DNA'et i en succesfuld transformationsorganisation (del 5)

DNA'et i en succesfuld transformationsorganisation (del 5)

Tidsstempel: 8. august 2023 kl. 11
The DNA of a Successful Transformation Organization (Part 5) PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Udskiftning af Anecdata med Real Insights

Den irske matematiker, fysiker og ingeniør Lord Kelvin efterlod os med adskillige videnskabelige opfindelser og disse slående visdomsord: "Det, der ikke er defineret, kan ikke måles. Hvad der ikke måles, kan ikke forbedres. Hvad der ikke bliver forbedret, bliver altid forringet.”

I de foregående fire rater har vi argumenteret for, at vellykket transformation ikke skal ses som en lineær engangsændring, men som cykliske bestræbelser, der leverer inkrementel og målbar værdi og er agile nok til at kurskorrigere for skiftende forhold. I den sidste del ser vi på, hvordan en struktureret og bevidst tilgang til data, rapportering og empirisk beslutningstagning kan bruges til at tilpasse organisatoriske realiteter med strategiske imperativer og drive transformationsdagsordenen.

Mange finansielle institutioner har formaliseret strategisk planlægning og målsætningsinfrastruktur, budget, investeringsplanlægningsprocesser og agile leveringsrammer. Men de kan stadig lide af utilstrækkeligheder i disse processer og mangler en fælles søjle, der bringer dem sammen.

Denne søjle måler organisationens sundhed ved hjælp af hårde data med så lidt forsinkelse som muligt. På trods af udbredt forståelse af vigtigheden af ​​data for en organisations strategi, er der to måder, hvorpå information til beslutningstagning typisk indsamles:

  • Anekdata. Organisationer er ofte drevet af pres genereret af kunder eller interne interessenter. Mens kundeservice er et beundringsværdigt mål, kan en uorganiseret eller fragmenteret tilgang til, hvem der skal serviceres først, ofte føre til forstyrrelser. Disse organisationer ender med at prioritere de højeste stemmer i rummet i stedet for de mest trængende. Initiativer iværksættes med dårligt definerede mål og dårligt forståede ROI'er. Når den er fuldført, hævdes sejren baseret på succesfuld eksekvering af milepæle eller vejafgifter for projektledelse, i modsætning til en objektiv vurdering af forretningsresultater og præstationsdata.
  • Ad hoc data. Det er almindeligt inden for finansielle tjenester, at ledere bliver bedt om hurtigt at samle præsentationer, der diskuterer det seneste spørgsmål eller emne de jour. Men der er potentielle problemer forude. Ved at stole på "punkt-i-tids"-data, der er indsamlet hurtigt, kan disse præsentationer ikke genkende de negative virkninger, som ufuldstændige eller ude af kontekstdata kan have på beslutningstagning og strategisk planlægning. Denne type data kommer typisk i en af ​​to former:
  1. Produktionsdataudtræk leveret af applikationsteams for at vise den aktuelle tilstand af et specifikt system, produkt eller brugerrejse. Denne type data kommer med sit eget sæt af risici og huller, herunder mangel på forretningskontekst, som dataene skal overvejes i, størrelsen og stikprøvekarakteristika for det pågældende datasæt, sløring af kildedata og latenstid. Disse fører til betydelig forvirring og distraktion, mens det korrekte datasæt identificeres og samles.
  2. Hændelses- eller problemdata hentet fra produktionssupportteams, der repræsenterer et historisk øjebliksbillede af hændelser, der opfylder visse operationelle kriterier. Denne information er ofte plaget af en mangel på fuldstændighed, såvel som risikoen for udsmykning gennem overlevelse og bekræftelsesfordomme. Optegnelserne peger på, hvor der er investeret tid og ressourcer for at løse produktionsudfordringer, men skjuler ofte årsagen.

Begge disse tilgange fører til ineffektiv brug af ressourcer til at kortslutte en mere robust overvågnings- og måletilgang. Mere bekymrende er, at niveauet af menneskelig indgriben, der kræves, giver sig selv til forvrængning af dataene, enten på grund af en forskel i definitionen af ​​nøgledatapunkter eller ubehag med det kernebudskab, dataene giver.

I begge tilfælde gør den mængde arbejde, der er nødvendig for at udlede meningsfuld information fra dataene, og de risici, der er forbundet med at fejlfortolke dem, det til et forslag, der mangler meget værdi for finansielle institutioner, der ønsker at være innovationsledere. Denne tilgang, der i sagens natur er belønningsvendt, tvinger organisationen til at styre bilen ved kun at se i bakspejlet.

En almindelig misforståelse om at løse dette mangel på strukturerede dataproblem er at lægge for meget afhængighed af specifikke værktøjer som Tableau eller Microsoft Power BI. I virkeligheden skærer problemerne meget dybere end blot mangel på analyse- eller visualiseringsværktøjer; de strækker sig fra de meget tidlige stadier af den strategiske planlægningsproces, gennem levering og ind i business as usual-aktivitet.

Vores erfaring er, at succesrige organisationer udvikler høje niveauer af færdigheder inden for følgende områder for at opbygge pålidelige overvågnings- og målekapaciteter:

1. Måling af det, der betyder noget. De fremherskende markedsforhold, kundernes forventninger, nye teknologier, konkurrenceforstyrrelser og reguleringsændringer skaber et konstant skiftende driftslandskab for finansielle institutioner. Det er afgørende at forstå de fremadrettede mål og nøglepræstationsindikatorer for at hjælpe med at validere beslutningstagning og muliggøre mere adaptiv forretningsplanlægning.

Det betyder, at der kræves mere end en simpel femårig indtægts- eller omkostningsreduktionsprognose, før man godkender et nyt initiativ. Det betyder at skabe top-to-bot-forbindelse mellem organisationens strategiske mål og arbejdet med leverings- og driftsteams. Denne ramme etablerer selve kernen i en finansiel institutions overvågnings- og målekapacitet og kan ikke omgås.   

 2. Datateknik og analyse. Før opbygning af dashboards, skal grundlaget lægges for at sikre, at alle datakilder er identificeret, og at datapunkterne til at udlede relevante forretningsmålinger er katalogiseret. Det er også ekstremt vigtigt for alle interessenter at forstå, hvad dataene skal bruges til, og hvordan det hjælper med at generere de målinger, de har brug for. For eksempel: er bekræftelsestid den tid, det tager at bekræfte en handel fra bookingtidspunktet, eller fra det tidspunkt, hvor den kommer ind i bekræftelsesstakken? Denne identifikation hjælper med at forhindre forvirring og reduceret efterarbejde. Denne proces bygger trinvist ud fra rammerne etableret ovenfor og repræsenterer de fysiske datamodeller og infrastruktur, der kræves for at overvåge og underbygge organisationens strategiske mål.

3. Datastyring. Alle datasæt skal overholde organisationens datapolitikker. Selvom disse varierer meget afhængigt af forretningsmodel, kundekreds og produktsæt, er nøgleprincipperne for effektiv datastyring konsekvente, og de starter altid med forretningsbehovet på forkant. Spørgsmål at overveje omfatter:

  • Datatilgængelighed. Med hvilken granularitet og hyppighed kræves data for at understøtte virksomhedens mål for måling og overvågning? Mens dashboards fungerer bedst på data på højt niveau på grund af ydeevnekrav, giver aggregerede data ikke mulighed for at analysere årsagen, fordi individuelle transaktioner ikke kan identificeres. Det betyder, at en arkitektur, der bedst passer til den enkelte organisations behov, skal vælges og designes med vilje. Der skal udvises forsigtighed, når man definerer, hvor ofte data skal opdateres. KRI'er er typisk i realtid eller opdateres dagligt, mens KPI'er kan opdateres med en langsommere kadence. Hurtigere frekvens er ofte ikke nødvendigvis bedre, når den afbalanceres i forhold til infrastrukturomkostninger og præstationshensyn.
  • Dataintegritet. Hvem ejer en specifik datakilde, og hvor vil disse data leve i organisationens datainfrastruktur?  Strategisk beslutningstagning udhules, når en organisation ikke kan forsikre forbrugerne om, at de får adgang til de rigtige data, der kommer fra de rigtige kilder. Anti-mønstre kan dannes, når en organisation organisk danner unikke data- og analysekapaciteter på tværs af brancher, hver med unikke metoder til at hente og lagre data. Tydeligt ejerskab og ansvarlighed for data kombineret med centralt definerede roller og ansvar er kritiske succesfaktorer. 
  • Datasikkerhed. Hvad kan en organisation gøre for at sikre, at databeskyttelse og sikkerhedsregler er på plads og overholdes bredt? At skabe en datastyringsmodel, der sikrer, at følsomme forretningsoplysninger kun er tilgængelige for personer med det operationelle behov for at vide, kan nogle gange virke kontraproduktivt og opstille unødvendige barrierer. Succesfulde transformationsorganisationer erkender denne udfordring og centraliserer mange funktioner inden for dataindsamling, sløring og visualisering. Dette er nøglen, især når man beskæftiger sig med data på transaktionsniveau, der giver indsigt i klientens finansielle aktivitet og personligt identificerbare oplysninger.

 4. Business intelligence kultur. Dette er det brugervendte element i datavidenskab og tiltrækker typisk mest opmærksomhed. Fremme af en kultur, hvor brugere aktivt bruger tidligere utilgængelige informationer, åbner en verden af ​​muligheder for at analysere og forbedre organisationens ydeevne. Desværre bruges de fleste sådanne værktøjer ikke efter hensigten, men snarere i efterhånden til at analysere problemer. Det er bydende nødvendigt for organisationer at presse på brugen af ​​analyseværktøjer som proaktive præstationsstyringsværktøjer, der kan bruges til at forudse tendenser på forhånd.

Nøglen er at identificere forskellige use cases og bygge flere lag af analyser til forskellige brugerbaser. Typisk har ledere på mellemniveau brug for flere detaljer på tværs af en mindre bredde af funktioner, mens seniorledelsen har brug for målinger på højere niveau på tværs af virksomheden. At tilpasse data, KPI'er, visualisering og organisationsdesign er det, der skaber en kultur af datadrevet beslutningstagning og smidighed.

Som konklusion, når disse funktioner er tilgængelige på tværs af organisationen, betaler de sig på flere måder. Lederteams kan udpege områder i deres virksomhed, der er bedst egnede til eller har mest behov for transformation. Transformationsteams kan spore resultaterne af deres indsats i næsten realtid. Og de to ender af spektret kan problemfrit forbindes med en gennemtænkt OKR-ramme. 

I sidste ende er en progressiv tilgang til overvågning og måling – der muliggør en smidig, datadrevet forretningsmodel – det, der adskiller mange af de mest succesrige transformationsorganisationer. De bruger deres data og en agilitetskultur til at træffe de bedste beslutninger for, hvad der venter forude i nutidens ultra-konkurrencedygtige og hurtigt skiftende forretningsmiljø.

Tidsstempel:

Mere fra Fintextra