6К просмотров, спасибо всем, кто заходил 🩶
Data Driven Management
В прошлый раз разбирали, что такое прокси-признаки. Сегодня — продолжение: почему компании, у которых эти данные уже лежат в системах, их не используют.
Это вопрос, на который я долго не могла внятно ответить себе сама.
Есть предположение про два основных барьера. И ни один из них не называется «нет технологий».
Барьер 1. Единица учёта прописана в системах десятилетиями назад.
Все базы, отчёты, тарифные модели — построены вокруг одной сущности. В банке это «клиент-физлицо». В страховой — «застрахованный». В ритейле — «карта лояльности». Когда я говорю «давайте смотреть на домохозяйство», это не «давайте напишем SQL-запрос с JOIN». Это «давайте переделаем половину продуктовой архитектуры». От тарифной сетки до системы согласований. И это страшно, дорого, и непонятно, окупится ли.
В результате аналитики могут видеть прокси в данных. Маркетологи могут о них рассуждать. Но в продуктовых решениях — а это то, что доходит до клиента — единица анализа остаётся прежней. Прокси-признак есть, но некуда его применить.
Барьер 2. KPI отделов разрезаны по физлицам.
Это следствие первого барьера. Скоринг банка считается по физлицу. Тариф страховой — по застрахованному. Андеррайтер бонусится за убыточность портфеля физлиц. Никому в среднем менеджменте неинтересно завтра ввести «домохозяйство» как единицу учёта, зачем усложнять себе жизнь. И получается так: «у нас сейчас квартал закрывается, давайте после».
Каждый, кто хоть раз пытался ввести в большой компании сквозную метрику поверх существующих процессов, знает, о чём я.
Что в итоге.
Прокси-признаки — мощный инструмент, но он работает только когда есть продуктовая воля их применять. В индустриях, где такая воля есть (ритейл, реклама, контент-платформы), это даёт колоссальное преимущество — те самые маркетплейсы, которые знают вас лучше, чем компании, у которых вы клиент годами. В индустриях, где этой воли нет, прокси лежат мёртвым грузом в базах, а аналитики продолжают штамповать «отчёты по физлицам».
В страховании пока, на мой взгляд, именно второй случай. Розничный сегмент рынка ДМС от этого — в 27 раз меньше, чем рынок коммерческой медицины, куда клиенты уходят прямо. Об этом, кстати, моя свежая статья на Хабре — там разобрала, что страховщикам надо сделать, чтобы переломить этот разрыв. За первые сутки 6К просмотров, спасибо всем, кто заходил 🩶
Data Driven Management
👍5
Привет, друзья ☕️
Спасибо всем, кто решал задачку для собеседований. И спасибо отдельно за то, что никто не ответил неправильно ни здесь ни в Мамалитик — это говорит об аудитории больше, чем любая статистика подписчиков 💪🏼.
Правильный ответ 144.
Из таких задач часто и состоит работа аналитика: по четырём точкам данных нужно построить пятую. «Вот данные. Спрогнозируйте». Только вот тренд первых точек какой-то неочевидный. Казалось бы, далекая от реалий жизни математика, на самом деле к ней ох как близка.😁
И раз вам понравилось, задачка номер два — геометрическая, тоже с собеса:
Плавая в круглом бассейне, рыбка оттолкнулась от бортика и поплыла строго на север. Плыла-плыла, уткнулась в бортик, повернула строго на восток — и снова доплыла до бортика. На север она проплыла 3 метра, на восток — 4. Каков радиус бассейна?
Подсказка: тут не нужно ни координат, ни системы уравнений.
Жду решений в комментариях🩶
Спасибо всем, кто решал задачку для собеседований. И спасибо отдельно за то, что никто не ответил неправильно ни здесь ни в Мамалитик — это говорит об аудитории больше, чем любая статистика подписчиков 💪🏼.
Правильный ответ 144.
a + b = a × (a + b) → 9 + 7 = 9 × 16 = 144.Из таких задач часто и состоит работа аналитика: по четырём точкам данных нужно построить пятую. «Вот данные. Спрогнозируйте». Только вот тренд первых точек какой-то неочевидный. Казалось бы, далекая от реалий жизни математика, на самом деле к ней ох как близка.😁
И раз вам понравилось, задачка номер два — геометрическая, тоже с собеса:
Плавая в круглом бассейне, рыбка оттолкнулась от бортика и поплыла строго на север. Плыла-плыла, уткнулась в бортик, повернула строго на восток — и снова доплыла до бортика. На север она проплыла 3 метра, на восток — 4. Каков радиус бассейна?
Подсказка: тут не нужно ни координат, ни системы уравнений.
Жду решений в комментариях🩶
👏2❤1🔥1
👩🏻💻Сканер страховых процессов
Привет, друзья ☕️
Помните бота, которым можно было быстро прикинуть, готов ли процесс к автоматизации? Спасибо всем, кто его гонял — по вашей обратной связи я поняла, чего не хватает, и довела до полноценной версии.
Теперь у сканера есть веб: проходишь спокойно, с компьютера или телефона, и на выходе получаешь PDF (пример на фото). Бесплатно, без регистрации. Бот тоже остаётся — для быстрой прикидки на ходу.
Что делает:
Выбираете функцию страховой — андеррайтинг, урегулирование, медэкспертиза, провайдеры, продажи, любую из восьми — проходите диагностику. На выходе:
— Карта приоритетов автоматизации. Все процессы функции разложены по трём зонам. Зелёная — сюда бюджет, окупится. Жёлтая — гибрид. Красная — не трогать.
— Готовый вещдок для руководства/совета директоров. Адаптируем «нам нужен AI» в «из N процессов функции столько-то имеют потенциал в ближайший год, столько-то требуют гибрида, столько-то экономически невыгодны». В формулировке, которую можно вставить в презентацию как есть.
— Детальный разбор приоритетного процесса(-ов). Профиль, индексы, топ-3 инструмента с оценкой окупаемости, чек-лист на неделю / месяц / квартал.
Это заняло прилично времени, и я честно не знаю, насколько зайдёт. Поэтому очень прошу: пройдите на каком-нибудь своём процессе и скажите, все ли так. Вдруг где спорная отметка, или не хватило, или я перемудрила. Любая обратная связь сейчас бесценна 🩶
🔗 Сканер: datadriven-course.com/scanner
(Не открывается в Apple Safari, любые другие браузеры)
🤖 Быстрая версия: @function_scanner_bot
P.S. Тем, кому после сканера захочется не готовых ответов, а разобраться в логике — раскладывать процесс самому, проверять отметки, видеть где они спорные — у меня для этого планируется курс, старт 8 июня. Но это отдельная история: без курса сканер самодостаточен. Подробнее — в следующих постах.
Привет, друзья ☕️
Помните бота, которым можно было быстро прикинуть, готов ли процесс к автоматизации? Спасибо всем, кто его гонял — по вашей обратной связи я поняла, чего не хватает, и довела до полноценной версии.
Теперь у сканера есть веб: проходишь спокойно, с компьютера или телефона, и на выходе получаешь PDF (пример на фото). Бесплатно, без регистрации. Бот тоже остаётся — для быстрой прикидки на ходу.
Что делает:
Выбираете функцию страховой — андеррайтинг, урегулирование, медэкспертиза, провайдеры, продажи, любую из восьми — проходите диагностику. На выходе:
— Карта приоритетов автоматизации. Все процессы функции разложены по трём зонам. Зелёная — сюда бюджет, окупится. Жёлтая — гибрид. Красная — не трогать.
— Готовый вещдок для руководства/совета директоров. Адаптируем «нам нужен AI» в «из N процессов функции столько-то имеют потенциал в ближайший год, столько-то требуют гибрида, столько-то экономически невыгодны». В формулировке, которую можно вставить в презентацию как есть.
— Детальный разбор приоритетного процесса(-ов). Профиль, индексы, топ-3 инструмента с оценкой окупаемости, чек-лист на неделю / месяц / квартал.
Это заняло прилично времени, и я честно не знаю, насколько зайдёт. Поэтому очень прошу: пройдите на каком-нибудь своём процессе и скажите, все ли так. Вдруг где спорная отметка, или не хватило, или я перемудрила. Любая обратная связь сейчас бесценна 🩶
🔗 Сканер: datadriven-course.com/scanner
(Не открывается в Apple Safari, любые другие браузеры)
🤖 Быстрая версия: @function_scanner_bot
P.S. Тем, кому после сканера захочется не готовых ответов, а разобраться в логике — раскладывать процесс самому, проверять отметки, видеть где они спорные — у меня для этого планируется курс, старт 8 июня. Но это отдельная история: без курса сканер самодостаточен. Подробнее — в следующих постах.
👍4❤1
Привет, друзья ☕️
Спасибо всем, кто решал задачку с рыбкой в бассейне 🩶 Ответ правильный — радиус 2,5 метра. Прямоугольный треугольник, вписанный в окружность, теорема Пифагора, стороны 3/4/5 — если не помнить, то не так трудно и в уме посчитать. 16+9=25, корень 5.
Но я хотела рассказать не про решение, а про то, на чём кандидаты сыпались, когда я давала эту задачу на собеседованиях. И вовсе не на теореме Пифагора!
🔹 Ошибка №1 — рисуют линию через центр.
Самая частая. Человек читает «поплыла строго на север», берёт ручку — и проводит вертикальный отрезок через центр круга.
В условии этого нет. Сказано только «строго на север», то есть направление, а не точка на бассейне-компасе.
Это для меня серьёзный стоп-фактор. Элементарный кругозор, который должен быть у каждого образованного человека, независимо от профессии. Следующим у них что спросить: Солнце вертится вокруг Земли или наоборот? Удивительно много людей с высшим образованием так ошибались. Назовите меня снобом, но я считаю, что у них надо отбирать диплом. С такими сразу понятно, что мы не сработаемся. Даже если они вписанный в окружность треугольник с доказательствами вызубрили.
🔹 Ошибка №2 — называют ответ 5.
Это уже про внимание к деталям. Кандидат правильно увидел Пифагора, правильно посчитал 3-4-5, и уверенно говорит: «5 метров». А в задаче спрашивается радиус.
Не критично, не red-flag. Но звоночек. Аналитик, который не внимателен к условию задачи — это аналитик, который пришлёт отчёт, не проверив, в каких единицах измерения у него выручка, или будет упорно искать ошибку в коде, где он переменную не обнулил в начале. Внимание к мелочам — это базовая гигиена. Кстати, очень хорошо натаскивается олимпиадными задачками. Начиная от «яблоки на берёзе не растут».
🔹 А вот эту задачку даю сегодня.
Подсмотрела её в учебнике Петерсон для начальной школы. Со звёздочкой, конечно, но всё-таки начальная школа.
Когда я её взяла на собес, оказалось, что взрослые люди сыпятся на ней неожиданно охотно — и по необычной причине. Расскажу в следующий раз.
P.S. Возможно, кандидаты думали, что я странненькая, но вы-то теперь видите, что из любой задачки на смекалку можно много слоев выводов накопать 😉
Спасибо всем, кто решал задачку с рыбкой в бассейне 🩶 Ответ правильный — радиус 2,5 метра. Прямоугольный треугольник, вписанный в окружность, теорема Пифагора, стороны 3/4/5 — если не помнить, то не так трудно и в уме посчитать. 16+9=25, корень 5.
Но я хотела рассказать не про решение, а про то, на чём кандидаты сыпались, когда я давала эту задачу на собеседованиях. И вовсе не на теореме Пифагора!
🔹 Ошибка №1 — рисуют линию через центр.
Самая частая. Человек читает «поплыла строго на север», берёт ручку — и проводит вертикальный отрезок через центр круга.
В условии этого нет. Сказано только «строго на север», то есть направление, а не точка на бассейне-компасе.
Это для меня серьёзный стоп-фактор. Элементарный кругозор, который должен быть у каждого образованного человека, независимо от профессии. Следующим у них что спросить: Солнце вертится вокруг Земли или наоборот? Удивительно много людей с высшим образованием так ошибались. Назовите меня снобом, но я считаю, что у них надо отбирать диплом. С такими сразу понятно, что мы не сработаемся. Даже если они вписанный в окружность треугольник с доказательствами вызубрили.
🔹 Ошибка №2 — называют ответ 5.
Это уже про внимание к деталям. Кандидат правильно увидел Пифагора, правильно посчитал 3-4-5, и уверенно говорит: «5 метров». А в задаче спрашивается радиус.
Не критично, не red-flag. Но звоночек. Аналитик, который не внимателен к условию задачи — это аналитик, который пришлёт отчёт, не проверив, в каких единицах измерения у него выручка, или будет упорно искать ошибку в коде, где он переменную не обнулил в начале. Внимание к мелочам — это базовая гигиена. Кстати, очень хорошо натаскивается олимпиадными задачками. Начиная от «яблоки на берёзе не растут».
🔹 А вот эту задачку даю сегодня.
Подсмотрела её в учебнике Петерсон для начальной школы. Со звёздочкой, конечно, но всё-таки начальная школа.
Когда я её взяла на собес, оказалось, что взрослые люди сыпятся на ней неожиданно охотно — и по необычной причине. Расскажу в следующий раз.
P.S. Возможно, кандидаты думали, что я странненькая, но вы-то теперь видите, что из любой задачки на смекалку можно много слоев выводов накопать 😉
❤3👍3
🔍 3 ошибки, на которые попадает почти любой опросник
Привет, друзья ☕️
Любой диагностический инструмент — будь то опросник «какая у вас личность», профориентационный тест, медицинский скрининг, кредитный скоринг или сложный аналитический сканер — устроен по одному принципу. Пользователь отвечает на вопросы, инструмент собирает ответы по своей внутренней логике и выдаёт результат.
Если будете делать что-то подобное, помните про три методологические ошибки, на которых очень часто спотыкаются разработчики.
Я и сама недавно в очередной раз убедилась в каждой из них — на собственном сканере процессов. Но удобнее объяснять механизм не на нём, а на бытовых примерах.
Ошибка №1. Инструмент всегда даёт ответ, даже когда не должен
Помните онлайн-тесты типа «Узнайте свой тип личности по 16 типам»? Вы отвечаете на 60 вопросов — иногда наобум, иногда «нейтрально» просто потому что не знаете. На выходе: «вы интроверт-стратег» (или что-то подобное). Тот же тест через неделю может выдать другой тип, потому что вы были в другом настроении. Но сам тест об этом никогда не скажет: для него вы всегда конкретный тип, с уверенным результатом.
Та же история у простого онлайн-чекера симптомов, у автоматического HR-скоринга кандидатов. Все они по умолчанию настроены на default-оптимизм: лучше выдать что угодно, чем признаться, что данных не хватает или ответы противоречивы.
Как чинить: добавить блок проверки внутренней согласованности ответов. Если ответы противоречат друг другу (одновременно «люблю шумные компании» и «избегаю общения») — инструмент возвращает вопросы на переоценку или честно сообщает: «вы попадаете в погранзону между типами, точно классифицировать нельзя».
Ошибка №2. Один объект — две взаимоисключающие группы
Компания заполняет в банке две анкеты — для бухгалтерии и для юридического отдела. Бухгалтерия по выручке классифицирует её как «малый бизнес». Юристы по числу сотрудников — как «средний». Через неделю компания получает два письма с предложениями из взаимоисключающих пакетов услуг.
Никто внутри банка не виноват: каждый отдел классифицировал по своему основанию и по своим правилам. А клиент в итоге — в двух категориях сразу.
Как чинить: явно объявить, по какому признаку принимается финальное решение, а какие признаки используются как вспомогательные. Разные модули могут собирать данные по-своему, но точка классификации одна, с одним согласованным методом.
Ошибка №3. Мусорная категория, куда сваливается всё, что не пристроилось
HR-система классифицирует резюме на четыре типа: «технари», «управленцы», «продажники», «креативщики». Кого не удалось отнести — отправляют в «другое». Через год выясняется, что в «другое» попало 40% базы: юристы, финансисты, бухгалтеры, аналитики, методологи, переводчики. Дальше с этой категорией работать невозможно — внутри она настолько разная, что любая рекомендация будет бесполезной для половины.
Как чинить: ставить ограничение на размер «прочей» категории. Если в неё попадает больше 10–15% — сигнал, что упущен критерий или новая осмысленная группа. И регулярно ретроспективно смотреть, что туда упало: оттуда обычно растут будущие основные категории.
P.S. Внимательный читатель наверняка заметил, что на фото не 3, а 4 момента, которые надо держать в голове, разрабатывая диагностический инструмент. Последний — экономический, он не всегда имеет место. Если интересно, в каком виде это у меня вылезло в сканере и как реализована починка — вышла моя статья на Хабре с подробным разбором https://habr.com/ru/articles/1038938/
Data Driven Management
Привет, друзья ☕️
Любой диагностический инструмент — будь то опросник «какая у вас личность», профориентационный тест, медицинский скрининг, кредитный скоринг или сложный аналитический сканер — устроен по одному принципу. Пользователь отвечает на вопросы, инструмент собирает ответы по своей внутренней логике и выдаёт результат.
Если будете делать что-то подобное, помните про три методологические ошибки, на которых очень часто спотыкаются разработчики.
Я и сама недавно в очередной раз убедилась в каждой из них — на собственном сканере процессов. Но удобнее объяснять механизм не на нём, а на бытовых примерах.
Ошибка №1. Инструмент всегда даёт ответ, даже когда не должен
Помните онлайн-тесты типа «Узнайте свой тип личности по 16 типам»? Вы отвечаете на 60 вопросов — иногда наобум, иногда «нейтрально» просто потому что не знаете. На выходе: «вы интроверт-стратег» (или что-то подобное). Тот же тест через неделю может выдать другой тип, потому что вы были в другом настроении. Но сам тест об этом никогда не скажет: для него вы всегда конкретный тип, с уверенным результатом.
Та же история у простого онлайн-чекера симптомов, у автоматического HR-скоринга кандидатов. Все они по умолчанию настроены на default-оптимизм: лучше выдать что угодно, чем признаться, что данных не хватает или ответы противоречивы.
Как чинить: добавить блок проверки внутренней согласованности ответов. Если ответы противоречат друг другу (одновременно «люблю шумные компании» и «избегаю общения») — инструмент возвращает вопросы на переоценку или честно сообщает: «вы попадаете в погранзону между типами, точно классифицировать нельзя».
Ошибка №2. Один объект — две взаимоисключающие группы
Компания заполняет в банке две анкеты — для бухгалтерии и для юридического отдела. Бухгалтерия по выручке классифицирует её как «малый бизнес». Юристы по числу сотрудников — как «средний». Через неделю компания получает два письма с предложениями из взаимоисключающих пакетов услуг.
Никто внутри банка не виноват: каждый отдел классифицировал по своему основанию и по своим правилам. А клиент в итоге — в двух категориях сразу.
Как чинить: явно объявить, по какому признаку принимается финальное решение, а какие признаки используются как вспомогательные. Разные модули могут собирать данные по-своему, но точка классификации одна, с одним согласованным методом.
Ошибка №3. Мусорная категория, куда сваливается всё, что не пристроилось
HR-система классифицирует резюме на четыре типа: «технари», «управленцы», «продажники», «креативщики». Кого не удалось отнести — отправляют в «другое». Через год выясняется, что в «другое» попало 40% базы: юристы, финансисты, бухгалтеры, аналитики, методологи, переводчики. Дальше с этой категорией работать невозможно — внутри она настолько разная, что любая рекомендация будет бесполезной для половины.
Как чинить: ставить ограничение на размер «прочей» категории. Если в неё попадает больше 10–15% — сигнал, что упущен критерий или новая осмысленная группа. И регулярно ретроспективно смотреть, что туда упало: оттуда обычно растут будущие основные категории.
P.S. Внимательный читатель наверняка заметил, что на фото не 3, а 4 момента, которые надо держать в голове, разрабатывая диагностический инструмент. Последний — экономический, он не всегда имеет место. Если интересно, в каком виде это у меня вылезло в сканере и как реализована починка — вышла моя статья на Хабре с подробным разбором https://habr.com/ru/articles/1038938/
Data Driven Management
❤4
☕️ Личная новость, которой не могу не похвастаться (ну чуть-чуть же можно 😃).
Меня позвали спикером на II Всероссийский форум InsurtechDay 2026 — большую отраслевую встречу про технологии и инновации в страховании. 23 июля, Москва, «Бизнес. Техноград».
Посмотрела список других спикеров и слегка занервничала: гендиректора Т-Страхования, Совкомбанк Страхования, НСИС, вице-президент ВСС, люди из Ингосстраха, Озона, АльфаСтрахования… и я — «независимый эксперт». 🙃 Звучит гордо, будто я ни от кого не завишу. На самом деле завишу: от дедлайнов, кофе и ваших комментариев под постами.
А если серьёзно — мне правда приятно. Только что ушла из найма в свободное плавание, и вот оно привело меня на сцену федерального форума, где я буду говорить про то, что люблю больше всего: AI, Data Science и автоматизацию в страховании.
https://insurtech.asn-news.ru
P.S. Если кто-то из вас тоже будет на форуме — напишите, ужасно хочется пересечься вживую с теми, с кем мы тут общаемся пока только текстом 🩶
Data Driven Management
Меня позвали спикером на II Всероссийский форум InsurtechDay 2026 — большую отраслевую встречу про технологии и инновации в страховании. 23 июля, Москва, «Бизнес. Техноград».
Посмотрела список других спикеров и слегка занервничала: гендиректора Т-Страхования, Совкомбанк Страхования, НСИС, вице-президент ВСС, люди из Ингосстраха, Озона, АльфаСтрахования… и я — «независимый эксперт». 🙃 Звучит гордо, будто я ни от кого не завишу. На самом деле завишу: от дедлайнов, кофе и ваших комментариев под постами.
А если серьёзно — мне правда приятно. Только что ушла из найма в свободное плавание, и вот оно привело меня на сцену федерального форума, где я буду говорить про то, что люблю больше всего: AI, Data Science и автоматизацию в страховании.
https://insurtech.asn-news.ru
P.S. Если кто-то из вас тоже будет на форуме — напишите, ужасно хочется пересечься вживую с теми, с кем мы тут общаемся пока только текстом 🩶
Data Driven Management
👍3❤2
🧮 Калькулятор экономики автоматизации — выложила в открытый доступ
Привет, друзья ☕️
Когда руководитель функции защищает проект автоматизации перед руководством, разговор начинается одинаково. Финансовый директор спрашивает «сколько сэкономим», ИТ-директор — «какой бюджет заложили», гендир — «когда окупится». На третьем вопросе проваливается большинство заявок.
Собрала P&L*-калькулятор, который отвечает на них за 15 минут.
*P&L (Profit and Loss) — отчёт о прибылях и убытках, базовый язык, на котором защищается любой проект.
Как работает. Это шаблон. Вы вносите в него цифры, которыми оперируете каждый день, — никаких технических параметров, моделей или кода. Только то, что вы и так знаете про свой процесс:
— сколько операций проходит через процесс, штук в месяц
— сколько времени уходит на одну операцию, минут
— во сколько обходится час работы сотрудника, рублей в час (в шаблоне есть подсказка, как посчитать с учётом налогов)
— какую долю операций планируете автоматизировать, процентов
— какой бюджет рассматриваете на проект, рублей (разработка, интеграция, лицензии, поддержка)
— по желанию: сколько процесс теряет на ошибках, рублей в год
Калькулятор сам сводит это в итоговый расчёт:
— годовая экономия фонда оплаты труда (ФОТ) и потерь, в рублях
— срок окупаемости проекта, в годах (обычный и с учетом ставки дисконтирования**)
— потолок разумного бюджета
— сумма, выше которой проект не окупится
**ставка дисконтирования — параметр, который помогает учесть в расчете обесценивание денег в течение периода окупаемости проекта
Встроенный Парето-фильтр:🚩 Если процесс малого объёма, окупаемость больше трёх лет, или разметка данных для ML съедает больше половины бюджета разработки — калькулятор поднимает флаг.
Внутри — инструкция, заполненный пример и пустой шаблон.
Калькулятор размещен у меня на сайте.
Excel, открывается на любом компьютере. Без email-регистрации — забираете и работаете.
→ Скачать калькулятор
(Листаем до раздела Артефакты)
Если открываете на iPhone или Mac в Safari и видите предупреждение «мошеннический сайт» — это ложное срабатывание. Сайт проверен: Google Safe Browsing и VirusTotal чисто. Откройте в Chrome, Firefox, Яндекс.Браузере или с Android.
P.S. Калькулятор — один из артефактов моего курса «Автоматизация и AI в страховых процессах: руководитель принимает решение». Сам Excel работает и без курса. На курсе берём расчёт по вашему процессу и разбираем вместе по шагам — что в нём защищаемо, что нет, как отвечать на вопросы. Если есть желание поработать с этим вместе — приходите🩶
Data Driven Management
Привет, друзья ☕️
Когда руководитель функции защищает проект автоматизации перед руководством, разговор начинается одинаково. Финансовый директор спрашивает «сколько сэкономим», ИТ-директор — «какой бюджет заложили», гендир — «когда окупится». На третьем вопросе проваливается большинство заявок.
Собрала P&L*-калькулятор, который отвечает на них за 15 минут.
*P&L (Profit and Loss) — отчёт о прибылях и убытках, базовый язык, на котором защищается любой проект.
Как работает. Это шаблон. Вы вносите в него цифры, которыми оперируете каждый день, — никаких технических параметров, моделей или кода. Только то, что вы и так знаете про свой процесс:
— сколько операций проходит через процесс, штук в месяц
— сколько времени уходит на одну операцию, минут
— во сколько обходится час работы сотрудника, рублей в час (в шаблоне есть подсказка, как посчитать с учётом налогов)
— какую долю операций планируете автоматизировать, процентов
— какой бюджет рассматриваете на проект, рублей (разработка, интеграция, лицензии, поддержка)
— по желанию: сколько процесс теряет на ошибках, рублей в год
Калькулятор сам сводит это в итоговый расчёт:
— годовая экономия фонда оплаты труда (ФОТ) и потерь, в рублях
— срок окупаемости проекта, в годах (обычный и с учетом ставки дисконтирования**)
— потолок разумного бюджета
— сумма, выше которой проект не окупится
**ставка дисконтирования — параметр, который помогает учесть в расчете обесценивание денег в течение периода окупаемости проекта
Встроенный Парето-фильтр:🚩 Если процесс малого объёма, окупаемость больше трёх лет, или разметка данных для ML съедает больше половины бюджета разработки — калькулятор поднимает флаг.
Внутри — инструкция, заполненный пример и пустой шаблон.
Калькулятор размещен у меня на сайте.
Excel, открывается на любом компьютере. Без email-регистрации — забираете и работаете.
→ Скачать калькулятор
(Листаем до раздела Артефакты)
Если открываете на iPhone или Mac в Safari и видите предупреждение «мошеннический сайт» — это ложное срабатывание. Сайт проверен: Google Safe Browsing и VirusTotal чисто. Откройте в Chrome, Firefox, Яндекс.Браузере или с Android.
P.S. Калькулятор — один из артефактов моего курса «Автоматизация и AI в страховых процессах: руководитель принимает решение». Сам Excel работает и без курса. На курсе берём расчёт по вашему процессу и разбираем вместе по шагам — что в нём защищаемо, что нет, как отвечать на вопросы. Если есть желание поработать с этим вместе — приходите🩶
Data Driven Management
❤2👍2
Forwarded from Mamalytic
✨ КАК ТЯЖЕЛО НАЧАТЬ ПРОДАВАТЬ ПРИЛИЧНОМУ ЧЕЛОВЕКУ
Привет, друзья ☕️
У меня есть образовательный проект для страховщиков. И там давно готов сайт, программа, тренажеры и другие полезные штуки. Сейчас готовлю квиз для заключительной проверки знаний.
Но все никак не напишу — приходите и покупайте. Потому что мне как-то.. стыдно. И вот про этот стыд я и хочу поговорить.
▫️▫️▫️
Я человек советского рождения. И где-то в детстве, через сто маленьких взрослых разговоров на кухне, во мне утрамбовалось убеждение: продавать — это что-то постыдное. Вот откуда этот словарный ряд: торгаш, барыга, спекулянт, челнок? Все синонимы продавца из моего прошлого какие-то неприятные. Все — про человека, который ничего полезного не делает, только перекладывает товар из рук в руки. «Приличные» люди работали инженерами, врачами, учителями. А продавцы — это где-то между «не повезло» и «совесть продал».
▫️▫️▫️
И вот я сижу несколько месяцев над курсом, в который вложила реально весь свой опыт — двадцать лет в страховой аналитике, три образования, разбор конкретных процессов отрасли, методику, которой не дают ни в одном вузе.
И вот я купила домен, сервер, трачу на это личные средства, не говоря уже про разработку.
И выкладываю в свободный доступ инструменты: сканер процессов, калькулятор экономики. И мне даже стыдно сделать это через обязательную регистрацию на сайте, потому что «мы-то знаем, кто так делает».
И я никак не могу написать пост «вот такой классный курс, покупайте», все вокруг да около.
Потому что внутри сидит: «Сейчас все хмыкнут — ну вот, и Аня ударилась в инфоцыганство».
Как будто я что-то впариваю.
▫️▫️▫️
Но если посмотреть иначе..
Когда я ходила на собеседования, я что делала? Я продавала свою экспертизу. Подробно рассказывала, почему я ценный сотрудник, чем я лучше других, сколько я стою. Работодатель платил мне зарплату — то есть покупал мои знания, время, опыт. Это была сделка купли-продажи. Просто оформленная как «трудоустройство».
И никакого позора. Наоборот, чем дороже тебя «купили» — тем престижнее.
А теперь я ровно ту же самую экспертизу хочу продать не одному покупателю на пять лет, а нескольким — порциями, в виде курса. И вдруг это становится «инфоцыганством»?
💡Я долго думала, чем по-настоящему отличается «постыдная продажа» от «нормальной работы». И поняла. Постыдно — это когда продаёшь то, чего не знаешь, преувеличиваешь результат, обещаешь «миллион за неделю». А когда у тебя есть реальная экспертиза, ты честно говоришь, чему учишь, и берёшь за это адекватные деньги — это просто работа. Такая же, как любая другая.
Так что я выдыхаю и наконец рассказываю.
▫️▫️▫️
Мой проект называется «Автоматизация и AI в страховых процессах» — четырёхнедельный курс для менеджеров страховых компаний. Тех, кто отвечает за урегулирование убытков, андеррайтинг, продажи, медэкспертизу, клиентский сервис. Я делаю его на стыке двадцатилетнего опыта в отрасли и того, что сейчас реально работает в автоматизации. Без лозунгов «ИИ всех нас заменит»: разберем текущие задачи, реальные возможности, законодательные ограничения и многое другое. Моя личная цель на курс — чтобы каждый, кто придет, ушел с точным пониманием, что это было полезно, ценно, и его обогатило.
Если среди вас есть люди из страхования или вы знаете таких людей — приходите 🤗
https://datadriven-course.ru
Ваша Мамалитик
Привет, друзья ☕️
У меня есть образовательный проект для страховщиков. И там давно готов сайт, программа, тренажеры и другие полезные штуки. Сейчас готовлю квиз для заключительной проверки знаний.
Но все никак не напишу — приходите и покупайте. Потому что мне как-то.. стыдно. И вот про этот стыд я и хочу поговорить.
▫️▫️▫️
Я человек советского рождения. И где-то в детстве, через сто маленьких взрослых разговоров на кухне, во мне утрамбовалось убеждение: продавать — это что-то постыдное. Вот откуда этот словарный ряд: торгаш, барыга, спекулянт, челнок? Все синонимы продавца из моего прошлого какие-то неприятные. Все — про человека, который ничего полезного не делает, только перекладывает товар из рук в руки. «Приличные» люди работали инженерами, врачами, учителями. А продавцы — это где-то между «не повезло» и «совесть продал».
▫️▫️▫️
И вот я сижу несколько месяцев над курсом, в который вложила реально весь свой опыт — двадцать лет в страховой аналитике, три образования, разбор конкретных процессов отрасли, методику, которой не дают ни в одном вузе.
И вот я купила домен, сервер, трачу на это личные средства, не говоря уже про разработку.
И выкладываю в свободный доступ инструменты: сканер процессов, калькулятор экономики. И мне даже стыдно сделать это через обязательную регистрацию на сайте, потому что «мы-то знаем, кто так делает».
И я никак не могу написать пост «вот такой классный курс, покупайте», все вокруг да около.
Потому что внутри сидит: «Сейчас все хмыкнут — ну вот, и Аня ударилась в инфоцыганство».
Как будто я что-то впариваю.
▫️▫️▫️
Но если посмотреть иначе..
Когда я ходила на собеседования, я что делала? Я продавала свою экспертизу. Подробно рассказывала, почему я ценный сотрудник, чем я лучше других, сколько я стою. Работодатель платил мне зарплату — то есть покупал мои знания, время, опыт. Это была сделка купли-продажи. Просто оформленная как «трудоустройство».
И никакого позора. Наоборот, чем дороже тебя «купили» — тем престижнее.
А теперь я ровно ту же самую экспертизу хочу продать не одному покупателю на пять лет, а нескольким — порциями, в виде курса. И вдруг это становится «инфоцыганством»?
💡Я долго думала, чем по-настоящему отличается «постыдная продажа» от «нормальной работы». И поняла. Постыдно — это когда продаёшь то, чего не знаешь, преувеличиваешь результат, обещаешь «миллион за неделю». А когда у тебя есть реальная экспертиза, ты честно говоришь, чему учишь, и берёшь за это адекватные деньги — это просто работа. Такая же, как любая другая.
Так что я выдыхаю и наконец рассказываю.
▫️▫️▫️
Мой проект называется «Автоматизация и AI в страховых процессах» — четырёхнедельный курс для менеджеров страховых компаний. Тех, кто отвечает за урегулирование убытков, андеррайтинг, продажи, медэкспертизу, клиентский сервис. Я делаю его на стыке двадцатилетнего опыта в отрасли и того, что сейчас реально работает в автоматизации. Без лозунгов «ИИ всех нас заменит»: разберем текущие задачи, реальные возможности, законодательные ограничения и многое другое. Моя личная цель на курс — чтобы каждый, кто придет, ушел с точным пониманием, что это было полезно, ценно, и его обогатило.
Если среди вас есть люди из страхования или вы знаете таких людей — приходите 🤗
https://datadriven-course.ru
Ваша Мамалитик
❤5
🧠 Откуда на самом деле берутся галлюцинации нейросети
Привет, друзья ☕️
Мы все знаем, что ChatGPT галлюцинирует, но мало кто понимает, почему. Разница всего в одном месте — и если его понять, становится видно, где ИИ реально можно верить, а где надо усомниться.
Сначала про то, как модель вообще выбирает слова. Внутри нет ни фактов, ни базы знаний, ни таблицы «слово А → слово Б». Есть миллиарды чисел-параметров, из которых модель для любого текста считает одну вещь: какое слово вероятнее всего идёт следующим. И считает не вообще, а после всего, что уже написано — каждое новое слово зависит от всей предыдущей цепочки целиком.
Вероятности где-то записаны заранее? Нет. Модель пересчитывает их с нуля на каждом шаге под конкретную фразу. Одно и то же слово после разных предложений получит разную вероятность.
«Столица Франции —» → вероятность слова «Париж» зашкаливает: в текстах, на которых модель училась, это сочетание встречалось миллионы раз. Фаворит очевиден, промахнуться почти нереально.
А теперь «Главный бухгалтер завода „Прогресс" в 2017 году —». Такого в обучающих данных не было. Но затормозить и сказать «данных нет» модель не умеет — её работа выдать следующее слово. И она выдаёт: какое-нибудь имя-отчество, которое статистически хорошо ложится после «главный бухгалтер».
Вот в этом вся галлюцинация. То же действие, что и с Парижем — выбор вероятного слова — только в зоне, где у модели нет явного фаворита. Когда вероятность размазана почти поровну между десятком правдоподобных вариантов, она всё равно выберет один.
Поэтому опаснее всего — узкие и редкие темы. Конкретное имя, точная цифра, номер закона, дата малоизвестного события, цитата неизвестного человека — про общую теорию относительности она соврёт реже, чем про вашего регионального конкурента: про Эйнштейна текстов миллионы, про конкурента — ноль.
В обратную сторону работает так же: чем чаще что-то встречалось в текстах мира, тем надёжнее ответ. Общие принципы, ходовые факты, логика рассуждения — здесь вероятность сконцентрирована, и модель почти не плавает.
Отсюда рабочая привычка:
✔️Точечное и нишевое — иду к первоисточнику.
✔️Ходовое и многократно описанное — можно опереться.
Кстати, я продолжаю практиковаться в подкастах: в новом видео рассказываю про то, как устроены нейронки и как с ними жить. Галлюцинации там — только один эпизод.
https://vkvideo.ru/video-238221011_456239018?list=b8b92f8b8d370b498a
https://youtu.be/kPnIqXRBfXk
P.S. Если посмотрите, напишите в комментарии, прибавляет ли понимания или все равно каша. Буду оттачивать логику устных пояснений экспромтом 🙃
Привет, друзья ☕️
Мы все знаем, что ChatGPT галлюцинирует, но мало кто понимает, почему. Разница всего в одном месте — и если его понять, становится видно, где ИИ реально можно верить, а где надо усомниться.
Сначала про то, как модель вообще выбирает слова. Внутри нет ни фактов, ни базы знаний, ни таблицы «слово А → слово Б». Есть миллиарды чисел-параметров, из которых модель для любого текста считает одну вещь: какое слово вероятнее всего идёт следующим. И считает не вообще, а после всего, что уже написано — каждое новое слово зависит от всей предыдущей цепочки целиком.
Вероятности где-то записаны заранее? Нет. Модель пересчитывает их с нуля на каждом шаге под конкретную фразу. Одно и то же слово после разных предложений получит разную вероятность.
«Столица Франции —» → вероятность слова «Париж» зашкаливает: в текстах, на которых модель училась, это сочетание встречалось миллионы раз. Фаворит очевиден, промахнуться почти нереально.
А теперь «Главный бухгалтер завода „Прогресс" в 2017 году —». Такого в обучающих данных не было. Но затормозить и сказать «данных нет» модель не умеет — её работа выдать следующее слово. И она выдаёт: какое-нибудь имя-отчество, которое статистически хорошо ложится после «главный бухгалтер».
Вот в этом вся галлюцинация. То же действие, что и с Парижем — выбор вероятного слова — только в зоне, где у модели нет явного фаворита. Когда вероятность размазана почти поровну между десятком правдоподобных вариантов, она всё равно выберет один.
Поэтому опаснее всего — узкие и редкие темы. Конкретное имя, точная цифра, номер закона, дата малоизвестного события, цитата неизвестного человека — про общую теорию относительности она соврёт реже, чем про вашего регионального конкурента: про Эйнштейна текстов миллионы, про конкурента — ноль.
В обратную сторону работает так же: чем чаще что-то встречалось в текстах мира, тем надёжнее ответ. Общие принципы, ходовые факты, логика рассуждения — здесь вероятность сконцентрирована, и модель почти не плавает.
Отсюда рабочая привычка:
✔️Точечное и нишевое — иду к первоисточнику.
✔️Ходовое и многократно описанное — можно опереться.
Кстати, я продолжаю практиковаться в подкастах: в новом видео рассказываю про то, как устроены нейронки и как с ними жить. Галлюцинации там — только один эпизод.
https://vkvideo.ru/video-238221011_456239018?list=b8b92f8b8d370b498a
https://youtu.be/kPnIqXRBfXk
P.S. Если посмотрите, напишите в комментарии, прибавляет ли понимания или все равно каша. Буду оттачивать логику устных пояснений экспромтом 🙃
VK Видео
Что такое LLM простыми словами: как работает ChatGPT и почему ИИ галлюционирует
Все слышали про ChatGPT и нейросети, но что внутри — мало кто понимает. Разбираю на пальцах, без формул и хайпа: что такое большая языковая модель (LLM), почему её зовут нейросетью, почему она иногда уверенно несёт чушь и чем модели отличаются друг от друга.…
❤2👍2
Привет, друзья ☕️
Возвращаюсь к нашей задачке с числами — парами.
Просмотров много, ответов мало. Для меня это сигнал, что задачка зашла не с той ноги и выглядит непонятной.
Так что держите подсказку. На картинке теперь четыре пары вместо трёх — больше данных, легче нащупать закономерность.
Решение по-прежнему не выкладываю. И тут хочу остановиться, потому что дело не в интриге. Дело в том, как вообще устроено запоминание, — и это, по-моему, интереснее самой задачки.
Есть такая штука — эффект генерации. Если коротко: то, до чего человек додумался сам, запоминается измеримо лучше, чем то же самое, прочитанное в готовом виде. Это не мотивационная цитата из инстаграма — это лабораторно подтверждено и переподтверждено сотни раз.
В советской психологии это изучали еще в 60-е годы — через теорию деятельности. Н.И. Зинченко («Непроизвольное запоминание», 1961) показал, что в память въедается то, что стало предметом активной работы, а не пассивно прочитанное.
А.А. Смирнов («Проблемы психологии памяти», 1966) обнаружил: лучше всего запоминается то, что встало препятствием на пути, — преодоление, усилие, спотыкание.
В 2011 году это вышло в Science: группа, которая вытаскивала ответ из памяти, обошла тех, кто старательно перечитывал готовый материал. Перечитывание ощущается продуктивным, а мозгу почти ничего не даёт. Работает усилие.
🔗 science.org/doi/10.1126/science.1199327)
Почему так.
Когда докапываешься сам, мозг прокладывает к ответу несколько дорожек — через попытки, тупики, «а если вот так». Потом, чтобы вспомнить, хватает любой из них. Готовый ответ въезжает по одной колее и по ней же легко выветривается. На уровне нейронных связей это объясняют тем, что активное усилие укрепляет соединения прочнее, чем пассивное восприятие.
Поэтому подожду. Докопаетесь сами — получите опыт, который останется с вами надолго, ценнейший для аналитика 🩶
Возвращаюсь к нашей задачке с числами — парами.
Просмотров много, ответов мало. Для меня это сигнал, что задачка зашла не с той ноги и выглядит непонятной.
Так что держите подсказку. На картинке теперь четыре пары вместо трёх — больше данных, легче нащупать закономерность.
Решение по-прежнему не выкладываю. И тут хочу остановиться, потому что дело не в интриге. Дело в том, как вообще устроено запоминание, — и это, по-моему, интереснее самой задачки.
Есть такая штука — эффект генерации. Если коротко: то, до чего человек додумался сам, запоминается измеримо лучше, чем то же самое, прочитанное в готовом виде. Это не мотивационная цитата из инстаграма — это лабораторно подтверждено и переподтверждено сотни раз.
В советской психологии это изучали еще в 60-е годы — через теорию деятельности. Н.И. Зинченко («Непроизвольное запоминание», 1961) показал, что в память въедается то, что стало предметом активной работы, а не пассивно прочитанное.
А.А. Смирнов («Проблемы психологии памяти», 1966) обнаружил: лучше всего запоминается то, что встало препятствием на пути, — преодоление, усилие, спотыкание.
В 2011 году это вышло в Science: группа, которая вытаскивала ответ из памяти, обошла тех, кто старательно перечитывал готовый материал. Перечитывание ощущается продуктивным, а мозгу почти ничего не даёт. Работает усилие.
🔗 science.org/doi/10.1126/science.1199327)
Почему так.
Когда докапываешься сам, мозг прокладывает к ответу несколько дорожек — через попытки, тупики, «а если вот так». Потом, чтобы вспомнить, хватает любой из них. Готовый ответ въезжает по одной колее и по ней же легко выветривается. На уровне нейронных связей это объясняют тем, что активное усилие укрепляет соединения прочнее, чем пассивное восприятие.
Поэтому подожду. Докопаетесь сами — получите опыт, который останется с вами надолго, ценнейший для аналитика 🩶
❤2
Регрессия к среднему — ловушка управленческих решений
Привет, друзья ☕️
Любимый слайд на квартальном отчёте: «Взяли три самых слабых филиала, прогнали через ПланОптимизации — и смотрите, показатели подтянулись. Работает!». Зал хлопает, авторы плана скромно кивают. А меня на таких отчётах тянет задать один вредный вопрос: вы уверены, что они не подтянулись бы и сами?
Есть статистический эффект, на котором горят даже сильные руководители, — регрессия к среднему. Звучит академично, на деле штука простая и довольно подлая. Любой экстремальный результат собран из двух частей: реального положения дел и везения (или невезения). В следующий раз везение не повторяется — и крайние значения сами по себе сползают к середине. Безо всякого вмешательства.
Теперь смотрите, как это ломает решения. Вы отбираете «худших»: худший филиал по убыточности, худшего агента, худший месяц по жалобам. Отбираете именно потому, что у них всё плохо. Но часть этого «плохо» — чистая случайность: пара крупных выплат, совпавших в один квартал, неудачный кусок выборки, сезон. Вы проводите ПланОптимизации. На следующем отрезке случайность не повторяется, цифры улучшаются — и план получает медаль за то, что случилось бы и без него.
Зеркальная история — с лучшими. Лучшего менеджера квартала похвалили, дали премию и план побольше. В следующем квартале он «просел», и пошли разговоры, что зазнался и расслабился. А он просто вернулся к своему обычному уровню: прошлый рекорд наполовину был удачей, и удача не пришла на бис.
Термин, кстати, родился у Гальтона ещё в XIX веке. Он заметил, что у очень высоких родителей дети в среднем чуть ниже, а у очень низких — чуть выше: рост «регрессировал» к среднему по популяции. С тех пор ловушка никуда не делась, просто переехала из родословных в дэшборды.
💡Лайфхак, которым пользуюсь сама. Если ты отобрал группу по крайнему значению и потом радуешься, что стало лучше, — само по себе это ничего не доказывает. Нужно несколько точек опоры:
✔️как за тот же период изменились похожие объекты, которые ты не трогал
✔️поменялась ли сама средняя
✔️стали ли новые 3 худших лучше прежних
Без этого сравнения легко праздновать откат к среднему и выписывать премию случайности 🙃.
Data Driven Management
Привет, друзья ☕️
Любимый слайд на квартальном отчёте: «Взяли три самых слабых филиала, прогнали через ПланОптимизации — и смотрите, показатели подтянулись. Работает!». Зал хлопает, авторы плана скромно кивают. А меня на таких отчётах тянет задать один вредный вопрос: вы уверены, что они не подтянулись бы и сами?
Есть статистический эффект, на котором горят даже сильные руководители, — регрессия к среднему. Звучит академично, на деле штука простая и довольно подлая. Любой экстремальный результат собран из двух частей: реального положения дел и везения (или невезения). В следующий раз везение не повторяется — и крайние значения сами по себе сползают к середине. Безо всякого вмешательства.
Теперь смотрите, как это ломает решения. Вы отбираете «худших»: худший филиал по убыточности, худшего агента, худший месяц по жалобам. Отбираете именно потому, что у них всё плохо. Но часть этого «плохо» — чистая случайность: пара крупных выплат, совпавших в один квартал, неудачный кусок выборки, сезон. Вы проводите ПланОптимизации. На следующем отрезке случайность не повторяется, цифры улучшаются — и план получает медаль за то, что случилось бы и без него.
Зеркальная история — с лучшими. Лучшего менеджера квартала похвалили, дали премию и план побольше. В следующем квартале он «просел», и пошли разговоры, что зазнался и расслабился. А он просто вернулся к своему обычному уровню: прошлый рекорд наполовину был удачей, и удача не пришла на бис.
Термин, кстати, родился у Гальтона ещё в XIX веке. Он заметил, что у очень высоких родителей дети в среднем чуть ниже, а у очень низких — чуть выше: рост «регрессировал» к среднему по популяции. С тех пор ловушка никуда не делась, просто переехала из родословных в дэшборды.
💡Лайфхак, которым пользуюсь сама. Если ты отобрал группу по крайнему значению и потом радуешься, что стало лучше, — само по себе это ничего не доказывает. Нужно несколько точек опоры:
✔️как за тот же период изменились похожие объекты, которые ты не трогал
✔️поменялась ли сама средняя
✔️стали ли новые 3 худших лучше прежних
Без этого сравнения легко праздновать откат к среднему и выписывать премию случайности 🙃.
Data Driven Management
❤2💯2
🧠Горе от ума
Привет, друзья ☕️
Решение задачки: Верхнее число в паре — сколько дней в месяце, нижнее — сколько букв в его названии. Январь: 31 день, 6 букв. Февраль: 28 и 7. Март: 31 и 4, и так далее. Просто календарь и длина слова.
Но вот что показательно. Соискателям я прямым текстом говорила, что это задачка из учебника начальной школы. А в ответ некоторые предлагали арифметические последовательности, геометрические прогрессии, попытки вывести формулу, связать числа разностями и множителями.
Люди искали сложную закономерность ровно там, где её нет.
Это очень частая история у аналитиков — усложнять. Когда привык работать с моделями и данными, мозг по умолчанию тянется к сложному решению, даже когда задача его не требует. И эту задачку я давала неспроста: она проверяет способность увидеть простое и не лезть в дебри там, где дорога прямая.
Так что если решение упорно не находится, иногда полезно проверить себя: не усложняю ли я там, где всё на самом деле просто.
P.S. Сегодня отдохнем без задачек. Если хотите продолжить в следующую пятницу, дайте сигнал 🩶
Привет, друзья ☕️
Решение задачки: Верхнее число в паре — сколько дней в месяце, нижнее — сколько букв в его названии. Январь: 31 день, 6 букв. Февраль: 28 и 7. Март: 31 и 4, и так далее. Просто календарь и длина слова.
Но вот что показательно. Соискателям я прямым текстом говорила, что это задачка из учебника начальной школы. А в ответ некоторые предлагали арифметические последовательности, геометрические прогрессии, попытки вывести формулу, связать числа разностями и множителями.
Люди искали сложную закономерность ровно там, где её нет.
Это очень частая история у аналитиков — усложнять. Когда привык работать с моделями и данными, мозг по умолчанию тянется к сложному решению, даже когда задача его не требует. И эту задачку я давала неспроста: она проверяет способность увидеть простое и не лезть в дебри там, где дорога прямая.
Так что если решение упорно не находится, иногда полезно проверить себя: не усложняю ли я там, где всё на самом деле просто.
P.S. Сегодня отдохнем без задачек. Если хотите продолжить в следующую пятницу, дайте сигнал 🩶
❤7
Сегодня выступаю на форуме страховых инноваций. Замахнулись на вопрос, куда придет рынок страхования к 2035, с учетом развития цифровизации и ИИ. Самыми интересными выводами обязательно поделюсь 😉
🔥6