성공적인 혁신 조직의 DNA(5부)

Anecdata를 Real Insights로 대체

아일랜드의 수학자, 물리학자, 공학자인 켈빈 경은 우리에게 수많은 과학적 발명품과 다음과 같은 놀라운 지혜의 말을 남겼습니다. “정의되지 않은 것은 측정할 수 없습니다. 측정되지 않은 것은 개선될 수 없습니다. 개선되지 않은 것은 항상 저하됩니다.”

이전 XNUMX회에서 우리는 성공적인 혁신이 일회성 선형 변화가 아니라 증분적이고 측정 가능한 가치를 제공하고 변화하는 조건에 따라 과정을 수정할 수 있을 만큼 민첩한 주기적 노력으로 간주되는 사례를 만들었습니다. 마지막 회에서는 데이터, 보고 및 경험적 의사 결정에 대한 구조적이고 의도적인 접근 방식을 사용하여 조직의 현실을 전략적 명령과 일치시키고 혁신 의제를 추진하는 방법을 살펴봅니다.

많은 금융 기관은 전략적 계획 및 목표 설정 인프라, 예산, 투자 계획 프로세스 및 민첩한 제공 프레임워크를 공식화했습니다. 그러나 그들은 이러한 프로세스에서 여전히 부적절함으로 고통받을 수 있으며 이를 하나로 묶는 공통 기둥이 부족할 수 있습니다.

이 기둥은 가능한 한 지연 시간이 적은 하드 데이터를 사용하여 조직의 상태를 측정합니다. 조직의 전략에 대한 데이터의 중요성에 대한 광범위한 이해에도 불구하고 일반적으로 의사 결정을 위한 정보를 수집하는 두 가지 방법이 있습니다.

• 일화. 조직은 종종 고객이나 내부 이해 관계자가 생성한 압력에 의해 움직입니다. 클라이언트 서비스는 훌륭한 목표이지만, 누구에게 먼저 서비스를 제공할지에 대한 무질서하거나 단편적인 접근 방식은 종종 혼란을 초래할 수 있습니다. 이러한 조직은 가장 도움이 필요한 사람 대신 방에서 가장 큰 목소리를 우선시하게 됩니다. 이니셔티브는 잘못 정의된 목표와 잘 이해되지 않은 ROI로 수행됩니다. 완료되면 비즈니스 결과 및 성과 데이터의 객관적인 평가가 아니라 이정표 또는 프로젝트 관리 톨게이트의 성공적인 실행을 기반으로 승리를 주장합니다.

• 임시 데이터. 금융 서비스에서는 관리자가 최신 문제 또는 일상적인 주제를 논의하는 프레젠테이션을 신속하게 함께 작성하도록 요청받는 것이 일반적입니다. 그러나 잠재적인 문제가 있습니다. 급히 수집한 "시점" 데이터에 의존함으로써 이러한 프레젠테이션은 불완전하거나 맥락에서 벗어난 데이터가 의사 결정 및 전략 계획에 미칠 수 있는 부정적인 영향을 인식하지 못합니다. 이러한 유형의 데이터는 일반적으로 다음 두 가지 형식 중 하나로 제공됩니다.

1. 특정 시스템, 제품 또는 사용자 여정의 현재 상태를 보여주기 위해 애플리케이션 팀에서 제공하는 생산 데이터 추출. 이러한 유형의 데이터에는 데이터를 고려해야 하는 비즈니스 컨텍스트의 부족, 해당 데이터 세트의 크기 및 샘플링 특성, 소스 데이터 난독화 및 대기 시간을 포함하여 고유한 위험 및 격차가 있습니다. 이로 인해 올바른 데이터 세트를 식별하고 수집하는 동안 상당한 혼란과 주의가 산만해집니다.
2. 특정 운영 기준을 충족하는 이벤트의 과거 스냅샷을 나타내는 프로덕션 지원 팀에서 가져온 사고 또는 문제 데이터. 이 정보는 종종 완전성 부족과 생존 및 확증 편향을 통한 미화의 위험으로 인해 어려움을 겪습니다. 기록은 생산 문제를 해결하기 위해 시간과 리소스를 투자한 위치를 가리키지만 종종 근본 원인을 모호하게 합니다.

이 두 가지 접근 방식 모두 리소스를 비효율적으로 사용하여 보다 강력한 모니터링 및 측정 접근 방식을 단락시킵니다. 더 우려되는 점은 필요한 사람의 개입 수준이 핵심 데이터 포인트 정의의 차이 또는 데이터가 제공하는 핵심 메시지의 불편함으로 인해 데이터 왜곡에 적합하다는 것입니다.

두 경우 모두 데이터에서 의미 있는 정보를 도출하는 데 필요한 작업량과 이를 잘못 해석하는 것과 관련된 위험으로 인해 혁신 리더가 되려는 금융 기관에 큰 가치가 없는 제안이 됩니다. 본질적으로 보상 지향적인 이 접근 방식은 조직이 백미러만 보고 차를 조종하도록 합니다.

이러한 구조화된 데이터 부족 문제를 해결하는 데 대한 일반적인 오해는 Tableau 또는 Microsoft Power BI와 같은 특정 도구에 너무 많이 의존하는 것입니다. 실제로 문제는 단순히 분석 또는 시각화 도구의 부족보다 훨씬 더 심각합니다. 그들은 전략적 계획 프로세스의 초기 단계부터 전달을 통해 일상적인 활동으로 비즈니스로 확장됩니다.

우리의 경험에 따르면 성공적인 조직은 신뢰할 수 있는 모니터링 및 측정 기능을 구축하기 위해 다음 영역에서 높은 수준의 숙련도를 개발합니다.

1. 중요한 것을 측정하기. 우세한 시장 상황, 고객 기대치, 신기술, 경쟁 중단, 규제 변화는 금융 기관의 운영 환경을 지속적으로 변화시킵니다. 의사 결정을 검증하고 보다 적응적인 비즈니스 계획을 가능하게 하려면 미래 지향적인 목표와 핵심 성과 지표를 이해하는 것이 중요합니다.

이는 새로운 이니셔티브를 승인하기 전에 단순한 XNUMX년 수익 또는 비용 절감 예측 이상이 필요함을 의미합니다. 이는 조직의 전략적 목표와 전달 및 운영 팀의 작업 간에 위에서 아래로 연결되는 것을 의미합니다. 이 프레임워크는 금융 기관의 모니터링 및 측정 기능의 핵심을 설정하며 우회할 수 없습니다.   

 2. 데이터 엔지니어링 및 분석. 대시보드를 구축하기 전에 모든 데이터 소스를 식별하고 관련 비즈니스 메트릭을 도출하기 위한 데이터 포인트를 카탈로그화하기 위한 토대를 마련해야 합니다. 또한 모든 이해관계자가 데이터가 무엇에 사용되는지, 데이터가 필요한 메트릭을 구동하는 데 어떻게 도움이 되는지 이해하는 것이 매우 중요합니다. 예를 들어, 확인 시간은 예약 시점부터 거래를 확인하는 데 걸리는 시간입니까, 아니면 확인 스택에 들어가는 시간입니까? 이 식별은 혼동을 방지하고 재작업을 줄이는 데 도움이 됩니다. 이 프로세스는 위에서 설정한 프레임워크에서 점진적으로 구축되며 조직의 전략적 목표를 모니터링하고 입증하는 데 필요한 물리적 데이터 모델 및 인프라를 나타냅니다.

3. 데이터 거버넌스. 모든 데이터 세트는 조직의 데이터 정책을 준수해야 합니다. 이는 비즈니스 모델, 고객 및 제품 세트에 따라 크게 다르지만 효과적인 데이터 거버넌스의 핵심 원칙은 일관되며 항상 비즈니스 요구 사항을 최전선에서 시작합니다. 고려해야 할 질문은 다음과 같습니다.

• 데이터 가용성. 비즈니스의 측정 및 모니터링 목표를 지원하는 데 필요한 데이터의 세분성 및 빈도는 어느 정도입니까? 대시보드는 성능 요구 사항으로 인해 높은 수준의 데이터에서 가장 잘 작동하지만 집계된 데이터는 개별 트랜잭션을 식별할 수 없기 때문에 근본 원인 분석에 적합하지 않습니다. 이는 각 조직의 요구에 가장 적합한 아키텍처를 선택하고 의도적으로 설계해야 함을 의미합니다. 데이터를 새로 고쳐야 하는 빈도를 정의할 때는 주의해야 합니다. KRI는 일반적으로 실시간 또는 매일 업데이트되는 반면 KPI는 더 느린 주기로 새로 고칠 수 있습니다. 인프라 비용 및 성능 고려 사항과 균형을 맞출 때 더 빠른 주파수가 반드시 더 좋은 것은 아닙니다.

• 데이터 무결성. 특정 데이터 소스를 소유한 사람은 누구이며 해당 데이터는 조직의 데이터 인프라 내에서 어디에 있습니까?  조직이 올바른 소스에서 오는 올바른 데이터에 액세스하고 있음을 소비자에게 확신시킬 수 없을 때 전략적 의사 결정이 약화됩니다. 반패턴은 조직이 데이터 소싱 및 저장을 위한 고유한 방법을 사용하여 비즈니스 라인 전체에서 고유한 데이터 및 분석 기능을 유기적으로 형성할 때 형성될 수 있습니다. 중앙에서 정의된 역할 및 책임과 결합된 데이터에 대한 명확한 소유권 및 책임은 중요한 성공 요인입니다. 

• 데이터 보안. 데이터 개인 정보 보호 및 보안 규칙을 마련하고 광범위하게 준수하기 위해 조직은 무엇을 할 수 있습니까? 운영상 알아야 할 필요가 있는 사람만 민감한 비즈니스 정보에 액세스할 수 있도록 하는 데이터 거버넌스 모델을 만드는 것은 때때로 비생산적이어서 불필요한 장벽을 세울 수 있습니다. 성공적인 혁신 조직은 이 문제를 인식하고 데이터 수집, 난독화 및 시각화의 많은 기능을 중앙 집중화합니다. 이는 특히 고객의 금융 활동 및 개인 식별 정보에 대한 통찰력을 제공하는 트랜잭션 수준 데이터를 처리할 때 중요합니다.

 4. 비즈니스 인텔리전스 문화. 이것은 데이터 과학의 사용자 대면 요소이며 일반적으로 가장 많은 관심을 받습니다. 사용자가 이전에는 액세스할 수 없었던 정보를 적극적으로 활용하는 문화를 촉진하면 조직 성과를 분석하고 향상할 수 있는 가능성의 세계가 열립니다. 불행하게도 이러한 도구는 대부분 의도한 대로 사용되지 않고 사후에 문제를 분석하는 데 사용됩니다. 조직은 추세를 미리 예측하는 데 사용할 수 있는 능동적 성능 관리 도구로 분석 도구의 사용을 추진하는 것이 필수적입니다.

핵심은 다양한 사용 사례를 식별하고 다양한 사용자 기반에 대한 여러 분석 계층을 구축하는 것입니다. 일반적으로 중간 수준의 관리자는 더 작은 범위의 기능에 대해 더 많은 세부 정보가 필요한 반면 고위 관리자는 비즈니스 전반에 걸쳐 더 높은 수준의 메트릭이 필요합니다. 데이터, KPI, 시각화 및 조직 설계를 조정하는 것은 데이터 기반 의사 결정 및 민첩성 문화를 만드는 것입니다.

결론적으로, 조직 전체에서 이러한 기능을 사용할 수 있게 되면 다양한 방식으로 효과를 볼 수 있습니다. 리더십 팀은 비즈니스에서 혁신에 가장 적합하거나 가장 필요한 영역을 정확히 찾아낼 수 있습니다. 혁신 팀은 거의 실시간으로 노력의 결과를 추적할 수 있습니다. 그리고 스펙트럼의 두 끝은 심사숙고한 OKR 프레임워크에 의해 매끄럽게 연결될 수 있습니다. 

궁극적으로 모니터링 및 측정에 대한 점진적 접근 방식(민첩한 데이터 기반 비즈니스 모델 지원)은 가장 성공적인 혁신 조직을 차별화하는 요소입니다. 그들은 데이터와 민첩성 문화를 사용하여 경쟁이 치열하고 빠르게 변화하는 오늘날의 비즈니스 환경에서 앞으로 다가올 일에 대해 최선의 결정을 내립니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
• 출처: https://www.finextra.com/blogposting/24722/the-dna-of-a-successful-transformation-organization-part-5?utm_medium=rssfinextra&utm_source=finextrablogs