Το DNA ενός επιτυχημένου οργανισμού μετασχηματισμού (Μέρος 5)

Αντικατάσταση Anecdata με Real Insights

Ο Ιρλανδός μαθηματικός, φυσικός και μηχανικός Λόρδος Κέλβιν μας άφησε πολλές επιστημονικές εφευρέσεις και αυτά τα εντυπωσιακά λόγια σοφίας: «Ό,τι δεν ορίζεται δεν μπορεί να μετρηθεί. Ό,τι δεν μετριέται, δεν μπορεί να βελτιωθεί. Ό,τι δεν βελτιώνεται, πάντα υποβαθμίζεται».

Στις προηγούμενες τέσσερις δόσεις, υποστηρίξαμε ότι ο επιτυχημένος μετασχηματισμός δεν πρέπει να θεωρηθεί ως γραμμική, εφάπαξ αλλαγή, αλλά ως κυκλικές προσπάθειες που προσφέρουν αυξητική και μετρήσιμη αξία και είναι αρκετά ευέλικτοι για να διορθώσουν τις αλλαγές στις συνθήκες. Στην τελευταία δόση, εξετάζουμε πώς μπορεί να χρησιμοποιηθεί μια δομημένη και σκόπιμη προσέγγιση στα δεδομένα, τις αναφορές και τη λήψη εμπειρικών αποφάσεων για την ευθυγράμμιση της πραγματικότητας του οργανισμού με τις στρατηγικές επιταγές και την προώθηση της ατζέντας μετασχηματισμού.

Πολλά χρηματοπιστωτικά ιδρύματα έχουν επισημοποιήσει τον στρατηγικό σχεδιασμό και την υποδομή καθορισμού στόχων, τον προϋπολογισμό, τις διαδικασίες επενδυτικού σχεδιασμού και τα ευέλικτα πλαίσια παράδοσης. Αλλά μπορεί να υποφέρουν ακόμα από ανεπάρκειες σε αυτές τις διαδικασίες και να τους λείπει ένας κοινός πυλώνας που τους ενώνει.

Αυτός ο πυλώνας μετρά την υγεία του οργανισμού χρησιμοποιώντας σκληρά δεδομένα με όσο το δυνατόν λιγότερο χρόνο καθυστέρησης. Παρά την ευρεία κατανόηση της σημασίας των δεδομένων στη στρατηγική ενός οργανισμού, υπάρχουν δύο τρόποι με τους οποίους συνήθως συλλέγονται πληροφορίες για τη λήψη αποφάσεων:

• Anecdata. Οι οργανισμοί συχνά οδηγούνται από πιέσεις που δημιουργούνται από πελάτες ή εσωτερικά ενδιαφερόμενα μέρη. Ενώ η εξυπηρέτηση πελατών είναι ένας αξιοθαύμαστος στόχος, μια αποδιοργανωμένη ή κατακερματισμένη προσέγγιση σχετικά με το ποιος θα εξυπηρετήσει πρώτος μπορεί συχνά να οδηγήσει σε αναστάτωση. Αυτοί οι οργανισμοί καταλήγουν να δίνουν προτεραιότητα στις πιο δυνατές φωνές στην αίθουσα αντί για τις πιο άπορες. Οι πρωτοβουλίες αναλαμβάνονται με ασαφείς στόχους και κακώς κατανοητές ROI. Μόλις ολοκληρωθεί, η νίκη διεκδικείται με βάση την επιτυχή εκτέλεση των ορόσημων ή των πυλών διοδίων διαχείρισης έργου, σε αντίθεση με την αντικειμενική αξιολόγηση των επιχειρηματικών αποτελεσμάτων και των δεδομένων απόδοσης.

• Ad-hoc δεδομένα. Είναι σύνηθες στις χρηματοοικονομικές υπηρεσίες να ζητείται από τους διευθυντές να συγκεντρώνουν γρήγορα παρουσιάσεις συζητώντας το τελευταίο τεύχος ή θέμα της εφημερίδας. Αλλά υπάρχει πιθανό πρόβλημα μπροστά. Βασιζόμενοι σε δεδομένα «σημείου-σε-χρόνου» που συγκεντρώθηκαν βιαστικά, αυτές οι παρουσιάσεις αποτυγχάνουν να αναγνωρίσουν τις αρνητικές επιπτώσεις που μπορούν να έχουν τα ελλιπή ή εκτός πλαισίου δεδομένα στη λήψη αποφάσεων και στον στρατηγικό σχεδιασμό. Αυτός ο τύπος δεδομένων έρχεται συνήθως σε μία από τις δύο μορφές:

1. Αποσπάσματα δεδομένων παραγωγής που παρέχονται από ομάδες εφαρμογών για να δείξουν την τρέχουσα κατάσταση ενός συγκεκριμένου συστήματος, προϊόντος ή διαδρομής χρήστη. Αυτός ο τύπος δεδομένων συνοδεύεται από το δικό του σύνολο κινδύνων και κενών, συμπεριλαμβανομένης της έλλειψης επιχειρηματικού πλαισίου στο οποίο θα πρέπει να λαμβάνονται υπόψη τα δεδομένα, το μέγεθος και τα χαρακτηριστικά δειγματοληψίας του εν λόγω συνόλου δεδομένων, η συσκότιση των δεδομένων πηγής και η καθυστέρηση. Αυτά οδηγούν σε σημαντική σύγχυση και απόσπαση της προσοχής ενώ εντοπίζεται και συγκεντρώνεται το σωστό σύνολο δεδομένων.
2. Δεδομένα συμβάντων ή προβλημάτων προέρχονται από ομάδες υποστήριξης παραγωγής που αντιπροσωπεύουν μια ιστορική στιγμιότυπο γεγονότων που πληρούν ορισμένα λειτουργικά κριτήρια. Αυτές οι πληροφορίες συχνά μαστίζονται από έλλειψη πληρότητας, καθώς και από τον κίνδυνο εξωραϊσμού μέσω προκαταλήψεων επιβίωσης και επιβεβαίωσης. Τα αρχεία δείχνουν πού έχουν επενδυθεί χρόνος και πόροι για την επίλυση των προκλήσεων παραγωγής, αλλά συχνά συγκαλύπτουν τη βασική αιτία.

Και οι δύο αυτές προσεγγίσεις οδηγούν σε αναποτελεσματική χρήση των πόρων για βραχυκύκλωμα μιας πιο ισχυρής προσέγγισης παρακολούθησης και μέτρησης. Πιο ανησυχητικό, το επίπεδο της ανθρώπινης παρέμβασης που απαιτείται προσφέρεται για παραμόρφωση των δεδομένων, είτε λόγω διαφοράς στον ορισμό των βασικών σημείων δεδομένων είτε λόγω δυσφορίας με το βασικό μήνυμα που παρέχουν τα δεδομένα.

Και στις δύο περιπτώσεις, ο όγκος της εργασίας που απαιτείται για την απόκτηση ουσιαστικών πληροφοριών από τα δεδομένα και οι κίνδυνοι που συνδέονται με την παρερμηνεία τους την καθιστούν μια πρόταση χωρίς μεγάλη αξία για τα χρηματοπιστωτικά ιδρύματα που επιθυμούν να είναι πρωτοπόροι στην καινοτομία. Αυτή η προσέγγιση αναγκάζει τον οργανισμό να κατευθύνει το αυτοκίνητο κοιτώντας μόνο στον καθρέφτη.

Μια κοινή παρανόηση σχετικά με την επίλυση αυτού του προβλήματος έλλειψης δομημένων δεδομένων είναι η υπερβολική εξάρτηση από συγκεκριμένα εργαλεία όπως το Tableau ή το Microsoft Power BI. Στην πραγματικότητα, τα ζητήματα είναι πολύ πιο βαθιά από την απλή έλλειψη αναλυτικών στοιχείων ή εργαλείων οπτικοποίησης. επεκτείνονται από τα πολύ πρώιμα στάδια της διαδικασίας στρατηγικού σχεδιασμού, μέσω της παράδοσης και στη συνήθη δραστηριότητα.

Σύμφωνα με την εμπειρία μας, οι επιτυχημένοι οργανισμοί αναπτύσσουν υψηλά επίπεδα επάρκειας στους ακόλουθους τομείς για τη δημιουργία αξιόπιστων ικανοτήτων παρακολούθησης και μέτρησης:

1. Μέτρηση τι έχει σημασία. Οι συνθήκες που επικρατούν στην αγορά, οι προσδοκίες των πελατών, οι αναδυόμενες τεχνολογίες, η διαταραχή του ανταγωνισμού και οι κανονιστικές αλλαγές δημιουργούν ένα συνεχώς μεταβαλλόμενο τοπίο λειτουργίας για τα χρηματοπιστωτικά ιδρύματα. Είναι σημαντικό να κατανοήσουμε τους μακροπρόθεσμους στόχους και τους βασικούς δείκτες απόδοσης για να βοηθήσουμε στην επικύρωση της λήψης αποφάσεων και να επιτρέψουμε τον πιο προσαρμοστικό επιχειρηματικό σχεδιασμό.

Αυτό σημαίνει ότι απαιτείται κάτι περισσότερο από μια απλή πρόβλεψη εσόδων πέντε ετών ή μείωσης του κόστους πριν από την έγκριση μιας νέας πρωτοβουλίας. Σημαίνει τη δημιουργία σύνδεσης από πάνω προς τα κάτω μεταξύ των στρατηγικών στόχων του οργανισμού και του έργου των ομάδων παράδοσης και λειτουργίας. Αυτό το πλαίσιο καθορίζει τον ίδιο τον πυρήνα της ικανότητας παρακολούθησης και μέτρησης ενός χρηματοπιστωτικού ιδρύματος και δεν μπορεί να παρακαμφθεί.   

 2. Μηχανική και ανάλυση δεδομένων. Πριν από την κατασκευή πινάκων εργαλείων, πρέπει να τεθούν οι βάσεις για να διασφαλιστεί ότι έχουν εντοπιστεί όλες οι πηγές δεδομένων και ότι τα σημεία δεδομένων για την εξαγωγή σχετικών επιχειρηματικών μετρήσεων έχουν καταγραφεί. Είναι επίσης εξαιρετικά σημαντικό για όλα τα ενδιαφερόμενα μέρη να κατανοήσουν για ποιον σκοπό θα χρησιμοποιηθούν τα δεδομένα και πώς βοηθούν στην επίτευξη των μετρήσεων που χρειάζονται. Για παράδειγμα: ο χρόνος επιβεβαίωσης είναι ο χρόνος που χρειάζεται για να επιβεβαιωθεί μια συναλλαγή από τη στιγμή της κράτησης ή από τη στιγμή που εισέρχεται στη στοίβα επιβεβαίωσης; Αυτή η αναγνώριση βοηθά στην αποφυγή σύγχυσης και μειωμένης επανάληψης εργασίας. Αυτή η διαδικασία βασίζεται σταδιακά από το πλαίσιο που καθορίστηκε παραπάνω και αντιπροσωπεύει τα φυσικά μοντέλα δεδομένων και την υποδομή που απαιτούνται για την παρακολούθηση και την τεκμηρίωση του στρατηγικού στόχου του οργανισμού.

3. Διακυβέρνηση δεδομένων. Όλα τα σύνολα δεδομένων πρέπει να συμμορφώνονται με τις πολιτικές δεδομένων του οργανισμού. Ενώ αυτές ποικίλλουν ευρέως ανάλογα με το επιχειρηματικό μοντέλο, την πελατεία και τα σύνολα προϊόντων, οι βασικές αρχές της αποτελεσματικής διακυβέρνησης δεδομένων είναι συνεπείς και ξεκινούν πάντα με την επιχειρηματική ανάγκη στην πρώτη γραμμή. Οι ερωτήσεις που πρέπει να ληφθούν υπόψη περιλαμβάνουν:

• Διαθεσιμότητα δεδομένων. Με ποια ευαισθησία και συχνότητα απαιτούνται δεδομένα για την υποστήριξη των στόχων μέτρησης και παρακολούθησης της επιχείρησης; Ενώ οι πίνακες εργαλείων λειτουργούν καλύτερα σε δεδομένα υψηλού επιπέδου λόγω απαιτήσεων απόδοσης, τα συγκεντρωτικά δεδομένα δεν βοηθούν στην ανάλυση των βασικών αιτιών, επειδή δεν μπορούν να εντοπιστούν μεμονωμένες συναλλαγές. Αυτό σημαίνει ότι μια αρχιτεκτονική που ταιριάζει καλύτερα στις ανάγκες κάθε οργανισμού πρέπει να επιλεγεί και να σχεδιαστεί σκόπιμα. Πρέπει να δίνεται προσοχή κατά τον καθορισμό του πόσο συχνά θα πρέπει να ανανεώνονται τα δεδομένα. Τα KRI είναι συνήθως σε πραγματικό χρόνο ή ενημερώνονται καθημερινά, ενώ τα KPI μπορούν να ανανεώνονται με πιο αργό ρυθμό. Η ταχύτερη συχνότητα συχνά δεν είναι απαραίτητα καλύτερη όταν εξισορροπείται με το κόστος της υποδομής και τις επιδόσεις.

• Ακεραιότητα δεδομένων. Σε ποιον ανήκει μια συγκεκριμένη πηγή δεδομένων και πού θα βρίσκονται αυτά τα δεδομένα στην υποδομή δεδομένων του οργανισμού;  Η λήψη στρατηγικών αποφάσεων διαβρώνεται όταν ένας οργανισμός δεν μπορεί να διαβεβαιώσει τους καταναλωτές ότι έχουν πρόσβαση στα σωστά δεδομένα που προέρχονται από τις σωστές πηγές. Τα αντι-μοτίβα μπορούν να δημιουργηθούν όταν ένας οργανισμός διαμορφώνει οργανικά μοναδικές δυνατότητες δεδομένων και αναλυτικών στοιχείων σε όλες τις δραστηριότητές του, το καθένα με μοναδικές μεθόδους για την προμήθεια και την αποθήκευση δεδομένων. Η σαφής ιδιοκτησία και υπευθυνότητα για δεδομένα σε συνδυασμό με κεντρικά καθορισμένους ρόλους και ευθύνες είναι κρίσιμοι παράγοντες επιτυχίας. 

• Η ασφάλεια των δεδομένων. Τι μπορεί να κάνει ένας οργανισμός για να διασφαλίσει ότι οι κανόνες απορρήτου και ασφάλειας δεδομένων ισχύουν και τηρούνται ευρέως; Η δημιουργία ενός μοντέλου διακυβέρνησης δεδομένων που διασφαλίζει ότι οι ευαίσθητες επιχειρηματικές πληροφορίες είναι προσβάσιμες μόνο από άτομα με λειτουργική ανάγκη να γνωρίζουν μπορεί μερικές φορές να είναι αντιπαραγωγική, δημιουργώντας περιττά εμπόδια. Οι επιτυχημένοι οργανισμοί μετασχηματισμού αναγνωρίζουν αυτή την πρόκληση και συγκεντρώνουν πολλές λειτουργίες συλλογής δεδομένων, συσκότισης και οπτικοποίησης. Αυτό είναι βασικό, ειδικά όταν ασχολούμαστε με δεδομένα σε επίπεδο συναλλαγών που παρέχουν πληροφορίες για την οικονομική δραστηριότητα των πελατών και στοιχεία προσωπικής ταυτοποίησης.

 4. Κουλτούρα επιχειρηματικής ευφυΐας. Αυτό είναι το στοιχείο της επιστήμης δεδομένων που αντιμετωπίζει ο χρήστης και συνήθως συγκεντρώνει τη μεγαλύτερη προσοχή. Η προώθηση μιας κουλτούρας όπου οι χρήστες χρησιμοποιούν ενεργά πληροφορίες που δεν ήταν προσβάσιμες στο παρελθόν ανοίγει έναν κόσμο δυνατοτήτων ανάλυσης και βελτίωσης της απόδοσης του οργανισμού. Δυστυχώς, τα περισσότερα τέτοια εργαλεία δεν χρησιμοποιούνται όπως προορίζονται, αλλά εκ των υστέρων, για την ανάλυση ζητημάτων. Είναι επιτακτική ανάγκη για τους οργανισμούς να προωθήσουν τη χρήση των εργαλείων ανάλυσης ως προληπτικά εργαλεία διαχείρισης απόδοσης που μπορούν να χρησιμοποιηθούν για την πρόβλεψη των τάσεων εκ των προτέρων.

Το κλειδί είναι ο εντοπισμός διαφορετικών περιπτώσεων χρήσης και η δημιουργία πολλαπλών επιπέδων αναλυτικών στοιχείων για διαφορετικές βάσεις χρηστών. Συνήθως, οι διευθυντές μεσαίου επιπέδου χρειάζονται περισσότερες λεπτομέρειες σε μικρότερο εύρος λειτουργιών, ενώ η ανώτερη διοίκηση χρειάζεται μετρήσεις υψηλότερου επιπέδου σε όλη την επιχείρηση. Η ευθυγράμμιση των δεδομένων, των KPI, της οπτικοποίησης και του οργανωτικού σχεδιασμού είναι αυτό που δημιουργεί μια κουλτούρα λήψης αποφάσεων με γνώμονα τα δεδομένα και ευελιξία.

Συμπερασματικά, όταν αυτές οι δυνατότητες είναι διαθέσιμες σε ολόκληρο τον οργανισμό, αποδίδουν με πολλούς τρόπους. Οι ομάδες ηγεσίας μπορούν να εντοπίσουν τομείς στην επιχείρησή τους που ταιριάζουν καλύτερα ή χρειάζονται περισσότερο μετασχηματισμό. Οι ομάδες μετασχηματισμού μπορούν να παρακολουθούν τα αποτελέσματα των προσπαθειών τους σε σχεδόν πραγματικό χρόνο. Και τα δύο άκρα του φάσματος μπορούν να συνδεθούν απρόσκοπτα με ένα καλά μελετημένο πλαίσιο OKR. 

Τελικά, μια προοδευτική προσέγγιση για την παρακολούθηση και τη μέτρηση – που επιτρέπει ένα ευκίνητο επιχειρηματικό μοντέλο που βασίζεται σε δεδομένα – είναι αυτό που ξεχωρίζει πολλούς από τους πιο επιτυχημένους οργανισμούς μετασχηματισμού. Χρησιμοποιούν τα δεδομένα τους και την κουλτούρα ευελιξίας τους για να λάβουν τις καλύτερες αποφάσεις για το μέλλον στο σημερινό εξαιρετικά ανταγωνιστικό και γρήγορα μεταβαλλόμενο επιχειρηματικό περιβάλλον.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
• πηγή: https://www.finextra.com/blogposting/24722/the-dna-of-a-successful-transformation-organization-part-5?utm_medium=rssfinextra&utm_source=finextrablogs