Вспомните нашу отправную точку в первой части: рассказывание историй является ключевой частью процесса науки о данных[66], и наша задача – убедиться, что аудитория вовлечена в ваш рассказ. Не надейтесь на то, что, поскольку вы говорите с людьми, инициировавшими проект, они обязаны понять смысл ваших идей и результатов. Помните: они пригласили вас, потому что им был нужен эксперт, который рассказал бы о том, что говорят данные. Теперь ваш шанс сделать ответный ход! Пересмотрите каждый шаг процесса и спросите себя: «Что мне нужно делать на каждом этапе? На какие вопросы необходимо ответить? Как решить возникшие проблемы? Что показывают результаты? Что-нибудь осталось без ответа?» Задавая себе эти вопросы, вы сможете придумать историю, соответствующую вашему опыту, – в конце концов, вы рассказываете свою историю о том, как вы взаимодействовали с данными.
Умение передать идеи – именно то, что нужно в организациях, сотрудники которых могут быть не особенно технически подкованы. Важно как можно лучше представить данные, поскольку это может обеспечить нам преимущество перед теми, кто, жонглируя цифрами, может построить модели и написать код, но не способен объяснить, какое отношение полученные результаты имеют к компании.
Кейс: Veros Credit – представление конечному пользователю
Любой, кто брал кредит, знает, каким сложным процессом это может оказаться. Но у кредитных компаний есть и свои собственные трудности. Ведь это не благотворительные организации: они должны оценить, окупится ли кредит нового клиента или нет. А чтобы дать правильную оценку, следует учесть различные характеристики клиента (от кредитоспособности до истории занятости) и выстроить на основе этих показателей тактику, позволяющую снизить риски для компании.
Грег Попп – старший вице-президент по управлению рисками в Veros Credit, американской компании финансовых услуг, которая предоставляет кредиты людям, желающим приобрести автомобили в автосалонах. Его команда курирует проекты компании в области науки о данных и финансового инжиниринга, и одной из их центральных задач является создание модели оценки кредитоспособности для прогнозирования риска по каждому клиенту. Необходимые данные о потенциальных заемщиках определяют кредитный рейтинг, на основе которого Veros Credit будет либо утверждать, либо отклонять запросы на получение кредита. Затем эта информация уходит в автосалон, где решают, принимать или не принимать условия, предложенные Veros Credit.
Идея сводится к следующему: необходимо убедиться, что процентная ставка по одобренным кредитам и выплаты по ним покроют любые риски, связанные с кредитными и операционными расходами. Для поддержания предсказательной способности модели мониторинг оценки рисков осуществляется на ежемесячной основе. В ходе этих наблюдений параметры корректируются в соответствии с новыми данными. Такая прозорливость помогает Veros Credit выделять признаки возможных неблагоприятных результатов кредитования и позволяет отказаться от клиентов, как только их показатели начинают отклоняться от установленной нормы.