DNA Organisasi Transformasi yang Sukses (Bagian 5)

Mengganti Anecdata dengan Wawasan Nyata

Ahli matematika, fisikawan, dan insinyur Irlandia Lord Kelvin meninggalkan kita dengan banyak penemuan ilmiah dan kata-kata bijak yang mencolok ini: “Apa yang tidak didefinisikan tidak dapat diukur. Apa yang tidak diukur, tidak dapat diperbaiki. Apa yang tidak diperbaiki, selalu direndahkan.”

Dalam empat angsuran sebelumnya, kami membuat kasus untuk transformasi yang berhasil untuk dilihat bukan sebagai perubahan linier, satu kali, tetapi sebagai upaya siklus yang memberikan nilai tambahan dan terukur dan cukup gesit untuk mengoreksi arah untuk kondisi yang berubah. Dalam angsuran terakhir, kita melihat bagaimana pendekatan terstruktur dan disengaja terhadap data, pelaporan, dan pengambilan keputusan empiris dapat digunakan untuk menyelaraskan realitas organisasi dengan keharusan strategis dan mendorong agenda transformasi.

Banyak lembaga keuangan telah memformalkan perencanaan strategis dan infrastruktur penetapan tujuan, anggaran, proses perencanaan investasi, dan kerangka kerja pengiriman yang gesit. Tapi mereka mungkin masih menderita kekurangan dalam proses ini, dan kekurangan pilar umum yang menyatukan mereka.

Pilar ini mengukur kesehatan organisasi menggunakan hard data dengan jeda waktu sesedikit mungkin. Terlepas dari pemahaman luas tentang pentingnya data untuk strategi organisasi, ada dua cara di mana informasi untuk pengambilan keputusan biasanya dikumpulkan:

• Anekdata. Organisasi sering didorong oleh tekanan yang dihasilkan oleh klien atau pemangku kepentingan internal. Sementara layanan klien adalah tujuan yang mengagumkan, pendekatan yang tidak terorganisir atau terfragmentasi tentang siapa yang harus dilayani terlebih dahulu sering kali dapat menyebabkan gangguan. Organisasi-organisasi ini akhirnya memprioritaskan suara yang paling keras di dalam ruangan daripada yang paling membutuhkan. Inisiatif dilakukan dengan tujuan yang tidak jelas dan ROI yang kurang dipahami. Setelah selesai, kemenangan diklaim berdasarkan keberhasilan pelaksanaan tol atau gerbang tol manajemen proyek, sebagai lawan dari penilaian objektif atas hasil bisnis dan data kinerja.

• Data ad-hoc. Adalah hal yang umum dalam jasa keuangan bagi para manajer untuk diminta untuk segera mengadakan presentasi yang membahas isu atau topik terkini. Tapi ada potensi masalah di depan. Dengan mengandalkan data “point-in-time” yang dikumpulkan secara tergesa-gesa, presentasi ini gagal mengenali dampak merugikan yang dapat ditimbulkan oleh data yang tidak lengkap atau di luar konteks terhadap pengambilan keputusan dan perencanaan strategis. Jenis data ini biasanya datang dalam salah satu dari dua bentuk:

1. Ekstrak data produksi yang disediakan oleh tim aplikasi untuk menunjukkan status saat ini dari sistem, produk, atau perjalanan pengguna tertentu. Jenis data ini dilengkapi dengan risiko dan celahnya sendiri, termasuk kurangnya konteks bisnis di mana data harus dipertimbangkan, ukuran dan karakteristik pengambilan sampel dari kumpulan data yang dipermasalahkan, kebingungan data sumber, dan latensi. Ini menyebabkan kebingungan dan gangguan yang signifikan sementara kumpulan data yang benar diidentifikasi dan dikumpulkan.
2. Data insiden atau masalah yang bersumber dari tim pendukung produksi yang mewakili gambaran sejarah kejadian yang memenuhi kriteria operasional tertentu. Informasi ini sering diganggu oleh kurangnya kelengkapan, serta risiko perhiasan melalui bias penyintas dan konfirmasi. Catatan menunjukkan di mana waktu dan sumber daya telah diinvestasikan untuk mengatasi tantangan produksi, tetapi seringkali mengaburkan akar penyebabnya.

Kedua pendekatan ini menyebabkan penggunaan sumber daya yang tidak efisien untuk hubungan pendek pendekatan pemantauan dan pengukuran yang lebih kuat. Lebih memprihatinkan lagi, tingkat intervensi manusia yang diperlukan dapat menyebabkan distorsi data, baik karena perbedaan definisi titik data utama atau ketidaknyamanan dengan pesan inti yang diberikan data.

Dalam kedua kasus tersebut, jumlah pekerjaan yang diperlukan untuk mendapatkan informasi yang berarti dari data dan risiko yang terkait dengan salah menafsirkannya menjadikannya proposisi tanpa banyak nilai bagi lembaga keuangan yang ingin menjadi pemimpin inovasi. Secara inheren menghadap ke penghargaan, pendekatan ini memaksa organisasi untuk mengarahkan mobil hanya dengan melihat ke kaca spion.

Kesalahpahaman umum tentang penyelesaian masalah kekurangan data terstruktur ini adalah terlalu mengandalkan alat khusus seperti Tableau atau Microsoft Power BI. Pada kenyataannya, masalahnya jauh lebih dalam daripada sekadar kurangnya alat analitik atau visualisasi; mereka meluas dari tahap paling awal dari proses perencanaan strategis, melalui pengiriman dan ke aktivitas bisnis seperti biasa.

Dalam pengalaman kami, organisasi yang sukses mengembangkan tingkat kemahiran yang tinggi dalam bidang-bidang berikut untuk membangun kemampuan pemantauan dan pengukuran yang andal:

1. Mengukur apa yang penting. Kondisi pasar yang berlaku, harapan pelanggan, teknologi baru, gangguan kompetitif, dan perubahan peraturan menciptakan lanskap operasi yang terus berubah untuk lembaga keuangan. Sangat penting untuk memahami tujuan berwawasan ke depan dan indikator kinerja utama untuk membantu memvalidasi pengambilan keputusan dan memungkinkan perencanaan bisnis yang lebih adaptif.

Ini berarti membutuhkan lebih dari perkiraan pendapatan lima tahun atau pemotongan biaya sederhana sebelum menyetujui inisiatif baru. Ini berarti menciptakan konektivitas top-to-bottom antara tujuan strategis organisasi dan pekerjaan pengiriman dan tim operasional. Kerangka kerja ini menetapkan inti dari kemampuan pemantauan dan pengukuran lembaga keuangan dan tidak dapat dielakkan.   

 2. Rekayasa dan analitik data. Sebelum membangun dasbor, dasar harus diletakkan untuk memastikan semua sumber data diidentifikasi dan bahwa titik data untuk mendapatkan metrik bisnis yang relevan telah dikatalogkan. Juga sangat penting bagi semua pemangku kepentingan untuk memahami untuk apa data akan digunakan dan bagaimana data tersebut membantu mendorong metrik yang mereka butuhkan. Misalnya: apakah waktu konfirmasi adalah jumlah waktu yang diperlukan untuk mengkonfirmasi perdagangan sejak pemesanan, atau sejak masuk ke tumpukan konfirmasi? Identifikasi ini membantu mencegah kebingungan dan mengurangi pengerjaan ulang. Proses ini dibangun secara bertahap dari kerangka kerja yang ditetapkan di atas dan mewakili model data fisik dan infrastruktur yang diperlukan untuk memantau dan memperkuat tujuan strategis organisasi.

3. Tata kelola data. Semua kumpulan data harus sesuai dengan kebijakan data organisasi. Meskipun ini sangat bervariasi tergantung pada model bisnis, klien, dan rangkaian produk, prinsip utama tata kelola data yang efektif adalah konsisten dan selalu dimulai dengan kebutuhan bisnis di garis depan. Pertanyaan yang perlu dipertimbangkan meliputi:

• Ketersediaan data. Pada perincian dan frekuensi apa data diperlukan untuk mendukung tujuan pengukuran dan pemantauan bisnis? Sementara dasbor berfungsi paling baik pada data tingkat tinggi karena persyaratan kinerja, data gabungan tidak cocok untuk analisis penyebab utama karena transaksi individu tidak dapat diidentifikasi. Ini berarti arsitektur yang paling sesuai dengan kebutuhan setiap organisasi harus dipilih dan dirancang dengan sengaja. Kehati-hatian harus digunakan saat menentukan seberapa sering data harus disegarkan. KRI biasanya real time atau diperbarui setiap hari, sedangkan KPI dapat disegarkan dengan irama yang lebih lambat. Frekuensi yang lebih cepat seringkali belum tentu lebih baik jika diimbangi dengan biaya infrastruktur dan pertimbangan kinerja.

• Integritas data. Siapa yang memiliki sumber data tertentu dan di mana data tersebut berada dalam infrastruktur data organisasi?  Pengambilan keputusan strategis terkikis saat organisasi tidak dapat meyakinkan konsumen bahwa mereka mengakses data yang benar dari sumber yang tepat. Anti-pola dapat terbentuk ketika sebuah organisasi secara organik membentuk kemampuan analisis dan data unik di seluruh lini bisnis, masing-masing dengan metode unik untuk mencari dan menyimpan data. Kepemilikan dan akuntabilitas yang jelas untuk data dikombinasikan dengan peran dan tanggung jawab yang ditentukan secara terpusat merupakan faktor penentu keberhasilan. 

• Keamanan data. Apa yang dapat dilakukan organisasi untuk memastikan bahwa aturan privasi dan keamanan data tersedia dan dipatuhi secara luas? Menciptakan model tata kelola data yang memastikan bahwa informasi bisnis yang sensitif hanya dapat diakses oleh orang-orang yang memiliki kebutuhan operasional terkadang dapat menjadi kontraproduktif, membangun penghalang yang tidak dibutuhkan. Organisasi transformasi yang berhasil mengenali tantangan ini dan memusatkan banyak fungsi pengumpulan, penyamaran, dan visualisasi data. Ini adalah kuncinya, terutama ketika berhadapan dengan data tingkat transaksi yang memberikan wawasan tentang aktivitas keuangan klien dan informasi yang dapat diidentifikasi secara pribadi.

 4. Budaya intelijen bisnis. Ini adalah elemen sains data yang dihadapi pengguna dan biasanya paling menarik perhatian. Mempromosikan budaya di mana pengguna secara aktif memanfaatkan informasi yang sebelumnya tidak dapat diakses membuka banyak kemungkinan untuk menganalisis dan meningkatkan kinerja organisasi. Sayangnya, sebagian besar alat tersebut tidak digunakan sebagaimana mestinya, melainkan setelah fakta, untuk menganalisis masalah. Sangat penting bagi organisasi untuk mendorong penggunaan alat analitik sebagai alat manajemen kinerja proaktif yang dapat digunakan untuk mengantisipasi tren di masa depan.

Kuncinya adalah mengidentifikasi berbagai kasus penggunaan dan membangun beberapa lapisan analitik untuk basis pengguna yang berbeda. Biasanya, manajer tingkat menengah membutuhkan lebih banyak detail di seluruh fungsi yang lebih kecil sementara manajemen senior membutuhkan metrik tingkat yang lebih tinggi di seluruh bisnis. Menyelaraskan data, KPI, visualisasi, dan desain organisasi adalah hal yang menciptakan budaya pengambilan keputusan dan ketangkasan berdasarkan data.

Kesimpulannya, setelah kemampuan ini tersedia di seluruh organisasi, mereka terbayar dengan berbagai cara. Tim kepemimpinan dapat menentukan area dalam bisnis mereka yang paling cocok atau paling membutuhkan transformasi. Tim transformasi dapat melacak hasil upaya mereka hampir secara waktu nyata. Dan kedua ujung spektrum dapat dihubungkan dengan mulus oleh kerangka kerja OKR yang dipikirkan dengan baik. 

Pada akhirnya, pendekatan progresif untuk memantau dan mengukur – memungkinkan model bisnis yang gesit dan digerakkan oleh data – adalah yang membedakan banyak organisasi transformasi yang paling sukses. Mereka menggunakan data mereka dan budaya ketangkasan untuk membuat keputusan terbaik untuk apa yang ada di depan dalam lingkungan bisnis yang sangat kompetitif dan cepat berubah saat ini.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
• Sumber: https://www.finextra.com/blogposting/24722/the-dna-of-a-successful-transformation-organization-part-5?utm_medium=rssfinextra&utm_source=finextrablogs