خلاصه مقاله:

با مشاهده رویکردهای مختلف تجزیه و تحلیل داده‌ها که توسط شرکت‌های مختلف انتخاب می‌شوند، می‌توانیم به برخی اصول عملیاتی برای ارتباط داده‌ها با ارزش‌های واقعی یک کسب و کار بپردازیم. علم داده نمی‌تواند به تنهایی باعث دست‌ آوردی شود. بلکه باید به طور یکپارچه وارد سازمان‌ و فرآیند ها شده و با آن‌ها هماهنگی داشته باشد. رهبران کسب و کارها و متخصصین این حوزه باید به طور مشترک تصمیم‌گیری کنند که بر روی کدام مسائل کسب و کار تمرکز کنند و در صورتی که هر شبهه‌ ای درباره اولویت بندی‌ها ایجاد شد، این رهبران و مدیران کسب‌وکار‌ها هستند که باید تصمیم نهایی را بگیرند. رهبران کسب‌وکارها نیاز دارند که با علم داده آشنا باشند. اگر یک رهبر کسب و کار هستید، نیازی به تخصص عمیق در علم داده نیست اما شما باید یک درک پایه ای و عملی از آن داشته باشید. داده‌ها بدون شک شفافیت ایجاد می‌کنند و بصیرتی درباره کسب و کارتان به شما می‌دهند که ممکن است غیرمنتظره، ناخوشایند و حتی غیرقابل قبول باشند. تجزیه و تحلیل داده‌ها، نقاط ضعف و تلفیقات نادرست را کشف خواهد کرد که ممکن است بر روی رهبری و تفکر سنتی نیز بسیار تأثیرگذار باشد. رهبران کسب و کاری که پاسخ‌هایی که دوست ندارند را سرکوب کرده و یا نادیده می‌گیرند، به سرعت ارزش تجزیه و تحلیل داده‌ها را تضعیف خواهند کرد.

رویکرد تمامی مدیران در قبال تحلیل داده عموما در یکی از پنج سناریو زیرقرار میگیرد: دو تا که به طور معمول شکست می‌خورند، دو تا که گاهی اوقات موفقیت جزئی به ارمغان می‌آورند و یک سناریو که به عنوان بهترین رویکرد پررنگ شده است. بیایید هرکدام را بررسی کنیم:

ما اینجا هستیم تا به شما در حل مشکلات کمک کنیم - آیا چالش‌ جدیدی برای برطرف کردن وجود دارد؟

این سناریو اغلب با تصمیم مدیرعامل (گاهی به دنبال تشویق هیئت مدیره) برای استخدام یک متخصص داده کاوی و ایجاد یک گروه تحلیل داده آغاز می‌شود. تیم داده‌ها با انگیزه‌های بزرگ به سازمان وارد می‌شود، اما بدون هدایت و راهنمایی دقیق برای پیدا کردن مشکلات کسب و کار و حل آن‌ها. داده‌شناسان، به طور کلی، درک عملی از کسب و کار را ندارند و رهبران کسب و کار نمی‌دانند که دقیقاً چه انتظاراتی می‌توانند از داده کاو های خود داشته باشند ویا چگونه از آن‌ها استفاده کنند.

اقدام بی‌تمرکز و عمومی به سمت همه‌چیز

اشتیاق بیش از اندازه برای استفاده از علوم داده می‌تواند منجر به ایجاد شدن آرمان‌های بسیار بزرگی با هدف تأثیرگذاری بر کل شرکت در یک بازه زمانی بسیارکوتاه شود. واقعیت، به خصوص در شرکت‌های بزرگ، این است که وجود بسیاری از سیستم‌های قدیمی، مشکلات عملی بسیار و کم بودن تعداد اعضای تیم علوم داده ممکن است باعث شود که تلاش برای تأثیرگذاری چشم‌گیر در کل شرکت نتایج افتضاحی را به ارمغان بیاورد. نتایج حاصله در کسب‌وکارها به طور معمول به شکل قابل توجهی ازپس انتظارات بالا بر نمی‌آید. همانطور که یک مدیر ارشد یک شرکت تولیدی چندملیتی اروپایی گفت، "ما سه سال است که در این حوزه فعالیت می‌کنیم و میلیون‌ها یورو هزینه کرده‌ایم، اما چیز زیادی برای نشان دادن نداریم." اغلب در این سناریو پس از هزینه های فراوان، ارزش چشم گیری در کسب و کار به‌دست مدیران نمی‌آید.

تشویق به ایده‌ها و پیشنهادات متعدد از منابع مختلف

سومین سناریو در صورت اجرایی شدن وعده‌های خوبی شما می‌دهد: مدیران ارشد (سطح C) تصمیم می‌گیرند که تجزیه و تحلیل داده باید در سراسر سازمان به کار گرفته شود و استفاده عملی از آن به عهده هر یک از رهبران واحد‌ها یا سرپرستان بخش قرار گیرد. در این حالت نتیجه حاصله به شدت بستگی به این دارد که هر سرپرست کسب و کار چه شکلی از این ابزار جدید استفاده می‌کند. برخی از آن را پذیرفته و نتایج قابل توجهی را به دست می‌آورند، در حالی که دیگران مطمئن نیستند چه کاری باید انجام دهند و یا از آن اجتناب می‌کنند. در نهایت، "تجزیه و تحلیل داده" اغلب به معنی بهبود گزارش‌دهی مورد استفاده قرار می‌گیرد. پایگاه‌های داده، سیستم‌ها و ابزارها افزایش یافته و تلاش‌های پراکنده باعث می‌شود ارزش تجاری ایجاد شده را به سختی اندازه گیری کرد و یا قدرت مقیاس‌پذیری آن به شدت کاهش یابد.

اگر طی سه سال ده میلیون دلار هزینه کنیم نتایج فوق‌العاده ای خواهیم گرفت!

این رویکرد منطقی با همه قصدها و نیت‌های درست انجام می‌شود، و نیاز به تعهد، سرمایه‌گذاری و زمان دارد تا داده‌کاوی بتواند ارزش واقعی برای کسب و کار ایجاد کند. اما مشکل اصلی این رویکرد این است که به طور کلی بیشتر به فرآیند تمرکز می‌کند تا به نتایج واقعی برای کسب و کار. اغلب این رویکرد شامل یک سری از کارگاه‌ها، کمیته‌ها و جلساتی است که بدون نتیجه قابل توجیهی ادامه پیدا می‌کنند. سرمایه‌گذاری‌های چند ساله بدون داشتن هیچ نتیجه قابل توجیهی در برابر انتظاراتی که ایجاد می‌کند کار بسیار سختی است، تازه اگر شرایط متغیر کسب و کارها را در طول زمان در نظر نگیریم. به عنوان مثال، یک شرکت صنعتی بزرگ، سال‌هاست که برنامه‌ریزی، توسعه و بحث درباره طرح‌های داده‌کاوی خود را آغاز کرده است، اما مدیران هنوز نمی‌دانند که این تلاش سعی دارد به چه چیزی ختم شود و چه زمانی قرار است تا یک دست‌آورد واقعی برای کسب‌وکارشان ایجاد کند. در این سناریو با وجود شروعی قدرتمند و امیدوار کننده، زمان زیادی بدون نتایج چشم گیر برای کسب و کار می‌گذرد و در نتیجه حمایت از آن کاهش می‌یابد.

شروع با تاثیرگذار ترین مسائل موجود در سازمان

سرانجام، رویکردی که بهترین نتیجه را به دنبال دارد: شناسایی تعداد محدودی از "مشکلات کسب و کار با بالاترین تأثیر ممکن" که تعریف دقیقی داشته باشند، به سرعت قابل رسیدگی باشند و به طور آشکار برای کسب‌وکار ارزش آفرینی می‎کنند، و سپس بر روی آن‌ها تمرکز کنید تا نتایج حاصله از آن در کسب و کار را نشان دهید. انتخاب یک مشکل خاص، تیم را برای شناسایی داده‌ها و تحلیل‌های مورد نیاز هدایت می‌کند و پیروزی‌های سریع ارزش بالای این ایده برای یک کسب‌ و کار را نشان می‌دهد.

به عنوان مثال، یک آمایشگاه‌ تصویربرداری پزشکی، مشکلی که بالاترین تأثیر ممکن را دارد در "عدم حضور بیماران پس از درخواست وقت ویزیت" شناسایی کرد. این شرکت تصمیم گرفت تا عدم حضور بیماران را پیش‌بینی کرده و اثرات منفی آن را کاهش دهد، کاهش عدم حضور بیماران بر روی ترازنامه شرکت تأثیر مستقیمی دارد. هیچ جایگزین بهتری نیست که باعث اعتبارسازی تجزیه و تحلیل داده‌ها و پایداری متعهد شدن به آن در طولانی مدت می‌شود.

بهترین شیوه‌ها و روش‌های کارآمد برای تجزیه و تحلیل داده‌ها

هنگامی که به این سناریوها نگاه می‌کنیم، بهترین شیوه‌ها و روش‌های کارآمد خودشان را به ما نشان می‌دهند:

1. علم داده‌ها نمی‌توانند به تنهایی و به دور از سازمان شما تاثیرگذار باشند. بلکه باید به طور یکپارچه مورد استفاده قرار بگیرند و با سازمان و فرآیندها تعامل کند.

2. شما به اولویت بندی‌های مشترک نیاز دارید. رهبران کسب و کار و داده‌شناسان باید به طور مشترک تصمیم بگیرند که روی چه مشکلاتی در کسب و کار تمرکز کنند. اگر درباره اولویت‌بندی سوالی وجود دارد، تصمیم نهایی باید به دست رهبران کسب و کار باشد و نه متخصصین داده کاوی.

3. رهبران نیاز دارند به زبان داده‌شناسی تسلط پیدا کنند. رهبران کسب و کار نیاز به تخصص عمیق در داده‌شناسی ندارند، اما نیاز به درک پایه و کاربردی داده‌شناسی الزامی است. تسلط به زبان داده‌شناسی به رهبران کسب و کار امکان می‌دهد که به طور موثر با تیم‌های داده‌شناسی خود همکاری کنند.

4. ممکن است نیاز داشته باشید تا "نتایج نامطلوب" را بپذیرید. داده‌ها بدون شک شفافیت ایجاد می‌کنند و بینش جدیدی ایجاد می‌کنند که ممکن است غیرمنتظره، ناخوشایند و ناخوش‌آمد باشد. داده‌شناسی کسب و کار به طور طبیعی عدم کارآمدی‌ها و ابهاماتی را کشف می‌کند که رهبری را پیچیده‌تر می‌کند و تفکر معمول را مختل می‌کند. رهبران کسب و کاری که پاسخ‌هایی را که دوست ندارند سرکوب کرده و یا نادیده می‌گیرند، به سرعت ارزش داده‌شناسی را تضعیف، و با آن مقابله خواهند کرد.

با مشاهده رویکردهای متفاوتی که توسط شرکت‌ها در زمینه داده‌شناسی انجام می‌شود، می‌توانیم ببینیم کدام رویکردها موثر بوده‌اند و کدام‌ها نبوده‌اند و مهم تر از همه کدام یک موفق شده اند تا یک ارزش واقعی برای شرکت به ارمغان بیاورند. به یاد داشته باشید که اگر داده‌شناسی شما ارزش قابل توجهی به کسب و کار شما اضافه نکند، موفقیت و پایداری زیادی نخواهد داشت.

منبع: HBR