DNAet til en vellykket transformasjonsorganisasjon (del 5)

DNAet til en vellykket transformasjonsorganisasjon (del 5)

Tidsstempel: 8. august 2023 kl.11: 24
DNAet til en vellykket transformasjonsorganisasjon (Del 5) PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Erstatter Anecdata med Real Insights

Den irske matematikeren, fysikeren og ingeniøren Lord Kelvin etterlot oss en rekke vitenskapelige oppfinnelser og disse slående visdomsordene: «Det som ikke er definert, kan ikke måles. Det som ikke måles, kan ikke forbedres. Det som ikke blir forbedret, blir alltid forringet.»

I de fire foregående delene argumenterte vi for at vellykket transformasjon ikke skulle bli sett på som en lineær engangsendring, men som sykliske bestrebelser som gir inkrementell og målbar verdi og er smidig nok til å kurskorrigere for skiftende forhold. I den siste delen ser vi på hvordan en strukturert og intensjonell tilnærming til data, rapportering og empirisk beslutningstaking kan brukes til å tilpasse organisatoriske realiteter med strategiske imperativer og drive transformasjonsagendaen.

Mange finansinstitusjoner har formalisert strategisk planlegging og målsettingsinfrastruktur, budsjett, investeringsplanleggingsprosesser og smidige leveringsrammer. Men de kan fortsatt lide av mangler i disse prosessene, og mangler en felles pilar som bringer dem sammen.

Denne søylen måler helsen til organisasjonen ved å bruke harde data med så lite forsinkelsestid som mulig. Til tross for utbredt forståelse av viktigheten av data for en organisasjons strategi, er det to måter informasjon for beslutningstaking vanligvis samles inn på:

  • Anekdata. Organisasjoner er ofte drevet av press generert av kunder eller interne interessenter. Mens kundeservice er et beundringsverdig mål, kan en uorganisert eller fragmentert tilnærming til hvem som skal betjene først ofte føre til forstyrrelser. Disse organisasjonene ender opp med å prioritere de høyeste stemmene i rommet i stedet for de mest trengende. Initiativer iverksettes med dårlig definerte mål og dårlig forstått ROI. Når den er fullført, hevdes seieren basert på vellykket gjennomføring av milepæler eller prosjektstyringsgrenser, i motsetning til en objektiv vurdering av forretningsresultater og resultatdata.
  • Ad-hoc data. Det er vanlig i finansielle tjenester at ledere blir bedt om raskt å sette sammen presentasjoner som diskuterer den siste utgaven eller emnet. Men det er potensielle problemer fremover. Ved å stole på "punkt-i-tids"-data som er samlet raskt, klarer ikke disse presentasjonene å gjenkjenne de negative virkningene som ufullstendige eller utenfor konteksten kan ha på beslutningstaking og strategisk planlegging. Denne typen data kommer vanligvis i en av to former:
  1. Produksjonsdataekstrakter levert av applikasjonsteam for å vise den nåværende tilstanden til et spesifikt system, produkt eller brukerreise. Denne typen data kommer med sitt eget sett med risikoer og hull, inkludert mangel på forretningskontekst som dataene bør vurderes i, størrelsen og utvalgsegenskapene til det aktuelle datasettet, obfuskering av kildedata og latens. Disse fører til betydelig forvirring og distraksjon mens riktig datasett identifiseres og samles.
  2. Hendelses- eller problemdata hentet fra produksjonsstøtteteam som representerer et historisk øyeblikksbilde av hendelser som oppfyller visse operasjonelle kriterier. Denne informasjonen er ofte plaget av mangel på fullstendighet, så vel som risikoen for utsmykning gjennom overlevelse og bekreftelsesskjevheter. Dokumentene peker på hvor tid og ressurser er investert for å løse produksjonsutfordringer, men tilslører ofte årsaken.

Begge disse tilnærmingene fører til ineffektiv bruk av ressurser for å kortslutte en mer robust overvåkings- og målemetode. Mer bekymringsverdig er at nivået av menneskelig intervensjon som kreves gir seg til forvrengning av dataene, enten på grunn av en forskjell i definisjon av nøkkeldatapunkter eller ubehag med kjernemeldingen dataene gir.

I begge tilfeller gjør mengden arbeid som trengs for å utlede meningsfull informasjon fra dataene og risikoen forbundet med å feiltolke den til et forslag som mangler mye verdi for finansinstitusjoner som ønsker å være innovasjonsledere. Denne tilnærmingen er iboende belønningsvendt og tvinger organisasjonen til å styre bilen ved kun å se i bakspeilet.

En vanlig misforståelse om å løse dette mangelen på strukturerte dataproblem er å stole for mye på spesifikke verktøy som Tableau eller Microsoft Power BI. I virkeligheten skjærer problemene mye dypere enn bare mangel på analyser eller visualiseringsverktøy; de strekker seg fra de tidlige stadiene av den strategiske planleggingsprosessen, gjennom levering og inn i "business as usual"-aktivitet.

I vår erfaring utvikler vellykkede organisasjoner høye ferdighetsnivåer på følgende områder for å bygge pålitelige overvåkings- og måleevner:

1. Måle det som betyr noe. Rådende markedsforhold, kundeforventninger, fremvoksende teknologier, konkurranseavbrudd og regulatoriske endringer skaper et kontinuerlig skiftende driftslandskap for finansinstitusjoner. Det er avgjørende å forstå de fremtidsrettede målene og nøkkelytelsesindikatorene for å validere beslutningstaking og muliggjøre mer tilpasningsdyktig forretningsplanlegging.

Dette betyr at det kreves mer enn en enkel femårs prognose for inntekter eller kostnadskutt før man godkjenner et nytt initiativ. Det betyr å skape topp-til-bunn-forbindelse mellom organisasjonens strategiske mål og arbeidet med leverings- og driftsteam. Dette rammeverket etablerer selve kjernen i en finansinstitusjons overvåkings- og måleevne og kan ikke omgås.   

 2. Datateknikk og analyse. Før du bygger dashbord, må grunnlaget legges for å sikre at alle datakilder er identifisert og at datapunktene for å utlede relevante forretningsmålinger er katalogisert. Det er også ekstremt viktig for alle interessenter å forstå hva dataene skal brukes til og hvordan de bidrar til å generere beregningene de trenger. For eksempel: er bekreftelsestiden tiden det tar å bekrefte en handel fra bestillingstidspunktet, eller fra tidspunktet den går inn i bekreftelsesstabelen? Denne identifikasjonen bidrar til å forhindre forvirring og redusert etterarbeid. Denne prosessen bygger inkrementelt fra rammeverket etablert ovenfor og representerer de fysiske datamodellene og infrastrukturen som kreves for å overvåke og underbygge organisasjonens strategiske mål.

3. Datastyring. Alle datasett må samsvare med organisasjonens datapolicyer. Selv om disse varierer mye avhengig av forretningsmodell, klientell og produktsett, er nøkkelprinsippene for effektiv datastyring konsekvente, og de starter alltid med forretningsbehovet i forkant. Spørsmål å vurdere inkluderer:

  • Datatilgjengelighet. Med hvilken granularitet og frekvens kreves data for å støtte virksomhetens mål for måling og overvåking? Mens dashbord fungerer best på data på høyt nivå på grunn av ytelseskrav, kan ikke aggregerte data brukes til rotårsaksanalyse fordi individuelle transaksjoner ikke kan identifiseres. Dette betyr at en arkitektur som best passer behovene til hver organisasjon må velges og utformes med hensikt. Det må utvises forsiktighet når man definerer hvor ofte data skal oppdateres. KRI-er er vanligvis sanntid eller oppdateres daglig, mens KPI-er kan oppdateres med en langsommere takt. Raskere frekvens er ofte ikke nødvendigvis bedre når den balanseres mot infrastrukturkostnader og ytelseshensyn.
  • Dataintegritet. Hvem eier en spesifikk datakilde og hvor vil disse dataene leve innenfor organisasjonens datainfrastruktur?  Strategisk beslutningstaking eroderes når en organisasjon ikke kan forsikre forbrukere om at de får tilgang til de riktige dataene fra de riktige kildene. Anti-mønstre kan dannes når en organisasjon organisk danner unike data- og analysefunksjoner på tvers av bransjer, hver med unike metoder for innhenting og lagring av data. Tydelig eierskap og ansvarlighet for data kombinert med sentralt definerte roller og ansvar er kritiske suksessfaktorer. 
  • Datasikkerhet. Hva kan en organisasjon gjøre for å sikre at regler for personvern og sikkerhet for data er på plass og overholdes bredt? Å lage en datastyringsmodell som sikrer at sensitiv forretningsinformasjon bare er tilgjengelig for personer med det operasjonelle behovet for å vite, kan noen ganger virke kontraproduktivt, og skape unødvendige barrierer. Vellykkede transformasjonsorganisasjoner anerkjenner denne utfordringen og sentraliserer mange funksjoner innen datainnsamling, tilsløring og visualisering. Dette er nøkkelen, spesielt når du arbeider med data på transaksjonsnivå som gir innsikt i klientens økonomiske aktivitet og personlig identifiserbar informasjon.

 4. Business intelligence-kultur. Dette er det brukervendte elementet i datavitenskap og får vanligvis mest oppmerksomhet. Å fremme en kultur der brukere aktivt bruker tidligere utilgjengelig informasjon åpner en verden av muligheter for å analysere og forbedre organisasjonens ytelse. Dessverre brukes ikke de fleste slike verktøy etter hensikten, men i ettertid for å analysere problemer. Det er viktig for organisasjoner å presse på bruken av analyseverktøy som proaktive ytelsesstyringsverktøy som kan brukes til å forutse trender på forhånd.

Nøkkelen er å identifisere ulike brukstilfeller og bygge flere lag med analyser for ulike brukerbaser. Vanligvis trenger ledere på mellomnivå flere detaljer på tvers av en mindre bredde av funksjoner, mens toppledelsen trenger beregninger på høyere nivå på tvers av virksomheten. Justering av data, KPIer, visualisering og organisasjonsdesign er det som skaper en kultur med datadrevet beslutningstaking og smidighet.

Som konklusjon, når disse egenskapene er tilgjengelige i hele organisasjonen, lønner de seg på flere måter. Lederteam kan peke ut områder i virksomheten deres som er best egnet for eller har mest behov for transformasjon. Transformasjonsteam kan spore resultatene av innsatsen deres i nesten sanntid. Og de to endene av spekteret kan sømløst kobles sammen med et gjennomtenkt OKR-rammeverk. 

Til syvende og sist er en progressiv tilnærming til overvåking og måling – som muliggjør en smidig, datadrevet forretningsmodell – det som skiller mange av de mest vellykkede transformasjonsorganisasjonene. De bruker dataene sine og en smidighetskultur for å ta de beste avgjørelsene for det som ligger foran i dagens ultrakonkurransedyktige og raskt skiftende forretningsmiljø.

Tidstempel:

Mer fra Fintextra