Kwa nini hili ni muhimu

Timu za huduma huzalisha data nyingi: tiketi, kumbukumbu, vipimo, tafiti, rekodi za mabadiliko, ripoti za gharama. Nyingi hukaa bila kutumika, au hufupishwa katika dashibodi ambazo hakuna anayeweza kuziunganisha na uamuzi. Ripoti zinaeleza shughuli, kama tiketi zilizofungwa, na kusema kidogo kuhusu kama wateja wako vizuri zaidi.

Uchanganuzi ni nidhamu ya kupata majibu kutoka kwa data. Wikipedia inaeleza uchanganuzi kama ugunduzi, ufasiri, na mawasiliano ya mifumo yenye maana katika data. Katika usimamizi wa huduma unaweza kuonyesha mahitaji yanatoka wapi, kwa nini matukio ya hitilafu yanajirudia, kazi inasubiri wapi, mabadiliko yapi ni hatari, na kama uboreshaji ulisaidia. Pia unaweza kupotosha. Chati inaweza kuonekana yenye mamlaka huku ikitegemea sampuli yenye upendeleo, bahati nasibu, au fasili iliyobadilika kimya.

Mada hii ni lango la kuingia Sehemu ya 7. Inaeleza aina za uchanganuzi, hatua za uchanganuzi thabiti, na mitego inayonasa hata watu wenye uangalifu. Inaacha fasili za vipimo kwa kitabu mwenza Service Management Metrics, na inaelekeza kwenye mada zinazofuata kwa misingi (mada 7.2 — Misingi ya data na utawala wa data), upimaji (mada 7.3 — Upimaji na utoaji taarifa), uwezo wa kuchunguza (mada 7.4 — Uwezo wa kuchunguza na telemetria), utabiri (mada 7.5 — Uchanganuzi tabiri na utabiri), mtiririko (mada 7.6 — Uchanganuzi wa michakato na mkondo wa thamani), na uzoefu (mada 7.7 — Uchanganuzi wa uzoefu na hisia). Maelezo ya mmiliki ya toleo jipya zaidi la ITIL yanasisitiza matokeo yanayopimika (tazama mada 1.3 — ITIL 5), ambayo yanategemea uchanganuzi uliofanywa vizuri.

Dhana kuu

Aina nne za uchanganuzi. Mfumo wa kawaida unatofautisha:

Aina Swali Mfano katika kazi ya huduma
Elezi Nini kilitokea? Matukio ya hitilafu kwa mwezi kwa huduma
Tambuzi Kwa nini kilitokea? Kile ambacho matukio ya hitilafu yanayojirudia yanashirikiana
Tabiri Nini kinaelekea kutokea? Utabiri wa kiasi cha tiketi robo ijayo
Elekezi Tufanye nini? Viwango vya wafanyakazi vinavyotimiza lengo kwa gharama ndogo zaidi

Wikipedia inaeleza uchanganuzi elezi, tabiri, na elekezi. Kila moja hujengwa juu ya iliyotangulia. Timu nyingi za huduma zitapata thamani kubwa zaidi kwa kufanya mbili za kwanza vizuri.

Anza na swali. Uchanganuzi huanza na uamuzi ambao mtu anahitaji kufanya, kama kuongeza wafanyakazi kwenye zamu ya jioni, na kuugeuza kuwa swali ambalo data inaweza kujibu. Bila swali, uchanganuzi unakuwa utafutaji wa kitu cha kuvutia, na makala ya Wikipedia kuhusu uchimbaji wa data kupita kiasi inaeleza jinsi hilo linavyopata mifumo ambayo ni bahati nasibu tu.

Data. Ulicho nacho, kilitoka wapi, kilirekodiwa vipi, na kinaacha nini nje. Data ya tiketi inaonyesha watu walichagua kuripoti nini na jinsi mawakala walivyoainisha, si kila kitu kilichotokea. Tazama mada 7.2 — Misingi ya data na utawala wa data. Wikipedia inaeleza ubora wa data kama kufaa kwa matumizi.

Takwimu elezi. Muhtasari kama hesabu, wastani wa kati (median), asilimia, na mtawanyiko. Wikipedia inaeleza takwimu elezi. Kwa data ya huduma, wastani wa kati na asilimia kwa kawaida zina manufaa zaidi kuliko wastani, ambao huficha mikia mirefu, na ya pembeni, inayoelezwa na Wikipedia, inastahili kutazamwa badala ya kuondolewa kiotomatiki.

Uchanganuzi wa uchunguzi. Kutazama data kuona umbo lake, ubora, na mshangao kabla ya kujaribu mawazo. Wikipedia inaeleza uchanganuzi wa data wa uchunguzi. Unazuia makosa ya kipumbavu, kama kuchukulia thamani inayokosekana kama sifuri.

Sampuli na upendeleo. Uchanganuzi mwingi hutumia sampuli, na sampuli zinaweza kupotosha. Wikipedia inaeleza sampuli na upendeleo wa uchaguzi. Majibu ya utafiti hutoka kwa wanaojibu, na tiketi za msaada hutoka kwa wanaowasiliana nawe. Upendeleo wa waliobaki, pia unaoelezwa hapo, hutokea unapochunguza kilichobaki tu, kama wateja waliobaki.

Uhusiano na sababu. Vitu viwili kusonga pamoja haimaanishi kimoja kinasababisha kingine. Wikipedia inaeleza tatizo chini ya "correlation does not imply causation", na kuchanganya (confounding), ambapo kipengele cha tatu kinaendesha vyote viwili. Kiasi cha tiketi na idadi ya seva vinaweza kupanda pamoja kwa sababu biashara ilikua. Madai ya sababu yanahitaji zaidi ya chati: ulinganisho uliodhibitiwa, au hoja makini kuhusu mbadala. Wikipedia inaeleza hitimisho la sababu na majaribio ya A/B kama njia za kujifunza kuhusu sababu.

Mizozo na mitego. Mzozo wa Simpson, unaoelezwa na Wikipedia, ni kisa ambacho mwelekeo unaoonekana katika vikundi kadhaa hubadilika vikundi vinapounganishwa. Kosa la kiwango cha msingi, pia linaloelezwa hapo, ni kosa la kupuuza jinsi kitu kilivyo cha kawaida, hivyo kwamba kigunduzi kizuri cha tukio nadra hutoa tahadhari za uongo kwa kiasi kikubwa. Kufahamu mitego kama hiyo ni ulinzi.

Umuhimu wa kitakwimu na kutokuwa na uhakika. Matokeo ni "muhimu" yanapokuwa na uwezekano mdogo wa kuwa kwa bahati nasibu tu chini ya dhana zilizotajwa. Wikipedia inaeleza majaribio ya dhana na vipindi vya kujiamini. Umuhimu wa kitakwimu si umuhimu halisi: athari ndogo sana inaweza kuwa muhimu katika seti kubwa ya data, na athari kubwa inaweza kuwa isiyo na uhakika katika ndogo. Onyesha safu, si namba moja tu.

Taswira. Chati huwasaidia watu kuona mifumo, na chati mbaya hupotosha. Wikipedia inaeleza taswira ya data na taarifa. Chagua maumbo yanayofaa swali, weka lebo za shoka na vipimo, anza vipimo kwa uaminifu, na uonyeshe kutokuwa na uhakika. Dashibodi, zinazoelezwa na Wikipedia kama maonyesho ya kuona ya taarifa muhimu, zinapaswa kuhudumia maamuzi na kuwa chache.

Mfululizo wa wakati. Data nyingi za huduma hurekodiwa kwa muda, zikiwa na mielekeo, mifumo ya msimu, na mabadiliko ya ghafla. Wikipedia inaeleza uchanganuzi wa mfululizo wa wakati. Linganisha vinavyofanana: Jumatatu hii na Jumatatu nyingine. Tazama mada 7.5 — Uchanganuzi tabiri na utabiri.

Modeli na kujifunza kwa mashine. Modeli za kitakwimu na za kujifunza kwa mashine zinaweza kutabiri, kuainisha, na kuweka katika makundi. Zinahitaji data ya kufunzia na ya majaribio, uthibitisho, na ufuatiliaji wa kuteleza. Tazama mada 5.1 — AI katika usimamizi wa huduma. Modeli si chanzo cha ukweli; ni zana yenye dhana.

Sheria ya Goodhart. Kipimo kinapogeuka kuwa lengo, huacha kuwa kipimo kizuri. Wikipedia inaeleza sheria hii. Uchanganuzi unaotumika kuhukumu watu au timu huchochea mabadiliko ya tabia yanayoboresha namba na si matokeo. Tumia vipimo kujifunza, viambatanishe na vingine, na useme kila kimoja kinaweza kuchezewaje. Tazama kitabu cha Service Management Metrics.

Maadili na faragha. Uchanganuzi juu ya watu, kama tija ya mawakala au tabia ya watumiaji, huibua maswali ya ridhaa, haki, na uwiano. Wikipedia inaeleza faragha na upendeleo wa algorithimu kwingineko. Kusanya unachohitaji tu, jumlisha unapoweza, na uwe wazi kuhusu unachochanganua na kwa nini. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.

Mawasiliano. Uchanganuzi ambao hakuna anayeuelewa hautabadilisha chochote. Taja swali, jibu, kujiamini, mipaka, na uamuzi unaopendekezwa kwa maneno rahisi, pamoja na chati inaposaidia.

Lenzi zinavyolingana. Uchanganuzi ni lenzi ya nne, na unahudumia tatu nyingine. Zoea la uchapuchapu hulitumia kukagua kama badiliko lilisaidia. AI hutumia data kama mafuta na inaweza kuharakisha uchanganuzi, chini ya mapitio. Uendeshaji otomatiki huzalisha data na kutenda juu yake. Uchanganuzi pia unahitaji lenzi tatu za kwanza kugeuza ufahamu kuwa mabadiliko.

Mazoea bora

  1. Anza kutoka kwa uamuzi. Andika nani ataamua nini, kufikia lini, na ushahidi gani ungebadilisha mawazo yao. Umbo uchanganuzi kwa hilo.
  2. Geuza uamuzi kuwa swali sahihi. Fafanua istilahi, kama "imetatuliwa" au "tukio la hitilafu linalojirudia", idadi ya watu, na kipindi kabla ya kugusa data.
  3. Jue data yako. Andika vyanzo, jinsi rekodi zinavyoundwa, mapengo yanayojulikana, na mabadiliko ya fasili kwa muda. Kagua sampuli dhidi ya uhalisia.
  4. Tazama kabla ya kujaribu. Chunguza mgawanyo, thamani zinazokosekana, na ya pembeni kwanza. Rekebisha makosa na urekodi ulichobadilisha.
  5. Tumia muhtasari imara. Ripoti wastani wa kati na asilimia pamoja na hesabu, na uonyeshe mtawanyiko. Linganisha vinavyofanana, kama siku ileile ya wiki au msimu.
  6. Jihadhari na upendeleo. Uliza nani anakosekana kwenye data na kwa nini. Taja mipaka ya sampuli unapowasilisha matokeo.
  7. Usidai sababu bila msingi. Sema "inahusiana na" isipokuwa una ulinganisho au hoja thabiti. Orodhesha maelezo mbadala na useme uliyakagua vipi.
  8. Onyesha kutokuwa na uhakika. Toa safu na ueleze ukubwa wa sampuli. Epuka usahihi wa uongo.
  9. Buni taswira kwa msomaji. Weka chati rahisi, za uaminifu, na zenye lebo. Pendelea dashibodi chache zenye maana kuliko nyingi zisizotumika.
  10. Funga mzunguko. Rekodi uamuzi uliochukuliwa na matokeo, na ukague baadaye kama uchanganuzi ulisaidia. Staafisha ripoti ambazo hakuna anayetumia.

Maswali ya kujadili na timu yako

Uamuzi wa mwisho tuliofanya kwa data ni upi, na data ilituambia nini hasa? Omba mfano. Tarajia data iliunga mkono uamuzi uliokwisha fanywa. Ili kwenda mbali zaidi, chagua uamuzi unaokuja na uandike swali kwanza.

Ni ripoti zipi zetu hakuna anayezisoma wala kuzitendea kazi? Kagua matumizi. Tarajia kadhaa. Ili kwenda mbali zaidi, staafisha moja na uulize kama kuna anayeikosa.

Data yetu inaweza kuwa na upendeleo au kutokamilika wapi, na nani anakosekana? Fikiria tiketi, tafiti, na kumbukumbu. Tarajia watumiaji wengi hawatuwasiliani kamwe. Ili kwenda mbali zaidi, chagua chanzo kimoja na uongeze ukaguzi kutoka kingine.

Nini kingetushawishi kwamba uboreshaji wa hivi karibuni ulifanya kazi kweli? Jadili ushahidi. Tarajia kutegemea chati za kabla-na-baada. Ili kwenda mbali zaidi, orodhesha mambo mengine yaliyobadilika wakati uleule.

Ni namba zipi zetu zinaweza kuchezewa, na tungeona vipi? Chagua kipimo kinachojalisha tathmini ya mtu. Tarajia majibu ya kibunifu. Ili kwenda mbali zaidi, kubaliana ukaguzi wa sampuli au kipimo kilichooanishwa.

AI inawezaje kutusaidia kuchanganua data yetu, na tungekagua vipi kazi yake? AI inaweza kufupisha data, kuandaa chati, na kupendekeza mifumo. Pia inaweza kutaja matokeo yaliyobuniwa. Uliza nani anakagua na vipi. Ili kwenda mbali zaidi, rudia uchanganuzi wa AI kwa mikono kwenye seti ndogo ya data.

Kwa vitendo: mfano wa usimamizi wa huduma

Dawati la huduma la TEHAMA la mamlaka ya kodi ya taifa linashughulikia mawasiliano 25,000 kwa mwezi. Meneja mwandamizi ana dashibodi inayoonyesha wastani wa muda wa kutatua umepanda asilimia 20 kwa mwaka, na anamwomba kiongozi wa dawati "kuurudisha chini". Kiongozi anaamua kuchanganua kabla ya kujibu.

Anaanza na swali: je, muda wa kutatua mawasiliano ya kawaida umepanda, na ikiwa ndivyo, kwa aina zipi za mawasiliano? Anakagua data kwanza. Wakati wa majira ya kuchipua zana ya tiketi ilibadilisha jinsi "imetatuliwa" inavyorekodiwa, ili tiketi zitatuliwe wakala anapoiwekea alama na si mtumiaji anapothibitisha. Pia anagundua kategoria mpya ya maombi tata ya "ufikiaji wa mfumo wa kesi", iliyozinduliwa katika vuli, inayofanya asilimia 12 ya mawasiliano na kuchukua mara tano zaidi ya mengine.

Anakokotoa upya kwa wastani wa kati na asilimia ya 90, iliyogawanywa kwa kategoria. Kwa kategoria za zamani, wastani wa kati wa muda wa kutatua haujabadilika; asilimia ya 90 imepanda kidogo. Wastani wa jumla ulipanda hasa kwa sababu ya kategoria mpya na fasili iliyobadilika. Anabainisha kuwa data haiwezi kuonyesha kwa nini baadhi ya maombi ya ufikiaji huchukua muda mrefu, ila kwamba hufanya hivyo.

Anawasilisha muhtasari wa ukurasa mmoja: wastani ulipanda kwa sababu ya aina mpya ya kazi na badiliko la fasili; mawasiliano mengi ni ya haraka kama hapo awali; mkia mrefu umekua kidogo, na maombi tata yanahitaji kutazamwa. Anaepuka kusema kwamba kategoria mpya "ilisababisha" kupanda kwa mkia mrefu, kwa kuwa mabadiliko ya wafanyakazi pia yalitokea. Anapendekeza hatua mbili: utafiti wa maombi ya ufikiaji kwa sampuli ya tiketi 40 na ripoti ya kila mwezi kwa kategoria pamoja na asilimia.

Kinachobadilika: meneja anaacha kuomba upunguzaji wa jumla na kuomba utafiti wa maombi ya ufikiaji. Kinachobaki kigumu: badiliko la fasili haliwezi kutenduliwa kikamilifu, kwa hiyo ulinganisho kuvuka mpasuko unabaki wa takriban; sampuli ya tiketi 40 ilisomwa na mtu mmoja na iko wazi kwa upendeleo; na meneja bado anapendelea namba moja. Kiongozi anaweka mitazamo yote na kueleza mipaka kila mara.

Mitazamo minne

Timu za bidhaa na utoaji

Tumia data kujaribu kama mabadiliko yalisaidia, na uandae bidhaa yako ili data yenye manufaa ipo. Shiriki fasili na mipaka na wanaotumia data yako, na uepuke kudai kupita kiasi kutoka kwa chati moja.

Timu za huduma na uendeshaji

Jue data yako inatoka wapi na inakosa nini. Ripoti wastani wa kati na asilimia pamoja na hesabu, na uchunguze mikia mirefu. Waambie wachambuzi zana au kategoria inapobadilika.

Uongozi na utawala

Omba swali, data, mipaka, na uamuzi, si chati tu. Usitumie vipimo moja kuhukumu watu. Fadhili ubora wa data na ujuzi wa uchanganuzi.

Wateja na watumiaji

Uko kwenye data, na mara nyingi unakosekana kutoka kwayo. Unapaswa kuulizwa kipi kinakujalisha, na mtoaji apaswa kusema taarifa zako zinatumikaje. Mwambie mtoaji namba zisipolingana na uzoefu wako.

Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi

Uchapuchapu

Tumia uchanganuzi kama zana ya mrejesho: weka matarajio, fanya badiliko dogo, kagua data, na uamue. Shiriki matokeo na wadau. Tahadhari: usisubiri data kamilifu kabla ya kutenda juu ya jaribio dogo; pia usichukulie chati fupi ya kabla-na-baada kama uthibitisho.

AI

AI inaweza kusafisha data, kuandaa maswali na chati, kufupisha matokeo, na kupendekeza mifumo, ikiwa na mmiliki na ukaguzi. Tahadhari: uchanganuzi unaozalishwa na AI unaweza kutaja matokeo ambayo data haiyaungi mkono, au kutumia mbinu isiyo sahihi; iombe ionyeshe hesabu zake, na urudie sampuli kwa mikono. Tazama mada 5.1 — AI katika usimamizi wa huduma.

Uendeshaji otomatiki

Fanya ukusanyaji wa data, usafishaji, na ripoti za kawaida kuwa vya kiotomatiki, pamoja na nyaraka za kila hatua. Tahadhari: ripoti za kiotomatiki zinaweza kuendelea baada ya maana yake kubadilika; pitia fasili na vyanzo mara kwa mara. Tazama mada 6.1 — Mkakati wa uendeshaji otomatiki.

Uchanganuzi

Mada hii ni lenzi yenyewe: maswali, data, mbinu, kutokuwa na uhakika, na maamuzi. Tahadhari: usiruhusu kiasi cha data kuchukua nafasi ya ufahamu; pima kama uchanganuzi ulibadilisha maamuzi. Tazama kitabu cha Service Management Metrics kwa fasili za vipimo na mipaka ya ulinzi.

Njia za kawaida za kushindwa

  • Ripoti bila maamuzi. Dashibodi ambazo hakuna anayetumia. Anza kutoka kwa uamuzi na staafisha ripoti zisizotumika.
  • Wastani unaoficha. Mkia wa uzoefu mbaya haujaonekana. Tumia wastani wa kati, asilimia, na migawanyo.
  • Fasili zisizojulikana. Badiliko la maana ya uga linavunja mielekeo. Andika na ufuatilie fasili.
  • Sampuli zenye upendeleo. Wanaowasiliana nawe tu ndio wanahesabiwa. Taja nani anakosekana.
  • Sababu kutoka kwa uhusiano. Chati inachukuliwa kama uthibitisho. Orodhesha maelezo mbadala na ujaribu.
  • Usahihi wa uongo. Namba zinaonyeshwa bila kutokuwa na uhakika. Onyesha safu na ukubwa wa sampuli.
  • Malengo yanayopotosha. Watu wanaboresha namba. Oanisha vipimo na uchukue sampuli ya visa halisi.

Modeli ya ukomavu

Kipimo Kuanzisha Kuendeleza Kusanifisha Kusimamia Kuratibu
Maswali na maamuzi Ripoti kwa mazoea Baadhi ya maswali yamefafanuliwa Uchanganuzi unaanza kutoka kwa maamuzi yaliyotajwa Athari ya uamuzi inafuatiliwa Uchanganuzi umeunganishwa na mipango kati ya huduma
Uelewa wa data Haujulikani Vyanzo vikuu vinajulikana Vyanzo, fasili, na mapengo vimeandikwa Ubora wa data unapimwa na kuboreshwa Data inatawaliwa na kushirikiwa kati ya timu na washirika
Mbinu Wastani na chati Wastani wa kati na migawanyo ya msingi Mbinu za kawaida, kutokuwa na uhakika, na ukaguzi wa upendeleo Mbinu zinapitiwa na kukaguliwa na wenza Mbinu za hali ya juu kwa usimamizi na uthibitisho
Mawasiliano Dashibodi Muhtasari Matokeo ya lugha rahisi yenye mipaka Matokeo yanajaribiwa na watumiaji Ufahamu umejengwa ndani ya maamuzi ya kila siku

Orodha hakiki

  • Kila uchanganuzi unaanza kutoka kwa uamuzi uliotajwa na swali sahihi.
  • Tunaandika vyanzo vya data, fasili, na mapengo yanayojulikana.
  • Tunaripoti wastani wa kati na asilimia pamoja na hesabu.
  • Tunataja nani anakosekana kwenye data na mipaka ya sampuli.
  • Tunatenganisha uhusiano na sababu na kuorodhesha maelezo mbadala.
  • Tunaonyesha kutokuwa na uhakika na kuepuka usahihi wa uongo.
  • Tunaoanisha vipimo vinavyoweza kuchezewa na kuchukua sampuli ya visa halisi.
  • Tunafuatilia maamuzi yaliyochukuliwa na kupitia kama uchanganuzi ulisaidia.

Maelekezo ya AI

Geuza uamuzi kuwa swali.

The decision we need to make: [describe]. Who decides: [role]. Data we have: [list sources and fields].
Write three precise analytical questions that would inform the decision, with definitions of key terms, the population, and the period. List what data we lack for each. Do not propose answers.
List what you are unsure of.

Kagua muhtasari wa matokeo kwa mitego.

Here is a summary of an analysis with the data used: [paste].
List possible problems: sample bias, missing groups, changes in definitions, outliers, confounding factors, and claims of cause not supported by the data. Quote the text for each. Do not redo the analysis.
List what you are unsure of.

Eleza seti ya data kabla ya uchanganuzi.

Here is a sample of rows from our dataset with field names, identifiers removed: [paste].
List each field, its apparent type, missing values, odd values, and questions to ask about how it is recorded. Do not draw conclusions about the business.
List what you are unsure of.

Ujuzi wa AI

Vyanzo vikuu

  • Edward Tufte, The Visual Display of Quantitative Information (1983): kitabu cha kawaida kuhusu chati za uaminifu.
  • Darrell Huff, How to Lie with Statistics (1954): maelezo mafupi, yanayosomeka ya ujanja wa kawaida wa takwimu.
  • Kitabu mwenza Service Management Metrics: fasili za vipimo, njia za kuchezea, na mipaka ya ulinzi.
  • Wikipedia, "Analytics" and "Data analysis": muhtasari wa fani.

Marejeo

  1. Analytics — Wikipedia — https://en.wikipedia.org/wiki/Analytics
  2. Data analysis — Wikipedia — https://en.wikipedia.org/wiki/Data_analysis
  3. Descriptive statistics — Wikipedia — https://en.wikipedia.org/wiki/Descriptive_statistics
  4. Predictive analytics — Wikipedia — https://en.wikipedia.org/wiki/Predictive_analytics
  5. Prescriptive analytics — Wikipedia — https://en.wikipedia.org/wiki/Prescriptive_analytics
  6. Correlation does not imply causation — Wikipedia — https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation
  7. Simpson's paradox — Wikipedia — https://en.wikipedia.org/wiki/Simpson%27s_paradox
  8. Selection bias — Wikipedia — https://en.wikipedia.org/wiki/Selection_bias
  9. Data dredging — Wikipedia — https://en.wikipedia.org/wiki/Data_dredging
  10. Goodhart's law — Wikipedia — https://en.wikipedia.org/wiki/Goodhart%27s_law
  11. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
  12. Exploratory data analysis — Wikipedia — https://en.wikipedia.org/wiki/Exploratory_data_analysis