Эксперт по данным
Понравилась одна статейка. Почемубы не скопипастить ;)
их потом так долго найти в сети..
Ученый по данным Томас Терстон (Thomas Thurston) использует алгоритмы, чтобы понять общие черты успешных и неудачных бизнесов.
Наука данных используется повсеместно, от медицинских исследований до ипотечных заявок, но она не столь широко используется, когда речь идет о прогнозировании результатов для начинающих предприятий. Томас Терстон, основатель компании Growth Science в Портленде (штат Орегон), провел последние семь лет над созданием баз данных и алгоритмов, направленных на поиск общих черт между успешными и неудачными предприятиями. Идея возникла, когда он работал в Intel и набрала обороты, когда Клейтон Кристенсен (Clayton Christensen) - уважаемый профессор Гарвардской школы бизнеса, предложил Терстону провести год «оттачивая» свое исследование в Гарварде.
Сейчас Терстону 36 лет, он занят развитием нового бизнеса, работает с большими и средними компаниями и применяет свои исследования в инвестиционных решениях для венчурной компании Ironstone Group.
Журналист издания Entrepreneur Сара Макс (Sarah Max) пообщалась с Терстоном о том, почему предприниматели и инвесторы должны уделять столько же внимания числам как и своей интуиции.
Entrepreneur: Когда вы встречаете кого-то на вечеринке, как вы описываете, что вы делаете?
Терстон: Обычно я говорю, что могу предсказать выживет бизнес или нет. Это хороший ярлык, но, как правило, приводит к большему количеству вопросов. Ученый данных, на мой взгляд, это тот, кто смотрит на данные чтобы попытаться найти закономерности. Вы смотрели фильм Moneyball? Мы — это тот парень из Йельского университета.
Entrepreneur: Что вдохновило вас изучать шансы в бизнесе?
Терстон: Около семи лет назад я работал в Intel в новом бизнес-подразделении, которое Intel закрыл без всякой видимой причины. Я помню, как был разочарован и подумал, что мы определенно могли бы посмотреть на все инвестиции Intel и найти определенный шаблон. Когда мы посмотрели на данные компаний за пределами Intel, то обнаружили, что шаблоны сохраняются. Это было после того, как я провел год в Гарварде с Клейтоном Кристенсеном. Многое из того, что мы обнаружили, согласуется с работой, которой он занимался.
Entrepreneur: Когда вы решили уйти на собственные хлеба?
Терстон: Я вернулся из Гарварда в 2008 году, моя группа в Intel была реорганизована. Я расстался с Intel в хороших отношениях и запустил свой стартап.
Entrepreneur: И вы сделали свой стартап Growth Science по своим собственным алгоритмам?
Терстон: Я так делал в течение первых трех лет и мне не понравилось, то что получилось. Мы были обречены. Так много компаний с которыми мы работаем и я игнорировал их пока бизнес рос и все было хорошо. Примерно через три года появился крупный конкурент и я предупредил сотрудников и возможном крахе. Мы должны были переосмыслить нашу бизнес-модель и теперь (стучу по дереву) она, кажется, работает.
Entrepreneur: Расскажите немного о ключевых факторов, влияющих на ваши модели.
Терстон: Есть несколько инструментов, но все они косвенно выражают ответ, который и так очевиден. Мы склонны смотреть на стратегии бизнеса и там мы находим наиболее подходящие для предсказаний переменные. Что именно в стратегии позволяет делать прогнозы? Если это новый стартап, у которого лучший виджет на рынке, то мы обнаруживаем, что такой бизнес обречен примерно в 90 процентах случаев. Их шансы намного хуже, чем у большинства компаний. В среднем около 70 — 80 процентов предприятий терпят неудачу в течение 10 лет. Тем не менее, стратегия большинства стартапов — делать что-то лучше, чем все остальные.
Entrepreneur: Это кажется довольно нелогичным. Объясните.
Терстон: Если они на самом деле лучшие, они начнут переманивать наиболее выгодных клиентов у своих огромных конкурентов. Пройдет немного времени и их конкуренты поймут в чем дело и раздавят их. Если вы заберете лучших клиентов у крупных компаний, они вам ответят.
Entrepreneur: Какие стратегии дают больше шансов?
Терстон: Есть много, но моя любимая является хорошим контрапунктом. Оказывается, если вы идете на рынок с худшим продуктом, но он самый дешевый, то вероятность выживания повышается в 6 — 8 раз. Подумайте о Walmart, McDonald и, в начале, даже Intel. Как они все начинали? Это хороший вариант чтобы начать, потому что крупные компании не успеют вам ответить, если не потеряют из-за вас своих лучших клиентов.
Entrepreneur: Откуда вы получаете ваши данные?
Терстон: У нас есть инструменты, которые тянут данные для нас из Интернета. Иногда мы покупаем данные, но это крайне редко. Многие мы собрали сами в течение долгого времени с тысячами компаний.
Entrepreneur: Вы объединились с видным инвестиционным банкиром Биллом Хамбречем (Bill Hambrecht) чтобы запустить венчурный фонд на основе ваших выводов. Google Ventures следовала подобной стратегии с 2009 года, но они не считают это основным. Что традиционные венчурные капиталисты обычно говорят о том, что вы делаете?
Терстон: Большинство венчурных капиталистов остались в стороне от этого, потому что больше полагаются на свою интуицию и опыт. Их наборы данных могут охватывать пару сотен предприятий, но они опираясь на собственный опыт могут одновременно заниматься только двумя или тремя. С наукой данных вы можете охватить тысячи. Вопрос — сможете ли вы столько переварить, кто-то может, но большинство — нет.
Вот еще один пример: команда является вещью номер один, как говорят венчурные капиталисты. Да, предприниматели, которые были успешны в своей первой компании, как правило, в следующей еще лучше, но разница между лучшим и худшим составляет только около 12 процентов. Другими словами, у опытных предпринимателей только на 12 процентов больше шансов выжить. Если половина вашего решения основывается на команде вы дико преувеличиваете эту переменную.
Entrepreneur: Какие книги вы рекомендуете читать предпринимателям, чтобы получить лучшее представление о науке данных?
Терстон: Нейт Сильвер (Nate Silver) только, что выпустила книгу «Сигнал и шум» (The Signal and the Noise). Если бы были бейсбольные карточки с учеными данных на них был бы Бейб Рут (Babe Ruth). Одной из моих любимых книг всех времен является «Мышление, быстрое и медленное» (Thinking, Fast and Slow) Даниэля Канемана (Daniel Kahneman). Он вообще не упоминает науку данных, но эта книга о когнитивной предвзятости.
Человеческий ум очень, очень хорош в некоторых вещах, но он имеет свои ограничения. То, что мы, как правило, делаем плохо, компьютеры, наоборот, делают хорошо. Я не говорю, что для принятия деловых решений используются только алгоритмы. Алгоритм не может сказать вам, что генеральный директор полное ничтожество и вы не должны с ним работать. Но если вы сможете совместить эти две вещи вместе, то получите гораздо более сильные прогнозы.
источник: http://www.siliconpulse.com/data-expert-why-businesses-fail/
