Шрифт:
Закладка:
2. Плохой анализ данных: мы очень слабы в интерпретации фактов. Мы объединяем случайно выбранные данные причинно-следственными связями, чтобы рассказать историю, которая может быть или не быть точным отображением реальности. Но такая интерпретация помогает обосновать решение, которое мы уже приняли, или укрепить позицию, которую мы уже поддержали. Наш мозг обрабатывает информацию в терминах взаимосвязей и ассоциаций. Нам необязательно иметь правильную интерпретацию данных, чтобы сохранить свою картину мира.
3. Плохое использование данных: мы собираем, анализируем и применяем данные только для достижения наших собственных целей. Вместо того чтобы начинать с обоснованного вопроса, требующего полного ответа, мы делаем всё в обратном порядке: сначала находим ответ, а затем подбираем данные, которые можно использовать для обоснования нашего видения. И за счёт перегрузки данными, у нас огромное количество возможностей применить их не так, как следовало бы.
Давайте рассмотрим подробнее, как наш инстинкт сбора информации усугубляет эти три проблемы в условиях современного мира.
Плохой сбор данных
Исследование, проведённое компанией Experian Data, показало, что 88 % всех американских компаний по-прежнему полагается на неточные данные, которые напрямую влияют на результаты их работы. Неточные данные отличаются по типам, но обычно речь идёт об информации ошибочной, вводящей в заблуждение или отсутствующей из-за некачественных методов сбора.
В отчёте Gartner Research за 2018 год говорится, что «среднее финансовое воздействие низкого качества данных на организации приводит к убытку в 9,7 миллиона долларов в год». IBM утверждает, что ежегодные убытки американских компаний гораздо выше – 3,1 триллиона долларов. По иронии судьбы, даже данные о финансовых последствиях использования неверных данных остаются крайне неточными и открытыми для интерпретации.
При практически бесконечном количестве источников мы с лёгкостью находим новые данные, увеличивая размер выборки и увязывая их между собой. В результате получается множество нерелевантных данных, которые мешают заметить ту информацию, которая правда могла бы быть полезной.
В интервью Harvard Business Review бывший генеральный директор General Electric Джек Уэлч однажды сказал: «Неуверенные в себе менеджеры порождают проблемы. Напуганные, нервные люди используют толстые, запутанные книги по планированию и слайды, наполненные буквально всем, что они знали с детства. Настоящие лидеры не мирятся с таким беспорядком». Тем не менее, наша жизнь наполнена хаосом из-за постоянного увеличения количества личных и профессиональных данных: звонящие телефоны, трекеры здоровья, шесть различных социальных сетей с отчётами о вовлечённости, новостями в ленте и так далее. Мы невероятно быстро собираем фрагменты информации и остаёмся в замкнутом цикле погони за данными, а не управления ими. Когда мы позволяем данным доминировать над нами, легко упустить из виду изначальную цель.
Поиск ответа на каждый вопрос, безусловно, важен и служил нам на пользу в эволюционном процессе. Но в современном мире информационной перегрузки найти чёткие, недвусмысленные ответы практически невозможно – если, конечно, вы не решите действовать именно так.
Многие исследования показывали, что, в частности, алгоритмы социальных сетей показывают нам те данные, которые уже согласуются с нашими мнениями, усиливая поляризацию и увеличивая нашу склонность отвергать противоречивую информацию. Мы анализируем первые попавшиеся данные, которые имеют смысл, исходя из нашей текущей позиции, а затем собираем больше данных, чтобы поддержать свою точку зрения. Когда я была профессором, то часто видела, как мои студенты неосознанно вели себя именно так, когда проводили исследования с использованием поисковых систем. Вместо того чтобы вводить вопрос, на который они хотели бы узнать ответ, они запрашивали позицию, которую поддерживали. Например, когда я предлагала своим студентам ответить на вопрос «Опасны ли вакцины?», они начинали свой поисковый запрос с «вакцины опасны» или «вакцины не опасны» и собирали данные только из выпавших ответов.
С точки зрения упрощения данных, фильтр чёрного/белого, правильного/неправильного, правды/вымысла, новостей/фейковых новостей значительно облегчает процесс обработки. Как только мы переходим в один из лагерей, мы обращаем внимание только на данные, подтверждающие нашу позицию. Но работа только с одним мнением во время сбора данных уводит нас ещё дальше от истины.
История Tesco, розничной сети продуктовых магазинов с более чем 3500 магазинов только в Великобритании, служит хорошей иллюстрацией того, что происходит, когда мы ищем данные, только чтобы подтвердить нашу позицию. На самом деле Tesco во многом обязана своим успехом тому, что была одной из первых, кто внедрил использование больших баз данных. Tesco отслеживала активность клиентов и использовала таргетированную рекламу, изучая привычки покупателей с помощью карт лояльности. В 2010 году, через 20 лет после того, как Tesco начала анализировать данные карт, они добились семикратного увеличения прибыли. Впечатляющее достижение! Но затем компания успокоилась. Их отдел информационных технологий начал собирать и оценивать данные неправильного типа, упуская из виду общую картину потребностей своих клиентов и в конечном счете их прибыль пошла вниз.
Чтобы понять, как изменилась судьба Tesco, вернёмся в 1995 год. Именно тогда Tesco анонсировала современную маркетинговую схему в виде карт лояльности для клиентов. Клубная карта давала покупателям стимул тратить больше, потому что они получали баллы за каждую покупку. Баллы можно было обменять на ваучеры, чтобы потратить на товары, которые посетители регулярно покупали в магазине или в организациях-партнёрах. Чтобы записаться в клуб, клиенты должны были предоставить некоторые личные данные: домашний адрес, номер телефона и какие-то предпочтения в товарах. Затем при совершении каждой покупки они предъявляли клубную карту, чтобы заработать баллы.
Tesco собирала мучительно подробные данные о предпочтениях каждого покупателя, его покупках и моделях поведения. Как сказала газете The Guardian в 2003 году Эдвина Данн, генеральный директор Dunnhumby, работавшая аналитиком данных в Tesco: «Вы можете увидеть тех, кто предпочитает готовить дома, и тех, кто делает покупки, ориентируясь на особые предпочтения, или тех, для кого главное – удобство. Мы пытаемся отслеживать образ жизни покупателя с точки зрения того, что находится в его корзине». Tesco также создавала персонализированные онлайн- и офлайн-скидки на основе данных клиентов, собирая еще больше данных, когда клиенты пользовались этими скидками.
Система сбора данных Tesco имела огромный успех поначалу. Всего через год после введения клубной карты участники потратили на 28 % больше денег в Tesco и на 16 % меньше в магазинах их основных конкурентов. Кроме того, Tesco начала получать коммерческий доход в виде платежей от поставщиков каждый раз, когда её рекламные акции имели успех у потребителей.
Но к 2013 году что-то изменилось. Так высоко ценимые Tesco данные показали, что клиенты устали от того, что сеть отслеживает их привычки, устали от сувениров и купонов. Они переключались на другие магазины с акциями, которые не отслеживали их данные, например Aldi и Lidl. Опрос более 11 000 потребителей в Великобритании, проведённый группой исследователей-наблюдателей Which? охарактеризовал Tesco как худший супермаркет, объяснив это плохим обслуживанием клиентов и завышенными ценами.
По мере того как прибыль падала, Tesco делала крупные рекламные компании, пытались увеличить выручку за счёт своих поставщиков и доходов от рекламы, а также предприняла отчаянную попытку найти путь обратно в сердца клиентов с помощью анализа данных. Однако они упустили из виду кое-что крайне важное: данные, которые указывали на то, чего на самом деле хотели клиенты – меньше слежки и низкие цены.
Иногда Tesco допускала серьёзные промахи. В случае, описанном доцентом Лондонского университетского колледжа Ханной Фрай
