W tym odcinku dowiesz się:

• Czym jest wizualizacja?
• Czy wizualizacja jest w jakikolwiek sposób powiązana z językiem?
• Jakie narzędzia można wykorzystać do wizualizacji?
• Czym są kluczowe wskaźniki efektywności (KPI)?
• Jakie błędy najczęściej popełniamy w procesie wdrażania KPI do naszej firmy?
• Kto powinien być „właścicielem” KPI w firmie?
• Jakie są sposoby manipulacji z wykorzystaniem wizualizacji?
• W jaki sposób należy postępować z pracownikami odpowiedzialnymi za kluczowe parametry w swojej firmie?
• Czy uczenie maszynowe i AI może pomóc nam w dobraniu odpowiedniego KPI?

Cześć Andrzej, przedstaw się: kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Cześć Vladimir, cześć wszystkim. Nazywam się Andrzej Przeliorz. Mieszkam w miejscowości, która nazywa się Marklowice. Leży ona w powiecie wodzisławskim, na Śląsku. Zajmuje się wizualizacją danych, tworzeniem raportów, tworzeniem KPI i wszystkim co się wiąże z tematyką raportowania dla dużych koncernów, jak i dla średniej wielkości przedsiębiorstw. Firmę prowadzę już ponad 6 lat.

Przed rozpoczęciem naszej rozmowy rozmawialiśmy dość długo na temat, jak fajnie byłoby zamieszkać gdzieś w górach. Dzisiaj będziemy rozmawiać na temat wizualizacji, metryk, itd. Zadam teraz dość standardowe pytanie – co ostatnio czytałeś?

Z racji świąt, które niedawno były czytałem książkę, która jest niezbyt wpasowana w temat świątecznego szaleństwa i świątecznych zakupów. Jest to książka pod tytułem “Minimalizm po polsku”, autorki Anny Mularczyk-Meyer, i jest ona o tyle związana z tematem świąt, że w czasach w których aktualnie żyjemy, dość często jesteśmy nastawieni na konsumpcję przedświąteczną, na szał zakupów i w tym wszystkim brakuje wyciszenia. Książka jest o tyle ciekawa, że porusza dużo więcej niż tylko samą kwestie minimalizmu , o ile bardziej sfery duchowej. Po przeczytaniu jej, coraz bardziej dostrzegam wspólne rzeczy, między tym co się dzieje również w IT, tym co się zajmuje na co dzień, przede wszystkim z Big Data, z analizą danych i z przeładowaniem tego wszystkiego w naszym codziennym życiu. Ta książka jest takim zejściem do podstaw, gdzie faktycznym problemem jest odpowiedzieć na najważniejsze, najbardziej nurtujące nas pytania.

Drugą książkę którą też już chyba czytam po raz trzeci jest “Practical Performance Measurement”, autorki Stacey Barr. Ona z kolei ułożyła sobie taki program, co nazywa się “PuMP”, który polega na sprawnym i usystematyzowanym wdrażaniu KPI do organizacji dużych, małych średnich. Także jest to książka naprawdę bardzo technicznie napisana, z przesłankami w jaki sposób to wprowadzać do przedsiębiorstw. Natomiast zarówno jeśli chodzi o przykłady i problemy na które można natrafić, jak i najczęstsze błędy które się popełnia w trakcie wdrażania KPI do organizacji, to ta książka faktycznie odpowiada na każde pytanie, przez co bardzo serdecznie polecam obydwie lektury.

Bardzo dziękuję za polecenie powyższych tytułów, w szczególności również takich, które na pierwszy rzut oka niekoniecznie się wiążą z IT, ale wbrew pozorom, i ja to też często podkreślam w różnych kontekstach, że w tej chwili jesteśmy zalewani informacją, i wielką sztuką jest nauczyć się filtrować i wyłapywać te najciekawsze, ważniejsze sygnały, niż próbować monitorować wszystko co się dzieje.

My po prostu nie jesteśmy w stanie przepuścić przez siebie tak dużej ilości informacji. Niech te komputery, czy tam inne narzędzia przepuszczają przez siebie te wszystkie bajty. My, jako ludzie powinniśmy skupić się na rzeczach najważniejszych, najbardziej sensownych, na tym co daje poczucie, że to co robimy ma sens, że to wszystko idzie w dobrym kierunku. Komputery są bardzo dobre, jeżeli chodzi o przetwarzanie dużej ilości informacji, mnożenie dużych macierzy, i tak dalej. Tutaj nie ma żadnej możliwości żeby z nimi konkurować.

Z drugiej strony właśnie człowiek lepiej sobie radzi w odnajdywaniu relacji przyczynowo-skutkowych, w myśleniu oraz rozpoznawaniu co było przyczyną, co jest skutkiem, albo też w myśleniu abstrakcyjnym, kiedy mamy bardzo skomplikowany obszar i próbujemy go uogólnić, aby potem zrozumieć: OK, musisz patrzeć na te dwie, trzy liczby żeby ogarnąć tak skomplikowany proces, bo przepuściłeś to przez siebie i udało się to połączyć.

Językiem, który umożliwia takie rzeczy jest między innymi wizualizacja, ponieważ człowiek jest bardzo dobry w czytaniu różnych zależności patrząc na wykresy (oczywiście te wykresy muszą być dobrze zrobione), ale zwykle kiedy patrzysz na excele i na wykres, to każdy przeciętny człowiek znacznie lepiej i znacznie więcej z niego (wykresu) odczyta, niż wprost z liczb poukładanych w kolumnie. I stąd moje pytanie: czy wizualizacja jest w pewnym sensie językiem?

Żeby szybko odpowiedzieć, to tak. Ma na to wpływ bardzo wiele rzeczy. Zależy w jaki sposób klasyfikujemy języki, bo klasyfikacje języków są różne. Na pewno jest to pewna forma komunikacji, czy tak zwanego języka niewerbalnego, to znaczy jeżeli ja z Tobą na przykład rozmawiam, to jest wysyłana jakaś informacja ode mnie, Ty mnie z kolei słuchasz, czyli Ty jesteś odbiorcą tej informacji. To co powstaje między nami to jest takie sprzężenie zwrotne, to znaczy Ty na mój komunikat możesz w jakiś sposób odpowiedzieć, albo w jakiś sposób zareagować. Twój mózg na pewno w jakiś sposób na niego reaguje, albo się może ze mną zgadzać, albo nie. Masz jakąś swoją opinię na ten temat. Wszystko to się dzieje nieświadomie, ale jeżeli chodzi o stricte komunikację niewerbalną, jaką jest wizualizacja to ten komunikat jest bardzo statyczny, to znaczy patrzysz na wykres i próbujesz zrozumieć co autor miał na myśli ,czyli jaka jest zaszyfrowana informacja za tym wykresem, czy za tą linią, czy za tym pie chartem, czy czymkolwiek co się znajduje na wizualizacji.

I teraz problem polega na tym, że dużo łatwiej analizujemy obrazy, niż rozmowę, to znaczy wyobraźmy sobie, że jesteśmy na jakimś wykładzie, profesor mówi do nas przez dwie godziny. Po pewnym czasie się nie skupiamy już na tym co mówi, nawet jeżeli to jest ciekawe i bardzo interesujące, to nie jesteśmy w stanie się na tym skupić. Co innego jeżeli zaczyna pokazywać jakąś ewidencję, na przykład na zasadzie jakichś wykresów, albo jakichś flipchartów, czy czegokolwiek. Zaczyna rysować, zaczyna coś tworzyć, to w tym momencie nam temat od razu wydaje się dużo łatwiejszy, jaśniejszy. W zasadzie to jest szybsza droga do zrozumienia niż poprzez rozmowę, czy jakikolwiek inny sposób komunikacji. Po prostu ten obraz szybciej do nas dociera i szybciej go jesteśmy w stanie przetworzyć, zakładając niestety przy tym, że bardzo łatwo ten obraz zniekształcić, to znaczy możemy widzieć jakieś dane, ale mogą one mogą być bardzo zniekształcone, albo mówić zupełnie coś innego niż faktycznie jest. Podsumowując jednak, jest to bardzo sprawny system komunikacji.

Czym jest dla Ciebie efektywna wizualizacja w biznesie? Czy chodzi tutaj o narzędzia, sposób myślenia, czy jeszcze coś innego?

Narzędzia są wtórne. Można pracować na Excelach i tworzyć niesamowite wizualizacje. Można pracować na aplikacjach za dobrych kilka milionów dolarów, bo takie też istnieją, i w drugą stronę można mieć aplikację za kilka milionów i mało efektywnie komunikować się w sposób wizualny. Wszystko zależy od tego, czy znamy podstawy tworzenia takich wizualizacji. Jest taka organizacja międzynarodowa, gdzie stworzyli system który nazywa się IBCS, czyli International Business Communication Standards, który zajmuje się właśnie standaryzowaniem globalnym komunikacji biznesowej. Cel tej organizacji jest taki, aby firmy potrafiły się między sobą komunikować wizualnie. Jest to o tyle ciekawe, że zastosowanie do podobnych danych takich samych wykresów bardzo by usprawniło komunikację, czyli jakbym patrzył teraz na, np. wyniki sprzedaży “Coca Coli” i porównywał je sobie z wynikami sprzedaży “Pepsi” to ja wiem o tym, że jestem w stanie te wyniki porównać między sobą patrząc praktycznie na ten sam wykres, albo stosując te same zasady wizualizacji.

Jednakże jeżeli ja dostanę te same dane, na przykład powiedzmy w “Coca Coli” w przedziałach czasowych, np. miesięcznych, a “Pepsi” w kwartalnych, to te dane będą w zupełnie inny sposób przedstawiony. Czyli wnioski z tego płynące mogą być bardzo podobne, ale mogą być też bardzo różne. Stąd właśnie ta próba globalnego ustandaryzowania. To jest bardzo ciężki proces i widać, że duże koncerny już zaczynają się tym interesować. Coraz więcej koncernów wchodzi w ten standard. Aczkolwiek, jest to bardzo długa droga, ale również inicjatywa, która myślę że warto podążać.

Kontynuując ten wątek porównania pomiędzy firmami, albo wewnątrz firmy. Myślę, że w każdej firmie to jest dość znana rzecz. Mam na myśli “kluczowe wskaźniki efektywności”, albo ten znany angielski skrót: KPI. Mam wrażenie, tak z mojego własnego doświadczenia, że dość często mylimy skutek z przyczyną, czyli generalnie jest tak, że skoro jest firma to musi być KPI zamiast, że KPI jest po to, żeby firma działa sprawnie. Czym dla Ciebie są kluczowe wskaźniki efektywności i po co tak naprawdę są one potrzebne?

Odpowiem może takim porównaniem. KPI można porównać, czy w ogóle sam proces mierzenia KPI można porównać do takiego samolotowego. Musimy sobie wyobrazić, że samolot to jest nasza firma. My jesteśmy pilotem tego samolotu. Teraz siadamy za kokpitem Boeinga 747-400 (chyba już nie produkowany). To jest jeden z większych samolotów, który bierze na pokład 500 osób. Siadamy za sterami tego kokpitu i widzimy mnóstwo wskaźników.

Niektóre mają jakieś znaczniki, niektóre podają jakieś wysokości, niektóre podają przepływ paliwa, jeszcze inne podają ciąg, jeden z nich podaje jakieś alarmy i sygnały. Praktycznie tych przycisków jest kilka tysięcy. Następnie ruszamy i pojawia się pytanie, czy bez tego wszystkiego można prowadzić samolot? Oczywiście, że można bez KPI prowadzić samolot. Nazywa się to latanie z widocznością, to znaczy są piloci którzy przy dobrej widoczności nie potrzebują żadnych wskaźników. Problem pojawia się wtedy, kiedy zapada zmrok, noc, albo jeżeli jest mgła, lub chmury. To w tym momencie musimy zacząć polegać na naszych przyrządach. Wszystko jest fajnie, bo w zasadzie jeżeli wszystkie przyrządy działają prawidłowo, to będąc dobrym pilotem, lub nawet przeciętnym powinniśmy bez problemu wylądować w różnych warunkach pogodowych.

Jednak co się stanie, jeżeli włączy się jakiś alarm? Musimy umieć na ten alarm zareagować. Czy to będzie awaria systemu, czy to będzie awaria silnika, czy cokolwiek jeszcze gorszego, każdy pilot ma intuicyjnie już w podświadomości wgrane, jak reagować na dany problem. I to jest coś, co bardzo warto przełożyć na funkcjonowanie swojej firmy. To znaczy KPI nie są potrzebne w firmie, natomiast wtedy kiedy zaczyna się dziać źle, to stają się kluczowe. Bez nich nie damy rady dalej iść.

Jeszcze jedno nawiązanie do tego samolotu. W momencie kiedy ten pilot leci, to w zasadzie w kokpicie jest cicho, i przez większość czasu KPI też są cicho. To znaczy, że jeżeli coś działa poprawnie, to tego się nie rusza. Jeżeli KPI pokazuje, że produkcja idzie w porządku, to jest bardzo dobry sygnał, i zostawiamy go w spokoju. Nas interesuje tylko ten moment w którym zaczęło się coś świecić na czerwono. Czy to linia produkcyjna stanie, albo coś przestanie działać, albo mamy jakiś defekt na linii produkcyjnej, awaria systemu, to w tym momencie to jest dla nas jakiś sygnał, że coś się zaczyna dziać.

Dla mnie KPI to jest taki kokpit, tak to się też nazywa potocznie, dashboardy (kokpity, management kokpity). To porównanie do tych kokpitów samolotów nie jest bez znaczenia, bo w ten sam sposób powinna funkcjonować każda organizacja, czyli mieć przed sobą zestaw wskaźników, który pomaga jej funkcjonować i reagować wtedy, jeżeli coś się dzieje nie tak.

Spróbujmy kontynuować ten przykład z samolotem, gdyż jest bardzo ciekawy. Po pierwsze, jak czasem wchodzę do samolotu i jak drzwi są otwarte to z ciekawości spoglądam na te wszystkie urządzenia, które tam są w środku, i to mnie po prostu przeraża. Jest to ciekawa analogia, chociażby dlatego, że wiele dashboardów które widziałem w różnych firmach, metryki które tam są stosowane i ilość tych potencjalnych rzeczy, które mierzą jest zwykle aż tak duża, że to przeraża i zdajesz sobie sprawę, że ciężko jest to wszystko monitorować.

Też nie do końca wiadomo czemu, na przykład porównujemy “A” z “B”, a czemu na przykład nie ma “C”, albo dlaczego “A” jest lepsze niż “C”, i tak dalej. Jak zaczynasz zadawać te pytania, to zwykle osoby które patrzą na te metryki nie są w stanie tego wyjaśnić. Dość często jest też tak, że jak tych metryk jest za dużo to się patrzy w pierwszy dzień, kiedy ten dashboard został stworzony, a później już niekoniecznie, bo człowiek nie jest w stanie codziennie patrzeć na tak dużą ilość informacji. Tak się zastanawiam, jakie są najczęściej popełniane błędy przy definiowaniu KPI?

Jest tego naprawdę mnóstwo. Zasada powinna być taka, że KPI wychodzą bezpośrednio ze strategii firmy. Ja wiem, że to brzmi bardzo poważnie, lecz taka niestety jest prawda, i tutaj zahaczamy o temat strategii firmy, jej cele, misję i takich jakby ogólników na które my często nie zwracamy w ogóle uwagi. Jest jest dość potężny problem i to nie tylko w małych przedsiębiorstwach, ale nawet duże firmy potrafią sobie bardzo skomplikować życie nie wiedząc dokładnie w którym kierunku podążają. Używając terminologii typu: “naszym celem jest zadowolenie klienta”, albo “chcemy być liderem w naszej branży”. Przykłady można mnożyć, ponieważ każdy miał z tym do czynienia. Wystarczy, że poczytasz jakiekolwiek oferty o pracę to wiesz, że pracujesz w świetnym zespole. Dość często używa się takich słów za którymi nie ma żadnych konkretów i takie firmy bardzo często zaczynają popadać w problemy, bo jeżeli nie wiesz dokąd lecisz, to ciężko nadać sobie jakiś kierunek tego lotu. Cały czas na analoga tego samolotu tu się gdzieś przewija.

Taka jest prawda. Samolot ma tą przewagę, że po prostu on zanim wystartuje to wie dokąd leci. Można polecieć na około, można gdzieś tam zawinąć do innego portu po drodze, jednakże gdzieś jest ten cel ostateczny do którego każdy samolot zmierza, i z firmami, z organizacjami czy wielkimi przedsiębiorstwami jest w zasadzie tak samo. Część dużych firm ma świetnie określone strategie, wiedzą dokładnie gdzie zmierzają. Część, na przykład jeszcze cały czas krąży gdzieś tam wokół i próbuje sobie tam znaleźć jakieś miejsce do budowy lądowania. I problem właśnie z wieloma organizacjami jest taki, że nie wiedzą dokąd zmierzają. Teraz strategie powinny od razu dawać nam konkretne pytania, bez jeszcze wskazania koniecznie drogi. Czyli, na przykład w przyszłym roku celem firmy będzie zwiększenie ilości produktów, które przychodzą, Pierwszy próbny test na liniach produkcyjnych, dla przykładu niech to będzie o 20% lepiej, czyli powiedzmy na 1000 produktów zamiast 10 błędów chcemy mieć tylko jeden.

To jest konkretny cel i teraz do tego celu trzeba się jakoś zabrać, i jeżeli jest on już określony to w oparciu o to możemy zacząć tworzyć jakiś KPI, ale to jest długi proces. Natomiast masz rację jeżeli chodzi o ilości tych mierników KPI, które firmy na dzień dzisiejszy posiadają. 99% z nich i tak przeważnie nie jest używanych, jak nie więcej, bo ludzie się skupiają praktycznie na dwóch, trzech problemach, które są istotne. Kolejny problem, czyli jest za mało KPI. Należy to wyśrodkować, czyli znaleźć to optimum. Znowu wracamy do punktu wyjścia, czyli znowu wracamy do strategii. Ilość tych KPI, które faktycznie są potrzebne zależy od ilości tak zwanych inicjatyw, albo ilości tak zwanych projektów, które prowadzimy w firmie. Jeżeli ja produkuje 10 produktów, to muszę przemyśleć najpierw i stworzyć w oparciu o moją strategię rzeczy, które są dla mnie istotne. Zacząć je po prostu mierzyć. To może być, na przykład 5-6 KPI dla jednego produktu, 3 dla drugiego. Jeden jest w fazie testów, czyli potrzebuję trochę więcej, powiedzmy 10. Jednakże przeładowanie tymi informacjami do niczego nie prowadzi.

W porządku. Spróbujmy teraz to w pewnym sensie ustrukturyzować. Zastanawiam się jakie są kryteria, albo jakie kryteria powinien spełniać dobry KPI. Oczywiście, nasz mózg chce to wszystko o tyle uprościć, żeby było to zrozumiałe. Czy jest jakaś, tak zwana checklista, którą można sobie szybko przeglądnąć i sprawdzić okej, tu są moje KPI, tutaj są pytania na które mam odpowiedzieć, i jeżeli checklista jest poprawna to mogę przynajmniej poczuć, że te bazowe kryteria są spełnione i raczej nie popełnię podstawowych błędów. Czy masz taką checklistę?

U mnie to wygląda tak, że jeżeli tworzymy jakiś KPI, to na bardzo oficjalne forum bardzo oficjalnego dokumentu. To nie jest tak, że spotykamy się na godzinę i rozmawiamy o tym co by klient chciał mierzyć, bo oczywiście można coś takiego zrobić. Jest taka strona, która nazywa się “KPI Library” na której są dziesiątki tysięcy KPI. Można sobie tam powybierać co byś chciał zmierzyć. Są tam podane formuły, czy dostanę jakieś współczynniki, czy to są jakieś wartości absolutne, czy wartości finansowe. Po prostu dziesiątki tysięcy z różnych branż do wyboru, do koloru. Możesz sobie zaimplementować co tylko chcesz pod warunkiem, że masz dane pod to, lecz to jest wszystko takie chaotyczne z tego powodu, że możesz dostawać bardzo sprzeczne sygnały nawet z podobnych KPI.

Tu przykładem są call center. Call center jest o tyle ciekawą firmą, że bardzo dużo call center jest opartych na handling time (average handling time), czyli o średni czas rozmowy jaki się prowadzi z klientem. W zależności od tego, czy to jest serwis, czy to jest sprzedaż to ta sprzedaż powinna być krótka, ale efektywna. Przy serwisie też żeby to były krótkie rozmowy telefoniczne, żeby szybko rozwiązywać problemy klientów po to, aby obsługiwać jak największą ilość klientów. Są takie sytuacje w których, na przykład dostałem average handling time. Są też takie, w których się okazuje, że na przykład average handling time rośnie, ale gdzieś tam drugi współczynnik nam pokazuje, że przychody nam z tego powodu spadły. Trzeba wtedy drążyć temat.

Ja uważam, że KPI nie powinny być stosowane do mierzenia pojedynczych osób, czy w ogóle do oceny osób, jednak gdzieś tam jedna osoba, np. w naszym zespole nie była przez ostatnią godzinę w pracy i stąd nam wszystkie współczynniki spadły w dół. To jest taka bardzo prosta sytuacja, bo wiadomo gdzie szukać przyczyny, ale przy zespole rzędu kilkudziesięciu osób, i ilości kilkudziesięciu KPI dla tego call center można dostać tak sprzeczne sygnały, że w zasadzie nie wiadomo jakie decyzje podjąć. Jeżeli KPI się świeci na zielono, to wszystko jest zawsze w porządku, czyli nie ma na co zwracać uwagi. Gorzej jeżeli coś zaczyna się świecić na czerwono na tym dashboardzie i widzimy, że musimy podjąć jakieś decyzje. Nie zawsze musimy podejmować decyzje, ale sygnały są bardzo rzadkie, natomiast od razu jest ta reakcja – coś jest na czerwono, to od razu reagujemy. Najczęściej zaczyna się wtedy grzebanie w procesie, albo obwinianie ludzi którzy w zasadzie nie mają żadnego wpływu na to co się wydarzyło, ponieważ po prostu są źle stworzone KPI.

Ja mam taką checklistę. Jest to po prostu taki oficjalny dokument który my tworzymy zawsze z klientami w oparciu o metodologię “Pump”, Stacey Barr. Czytam tę książkę już po raz trzeci i za każdym razem się tam dowiaduję czegoś innego i zastosowanie tej checklisty to są bardzo ułatwiające życie sprawy.

Każdy KPI powinien mieć jakiegoś właściciela, tzn. ktoś musi być odpowiedzialny za KPI. Tak jak na początku wspomniałem, KPI powinien wychodzić ze samej strategii. Zacznę od wytłumaczenia, dlaczego ktoś powinien być za to odpowiedzialny. Jeżeli nikt nie jest odpowiedzialny za jakiś współczynnik, to w zasadzie nie ma źródła i nie wiadomo skąd pochodzi jakakolwiek zmiana. Jeżeli jest osoba która na bieżąco monitoruje ten współczynnik, ona zazwyczaj też wie co się stało. Dlaczego on spadł? Dlaczego on wzrósł ? Skąd nagłe skoki? Jeżeli nie ma tej osoby do kontaktu, to zazwyczaj wygląda to jak błądzenie. Szukamy kto może być odpowiedzialny za to, że coś się zmieniło.

Bardzo często to nie ma żadnego wpływu na procesy, na ludzi, ale sam ten czerwony kolor powoduje reakcję. W związku z tym każdy KPI powinien mieć swojego właściciela. Jeden właściciel może mieć kilka kilkanaście KPI, natomiast nie może być tak, że za KPI na podstawie którego my podejmujemy decyzje nie ma osoby decyzyjnej. Do tego definiujemy w takim dokumencie również formułę, czyli w jaki sposób my kalkulujemy dany KPI. Jeżeli to jest average handling time, to definiujemy to w ten sposób, że to jest średni czas, przeciętny czas rozmowy. Coraz częściej odchodzimy od tych średnich. Klientów ciężko jest przekonać. Próbujemy wchodzić w mediany, które nam w sposób bardziej rzeczywisty oddają te wyniki, jednakże to też jest dość długi temat.

Mamy tu zdefiniowaną formułę, definiujemy to na przykład z określoną częstotliwością, analizujemy te wyniki. Jeżeli to jest jakaś linia produkcyjna, która działa 24/7, to chcielibyśmy być na bieżąco informowani jeżeli są tam jakieś przestoje, a jeżeli to są rzeczy które dzieją się, na przykład dużo rzadziej, niech to będzie większy serwis ciężarówki lub autobusu, który się tam zdarza raz na dwa, trzy miesiące. Coś tam źle pójdzie i w tym momencie chcielibyśmy wiedzieć coś więcej. Ta frekwencja z jaką analizujemy te KPI też jest dość istotna. Następnym elementem jest w jaki sposób ogólnie patrzymy na KPI. Czy to są KPI taktyczne, czy operacyjne. Niektóre KPI są takie, że potrzebne są nam po prostu do celów operacyjnych. Taktyczne, które są oparte znowu o cele firmy, i też trzeba to w jakiś sposób ująć w tym dokumencie. Bardzo ważnym elementem są powiązania.

To jest jedna z kluczowych rzeczy w KPI, tzn. jak KPI są między sobą powiązane, czy ten przykład tego call center pokazuje, że jeżeli nie ma tego sprzężenia między różnymi elementami, między różnymi KPI to w zasadzie nie wiemy co ze sobą się łączy, i co na co może mieć wpływ, tzn. jeżeli jeden KPI pociągnie nam drugi w dół, to może być konsekwencja naturalna, natomiast jeżeli coś się dzieje w przeciwnych kierunkach i my nie wiemy dlaczego tak się dzieje, to trudno oczywiście odpowiedzieć na pytanie.

Tu masz znowu tą samą analogię, co do samolotu. Jeżeli gdzieś włączą się dwa alarmy to zazwyczaj piloci wiedzą, że nie działa nam przepływ paliwa i wyłączył się silnik. To może mieć związek z tymi i z tym, podejmujemy takie decyzje. Tak to powinno funkcjonować również w organizacjach, czyli złożenie się kilku zmian w KPI, czy w miernikach powinno dawać nam jasną odpowiedź co się dzieje, gdzie mamy szukać przyczyn i co mamy zrobić. Podsumowując, KPI służą nam do tego żeby podejmować lepsze decyzje, żeby nam łatwiej było prowadzić tę firmę do przodu, żeby dotrzeć do tego portu docelowego.

Kolejną rzeczą jest sposób w jaki będziemy prezentować te KPI i w jaki sposób będziemy reagować, czyli stricte wybór co będziemy mierzyć. Jeżeli to jest jakiś przedział czasowy to będziemy przedstawiali go w formie liniowej. Niech on będzie w cyklach tygodniowych. Pokazujemy każdy jeden punkt na tej linii, to jest tydzień i w tym momencie mam jasność w jaki sposób my to analizujemy, ale najważniejszą rzeczą jest w jaki sposób my będziemy reagować na zmiany, to znaczy jeżeli my nie wiemy co zrobić po tym jak jakiś KPI się zmieni, to w zasadzie jest nam niepotrzebny, a jeżeli idziemy na intuicję i próbujemy jakoś załagodzić sytuację i wyprowadzić ten KPI na prostą, to jest takie błądzenie po omacku. Każdy KPI powinien mieć jasno zdefiniowaną naszą reakcję, i tutaj znowu wchodzimy w temat AI, która w zasadzie takie coś potrafi robić. AI jest w stanie powiedzieć, jakie są scenariusze które możemy wykonać w momencie jeżeli nam się zmieni jakiś KPI.

Podoba mi się ta reguła, która jest jednocześnie bardzo zrozumiała i prosta, czyli jak możemy usuwać poszczególne KPI. Jeden z warunków jest taki, że jeżeli nie masz właściciela KPI, to możesz go spokojnie usunąć. To jest świetna rzecz, ponieważ jest bardzo prosta i jak masz dashboard, który jest rozciągnięty do 100 czy 200 metryk, to wystarczy zadać bardzo proste pytanie: jest właściciel? Nie ma, to usuwam. Ale z drugiej strony pomyślałem, jak często w firmach w sposób sztuczny można obejść to rozwiązanie. Fajnie byłoby zdefiniować kim jest właściciel, bo formalnie możemy przypisać kogokolwiek. Spodobało mi się pytanie, które tam zadałeś: jeżeli nie wiemy co mamy zrobić kiedy nastąpi X, to bez sensu mieć KPI. Spróbujmy zdefiniować kim jest właściciel KPI, co on powinien wiedzieć i jak powinien reagować. Jakie powinno być jego działanie?

To ja może opowiem w jaki sposób wygląda sam proces tworzenia KPI, bo na tym etapie jest wyłaniania osoba odpowiedzialna za to. Powiedzmy, że mamy jakąś firmę która produkuje telefony komórkowe, co teraz już w Polsce może jest mało spotykane, ale mamy za to dużo firm produkcyjnych. Właściciel takiej firmy ma jakiś cel strategiczny, niech to będzie właśnie poprawa jakości. Teraz pokaże Ci w jaki sposób z jednego prostego założenia strategicznego można stworzyć bardzo ciekawy KPI.

Przykład taki: chcę poprawić efektywność, czyli na tysiąc telefonów które schodzą z taśmy w przeciągu tygodnia maksymalnie mogą być dwa błędy. I teraz pojawia się pytanie z punktu widzenia właściciela firmy, w jaki sposób do tego dojdziemy, jak to osiągnąć.

Zakładamy, że nie mamy KPI, albo są całkowicie rozsypane. Musimy wiedzieć co ma wpływ na to, żeby osiągnąć dany cel, czyli potrzebujemy jakiegoś kierownika produkcji, który odpowiada za tą produkcję. Potrzebujemy jakiegoś serwisanta, na przykład sprzętu który działa na tej produkcji, czyli kogoś odpowiedzialnego za różne maszyny które tam funkcjonują. Dobrze by było też mieć jakiegoś księgowego, albo kogoś z działu finansów żeby wiedział czy to, że my chcemy osiągnąć jakiś dany cel przypadkiem nas nie wpędzi w jakieś problemy finansowe. Warto również mieć konsultanta, który to wszystko koordynuje. To są w zasadzie cztery osoby dla takiej initiative z angielskiego, to jest inicjatywa poprawy jakiejś jakości.

Następnie siadamy, analizujemy obecny proces produkcji i szukamy w jaki sposób możemy ten proces zmienić lub poprawić. Poszukać gdzie są aktualne przyczyny błędów i w jaki sposób możemy je poprawić. Każdy z tych ludzi wraca do swojego działu z powrotem i zaczyna się zastanawiać, najczęstszy problem jest taki że gdzieś tam jakaś śrubka jest źle naoliwiona, czyli możemy to spróbować poprawić. To są jakieś drobne ingerencje w ten proces produkcji. Odpowiedzialna osoba, lub kierownik produkcji widzi, na przykład że możemy inaczej ustawiać zespół. Tutaj godzinę więcej, tam mniej, tutaj przesuniemy, księgowa mówi: okej to wszystko się zgadza.

Wracają z powrotem, spotykają się po tygodniu analizy procesów i mówią: OK doszliśmy do tego wniosku, że możemy spróbować poprawić to z tej części, a to z tamtej, itp. Teraz na tym etapie zaczynamy tworzyć KPI. Ale nie tworzy tego właściciel, tylko tworzy to cały zespół. To jest taka zasadnicza różnica między tym, jak to funkcjonuje w większość organizacji na dzień dzisiejszy, a jak to powinno funkcjonować. Z angielskiego to się nazywa buy in, to znaczy jeżeli my inspirujemy nasz zespół do tego, żeby brał czynny udział w tworzeniu tych metryk, to oni się przestają ich bać, bo jeżeli szef na ciebie nałoży KPI i Ci powie: słuchaj, Ty musisz poprawić teraz efektywność o tyle procent, siadaj i rób to, to w tym momencie ja bym się czuł troszkę wystraszony całą tą sytuacją.

Dla Ciebie proces produkcyjny działa dobrze. Tam taka ilość błędów jest akceptowalna. Ale jeżeli ja jestem wbudowany w zespół, który ma tworzyć metrykę jak ja sam za tą metrykę później będę odpowiedzialny, to w tym momencie zupełnie jest inne podejście psychologiczne tego zespołu do samych metryk. To jest fajna inicjatywa, chcemy to poprawić, ja bym proponował, na przykład żeby to zmierzyć w ten i w ten sposób, czyli na przykład będziemy wymieniać częściej tę śrubkę, która nie działa w tej maszynie i zobaczymy czy przypadkiem po tygodniu poprawi nam się ta jakość tych Ilości telefonów, które przechodzą i czy nie spada ilość błędnych urządzeń, które nam wychodzą poza linię produkcyjną. To co się dzieje, to w tym momencie jest jakby odwróceniem całej sytuacji. Czyli księgowa widzi, żę skoro poprawiamy produkcję, to w tym momencie ja muszę zobaczyć jak wygląda stan naszych finansów. W takim przypadku zaczynamy tworzyć jakiś KPI wspólnie jako zespół. Dla księgowej niech to będzie, na przykład jak się zachowują koszty materiałowe, jak się zachowują koszty serwisowania, czyli czy nam to za bardzo będzie obciążało koszty, czy damy radę to pociągnąć, czy jednak to będzie za dużo i będziemy musieli się z tego wycofać.

Warto też zauważyć, że każda inicjatywa jest sukcesem. Ostatnio oglądałem statystyki z projektów IT, to skuteczność dobrych wdrożeń jest na dzień dzisiejszy na poziomie około 35%, co raczej nie jest jakimś rewelacyjnym wynikiem, ale mówimy tu o infrastrukturze, o metodologiach, o czymkolwiek. Skuteczność jest na poziomie jednej trzeciej. Tak to niestety funkcjonuje. Niekoniecznie to zawsze muszą być sukcesy, ale to co jest ważne to jest to, że my jesteśmy to w stanie zmierzyć. Kierownik produkcji niech zajmuje się załogą, on ustawia załogi inaczej wyjaśni, że może spróbujemy w jaki sposób poprawić ustawienie czegoś tam, żeby po prostu coś co może mieć wpływ na to, że ta jakość jednak wychodzi lepsza po tych kilku tygodniach od wdrożenia takich KPI.

Można to też zrobić na szybko. Tak, jak mówiłem ściągnąć sobie z KPI Library jakieś KPI i zacząć je stosować. Natomiast nie ma tutaj tego wyjścia ze strategii i przejścia w faktyczne działanie. Po tych kilku tygodniach jeżeli oni się spotkali, dopięli to wszystko, zrobili ten dokument sprawdzający, czyli wiemy że kierownik produkcji jest odpowiedzialny za ten KPI, który jest odpowiedzialny za pracowników, za systemy zmian, za załogę, serwisant urządzeń jest odpowiedzialny za to żeby mierzyć w jaki sposób które elementy najczęściej się psują, które możemy najczęściej wymieniać a nie wpływają tak bardzo na koszty, księgowa to sprawdza pod względem kosztowym, to w tym momencie mamy stworzonych przynajmniej 6 do 10 KPI, i tyle w zupełności wystarczy po to, żeby ta jedna inicjatywa, czyli ten projekt podwyższenia tej jakości miał ręce i nogi, żeby go zacząć mierzyć.

Wtedy ruszamy z tym tematem, i w tym momencie można spokojnie wprowadzić te zmiany i zacząć to mierzyć. Po około 7 cyklach powinniśmy już widzieć pierwsze oznaki czy to działa, czy nie. Ze statystyki wynika, że są takie wykresy XMR, które pozwalają nam bardzo dokładnie zmierzyć przy minimalnej ilości 7 danych w którą stronę będziemy zmierzać z naszym pomysłem i czy ma on sens na realizację, i czy nam się przypadkiem ta jakość nie pogorszy. Miejmy nadzieję, że nie.

Jednak czy nam się poprawia to jakość i w jakim stopniu. KPI może mieć 3 kierunki. Może coś poprawić, coś pogorszyć, a może się w ogóle nie zmieniać. Jeżeli się nic nie zmienia, to w takim momencie możemy to zostawić tak, jak jest. Jeżeli KPI leci w przeciwną stronę niż byśmy chcieli to znaczy, że coś robimy źle, więc wracamy do starych rzeczy, próbujemy coś nowego, a jeżeli coś się poprawia to wtedy KPI do momentu aż nie osiągniemy naszego zamierzonego celu staje się takim projektowym, strategicznym KPI, a potem już wpada w operacyjność, czyli na bieżący dashboard.

Jest to proces, który może trwa trochę dłużej niż dzień, bo można w zasadzie KPI stworzyć w dzień, natomiast on uczy organizacje takiego zupełnie innego podejścia do tematu, czyli takiego podejścia, w którym ludzie się nie boją. Sami chętnie są mierzeni, sami się sprawdzają pod tym względem i widzą ten cel. To jest taka bardziej załoga tego samolotu, która widzi ten cel przed sobą i wszyscy wiedzą gdzie lecimy i wszyscy razem działają po to żeby ten cel osiągnąć.

Kolejna dobra praktyka, że top manager, albo prezes, albo ktokolwiek nie powinien samodzielnie definiować KPI. Przedstawiłeś w sumie dwa wątki. Pierwszy wątek psychologiczny, a drugi wątek – brak wiedzy w poszczególnych obszarach. Pierwszy wątek psychologiczny polega na tym, że jeżeli narzucasz swoim pracownikom co mają robić, to oni nie czują że to ich dzieło, tylko to jest dzieło ich szefa i znacznie mniej się angażują, bo to nie jest ich.

Druga sprawa kiedy to wychodzi od pracownika, on czuje – „to jest kawałek mnie być może to jest ta mała śrubka, że tą śrubkę ja wymyśliłem, ja mierzę tą śrubkę”. To jest zupełnie inne zaangażowanie. Naturalnie jest, że szefostwo tak naprawdę nie zdaje sobie sprawy co się dzieje dwa poziomy (czy nawet jeden) niżej, bo tego jest zbyt dużo, aby wszystko to prześledzić i znacznie lepiej próbować tą informacje wyciągać od ludzi którzy wprost wykonują tę pracę.

Zastanawiam się teraz tak: załóżmy że jest serwisant który zna się na swojej pracy i teraz my przychodzimy do niego i mówimy: wiesz co, wymyśl mi teraz jakieś KPI żeby coś tam poprawić. Jeżeli on nigdy tego nie robił, to będzie miał pewne trudności i to się sprowadza do tego, że prawdopodobnie ludzie którzy są zaangażowani w proces, czy ten zespół który będzie zaangażowany w proces tworzenia KPI musi posiadać pewne umiejętności. Czy jesteśmy w stanie w jakiś sposób określić jakie to powinny być umiejętności i jak te umiejętności najłatwiej zdobyć, metodą prób i błędów czy jeszcze inaczej?

W zasadzie to nie wymaga jakiejś wiedzy o budowie rakiet. Tak naprawdę, to jest praca którą on wykonuje na co dzień. Jeśli na co dzień serwisuje dane urządzenie i to jest taki przykład, którego może nie widać bo to wszystko dzieje się z tyłu. Najczęściej to są wszystko systemy informatyczne, które gdzieś to tam z tyłu zliczają. To znaczy jeżeli ten serwisant, na przykład nawet nie musi tego mierzyć. On tylko dostaje wyniki. Jedyna jego rola to jest taka, że on wie co się stało, to znaczy ja wymieniłem śrubkę, na przykład 5 razy w ciągu tego tygodnia i z tego powodu mieliśmy dużo więcej zamówień. Powodów może być tysiące, lecz jak ma on fachową wiedzę której właśnie brakuje menadżerom. Odpowiedzialność za KPI to jest umiejętność odpowiedzenia na pytanie, co się stało jeżeli ten KPI idzie w dół. Wtedy on znowu wraca do tej maszyny, naprawia coś i na pytanie dlaczego ten KPI spadł on jest stanie odpowiedzieć, np. 6 razy nam się w tym tygodniu zepsuła ta śrubka i od razu wiadomo co się dzieje. Co innego, jeżeli przychodzi manager i on nie wie o tym, że to jest akurat istotna rzecz i on narzuca mu KPI, który nie jest związany z tą śrubką, która jest taka istotna tylko jest, na przykład związana z tym, że urządzenie musi działać, albo jakieś takie ogólnie rzucone że coś musi być zrealizowane i koniec.

W tym momencie ten serwisant niechętnie już podchodzi do czegoś takiego. Odwrócenie tych ról jest tutaj bardzo istotne i do tego nie potrzeba żadnej specjalnej wiedzy. Po prostu on jest przy tym, w tym całym zespole jako taki element, który ma tą wiedzę znaną tylko po prostu sobie, tylko w tej konkretnej części firmy. Ta jego wiedza służy temu, aby zdefiniować gdzie my możemy mieć te problemy z tym sprzętem. On wie dokładnie gdzie te problemy są. Bardzo często jest tak, że oni się po prostu angażują. W zespołach które się tworzy do tworzenia KPI to, na przykład w zespołach związanych z telemarketingiem to są telemarketerzy i oni inaczej zaczynają podchodzić w momencie jeżeli wiedzą, że ten average handling time już przestaje być KPI, bo tak bardzo często zaczynamy robić.

Jeszcze taka historia dotycząca call center. Bardzo często jest tak, że premie czy jakieś dodatki w firmach związanych z call center są uzależnione właśnie od takich KPI. I te KPI są bardzo uwłaczające, tzn. bardzo robotyzują człowieka, czyli tyle musisz mieć wydzwonionych rozmów w ciągu dnia, taka musi być średnia i koniec. Czyli to, co coraz częściej zaczyna się i dziać, tzn. jeżeli zaczynamy angażować tych telemarketerów w definiowaniu swoich KPI, w jaki sposób oni by chcieli być mierzeni, to się okazuje, że bardziej wolą być traktowani jako kolektyw czyli jako zespół. W zasadzie oni pracują bardzo często jako zespół. Tego może nie widać, bo każdy dzwoni, ale kiedy my przestaniemy patrzeć na pojedynczego marketera, który akurat ma kiepski dzień, bo dziecko mu zachorowało, bo coś tam się złego wydarzyło, a drugi ma świetny dzień i on idzie jak maszyna po tych telefonach, i po prostu i ma świetny humor, wszystko dobrze działa, jednak zmienia się sytuacja, na przykład za tydzień to nie możemy raz ganiać tego, raz drugiego z tego powodu, że ktoś ma jakiś słabszy lub lepszy dzień.

Tutaj zaczynają wychodzić kolektywne KPI czyli, na przykład mediana rozmów dla całego zespołu kilkuosobowego. W tym momencie nie pojedynczy człowiek który ma słabszy dzień, nie czuję na sobie takiej presji, że ma słabszy dzień. za tydzień będzie 100 razy lepiej. Takie zaangażowanie od samego dołu w to wszystko powoduje, że te KPI nabierają sensu, ale po prostu zupełnie coś innego pokazują. Zupełnie jakby ten zespół czuł się bardziej zmotywowany, bo w tym momencie jak widzisz, że zespół działa dobrze i zespołowi poprawiają się czasy, poprawia się sprzedaż, i tym podobne, to w tym momencie sytuacja całej firmy też jest zupełnie inna.

Przeanalizujmy sobie to pytanie na temat KPI i mierzenia pracy ludzi w zespole. Wspomniałeś, że definiowanie KPI za pierwszym razem to ciężki proces, który trzeba dobierać. Załóżmy, że udało się nam osiągnąć taki pewien stan idealny, załóżmy że on istnieje. Natomiast co się dzieje dalej? Ta rzeczywistość non stop się zmienia i to, że dzisiaj mamy ten stan idealny, czyli patrzymy na te metryki, które faktycznie są najważniejsze i wprost wskazują to co trzeba zrobić, to “jutro” już niekoniecznie te metryki są najważniejsze, i pytanie jak to pielęgnować? Kto jest odpowiedzialny? Jak wykrywać, albo jak być krok przed, zanim wydarzy się coś dziwnego, strasznego i tak dalej.

Mam nadzieję, że to nie będzie nic strasznego, tym bardziej jeżeli wszystkie metryki działają poprawnie i cały dashboard się świeci na zielono, albo w ogóle się nie świeci, tak jak w przypadku samolotów, to jest wszystko w porządku. Jeżeli coś zaczyna się dziać źle, to oczywiście musimy reagować. KPI podlegają lifecycle, czyli takiemu samemu procesowi życia, jak wszystko co jest związane z branżą IT. Także sprzęt się zużywa, a oprogramowanie staje się stare i KPI też zaczynają się starzeć. Jeśli my zmieniamy dramatycznie proces produkcji, jeżeli nasz system serwisu, na przykład się całkowicie zmienia, to w tym momencie my musimy wrócić do wyjścia a to, jak te KPI nam pomagają, to wtedy to przejście w tych procesach jest dużo łatwiejsze, bo już mamy jakby wgrane w organizację sposoby tworzenia tych KPI i nie powinno być problemu z tym żeby stworzyć jakieś nowe KPI dla konkretnych procesów.

Natomiast tu nie ma żadnej litości, że będziemy monitorowali coś do samego upadku. Najczęściej to wynika ze zmian w samej organizacji. Czy to będzie, na przykład co w dużych organizacjach się zdarza, czyli manager acquisitions, kiedy bardzo dużo jest kupowanych, na przykład tartaków, lub firm które mają jakieś technologie. I teraz największym problemem jest zintegrowanie tego z firmą matką, czyli stworzenie takich warunków, żeby po pierwsze można było się dogadywać na tym samym poziomie, czyli jeżeli mamy jakąś kulturę korporacyjną i mamy jakąś metodologię do mierzenia KPI, ale kiedy ta firma którą przyjmujemy jej w ogóle nie ma, to przelewamy to dalej, próbujemy to implementować dalej. To jest bardzo często powód, na przykład jeżeli kupujemy nowe technologie, są firmy które mają nowe technologie, to te z których będziemy rezygnować, pójdą tak samo w odstawkę, jak na przykład stare serwery. Przejście jest zazwyczaj dużo łatwiejsze jeżeli już mamy KPI wcześniej zdefiniowanie i wiemy jak to robić na następnych przykładach.

Wróćmy do tego tematu z mierzeniem efektywności ludzi, zespołów, pracowników. Z jednej strony, kiedy jesteś na pozycji menedżerskiej to znacznie łatwiej jest zobaczyć jakąś jedną liczbę na dashboardzie i stwierdzić, że ten człowiek działa źle, ten człowiek działa dobrze, ale w gruncie rzeczy to bardzo spłaszcza rozumienie co tak naprawdę się dzieje i czy ten człowiek naprawdę wnosi wartość dodaną, czy nie. Przedstaw swoją wizję. Jak należy do tego podchodzić, albo też przy okazji jak na pewno nie należy do tego podchodzić.

Może najpierw wyjdę z takiego punktu samych metryk, to znaczy ja nigdy nie wierzę osobie, która pokazuje mi jedną liczbę. Liczba sama w sobie nie ma żadnego znaczenia, jeżeli nie ma do niej żadnego kontekstu, to znaczy jeżeli ktoś mi powie: ten pracownik, na przykład ma średni czas dzwonienia poniżej zespołu, to trudno. Może ma kiepski tydzień, może wrócił z urlopu, może się wybiera na urlop. Powodów może być tysiące, może mu sprzęt nie działa i się nie chce do tego przyznać, bo też takie sytuacje miały miejsce. Tu nie chodzi o to, żeby patrzeć na jedną liczbę. Tu chodzi bardziej o kontekst liczbowy. To jest jedna sprawa. Czyli jedna liczba nic mi nie mówi. Od tego zawsze staram się klientów przestrzec, żeby nie patrzyli tylko na jedną liczbę, bo jedna liczba nie opowiada żadnej historii. To może być cokolwiek. Liczba “pi” też nie opowiada żadnej historii. Dopiero jak już zaczniemy ją stosować w równaniach, to w tym momencie dopiero widzimy, że to faktycznie ma zastosowanie.

Tak samo jest z wynikami finansowymi. Bardzo często jest tak, że się porównuje na przykład jakieś dwa podobne okresy i to jest taka pułapka psychologiczna. W zasadzie nie spotkałem się z firmą, która tego nie robi. Na przykład wynik finansowy za zeszły miesiąc porównujemy do wyniku finansowego z tego samego miesiąca rok wcześniej i określamy czy to jest dobre, czy idziemy w dobrym kierunku, czy złym. Bardzo dużo ludzi by stwierdziło: ok, skoro liczba od zeszłego roku jest większa to mamy lepszy wynik finansowy niż w zeszłym roku i wszystko jest w porządku. Pytanie zasadnicze, które się powinno postawić w takim momencie to jest, czy zeszły rok był normalny? To znaczy co się wydarzyło, że w zeszłym roku była taka liczba, a teraz mamy taką liczbę, taki wynik i teraz dopiero zaczynamy zadawać sobie w zasadzie najważniejsze pytanie. Załóżmy, że w zeszłym roku był kryzys gospodarczy. W tym roku wychodzimy z kryzysu gospodarczego. To że nam wzrosła sprzedaż to może być naturalną konsekwencją jakiegoś czynnika, a może się okazać po prostu, że sprzedaż nam wzrosła z tego powodu, że sprzedaliśmy jakieś aktywa w przedsiębiorstwie i mieliśmy lepszy miesiąc.

W tym roku mam jeszcze lepszy miesiąc, ale w zasadzie sytuacja w firmie się w ogóle nie poprawia. Z punktu widzenia liczbowego to jest bardzo ważne żeby mieć ten kontekst i umiejętnie korzystać z tego kontekstu, bo bardzo łatwo się pogubić, porównywać liczby które nie mają ze sobą związku. Ostatnio czytałem, że ktoś wyliczył, że w “Gwiezdnych Wojnach” w zasadzie większość bohaterów miało nadwagę. Są różne rzeczy którymi ludzie się zajmują. To wynika z dwóch, totalnie zbieżnych pomiarów i nagle wychodzą jakieś wnioski, które w ogóle nie mają sensu. Czy piraci spowodowali globalne ocieplenie? Sprzężenie ze sobą dwóch liczb, które nie mają sensu może dawać wnioski, które mogą brzmieć totalnie dziwacznie, ale z punktu widzenia liczbowego mogą mieć sens. To jest sprawa stricte liczb. Jeżeli mówimy o patrzeniu na jedną liczbę, i teraz pytanie było jaki jest problem z ocenianiem tych ludzi. Ludzie nie lubią być oceniani i menedżerowie wyższego szczebla, czy nawet średniego szczebla mają o tyle problem, że te liczby które oni otrzymują nie przestawiają tych historii która za tym wszystkim stoi.

Dostajesz suchy fakt, że ktoś źle pracuje, koniec. Nie ma za tym żadnego backgroundu, nie ma tej historii, że przez ostatnie, na przykład 10 lat ten pracownik był przodowy i właśnie on całą produkcję pchał do przodu i wszystkich próbował zmotywować. Przy małych firmach to jeszcze łatwo dostrzec, jednak jeżeli firma ta ma powiedzmy około 1000 ludzi, to ciężko tą jedną osobę znaleźć, ale sam fakt że ten KPI wpada w czerwono to już może być problem. To zaczyna prowadzić do tego, że jeśli KPI jest źle zdefiniowany, to zaczynamy nim manipulować. To jest bardzo często przyczyną, czy to w call center wiszenie na telefonie, bezsensowne gadki. To są takie niskokosztowe problemy. Z takich bardzo drogich historii, to mogę Ci powiedzieć taką, która miała miejsce jeszcze jak miałem projekt za granicą w Anglii.

Sytuacja była taka, że był pewien magazyn razem z linią produkcyjną i przyszedł manager, wprowadził swoje KPI zaczął mierzyć wyniki finansowe. Od nowa wszystko sprawdzał, zrobił taki controlling firmy i okazało się, że mają zbyt dużo wirtualnego materiału, zbyt dużo wirtualnych produktów, czyli gdzieś tam w komputerze po prostu jest powiedzmy 10000 produktów, a w rzeczywistości na magazynie stoi 1000. Stwierdził on, że ktoś kradnie, więc zainwestowali w ogromne ogrodzenia, monitoring, postawili strażników. Minął rok i powtórzyła się identyczna sytuacja, czyli mimo tego, że postawili jakiś wielki płot, mimo tego, że zatrudnili ochroniarzy, kamery i wszystko, to dalej gdzieś ten towar znikał. Towaru fizycznie nie ma, a w komputerze go mamy miliony.

I przyszedł trzeci manager, bo oczywiście tego drugiego zwolnili. Był to taki facet, który naprawdę ogarniał temat i sprawdził jeszcze raz jak wygląda cały proces produkcji. Rozebrał go na części pierwsze, sprawdził KPI po jakich oni są oceniani (oczywiście KPI się nie zmieniały, bo nikt na to za bardzo nie zwracał uwagi), i okazało się, że ogromny przyrost wirtualnego towaru miał miejsce zawsze pod koniec miesiąca, kiedy pracownicy byli oceniani na linii produkcyjnej za wydajność, czyli za ilość produktów które oni byli w stanie stworzyć. I myk jaki oni sobie wymyśli był taki, że oni gotowe produkty rozkładali na części pierwsze, ładowali je znowu na linię produkcyjną i znowu wkładali po to, żeby te KPI podciągnąć w górę, aby pod koniec tygodnia czy miesiąca spełniać te swoje normy znowu to wystawiali na dwór. W końcu doszli do tego przez analizę procesu produkcyjnego.

To, że ty masz KPI to jest jedna rzecz, ale jeżeli Twój KPI nie działa, albo działa i coś się dzieje źle z firmą, nie potrafisz znaleźć tego problemu, to zazwyczaj po prostu ktoś manipuluje KPI. Polacy są mistrzami w kombinowaniu, przez co bardzo często jest tak, że w firmach ludzie w ten sposób podbijają sobie statystki pod koniec miesiąca. Tak to funkcjonuje. Każdy chciałby mieć bonus na koniec miesiąca, więc nic w tym dziwnego. Bardzo dobrze jest zawsze wszystko dokładnie przeanalizować. Swego czasu miałem taki projekt w Szwajcarii, dla szwajcarskiej firmy gdzie też zauważyliśmy bardzo szybko rosnące koszty serwerów komputerów wirtualnych. To był analiza całego Azure. Stworzyliśmy dashboard w którym zaczęliśmy analizować dlaczego te koszty są takie duże i się okazało, że wszyscy użytkownicy którzy korzystali z wirtualnych maszyn czy gdzieś tam się wirtualnie łączyli, to zawsze w piątek był taki ogromny peak, czyli po prostu ludzie jak przychodzili do pracy to w ciągu tygodnia te wirtualne maszyny rozłączali, ale w piątek kiedy każdy szedł do domu, tak wszyscy nie wyłączali tych maszyn, co skutkowało ogromnym peakiem kosztowym który się pojawiał w weekend kiedy nikogo nie ma w biurach. Po prostu się nie wyłączali. To są dość skomplikowane rzeczy, bo to trzeba naprawdę szukać, patrzeć na te dane pod różnym kątem. Wstępnie analizowaliśmy najpierw dzień po dniu i tego peaku nie było widać, tzn. było widać te peaki, aczkolwiek na przestrzeni kilku miesięcy to one gdzieś tam się gubiły. Dopiero analiza dni tygodnia pozwoliła nam faktycznie stwierdzić skąd te koszty się w zasadzie biorą.

Spróbujmy teraz połączyć dwa tematy. Pierwszy to manipulacja, a drugi to wizualizacja. Zaczęliśmy od tego, że zapytałem czy wizualizacja jest językiem, w skrócie – tak. Jak bardzo możemy manipulować przy pomocy wizualizacji? Teraz mam na myśli manipulację świadomą lub nieświadomą.

Akurat trwa konkurs smarterpoland.pl. Polecam tę stronę. Jest tam prowadzony coroczny konkurs na najgorsze wykresy jakie w Polsce, czy nawet na świecie zostały wyprodukowane. Genialny pomysł. Można się przekonać w jaki sposób bardzo łatwo manipulować danymi. Na pierwszym miejscu bodajże jest chyba historia z TVNu, gdzie oni pokazywali w jaki sposób dramatycznie rośnie zachorowanie na odrę w Polsce i wszystko fajnie, tylko ten wykres pokazuje wzrost co 2 lata. Czyli 2010, 2012, 2014 i 2016.

Całkowicie pominęli te lata nieparzyste, lata wcześniejsze, czyli te ostatnie 15 lat. Pokazali tylko taki skrawek tej całej informacji. I okazuje się, że to też tak nie wygląda źle, bo lata są raz “grubsze”, raz “chudsze” jeżeli chodzi właśnie o zachorowania, ale nie ma żadnego trendu wzrostowego, nie wiem czy w ogóle istnieje tam jakiś trend, czy to nie jest po prostu płaska linia jakby połączyć te 15 lat. Utrzymuje się to na razie na podobnym poziomie, także nie ma żadnego alertu, natomiast jeżeli ktoś ogląda taki wykres, to może się czuć przerażony tym, że rośnie lawinowo zachorowanie, co nie jest prawdą.

Sposobów manipulacji są tysiące. W jaki sposób można oszukać ludzkie oko wykresem. W literaturze generalnie istnieje coś takiego jak “Live Factor”, czyli współczynnik okłamania, który istnieje na danym wykresie. To jest bardzo łatwo policzyć, to znaczy kto kiedykolwiek widział sondaż przedwyborczy to wiadomo, że partia która przewodzi, albo partia która goni zawsze ma jakąś niesamowicie dużą przewagę nad tą kolejną partią. Obojętnie kto akurat jest przy władzy. Po prostu zawsze jest ta sama historia, i teraz bierzemy na przykład, że lider ma 50%, a drugi ma 25%, ale się okazuje że ta linia tych 50% jest 3 razy dłuższa od tego przeciwnika, czyli de facto mamy tutaj pokazane, że ta przewaga jest tak ogromna, że się w głowie nie mieści.

W rzeczywistości to ona jest on jeden rząd wyższa, a nie o 4 – 5, bo w tym momencie przekroczylibyśmy o 200% osób, które są uprawnione do głosowania. Trzeba bardzo na to uważać. Trzeba uważać przede wszystkim na skale, trzeba uważać na to w jaki sposób są osie przedstawione, w jaki sposób dane są pogrupowane, bo na przykład w tym roku czy w zeszłym było tak, że dane są pogrupowane, pokazany jest rok 2012, 2013, 2014, 2015, a potem 2016 i 2018 razem wzięte. Oczywiście, że ta ostatnia kolumna będzie najwyższa bo to są trzy lata skumulowane razem do jednej kolumny i efekt będzie końcowy taki, że ten cel zostanie osiągnięty, czyli ta osoba która czyta to będzie zmanipulowana.

Jeżeli ktoś nie zwraca na to uwagi, i sam wspomniałeś o tym że ktoś robi to nieświadomie to wynika z tego, że ludzie jeszcze mają dość słabą wiedzę na temat efektywnej wizualizacji. Mam tutaj na myśli dobór wykresów, o tym w jaki sposób prezentować te dane, czy to tekstowe, bo tekstowe też są bardzo ciężkie do przedstawienia, aczkolwiek są takie podstawowe reguły, jest mnóstwo książek na ten temat w jaki sposób efektywnie przedstawiać dane. Są blogi prowadzone na ten temat, skuteczne raporty, na przykład które bym polecał. Bardzo fajnie kolega opowiadał właśnie o tym w jaki sposób tworzyć wizualizacje. Tych ludzi jest coraz więcej. Widać, że duże organizacje, nawet te polskie coraz śmielej sobie radzą, ale to jeszcze na razie kropla w morzu potrzeb. To jest na razie takie nieświadome, przez co ta wiedza będzie coraz lepsza i efekty będą coraz lepsze. Drugim jednak, tym większym problemem to jest świadome manipulowanie. Tutaj jedynie trzeba mieć tą podstawową wiedzę, albo przynajmniej orientować się żeby można było w jakiś sposób zareagować. Jaki to ma wpływ na ludzi? Ogromny.

Podam przykład z najbardziej znanych wizualizacji. To jest sytuacja w której był Londyn, to było bodajże w XVIII czy XIX wieku. Zapanowała cholera i teraz nie mówię tutaj o jakimś kłamstwie, tylko o tym w jaki sposób to był problem dla ludzi, bo nie wiadomo skąd, nagle w środku miasta pojawiła się choroba. Ludzie zaczęli umierać i nikt nie potrafił znaleźć przyczyny co się stało. I był taki lekarz, który w zasadzie pierwszy raz stworzył taką mapę graficzną na której zaczął zaznaczać gdzie znaleziono osoby martwe i zarażone tą cholerą, i naniósł to na mapę. Każda osoba, która zmarła była punktem na mapie w którym miejscu ją znaleziono. Przez tę iterację, przez dodanie tych wszystkich punktów znalazł źródło tej cholery. Była to skażona studnia. Teraz przez bardzo długi okres nawet po tym jak on to opublikował i powiedział: słuchajcie tu jest ten problem, to nikt nie chciał uwierzyć, że faktycznie takie coś może mieć miejsce, skutkiem czego niestety choroba zabrała jeszcze dobrych kilkanaście osób, dopóki ktoś się faktycznie tym zainteresował. Siła z jaką wykresy mogą działać na ludzi jest ogromna. Czy będą przekonywani w jedną czy w drugą stronę ma ogromne znaczenie, stąd właśnie takie duże manipulacje danymi przy sondażach przedwyborczych.

Czy jeżeli ktoś chce, na przykład zwrócić naszą uwagę na jakiś problem, niech to będzie globalne ocieplenie, niech to będzie cokolwiek, to po prostu nie wnikając teraz jakie tam są faktycznie skutki czy przyczyny danych zjawisk, musimy po prostu wiedzieć w jaki sposób te dane są prezentowane i czy one faktycznie są takie, jakie są. To jest bardzo trudne, bo przeciętny człowiek który ogląda telewizję i zobaczy, że na jakimś wykresie coś tam lawinowo rośnie w górę, to może poczuć lęk, natomiast dane które są jakby z tyłu przetwarzane, albo braki w tych danych, bo to też jest bardzo częsty problem, że ludzie dorabiają sobie dane do tego, czego im brakuje powodują, że sytuacja jest zupełnie inna i zmierza w zupełnie innym kierunku. Jeżeli ktoś ma dostęp do telewizji to ciężko przedstawić mu alternatywę, bo trzeba by było mieć bardziej wgląd na takie bloki, czy po prostu osoby, które się tym zajmują na co dzień i debuguje te wykresy.

Taka prosta reguła, że warto być po pierwsze ostrożnym, w szczególności wtedy kiedy wyciągamy jakąś tam decyzję, i być może warto się zastanawiać komu taka decyzja w tej chwili najbardziej by się opłacała i to jakoś tam połączyć.

Spróbujmy teraz w takim razie przejść do tego tematu, że człowiek jest dość często subiektywny, bo ma jakieś tam swoje doświadczenie. I jeżeli zapytamy różnych ludzi o różne opinie, dostaniemy tyle samo opinii, lub nawet o jedną więcej. Teraz z pomocą przychodzi dość ciekawa inicjatywa. Co jeżeli wykorzystamy sztuczną inteligencję albo uczenie maszynowe do tego żeby dobierać KPI, i jak widzisz te zmiany w obecnych czasach. Czy to pójdzie w tym kierunku?

Pójdzie, jednak opór w naszym środowisku jest olbrzymi. Niestety, cały czas słychać o tych apokaliptycznych wersjach AI, z czym ja się całkowicie nie zgadzam. Po prostu sytuacja jest zupełnie inna, niż ludzie którzy się tego obawiają. AI i KPI bardzo zaczynają ze sobą współpracować, to znaczy obydwie technologie, obydwie myśli widać, że idą w tym samym kierunku. Bardzo często jest wykorzystywany machine learning, czy AI w decyzjach (decision tree), czyli wyciągnięcie z procesu decyzyjnego człowieka pozwala na to, że najprawdopodobniej podejmiemy właściwą decyzję. Gdzieś ten błąd ludzki zawsze się będzie wkradał jeżeli, na przykład mamy jednego KPI i mamy nawet w naszym sheet ustalone, że jeżeli on się zachowuje w ten z sposób, to reakcja powinna być taka, to przy bardzo skomplikowanych systemach, albo przy bardziej skomplikowanych organizacjach gdzie mamy powiedzmy 40 różnych projektów w różnych fazach, niektóre się rozwijają, niektóre słabo działają, niektóre praktycznie powinny trafić do kosza, gdzieś te sentymenty oraz ludzkie błędy się zaczynają pojawiać.

AI w całym tym procesie bardzo ułatwia sytuację. Czyli jeżeli mamy model tak zaprogramowany żeby wybrać najlepszą opcję dla nas przy założeniu pewnych parametrów, to wyeliminowanie tego czynnika ludzkiego, właśnie tych emocji które są związane z projektem bo niestety, ale często jest tak, że jeżeli top manager ma jakiś swój pomysł na jakiś produkt i próbuje nie zważywszy na nic go wdrażać mimo tego, że jest nieopłacalny i widać, że do niczego nie zmierza, to ta sztuczna inteligencja nam bardzo w tym pomaga, bo od razu widać, że tu nie ma tego czynnika emocjonalnego, który gdzieś tam potem zaważy na finansach firmy, czy na samej organizacji, bo ludzie potem bardzo dziwnie patrzą jeżeli widać, że pieniądze są tracone, a jednak cały czas inwestowane. Po tych procesach decyzyjnych przy KPI, AI jest i będzie w przyszłości naprawdę niesamowitym narzędziem, które będzie bardzo wspomagało te całe procesy.

Też tak myślę. Jest taki jeden przykład, który mnie dość mocno osobiście też inspiruje. Przykład z życia wzięty ze Spotify. Też pytałem o definicję KPI i powiedziałeś taką jedną ciekawą rzecz: o ile ważna jest relacja między KPI a AI, to tutaj podam przykład do czego dążę. Załóżmy, że jest sobie takie Spotify i biznesowo im zależy na tym, żeby ich klient kontynuował subskrypcję. Tylko pytanie, co mierzy tak naprawdę? Na przykład czy jeżeli ten klient słucha piosenkę w tym dniu o 10 sekund dłużej albo krócej, albo jeżeli dwa razy częściej wszedł, albo dwa razy mniej wszedł w tym dniu, czy to znaczy że on zrezygnuje, czy nie. I to nie jest aż tak jednoznaczne.

Są pewne czynniki, które są bardziej zrozumiałe, a są czynniki które są mniej zrozumiałe, i to co oni zrobili i co mnie zainspirowało (potem jeszcze rozmawiałem z osobą, która to wdraża), było tak, że oni próbowali robić klasyfikację, zwykłą klasyfikację binarną czy klient zapłaci w przyszłym miesiącu i następnie tak naprawdę nie robili klasyfikacji czy on zapłaci, czy nie zapłaci. Bardziej skupiali się na tym, na które czynniki patrzył model i to dla nich było właśnie KPI. Skoro model na te czynniki patrzy, to znaczy że to są ważne rzeczy. Oczywiście trzeba uważać, bo można bardzo łatwo się poślizgnąć. Trzeba rozumieć jak na te czynniki trzeba patrzeć. Bardzo mi się to podoba, bo uczenie maszynowe z definicji wykrywa te ukryte zależności, czyli tak naprawdę bierze pod uwagę nie jeden czynnik, czy cechę tylko bierze 2, 3, 4 albo 5, albo setki jednocześnie i próbuje wyczuć, która kombinacja ma największy wpływ.

I to jest właśnie genialne. To jest świetna rzecz. Powiem Ci jak to wygląda też w innych organizacjach. Spotify miał ogromną ilość danych. Prawdopodobnie terabajty różnych parametrów, wyników, bo jeden klient ma takie podejście, a drugi takie. I teraz człowiek siedząc nad terabajtami danych może się podrapać po głowie i powiedzieć gdzie zacząć, od czego zaczniemy. To może zaczniemy z tej strony, a może z tej. I takie coś to może trwać wiecznie, natomiast tak jak wspomniałeś, to co zrobił ten model, to on szukał tych cech, które są istotne z punktu widzenia maksymalizacji tego zysku.

To będzie w tym kierunku szło jak najbardziej. Ja tutaj też widzę ogromny potencjał, gdzie machine learning będzie bardzo wspomagał procesy wyszukiwania i modelowania, jednak tak jak wspomniałeś ryzyko jest takie, że kilka cech może stać ze sobą sprzeczności. Zaprogramowanie modelu w ten sposób, że on będzie zwracał na to uwagę. Przykład: długość odsłuchania może mieć wpływ, na przykład na porę dnia. Jest zależność między tymi dwoma rzeczami, może istnieć taka zależność, bo dłużej możemy słuchać wieczorami, krócej na przykład rano. I teraz połączenie tych różnych cech razem w jeden model i wnioskowanie na podstawie tego, już praktycznie wyklucza też naszą potrzebę ingerencji w cały ten model, tylko po prostu zastosowanie tych wyników które ten model podaje.

Na koniec mam do Ciebie taką jedną prośbę. Proszę podaj jedną, może być kilka, ale przynajmniej jedną, prostą pragmatyczną poradę którą w miarę łatwo, małym wysiłkiem i szybko można zastosować w firmie, jeżeli chodzi o optymalizację KPI. Być może też wizualizacje raportu, aby otrzymać namacalne pozytywne wyniki.

Jeżeli chodzi o wizualizację, to tutaj będę odsyłał do angielskiej strony jednego ze światowych liderów, który jest już na emeryturze niestety. Nazywa się on Stephen Few, i strona nosi nazwę: perceptualedge.com. On już przestał pisać, i to był dla mnie guru i ojciec chrzestny, i wszystko razem wzięte jeśli chodzi o wizualizacje. Przez ostatnie 30 lat bardzo krytycznie myślał, bardzo się spierał z producentami, z oprogramowaniem do wizualizacji, bardzo krytycznie podchodził do wszelkich danych, do wszelkich wizualizacji które otrzymywał. W zasadzie przez całe życie się z kimś kłócił, ale te jego kłótnie były tak merytoryczne i były tak nafaszerowane wiedzą na temat wizualizacji, że nie wiem czy ktokolwiek mu jest w stanie dorównać.

On jest takim nielubianym przywódcą, ponieważ jeżeli ktoś cały czas krytykuje to jest nielubiany, natomiast on jest takim przywódcą i guru jeżeli chodzi o wizualizację. Jeżeli miałbym podać jedną prostą poradę, to bardziej się zastanawiać nad przyszłością, dokąd zmierza firma. Tak, jak ten samolot który wie dokładnie w którym kierunku zmierza, przy jakiejkolwiek firmie, czy to jest jednoosobowa działalność, czy masz firmę która zatrudnia 1000 osób, trzeba myśleć cały czas o tej perspektywie dokąd my zmierzamy, bo od tego w zasadzie wszystko wychodzi.

Dzięki wielkie za poradę. Jak można Ciebie znaleźć w sieci?

Najprościej wejść na stronę mojej firmy. Strona jest jeszcze w przebudowie, ale tam jest podany kontakt. Ta strona to: www.albarosa.pl. W przyszłym roku też zamierzam rozpocząć prowadzenie bloga. Blog się będzie nazywał “efficient dashboards”. Jeszcze nie wiem z jakim rozszerzeniem, bo na razie mam wszystkie zaparkowane, czyli “pl”, albo “com”, natomiast “efficient dashboards” to będzie w przyszłym roku. Na dzień dzisiejszy to jest albarosa.pl tam są dane kontaktowe i można się ze mną skontaktować.

Dziękuję ci bardzo Andrzeju za dzisiejszą rozmową. Wiem, że niektórych tematów nie rozwinęliśmy, chociaż ta rozmowa wyszła naprawde długa. Jak będzie potrzeba, to spotkamy się raz jeszcze. Życzę Ci wszystkiego najlepszego, oraz aby rok 2019 był owocny dla Ciebie!

Dziękuję i wzajemnie.

Artykuł Efektywne tworzenie wizualizacji, KPI, raportów pochodzi z serwisu Biznes Myśli.

13 czerwca odbyła się konferencja Minds + Machines, tym razem Berlinie, zorganizowana przez General Electric. Jeff Immelt, który jest CEO, powiedział: “Europe can lead the digital industrial era”, czyli po polsku

“Europa może prowadzić cyfrową przemysłową erę”

Również dodał, już od razu polsku, że „GE inwestuje w technologie, takie jak automatyzacja, zaawansowana produkcja i sztuczna inteligencja czy data science – wraz z nowymi umiejętnościami – które mogą przekształcić przemysł i zwiększyć wydajność. GE od dawna angażuje się w Europę i inwestuje w jej przyszłość”.

W skrócie można powiedzieć, że GE skupia się teraz na trzech kierunkach:

• Sztuczna inteligencja i tematy powiązane
• 3D printing
• VR/AR – wirtualna lub rozszerzona rzeczywistość

Warto powiedzieć, General Electric to ogromna firma, w której pracuje ok. 300 tys. ludzi. Również to co jest tworzone, czyli tematy przede wszystkim przemysłowe (takie jak turbiny, silniki i inne), nie są wprost powiązane z IT. Ale jak widać zmiany zwiąny ze sztuczna inteligencją docierają wszędzie. Jako osoba, która pracuje w GE, mogę potwierdzić, że temat zwiazany ze sztuczną inteligencja staje się coraz bardziej aktualny i wiele rzeczy się zmienia. Przede wszystkim w podejściu do myślenia i rozwiązywaniu problemów.

Ciekawy jestem Twojej opinii na ten temat.

W tym czasie przechodzę do dzisiejszego gościa którym jest Filip Stachura. Młody, utalentowany i otwarty na wyzwania człowiek. Niestety (albo stety) zwykle tacy ludzie wyjeżdżają z kraju, Filip też przez jakiś czas pracował w Kalifornii. Ale jednak wrócił do Polski i postanowił tu w Polsce zająć się tematami związanymi z analizą danych.

Jak sam twierdzi:

„Chciałbym doprowadzić do rozkwitu, abyśmy mogli sprawiać, że najlepsi ludzie będą mieli wybór, czy chcą wyjechać zagranicę czy chcą zostać tutaj i pracować nad projektami z Polski.”

O tym i o wielu innych ciekawych rzeczach dowiesz się z dzisiejszej rozmowy.

Również na końcu będzie ogłoszenie, które po raz pierwszy pojawi się w Biznes Myśli (później będzie w innych źródłach). Zapraszam.

Vladimir:
Cześć Filip. Twoja misja, cytując Ciebie, brzmi “Live the life to the fullest!”, pewnie po polsku to brzmi jako “Żyj pełnym życiem”. Lubisz się uczyć, podróżować… i komputery. Te wszystkie tematy są bardzo bliskie również dla mnie. Cieszę się, że miałem okazję Cię poznać. A teraz również słuchacze mogą poznać Ciebie… proszę powiedz, więcej o tym kim jesteś, co robisz, co lubisz, gdzie mieszkasz :).

Filip:
Cześć. Po pierwsze, bardzo Ci dziękuję że zaprosiłeś mnie do swojego podcastu. Witam wszystkich słuchaczy. Nazywam się Filip Stachura, jestem prezesem firmy Appsilon Data Science. Myślę o sobie, że jestem człowiekiem o otwartej głowie, który lubi świat. Jeżeli chodzi o to kim jestem, to z wykształcenia jestem matematykiem i programistą, studiowałem na Uniwersytecie Warszawskim, to są jednoczesne studia matematyczne i informatyczne.

Jeśli chodzi o to co lubię, to już wymieniłeś kilka rzeczy, które mnie bardzo interesują. Lubię podróżować, poznawać innych ludzi, inne kultury, obyczaje. Lubię też się uczyć, dużo czytam, a moją pasją jest matematyka, programowanie i analiza danych. Stąd kilka lat temu zdecydowałem się z przyjaciółmi założyć firmę w Polsce, skupiającą się na analizie danych, o tym pewnie będę mówił przez cały podcast. Mieszkam w Warszawie, niedaleko stacji metro Służew nad Dolinką, całkiem uroczej okolicy, a gdzieś długofalowo myślę o powrocie do Trójmiasta.

Vladimir:
Powiedziałeś że lubisz czytać. Co ostatnio czytałeś i jakie wnioski wyciągnąłeś z tej lektury?

Filip:
Kiedy pada to pytanie, to zawsze rozbijam to na dwie osobne sfery. Po pierwsze, prywatnie dużo czytam science fiction, fantastyki, teraz czytam Dzieci Diuny Herberta. Jestem fanem Herberta, bardzo mi się podobały dwa pierwsze tomy, więc trzeci też czytam z zainteresowaniem. A z kolei, jeżeli chodzi o książki samorozwojowe, to czytałem niedawno tę samą książkę, którą czytał Piotr i polecał w ostatnim odcinku – Thinking fast and slow (Pułapki myślenia). Ale książkę wcześniej, która na pewno jest warta polecenia, Bena Horowitza The Hard Thing About Hard Things, z pewnością mogę polecić. Jest to trudna lektura, wniosków z niej mam kilka kartek A4, a książka mówi o różnych trudnościach związanych z prowadzeniem biznesu, biznesu który też szybko rośnie, więc myślę że może być bardzo ciekawa dla odbiorców podcastu.

Vladimir:
Basia Fusińska, która była właśnie przed Piotrem, też polecała tą książkę.

Filip:
No nie… To teraz muszę polecić jeszcze coś innego. W takim razie na pewno mogę polecić, z takich książek, które wywarły duży wpływ na mój rozwój, The power of habit (Siła nawyku), to jest klasyka, ale jeżeli ktoś nie czytał, to na pewno…

Vladimir:
Dobrze, myślę że możemy zaliczyć tę trzecią książkę The power of habit. Naprawde jest mocna, też ją polecam. Jeżeli ktoś nie miał okazji jej przeczytać, to bardzo gorąco zachęcamy.

Wiem, że uczestniczyłeś w międzynarodowym konkursie Global Management Challenge. Powiedz słuchaczom więcej, co to jest za konkurs. Kto i w jakiej ilości bierze tam udział. Które miejsce tam zajęliście i jak ten konkurs wpłynął na Twoje życie?

Filip:
W tym konkursie braliśmy udział jako zespół, którego kapitanem byłem kilka lat temu. Jest to symulacja biznesowa w której zarządza się spółką na wirtualnym rynku i konkuruje się z innymi firmami, które zaczynają grę w dokładnie takiej samej sytuacji, produkują takie same produkty.

Generalnie co kwartał, podejmuję się bardzo dużo decyzji biznesowych od marketingu, ceny aż po konserwację maszyn czy pensje pracowników. Wszystko to następnie jest przetwarzane i dostaje się raport za kwartał oraz wyniki swojej firmy. Celem gry jest osiągniecie jak największego wyniku giełdowego i pokonanie konkurencji. W konkursie startują pool’y menedżerskie z całego świata, konkurs jest międzynarodowy. W Polsce są to różne firmy od Orange, KGHM, KPMG, lista dokładna jest na stronie konkursu, ale są to duże firmy.

Jeśli chodzi o ekipy studenckie, to one też mogą startować, warunkiem jest to aby znalazły firmę, która wybierze ich zespół i będzie ich sponsorowała. Podeszliśmy do zagadnienia bardziej analitycznie niż biznesowo i skupiliśmy się na modelowaniu rynku, modelowaniu działania naszej firmy na podstawie raportów kwartalnych. W ten sposób budowaliśmy różne modele, od mniejszych modeli dotyczących, na przykład, zapotrzebowania na serwery w internecie czy potrzebnej konserwacji dla maszyn,  po bardziej skomplikowane modele popytu i tego jak marketing i nasze ceny będą wpływały na popyt.

Udało nam się na giełdzie papierów wartościowych wygrać polskie finały, a później zdobyć wicemistrzostwo Świata ustępując drużynie Ukrainy, ale pokonując takie zespoły jak Stany Zjednoczone, Rosja, Brazylia, Chiny. Było to bardzo ciekawe doświadczenie. Później odezwały się do nas firmy zarówno z Polski jak i z zagranicy, chcące zoptymalizować swoje procesy biznesowe.

Faktycznie, ten konkurs i doświadczenie które tam zbudowaliśmy procentuje do dziś, ponieważ kiedy modelujemy, budujemy modele czy predykcyjne czy nawet jakieś systemy optymalizacyjne, to pozwala nam efektywnie je łączyć w całość i bardziej myśleć o całej firmie jako jednym mechanizmie, którego wynik chcemy poprawić.

Vladimir:
Super wynik, nie wiem jak dawno to było, ale teraz już jesteś CEO Appsilon Data Science… mimo tego, że pracujecie z Polski, to nadal jesteście bardziej znane za granicą. Powiedź więcej o firmie, czym się zajmujecie, jak problemy rozwiązujecie i w jaki sposób?

Filip:
Jako firma zajmujemy się data science czyli analizą danych, co oczywiście jest bardzo szerokim hasłem. Pomagamy naszym klientom, którzy pochodzą z bardzo wielu branż. Współpracujemy z klientami z branży finansowej, energetycznej, z branży transportowej, liniami lotniczymi, z branżą morską, robiliśmy projekt dla portów, aż po tradycyjne projekty retail czy projekty e-commerce’owe. Jest to bardzo duży przekrój i te zagadnienia też są duże, ale wszystkie orbitują wokół danych. Lubię myśleć o projektach w czterech obszarach, które układają się w chronologicznym porządku.

Pierwszy rodzaj projektów jest związany z tak zwanym data acquisition czyli pozyskaniem danych. Te dane mogą być zarówno u klienta jak i w zewnętrznych systemach. Pomagamy klientom pobrać je i wyczyścić dane z tak zwanego open data, czyli jakichś danych publicznie dostępnych, danych rządowych, używaniu ich później w jakichś ich analizach. Tutaj na pewno jest bardzo ważne zadbanie o wysoką jakość tych danych. Często, niestety, nawet u dużych firm okazuje się że jest potrzebna praca aby jeszcze coś poprawić i aby te dane były takiej jakości jak jest to niezbędne aby budować skuteczne modele.

I tak naturalnym tokiem przechodzimy do drugiej działki czyli budowania modeli. Tutaj stosujemy w pracy bardzo różne modele w zależności od potrzeb klienta, ponieważ czasami nawet model liniowy może przynieść rezultaty. Czasami są to modele bardziej skomplikowane, to mogą być metody uczenia maszynowego aż po uczenie głębokie, które w praktyce jest potrzebne jednak dosyć rzadko, z naszego doświadczenia, ponieważ jest najdroższym sposobem, który faktycznie przynosi bardzo dobre rezultaty, często najlepsze, ale ta różnica i ten tradeoff nie jest aż tak duży aby opłacało się inwestować w takie rozwiązania.

Trzeci rodzaj projektów to jest warstwa platformy i sprawiania aby te projekty były realizowane solidnie, w szególności to znaczy, aby wyniki, które są uzyskiwane były powtarzalne i aby poprawy skuteczności można było obserwować w czasie. Abyśmy mogli łatwo stwierdzić że jakiś model trzy lata temu albo trzy miesiące temu działał o tyle i tyle gorzej niż model który mamy obecnie. Jest to bardzo ważne ponieważ w takich pracach analitycznych często osoby które są w takich zespołach nie mają aż tak solidnego wykształcenia programistycznego i nie przykładają aż tak dużej wagi do powtarzalności przez co do takich projektów może wkradać się chaos. Czasami nie do końca wiadomo na jakich danych model powstał albo dane się zmieniły od tego czasu, a nie wiemy które dane doszły a które zostały usunięte lub nawet z jakimi parametrami model został zbudowany.

Czwarta i ostatnia część to jest warstwa tak zwanego interfejsu, czyli komunikacji pomiędzy tymi elementami analitycznymi a jakimiś innymi systemami. To mogą być systemy komputerowe ale często to też są ludzie. W zależności od tego, to może być API, które jest używane przez aplikację webową czy aplikację mobilną i odpytuje nasz system o jakieś wartości.

Przykładowo, jeżeli to będzie system antyfraudowy, to takie API może spytać – jakie jest prawdopodobieństwo że ta transakcja to fraud. I takie API odpowie – prawdopodobieństwo że jest to fraud wynosi 87%, i ten zewnętrzny system już sobie jakoś tą informacje przetworzy.

Druga rzecz, czyli dashboard’y, a dokładniej – systemy wspierania decyzji, jest czymś w co my w Appsilonie głęboko wierzymy. Jest to bardzo skuteczna metoda wsparcia biznesu, ponieważ jest to krok pośredni pomiędzy manualnym podejmowanie decyzji a pełną automatyzacją. I taki krok jest potrzebny ze względu na to że do decyzji, podejmowanych przez modele czy sugerowanych przez modele, również biznes musi nabrać zaufania, musi zobaczyć że one są skuteczne zanim dojdzie do pełnej automatyzacji. Po za tym, również modele, które są uczone, czasami się mylą i wtedy taki ludzki pierwiastek, który przeanalizuje te informacje z systemu i być może je poprawi, może być bardzo cenny.

Vladimir:
Bardzo fajnie że podzieliłeś to na takie cztery kroki i powiedziałeś co robicie w każdym z nich. Będę dopytywać, bo jest wiele ciekawych rzeczy, których pewnie słuchacze chcą się dowiedzieć. Ale najpierw zapytam o takie dość fundamentalne pytanie.

Mimo tego że jesteście w Polsce, jak to doskonale wiesz, jak na razie jeszcze mało firm z Polski dostrzega potencjał w uczeniu maszynowym i tematach powiązanych. Nas słuchają przedsiębiorcy i pewnie większość z Polski. Co możesz powiedzieć przekonującego w kontekście “dlaczego warto”. Ewentualnie co się stanie z firmami za 10 czy nawet za 5 lat jeżeli  temat uczenia maszynowego, analizy danych nadal będzie ignorowany?

Filip:
Po pierwsze, mam wrażenie że jednak ta świadomość rośnie. Nawet do nas, gdzie aktywnie nie poszukujemy klientów na polskim rynku, zgłasza się coraz więcej polskich firm z zapytaniami o projekt, więc jest to dosyć optymistyczny sygnał. Ale najlepiej zobrazuje nam spojrzenie na to, co się dzieje na zachodzie. W zeszłym tygodniu wróciłem z San Francisco z konferencji EARL, gdzie miałem okazję być prelegentem i rozmawiałem z różnymi osobami z bardzo wielu firm.

Działy data science, które te firmy posiadają, liczą już po 100-150-200 osób. Są to gigantyczne zespoły czy nawet grupy zespołów, działy w firmie, które analizują dane w celu poprawienia i zoptymalizowania działania tej firmy. Oczywiście, taki dział na ten moment dla firmy musi być  bardzo kosztowny, ale to znaczy że optymalizacje, które zespół robi cały czas, i tak dają bardzo pozytywne rezultaty.

Jeśli taka firma na zachodzie optymalizuje swoje działanie w tak szybkim tempie, to z roku na rok będzie zyskiwała przewagę. Gdyby faktycznie na rynku istniały firmy, które  nie będą tego robiły wcale albo będą robiły to dużo wolniej, to prawdopodobnie mocno ryzykują tym że ich konkurencja zyska dużą przewagę konkurencyjną. Z każdym rokiem coraz większą.

Vladimir:
Zgadzam sie z tym, że w chwili obecnej to nie jest nawet wybór, to nie jest opcjonalne czy firma może się zainteresować tematem data science czy nie, to raczej jest naturalnym krokiem postępu. Jeżeli firma się tym nie zainteresuje – to przegra. To jest coś podobnego jak z komputerami. Teraz nikogo nie dziwi, że raczej każda firma albo większość firm jednak ma komputery, posługuje się bazą danych i podobnymi rzeczami.

Przechodzimy teraz do tych czterech punktów, o których mówiłeś wcześniej, bo są bardzo ciekawe. Pierwszy punkt dotyczył danych, więc porozmawiajmy trochę o tym.

Dane – to surowiec naszego stulecia.

Myślę, że warto podkreślić, że jednak to wymaga dużego wysiłku, żeby faktycznie dane stały się skarbem.

Po pierwsze to dane same w sobie powinny być wartościowe (trzeba przemyśleć jakie dane są potrzebne). Po drugie, załóżmy że mamy przemyślany proces i zbieramy wartościowe dane, to jednak jeszcze trzeba zadbać o ciągłą weryfikację danych. Czym większe człowiek ma doświadczenie praktyczne, tym mniej go dziwią rzeczy które czasem się dzieją dookoła.

Zaczynając od słynnego żartu z panią sprzątaczką… która miała wyłączyć na chwilę maszynę, żeby wytrzeć kurz :). Ciągła weryfikacja prawidłowości danych często nazywają “data healthcheck”. Jesteś praktykiem i miałeś okazję współpracować z różnymi firmami i projektami. Proszę podaj przykład z życia, który jest w stanie pokazać dlaczego weryfikacja danych jest ważnym elementem całego procesu. I co się dzieje, jeżeli to pominąć.

Filip:
W najlepszym przypadku projekt znacznie się opóźni, to jest najlepsze co może się wydarzyć. W najgorszym wypadku będą podejmowane złe decyzje, albo co gorsza, stwierdzimy że jakiś model nie działa mimo że tak naprawdę mógł działać. I firma nie wykorzysta przewagi, którą mogła zyskać, gdyby dane które byłyby wprowadzone do modelu były poprawne.

Popełnimy podwójną pomyłkę. Kierunek w którym chcieliśmy pójść był dobry, ale przez to że spojrzeliśmy na zły drogowskaz, stwierdziliśmy że tam nie idziemy. To jest chyba najgorsze co mogę sobie wyobrazić. Oczywiście, mogą się zdarzyć sytuacje przepuszczalne, w których system zostanie przez to źle zaprojektowany i wdrożony na produkcję i firma poniesie przez to jakieś straty, również finansowe. Ale to raczej świadczyłoby o większej ilości problemów, o źle przeprowadzonych testach, o problemach związanych z procesem walidacji danych na różnych krokach, i w praktyce, ciężko mi wyobrazić żeby doszło do takich sytuacji w jakimś projekcie komercyjnym.

Vladimir:
Reasumując, dane są bardzo ważnym elementem. Zbieranie danych, przechowanie danych, robienie backupów (kopii zapasowych) i podobnych rzeczy – to jest ważne, ale nie jest wystarczające żeby faktycznie ten projekt zaczął przynosić korzyści, bo jednak po drodze może się coś popsuć, jakieś pole będzie puste, ktoś zapomniał wklepać jakąś wartość. Jak nie ma którejś wartości, to nie wiadomo jak nasz model będzie się zachowywał. Albo jeszcze co gorzej, jak będzie wadliwa wartość, to wtedy samy oszukujemy nasz model, dostajemy zły wynik.

Filip:
Dokładnie. Tutaj dodam tylko to, że jeśli faktycznie chcemy do tego doprowadzić to walidacja danych w praktyce (jeśli nie robimy czegoś jednorazowo), powinna dziać się automatycznie. Inaczej, jeżeli będziemy próbować walidować dane manualnie, co z resztą i tak jest możliwe w przypadku jeśli danych jest niewiele, to za każdym razem to będzie zajmować nam czas i w konsekwencji doprowadzi do tego, że przestaniemy to robić.

Dlatego tak ważna jest automatyzacja i robienie healthcheck’ów, po to, abyśmy w sposób automatyczny wiedzieli że wszystko jest OK, albo bardzo szybko dowiadywali się że coś jest nie tak i co dokładnie jest nie tak.

Vladimir:
Na jednej ze swoich prezentacji zwróciłeś szczególną uwagę na powtarzalność wyników. Są różne definicję które próbują wyjaśnić co kryje się pod tą frazą. Podziel się swoim doświadczeniem, co to dla Ciebie oznacza i dlaczego to jest tak ważne? Jakie problemy będą, jeżeli pominąć ten ważny aspekt?

Filip:
Może zacznę od problemów. Jeżeli nie będziemy w stanie powtarzać wyników, to nie będziemy mieli do nich zaufania. Przykładowo, będziemy na spotkaniu, w firmie lub w jakiejś innej organizacji, zastanawiać się nad wynikami które uzyskiwaliśmy w zeszłych miesiącach.

Ważne jest abyśmy w ogóle wiedzieli jakie to wyniki były miesiąc temu, trzy miesiące temu czy sześć miesięcy temu. Dzięki temu będziemy widzieć czy idziemy do przodu czy nie. Równie ważne jest to abyśmy im ufali, a to oznacza że byśmy mogli je powtórzyć. Jeżeli mamy jakąś metrykę i ktoś nam mówi że ta skuteczność sześć miesięcy temu wynosiła 82%, ale nie jesteśmy w stanie dzisiaj tego powtórzyć, to nie ma to dla nas najmniejszego znaczenia, bo dzisiaj ten model na tych danych i z tymi parametrami osiąga tylko 75%. I to jest problem. Jak osiągnąć taką powtarzalność?! Może jeszcze uzasadnię co dokładnie pod tym rozumiem, tak jak pytałeś.

Dla mnie powtarzalność oznacza, że dla każdego modelu, który trenujemy, wiemy na jakim zbiorze danych został wytrenowany, jakie parametry zostały użyte, jaki kod źródłowy jaki system operacyjny został użyty czyli jaka infrastruktura została użyta. Te wszystkie rzeczy mogą mieć wpływ na finalny wynik tego modelu. Jeżeli dane się zmienią, to oczywiście wynik może się zmienić, jeżeli kod źródłowy się zmienił, jeżeli parametry się zmienią, to oczywiście wynik może się zmienić.

Co więcej, jeżeli wersje bibliotek, pakietów czy nawet jakichś zależności systemowych się zmienią, to również wynik może się zmienić. Zarówno we wszystkich językach programowania, służących do analizy danych, zdarzają się przypadki, że API jakiejś biblioteki czy pakietu zostaje zmienione i logika pod spodem jest inna. Dlatego tak ważne jest, abyśmy mogli dokładnie odtworzyć identyczny stan wszystkich parametrów, które mają znaczenie, jeśli chodzi o to, jak ten model później działa.

Jak to uzyskać? Na pewno jest kilka sposobów. Używamy w Appsilonie tak zwane kontenery, to jest bardzo ważny składnik. W takim kontenerze mamy zapisaną informację o tym pełnym systemie, o wszystkich pakietach, które zostały użyte. Wiemy dokładnie na jakiej rewizji kodu taki model zostaje wytrenowany. Dużo większym problemem czasami bywają dane. Tutaj z pomocą przychodzi, w szczególności w przypadku dużych zbiorów danych, hash’owanie. Wtedy, w szczególności czasami, możemy nie wiedzieć co dokładnie się zmieniło, ale przynajmniej możemy wiedzieć że coś się zmieniło, jeżeli chodzi o zbiór danych wejściowych.

Druga rzecz, która jest bardzo ważna, to tak zwane immutable data sets czyli niezmienne zbiory danych. To oznacza, że jeżeli coś trafia do naszej bazy danych czy HDFSa big data, jakkolwiek dane przechowujemy, do naszego zbioru, to już stamtąd nigdy nie wylatuje. To jest innowacja wdrożona między innymi przez Airbnb, ale również przez wiele innych firm, i jest skuteczną metodą na zachowanie powtarzalności eksperymentów analitycznych.

Vladimir:
Bardzo fajnie to ująłeś. Cieszę że o tym mówisz, ponieważ to bardzo praktyczna i pragmatyczna wiedza. Z mojego doświadczenia, z tego co obserwuje co się dzieje na rynku, fajnie że ludzie już wiedzą, że powtarzalność to jest coś, co powinno być. Natomiast często są w błędzie, czym jest ta powtarzalność.

Z tego co obserwuję – widzę, że powtarzalność, to jest zbiór bibliotek, a nawet nie bibliotek, tylko kod źródłowy, który buduje ten model. I to jest pierwszy poziom powtarzalności. Ewentualnie ktoś pamięta wersje bibliotek na których to było uruchamiane. Ale bardzo rzadko widziałem, żeby ktoś się martwił o wersjonowanie danych, żeby faktycznie mógł powtórzyć ten sam eksperyment na tych samych danych, a to jest bardzo ważne.

Tak jak powiedziałeś, jeżeli nie mamy tej powtarzalności, to mamy takiego “kota w worku”, odpalamy model i mamy zupełnie inny wyniki. Czy to jest dobrze czy źle? Nie wiadomo jak to traktować :).

Filip:
Oczywiście, to co wytłumaczyłem, jest podejściem bardzo skomplikowanym, też wierzę że najbardziej profesjonalnym. Nie zawsze aż taką maszynerię trzeba wyciągać do prostego projektu. Mogą się zdarzyć projekty, gdzie wersjonowanie kodu, parametrów, wersji bibliotek będzie w zupełności wystarczające. Chcemy zapewniać najwyższy poziom dokładności i pełna wiedze o tym, co się wydarzyło w takim eksperymencie.

Vladimir:
Przechodzimy teraz do kolejnego tematu, właściwie o czwartym obszarze, o którym wspomniałeś. Jednym z podpunktów tego obszaru były dashboardy. Nie wiem, czy wszyscy wiedzą czym jest dashboard. Bardzo proszę, na początek, wyjaśnij co to jest i jakie są korzyści dla biznesu? Jakiego rodzaju problemy może rozwiązywać?

Filip:
Tak, niestety to jest też słowo, które ulega pewnym hype’om, jest wykorzystywane przez bardzo różne osoby, podmioty i tak dalej, więc nie jest to jasne. Istnieje bardzo wiele dashboardów analitycznych i pierwszy, który przychodzi mi do głowy, to pewnie Google Analytics, który pokazuje nam jakieś informacje, w miare przystępnej formie i pozwala nam coś przeanalizować.

Istnieją narzędzia klasy business intelligence, które pozwalają nam takie dashboardy tworzyć i tutaj oczywiście jest Tableau, QlikView, Power BI i szereg innych narzędzi. One są świetnymi narzędziami analitycznymi dla niektórych rodzajów problemów, ale nie są to dashboardy o których mówię. Ponieważ te, o których mówię ja, bardziej przypominają pełne aplikacje webowe, które mają zasady nie tylko prezentować dane, tak jak w przypadku wcześniejszych, ale również, na przykład, je pobierać.

W niektórych systemach wspierania decyzji, które budujemy, osoba, która współpracuje z dashboardem, podejmuje finalną decyzje i ta decyzja gdzieś jest zapisywana. Co więcej, później ona może zostać użyta do przeuczenia modelu i poprawienia skuteczności tego modelu. W takich dashboardach analitycznych też możemy pozwolić na, na przykład, kolaboracje i tego, aby kilka osób analizowało jakieś zjawisko jednocześnie lub widziało, że ktoś inny otagował już jakieś transakcje lub inne elementy.

To jest podstawowa różnica pomiędzy dashboardem a systemem wspierania decyzji, który jest bardziej skomplikowany, czyli ten odczyt, zapis i większa siła wyrazu. To znaczy że, taki dashboard, stworzony, na przykład, w Shiny w R, pozwala używać wszystkich rzeczy, które są dostępne w językach programowania. Czyli w szczególności bardzo łatwo możemy dodać jakiś całkowicie wyjątkowy wykres, który nie pojawiał się nigdzie indziej czy zbudować workflow (tł. przepływ danych), w którym przechodzi się przez pewien proces w wielu krokach i podejmuje jakieś decyzje.

W takich narzędziach BI’owych będzie to trudne albo wręcz niemożliwe. Oni też nie mają kodu źródłowego i to jest chyba najważniejsza różnica. Można w nich osadzać kawałki kodu, ale ten kod, który tam osadzamy, nie może być w repozytorium, nie może podlegać kontroli wersji, nie będzie przechodził procesu code review (tł. przegląd kodu), nie będzie testowany automatycznie, więc istnieją liczne problemy, które z takim kodem źródłowym osadzonym w takiej aplikacji te problemy będą nam doskwierać.

Vladimir:
Myślę że teraz już wchodzisz trochę w szczegóły techniczne i nie wiem czy wszyscy to zrozumieją. Natomiast, wydaje mi się że bardzo istotnym i ważnym będzie powiedzieć jak wygląda proces przygotowania tego dashboardu. Załóżmy że jest firma, która chce zamówić taki dashboard, co ona powinna mieć, jakie są wymogi.

Filip:
Jeżeli firma chce stworzyć taki dashboard, to bardzo często istnieją jakieś narzędzia, które były używane do zaspokojenia tej potrzeby biznesowej wcześniej. Nierzadko są to, stety niestety, arkusze excelowe. Takie arkusze oczywiście mają liczne problemy, są wysyłane mailami, w dziesiątkach wersji, które zaczynają wyglądać kompletnie inaczej, mają inne dane w środku i nie wiadomo który został ostatecznie użyty do podjęcia decyzji. W praktyce bardzo często spotykamy się z tym, że firmy toną w arkuszach.

Pierwszym krokiem jest zrozumienie tego, jak ten arkusz jest używany, kto finalnie podejmuje jakieś decyzje, jakie dane powinien on widzieć, aby jak najszybciej podejmować decyzje, które ma podjąć. I kiedy zostanie stworzony taki zbiór wymagań można pomyśleć nad tym, jak zbudować interface. On może być przeniesiony w miarę podobnie do tego, co istniało w arkuszu albo może być kompletnie inny.

Z naszego doświadczenia, spotykaliśmy oba przypadki, też z tego powodu, że w arkuszu niektóre komponenty jest trudno osadzać, a niektóre rzeczy można mocno uprościć w aplikacji, ponieważ nie wszyscy w firmach są świetnymi programistami VBA, czasami te arkusze muszą korzystać z pewnych uproszczeń. Więc wtedy w takich dashboardach można to faktycznie fajnie rozwinąć i pokazać, na przykład, informacje na mapie, pozwolić wybrać coś na mapie i dla tego obszaru wyświetlić wykres. Następnie wprowadzić jakieś dane, na przykład, o proponowanych cenach lub o proponowanych nakładach na marketing, co więcej, te dane mogą zostać zapisane w bazie danych pod spodem i wyświetlone w zupełnie innym miejscu, nawet, być może, w zupełnie innym dashboardzie dla osoby z działu produkcji, która dzięki temu będzie wiedziała ile jakiegoś produktu należy stworzyć.

Vladimir:
Jak zacząłeś mówić o arkuszach, od razu mi się przypomina nazwa pliku “final final FINAL wersja 10” i myślę, że każda osoba, która pracowała w nieco większej firmie i używała takiego procesu, widziała to na własne oczy, a to jest bardzo męczące.

Zapytam Cię jeszcze o taką dość ciekawą i ważną rzecz, na jak dużych zasobach danych takie dashboardy potrafią pracować? Również wspomniałeś, że kilka osób może mieć dostęp do takich dashboardów, stąd pytanie czy to jest kilka osób, kilkaset, kilka tysięcy, jak to się skaluje?

Filip:
Dla naszych klientów komercyjnych tworzymy dashboardy do których mają dostęp setki, a nawet potencjalnie tysiące ludzi. Nie zawsze to jest potrzebne, bo nie są to aplikacje, które są dawane, na przykład, konsumentom końcowych, w tym nie tworzy się Facebooka. Ale, na przykład, działy sprzedaży w filiach na całym świecie korzystają z takiego dashboardu i on działa bez zarzutu. Więc jest możliwość skalowania i one skalują się dobrze.

Oczywiście, istnieje też możliwość przepisania je na jeszcze inne technologie, które skalowały by się jeszcze lepiej, tak jak Facebook. I to też jest możliwe, tylko wymagałoby istotnie więcej pracy. Ponieważ to, co jest ważne – te dashboardy, które tworzymy, powstają bardzo, bardzo szybko. W niektórych przypadkach dostarczamy coś w miesiąc, bardziej skomplikowany dashboard w dwa miesiące, może trzy, ale to i tak jest dużo szybciej, niż tradycyjne aplikacje webowe. Biorąc pod uwagę to, jak bardzo skomplikowany jest taki dashboard i jak wiele rzeczy w trakcie jeszcze jest dostosowywanych.

Jeśli chodzi o ilość danych, to tutaj największa zagwozdka jest po stronie serwera, który przetwarza te dane. Na pewno możemy w dashboardzie zlecić wykonanie jakichś obliczeń przez jakieś zaprzyjaźnione API, które świetnie nam przeskaluje obliczenia na jakiejś architekturze i dostarczy te wyniki albo zapisze je w bazie danych. Wtedy, tak naprawdę, dane nie stanowią większego problemu. Jeżeli skupimy się na takim przykładzie jak Shiny, to tutaj w praktyce, aby taki dashboard powstał tak szybko jak mówię, to te dane będą musiały się zmieścić w pamięci RAM, co na pierwszy rzut oka może się wydawać problemem, ale obecnie bez problemu możemy uruchomić na chmurze Amazona maszynę, która ma 2 terabajty (TB).

W mojej karierze zawodowej, ilość projektów, które przekraczały rozmiar 2 TB, stanowiły bardzo niewielki procent wszystkich projektów. Więc dla drastycznej ilości firm, taka maszyna z 2 TB RAMu w zupełności wystarczy aby coś w pamięci działało. Oczywiście, to może być i tak za drogie i tak może opłacać się przeliczenie tego równolegle i zapisanie do bazy danych, co w większości przypadków jest najlepszym rozwiązaniem.

Vladimir:
Bardzo fajnie, że wspomniałeś o tej maszynę z 2 TB. Wydaje mi się, że jeszcze często ludzie mylą, że jeśli danych jest więcej niż, załóżmy, 50 GB, to już jest „big data”. Ale teraz już w pamięci potrafimy trzymać 2 TB danych, przy czym każdy może taką maszynę sobie wykupić. Może nie jest to do końca różowe, bo dostępnych takich maszyn raczej jest niedużo i może też być za drogo, ale ciekawostką jest to, że technicznie to jest już możliwe.

Przejdziemy teraz trochę do innego tematu… Jakie są największe wyzwania lub trudności które spotkałeś na swojej drodze w tematach związanych z uczeniem maszynowym, data science, analizą danych?

Filip:
Obawiam się, że o tych najciekawszych wyzwaniach nie mogę za dużo mówić obecnie. Na pewno bardzo dużym wyzwaniem jest zarządzanie zespołem w takich projektach, zarządzanie również oczekiwaniami klienta, ponieważ te projekty często mają charakter researchowy.

My w przeciwieństwie do firm, które tworzą, na przykład, bardziej tradycyjne oprogramowanie, jak strony internetowe czy aplikacje mobilne, czasami nie możemy zagwarantować efektu końcowego. Możemy powiedzieć, że spróbujemy metod, które stanowią state of the art, czyli są najlepszymi metodami, które ogólnie wiadomo, że możemy zastosować do tej klasy problemów. Ale to może być na tyle innowacyjne, że nie możemy zagwarantować, że projekt się powiedzie. I to na pewno jest wyzwanie.

Jeśli chodzi o wyzwania intelektualne, to wydaje mi się, że w branży uczenia maszynowego, obecnie, najciekawszą działką są zagadnienia związane z Reinforcement Learning.

To są wszelkie zagadnienia, obecnie popychane do przodu przez zespół Open AI Elona Muska. Miałem okazje, podczas mojego wizytu w San Francisco, odwiedzić ich siedzibę, zobaczyć prototypy nad którymi pracują. Jest to na pewno niezwykle interesujący element, związany ze sztuczną inteligencją.

Vladimir:
Elon Musk stworzył wiele ciekawych firm, o których mówi się bardzo dużo, między innymi Neuralink, ale Open AI, o której wspomniałeś, faktycznie, prawie co tydzień coś publikują na swoim blogu, jakieś kolejne rozwiązania, których każdy może użyć. Niesamowite jest to, że ta wiedza nie jest zamykana w pudełku, tylko każdy może przeczytać blog, znaleźć kod i odpalić to samodzielnie.

Oczywiście, to wymaga pewnego rozumienia co robisz, natomiast nie jest ta wiedza chowana. Dla mnie to jest bardzo fajne podejście.

Filip:
Tak, aczkolwiek to jest taki czysty research. Wydaje się, że jeżeli chodzi o biznes, to te rzeczy, którymi, między innymi, my się zajmujemy, ale też w wielu firmach są używane, to są bardziej tradycyjne metody uczenia maszynowego, które po prostu szybko przenoszą bardzo dobre rezultaty.

Vladimir:
Teraz zmienię temat w trochę innym kierunku. Jak myślisz dokąd dąży rozwój technologiczny i czego, my jako ludzkość możemy się spodziewać za jakieś 10-20 lat?

Filip:
To jest bardzo ciekawe pytanie. Wydaje mi się, że przyszłość będzie dosyć niespodziewana. Kiedy myślę o tym, co się wydarzyło przez ostatnie 15 lat, to w niektórych obszarach wydarzyły się rzeczy całkowicie niespodziewane, a w innych ta innowacja idzie stosunkowo powoli do przodu. To znaczy, ciągle nie mieszkamy w szklanych domach, ale chodzimy z telefonami i mamy dostęp do dowolnej informacji, która chcemy pozyskać w dowolnym miejscu na świecie. I to jest coś niesamowitego. Na pewno nie jestem jedną z osób, która wierzy, że postęp pozyskania ogólnej sztucznej inteligencji czy AGI nastąpi niebawem.

Raczej skłaniam się ku temu, że obecnie jesteśmy, pod względem myślenia o sztucznej inteligencji, w podobnym hypie, który istniał, kiedy naukowcy pracowali nad prologiem. Ponieważ różne struktury, które powstają, są bardziej skomplikowane, mamy mocniejsze komputery, mamy trochę lepsze modele abstrakcji analizy tych danych, ale brakuje, przynajmniej moim zdaniem, jeszcze kilku ważnych elementów, być może związanych z reprezentacją wiedzy, bardziej w obszarze, być może, ontologii, to są tylko jakieś intuicje, nic sprecyzowanego.

Ale mam wrażenie,  że jednak ta innowacja w zakresie AI, będzie postępować bardziej wertykalnie, niż horyzontalnie i będziemy widzieć wiele automatyzacji następujących w bardzo wyspecjalizowanych zadaniach. Być może z czasem coraz mniej, ale jednak wyspecjalizowanych, gdzie maszyny będą lepsze od ludzi.

W związku z tym, zresztą podobnie jak słyszałem w poprzednim odcinku, będzie dochodziło do mechanizmów, związanych z rewolucją przemysłową. Czyli niektóre zawody  prawdopodobnie będą wypierane przez technologie. I wtedy mogą się wydarzyć różne ciekawe rzeczy. Oczywiście, mogą się wydarzyć protesty, ale prawdopodobnie będą się pojawiały nowe zawody.

Podejrzewam, że 20 lat temu nikt nie myślało tym, że powstanie taki zawód jak osoba projektująca interface’y i zajmująca się user experience na cały etat. A obecnie, dzięki temu, że tak bardzo rozwinęły się technologie związane z rozwojem internetu, te zawody powstały. Dlatego wydaje mi się, że w przyszłości powstaną jeszcze kolejne zawody o których teraz nawet nie możemy pomyśleć. I być może, nawet nie będzie potrzeby tworzenia podstawowego wynagrodzenia bazowego, o którym też chyba rozmawialiście ostatnio.

Vladimir:
Próbuje zrozumieć czy jesteś bardziej optymista czy pesymistą, jeśli chodzi o te postępy rozwoju? Czy jednak widzisz w tym korzyść, że ludzkość ma takie narzędzie jak uczenie maszynowe i coraz bardziej sprawnie potrafi to używać?

Filip:
Tak, absolutnie. Jeśli chodzi o ten aspekt, to jestem optymistą. Uważam że to jest wspaniałe, że są takie metody i pozwalają nam różne rzeczy robić szybciej i sprawniej, być może taniej, to stworzy też nowe możliwości, które będą musiały zostać w odpowiedni sposób wykorzystane. I być może, właśnie, powstaną nowe zawody, ludzie będą mogli się rozwijać.

To będzie też bardzo duża odpowiedzialność społeczeństwa na to, aby pomóc niektórym ludziom się przekwalifikować i zdobyć nowe umiejętności. To może też wiązać się z tym, że będą potrzebne bardziej drastyczne kroki związane z edukacją. Więc dużo rzeczy może zadziać się bardzo szybko.

A jeśli jestem pesymista, to tylko w obszarze tego, jak szybko będziemy reagować na zmiany, które mogą się pojawiać. Mam nadzieję że nie będziemy reagować za wolno. Jestem pesymistą odnośnie tego, jak szybko pojawi się AGI czyli ta ogólna sztuczna inteligencja porównywalna lub lepsza od człowieka. Wydaje mi się że to zajmie jeszcze dużo czasu.

Vladimir:
Teraz pozwól zapytać o przyszłość, którą chciałbyś osiągnąć. Podziel się swoimi planami na przyszłość? Co chciałbyś osiągnąć w najbliższe kilka czy nawet 5 lat?

Filip:
Oczywiście. Pierwsza rzecz, nad którą pracujemy, to to, aby stworzyć w Polsce jedną, mam nadzieje, z wielu firm, w których będziemy mogli z Polski rozwiązywać bardzo ciekawe problemy analityczne. To jest rzecz, w którą wkładam olbrzymi wysiłek i którą z roku na rok realizujemy i, mam nadzieję, że będziemy realizować je nadal. Kolejna rzecz którą realizujemy, to poznawanie świata i uczenie się o bardzo wielu firmach, ponieważ jest to niesamowicie ciekawe.

Myślę że z samego tego faktu będę to robił dalej, a jednocześnie, zachowując przy tym zdrowy balan, udowadniamy sobie, że jesteśmy w stanie pracować z Polski, zdalnie, z zagranicznymi klientami.

Chciałbym doprowadzić do rozkwitu, chciałbym abyśmy mogli sprawiać że najlepsi ludzie będą mieli wybór, czy chcą wyjechać zagranicę czy chcą zostać tutaj i pracować nad projektami z Polski.

Vladimir:
Masz bardzo ambitne i wspaniałe plany, więc trzymam kciuki, żeby Ci faktycznie to się udało.

Już ostatnie pytanie na dzisiaj, jeżeli ktoś będzie chciał się z tobą skontaktować, to jak to można zrobić?

Filip:
Tutaj bez problemu. Generalnie, jeżeli ktoś odezwie się do mnie na LinkedIn i napiszę miarę sensowną wiadomość, to zawsze staram się zaakceptować, porozmawiać. Też, na ile pozwala mi kalendarz, możemy umówić się na spotkanie, więc to nie powinno stanowić problemu.

Vladimir:
Bardzo dziękuję Ci, Filip, za rozmowę, za twój czas.

Filip:
Dzięki serdecznie i wszystkiego dobrego.

Co myślisz o tym co powiedział Filip? Proszę podziel się swoją opinią w najbardziej wygodny sposób dla Ciebie.

Podziękowania

Na itunes już pojawiło się 7 głosów i każdy ma pięć gwiazdek oraz nowa opinia. Mariusz Stachowisz napisał:

Bardzo dziękuję Mariuszu i będę dalej starał się mówić językiem prostym o trudnych rzeczach.

Pojawiło się sporo nowych komentarzy na stronie biznesmysli.pl. Pozwolę sobie przeczytać osobę którę znalezli chwilę i podzielili się swoją opinią, to jest Patryk Wójcik, Adam, Rafał Bieleniewicz, Bogusz Pękalski. W szczególności Kamila Szafrańska, która napisała wiele komentarzy, a jeden z nich naprawdę był wielkością porównywalny do artykułu. Dziękuję Wam za wyrażanie swoich opinii, to dla mnie jest cenne i motywujące.

Również zapraszam Ciebie do podzielenia się swoją opinią. Dla Ciebie to chwila czasu. Tym samym możesz wpłynąć na to co będzie dalej się pojawiać, sprostować któryś temat lub po prostu wyrazić swoją opinię.

Ogłoszenie

Oprócz podcastu Biznes Myśli, prowadzę warsztaty dla osób technicznych pod nazwą DataWorkshop.eu.

Na dzień dzisiejszy udało się już zorganizować 9 warsztatów w których uczestniczyło ponad 250 osób. Jest sporo pozytywnych informacji od uczestników – co mnie bardzo cieszy.

Prawdopodobnie nadal będę organizować warsztaty na żywo, ale to podejście bardzo trudno skaluje się (maksymalnie 30 osób) i raczej jest dość drogie dla uczestników. Bo są spore opłaty logistyczne.

Tak pojawił się pomysł uruchomić warsztaty przez internet. Już zacząłem nad tym aktywnie pracować i mam plan uruchomić go na jesień tego roku.

Dobra nowość dla Ciebie, że koszt warsztatu przez internet będzie znacznie tańszy (niż spotkanie na żywo), bardziej elastyczny (po Twojej stronie jest decyzja o której godziny w ciągu tygodnia chcesz się uczyć) i rozciągnięty w czasie (żeby mieć czas na przyswojenia wiedzy). Kolejna dobra nowość dla Ciebie to możliwość uzyskania 10% zniżki, która będzie dostępna dla słuchaczy podcastu Biznes Myśli. Dlatego gorąco polecam zapisać się na newsletter.

Warsztat jest skierowany dla osób technicznych które mają chociażby minimalne doświadczenie w programowaniu. Dlatego jeżeli chcesz przeszkolić swój zespół lub wybranych osób z IT, myślę, że warto wziąć udział. Podczas warsztatu, duży nacisk będzie kładziony na rozwiązywanie realnych problemów, niż bawienia się w technologię.

Szczerze mówiąc, pięć lata temu sam borykałem się ze zrozumieniem wielu tematów związanych z uczeniem maszynowym, a potem okazało się, że teoria dość często mało skupia się na tym, jak rozwiązać realny problem. Dlatego, ten kurs kupiłbym osobiście, kilka lat temu i tym samym zaoszczędziłbym sporo swego czasu.

W najbliższym miesiącu będzie więcej informacji na ten temat. Gorąca Cię zachęcam podzielić się swoją opinią na ten temat oraz jakiego typu problemy warto było rozwiązać podczas szkolenia.

Tyle na dzisiaj. Dziękuję za poświęcony czas i Twoją energię. Życzę dobrego samopuczucia i do usłyszenia w kolejnym odcinku.

Książki polecana przez gościa

Artykuł Filip Stachura, CEO Appsilon Data Science, o sztucznej inteligencji pochodzi z serwisu Biznes Myśli.