Zašto je storytelling važan za data analytics – kreiranje priče pomoću analize podataka

Podatci su poput molekula vode. Kada ih zasebno promatramo, uočit ćemo sadržaj u svakoj i primijetiti dva atoma vodika i jedan atom kisika. No, tek kada sakupimo više molekula vode zajedno, spoznat ćemo da je voda mokra.
Podatci nam, pojedinačno, daju uvide u neke činjenice, međutim, tek kada ih sakupimo dovoljno i obradimo na odgovarajući način, doći ćemo do korisnih uvida koje pojedinačnim promatranjem svakog podatka nismo mogli spoznati.
Spoznaje do kojih nas podatci mogu dovesti zaista su zadivljujuće.
No, jesu li podatci sami po sebi dovoljni kako bismo na temelju novih uvida djelovali učinkovitije?
Pokušajmo se sjetiti koliko puta smo znali da nešto trebamo napraviti jer su podatci/činjenice ukazivali na to – a nismo.
Zašto nismo?
Odgovor je jednostavan – zato što nismo OSJEĆALI da to želimo napraviti.
Iako je naš racionalni um taj koji nam pomaže da donosimo bolje odluke, onaj dio našeg uma koji nas pokreće da djelujemo ipak nije racionalan – nego emotivan.
Mi ljudi smo iznad svega emotivna bića i čiste brojke na papiru ne znače nam puno. Međutim, ako te brojke postanu dio neke priče u kojoj mi želimo sudjelovati, tada se u nama aktiviraju emocije. Tada poželimo preuzeti ulogu i biti dio priče koja nam se sviđa.
Međutim, čest je slučaj da obavljamo neke zadatke ili poslove, a da nam pri tom možda nije posve jasno zašto ih obavljamo, tj. koju priču gradimo i koja je točno naša uloga u tom procesu. Stoga i motivacija može biti niska.
Tu nastupa jedna od ključnih uloga svakog analitičara – a to je podijeliti rezultate analiza koje otkrivaju uloge pojedinaca. Da bi rezultati bili razumljivi šarolikoj publici, analiza se treba ispričati kao jedna priča. U pričama će ljudi postati likovi koji svojim djelovanjem postižu neke rezultate, a ti će rezultati biti vidljivi na raznim grafikonima koji će približiti temu i pojačati dojam.
Analiza podataka proces je u kojem podatak, koji se uzme kao mrtva činjenica i koji ne izaziva reakciju, postaje dio jedne žive priče koja ima svoju svrhu i cilj.

Tri su ključna elementa kod kreiranja priče pomoću analize podataka:

Kako bismo definirali priču, pomoći će nam da se zapitamo:

• što točno želimo pojasniti i
• koji nam je cilj, tj. što želimo postići pričom?

Možda ćemo htjeti pojasniti kolegama učinkovitost neke prodajne metode ili financijske učinke nove promocije.
Što god da smo definirali kao priču koju želimo ispričati, prethodno ćemo otkrivati veze između različitih podataka i na taj način:

• pronalazit ćemo zanimljive ili iznenađujuće korelacije
• identificirat ćemo trendove (promjene ili razvoj pojedinih trendova)
• uspoređivat ćemo i rangirati podatke kako bismo razumjeli što ih povezuje
• promatrat ćemo odstupanja kako bismo identificirali podatke koji se ne uklapaju te ćemo analizirati razloge takvih odstupanja (ovaj dio daje posebnu čar priči)
• posebnu pažnju posvetit ćemo analizama podataka koje daju uvide koji nisu intuitivni, tj. koji nas iznenađuju – neke od najuvjerljivijih priča upravo su one koje nismo očekivali!

Priča može biti savršeno definirana i analitički obrađena, ali ako publika kojoj tu priču pričamo nema interesa od nje – promašili smo.
Stoga je važno zapitati se o relevantnosti priče za publiku kojoj se obraćamo u analizama i rješava li ta priča neki njihov izazov.
Isto tako važno je zapitati se je li publika možda već čula ovu priču ranije.

Priča je sastavljena od:

• konteksta, tj. opisa situacije u kojoj se nalazimo
• likova (sudionika cijelog procesa)
• izazova (identifikacija željenih ciljeva, promjena, procesa i sl.)
• rješenja (koraka koji pomažu u rješavanju izazova ili postizanju ciljeva).

Za bolji doživljaj priče koristimo se raznim vizualima. Oni su vrlo moćan alat koji pomaže u boljem razumijevanju, pojednostavljivanju kompleksnijih opisa, isticanju važnih informacija ili podataka, a pomažu i u isticanju ključnih točaka (dijelova) priče.

Analiza će u obliku poticajne priče pomoći u osvještavanju svrhovitosti nekog posla i potaknuti djelovanje koje će nakon toga generirati neke nove smjerove poslovanja.

Ali – analiza ipak nije savršena; korelacije mogu biti slučajne, podatci pogrešno prikupljeni i pogrešno interpretirani i tako dalje…
Stoga u analizama rijetko kada govorimo o sigurnostima, a puno češće o vjerojatnostima. I zato učinke svake analize i promjene koju je proizvela treba nastaviti pratiti i vrednovati, a onda i same modele i analize kontinuirano kontrolirati i unapređivati.

Analiza nije savršena, ali svrhovitost koju daje sudionicima priče jest.

Prijavite se na A1 Start – internship program namijenjen profesionalnom razvoju i stjecanju praktičnog iskustva. Ako imate manje od godine dana radnog iskustva ili ste diplomant, prolazite prvi uvjet! A mi tražimo DATA kandidata, točnije osmero njih koji će se uhvatiti u koštac s data science i data analytics područjima.