O DNA de uma organização de transformação bem-sucedida (parte 5)

O DNA de uma organização de transformação bem-sucedida (parte 5)

Carimbo de data / hora: 8 de agosto de 2023, 11h
O DNA de uma organização de transformação bem-sucedida (Parte 5) PlatoBlockchain Data Intelligence. Pesquisa vertical. Ai.

Substituindo Anecdata por Insights Reais

O matemático, físico e engenheiro irlandês Lord Kelvin nos deixou inúmeras invenções científicas e estas palavras marcantes de sabedoria: “O que não é definido não pode ser medido. O que não é medido, não pode ser melhorado. O que não é melhorado, é sempre degradado.”

Nas quatro partes anteriores, defendemos que a transformação bem-sucedida seja vista não como uma mudança linear e única, mas como empreendimentos cíclicos que fornecem valor incremental e mensurável e são ágeis o suficiente para corrigir o curso de condições em mudança. Na parte final, examinamos como uma abordagem estruturada e intencional para dados, relatórios e tomada de decisão empírica pode ser usada para alinhar realidades organizacionais com imperativos estratégicos e conduzir a agenda de transformação.

Muitas instituições financeiras formalizaram planejamento estratégico e infraestrutura de definição de metas, orçamento, processos de planejamento de investimento e estruturas de entrega ágil. Mas eles ainda podem sofrer de inadequações nesses processos e carecer de um pilar comum que os una.

Este pilar mede a integridade da organização usando dados concretos com o menor atraso possível. Apesar da ampla compreensão da importância dos dados para a estratégia de uma organização, existem duas maneiras pelas quais as informações para a tomada de decisões são normalmente coletadas:

  • Anedotas. As organizações geralmente são impulsionadas por pressões geradas por clientes ou partes interessadas internas. Embora o atendimento ao cliente seja um objetivo admirável, uma abordagem desorganizada ou fragmentada sobre quem atender primeiro pode levar a interrupções. Essas organizações acabam priorizando as vozes mais altas da sala em vez das mais necessitadas. Iniciativas são realizadas com objetivos mal definidos e ROIs mal compreendidos. Depois de concluída, a vitória é reivindicada com base na execução bem-sucedida de marcos ou pedágios de gerenciamento de projetos, em oposição a uma avaliação objetiva dos resultados de negócios e dados de desempenho.
  • dados ad hoc. É comum nos serviços financeiros que os gerentes sejam solicitados a fazer rapidamente apresentações discutindo a última edição ou tópico do dia. Mas há problemas em potencial pela frente. Ao confiar em dados “point-in-time” coletados às pressas, essas apresentações falham em reconhecer os impactos adversos que dados incompletos ou fora de contexto podem ter na tomada de decisões e no planejamento estratégico. Esse tipo de dados geralmente vem em uma das duas formas:
  1. Extrações de dados de produção fornecidas pelas equipes de aplicativos para mostrar o estado atual de um sistema, produto ou jornada do usuário específico. Esse tipo de dados vem com seu próprio conjunto de riscos e lacunas, incluindo a falta de contexto de negócios no qual os dados devem ser considerados, o tamanho e as características de amostragem do conjunto de dados em questão, ofuscamento de dados de origem e latência. Isso leva a confusão e distração significativas enquanto o conjunto de dados correto é identificado e reunido.
  2. Dados de incidentes ou problemas provenientes de equipes de suporte de produção que representam um instantâneo histórico de eventos que atendem a determinados critérios operacionais. Essas informações geralmente são prejudicadas pela falta de integridade, bem como pelo risco de embelezamento por meio de vieses de sobrevivência e confirmação. Os registros apontam para onde o tempo e os recursos foram investidos para resolver os desafios de produção, mas muitas vezes obscurecem a causa raiz.

Ambas as abordagens levam ao uso ineficiente de recursos para curto-circuitar uma abordagem de monitoramento e medição mais robusta. Mais preocupante, o nível de intervenção humana necessário se presta à distorção dos dados, seja devido a uma diferença na definição dos principais pontos de dados ou desconforto com a mensagem principal que os dados fornecem.

Em ambos os casos, a quantidade de trabalho necessária para derivar informações significativas dos dados e os riscos associados à má interpretação tornam essa proposta desprovida de muito valor para instituições financeiras que buscam ser líderes em inovação. Inerentemente voltada para a recompensa, essa abordagem obriga a organização a dirigir o carro olhando apenas pelo espelho retrovisor.

Um equívoco comum sobre como resolver esse problema de falta de dados estruturados é confiar demais em ferramentas específicas, como Tableau ou Microsoft Power BI. Na realidade, os problemas são muito mais profundos do que simplesmente a falta de ferramentas analíticas ou de visualização; eles se estendem desde os primeiros estágios do processo de planejamento estratégico, passando pela entrega e até a atividade normal do negócio.

Em nossa experiência, organizações bem-sucedidas desenvolvem altos níveis de proficiência nas seguintes áreas para desenvolver recursos confiáveis ​​de monitoramento e medição:

1. Medindo o que importa. As condições predominantes do mercado, as expectativas dos clientes, as tecnologias emergentes, a disrupção competitiva e as mudanças regulatórias criam um cenário operacional em constante mudança para as instituições financeiras. É fundamental entender os objetivos prospectivos e os principais indicadores de desempenho para ajudar a validar a tomada de decisões e permitir um planejamento de negócios mais adaptável.

Isso significa exigir mais do que uma simples receita de cinco anos ou previsão de corte de custos antes de aprovar uma nova iniciativa. Significa criar conectividade de ponta a ponta entre os objetivos estratégicos da organização e o trabalho das equipes operacionais e de entrega. Essa estrutura estabelece o cerne da capacidade de monitoramento e medição de uma instituição financeira e não pode ser contornada.   

 2. Engenharia e análise de dados. Antes de criar painéis, o trabalho de base deve ser estabelecido para garantir que todas as fontes de dados sejam identificadas e que os pontos de dados para derivar métricas de negócios relevantes sejam catalogados. Também é extremamente importante que todas as partes interessadas entendam para que os dados serão usados ​​e como eles ajudam a direcionar as métricas de que precisam. Por exemplo: o tempo de confirmação é o tempo que leva para confirmar uma negociação a partir do momento da reserva ou a partir do momento em que entra na pilha de confirmação? Essa identificação ajuda a evitar confusão e reduzir o retrabalho. Esse processo se desenvolve gradualmente a partir da estrutura estabelecida acima e representa os modelos de dados físicos e a infraestrutura necessária para monitorar e substanciar o objetivo estratégico da organização.

3. Governança de dados. Todos os conjuntos de dados devem estar em conformidade com as políticas de dados organizacionais. Embora variem amplamente dependendo do modelo de negócios, da clientela e dos conjuntos de produtos, os princípios-chave da governança de dados eficaz são consistentes e sempre começam com a necessidade de negócios em primeiro plano. Questões a considerar incluem:

  • Disponibilidade de dados. Com que granularidade e frequência os dados são necessários para dar suporte aos objetivos de medição e monitoramento do negócio? Embora os painéis funcionem melhor com dados de alto nível devido aos requisitos de desempenho, os dados agregados não permitem a análise da causa raiz porque as transações individuais não podem ser identificadas. Isso significa que uma arquitetura que melhor atenda às necessidades de cada organização deve ser selecionada e projetada intencionalmente. Deve-se ter cuidado ao definir com que frequência os dados devem ser atualizados. Os KRIs geralmente são atualizados em tempo real ou diariamente, enquanto os KPIs podem ser atualizados em uma cadência mais lenta. Frequentemente, frequências mais rápidas não são necessariamente melhores quando comparadas com custos de infraestrutura e considerações de desempenho.
  • Integridade de dados. Quem possui uma fonte de dados específica e onde esses dados ficarão dentro da infraestrutura de dados da organização?  A tomada de decisões estratégicas é corroída quando uma organização não pode garantir aos consumidores que eles estão acessando os dados certos vindos das fontes certas. Os antipadrões podem se formar quando uma organização forma organicamente recursos exclusivos de dados e análises em linhas de negócios, cada uma com métodos exclusivos de fornecimento e armazenamento de dados. Propriedade e responsabilidade claras pelos dados, combinadas com funções e responsabilidades definidas centralmente, são fatores críticos de sucesso. 
  • A segurança dos dados. O que uma organização pode fazer para garantir que as regras de privacidade e segurança de dados estejam em vigor e sejam amplamente cumpridas? A criação de um modelo de governança de dados que garanta que as informações confidenciais de negócios sejam acessíveis apenas por pessoas com necessidade operacional de saber às vezes pode ser contraproducente, erguendo barreiras desnecessárias. As organizações de transformação bem-sucedidas reconhecem esse desafio e centralizam muitas funções de coleta, ofuscação e visualização de dados. Isso é fundamental, especialmente ao lidar com dados em nível de transação que fornecem insights sobre a atividade financeira do cliente e informações de identificação pessoal.

 4. Cultura de inteligência de negócios. Este é o elemento voltado para o usuário da ciência de dados e normalmente atrai mais atenção. A promoção de uma cultura em que os usuários utilizam ativamente informações antes inacessíveis abre um mundo de possibilidades para analisar e aprimorar o desempenho organizacional. Infelizmente, a maioria dessas ferramentas não é usada como pretendido, mas sim após o fato, para analisar problemas. É imperativo que as organizações promovam o uso de ferramentas analíticas como ferramentas proativas de gerenciamento de desempenho que podem ser usadas para antecipar tendências com antecedência.

A chave é identificar diferentes casos de uso e criar várias camadas de análise para diferentes bases de usuários. Normalmente, os gerentes de nível médio precisam de mais detalhes em uma variedade menor de funções, enquanto a gerência sênior precisa de métricas de nível superior em toda a empresa. Alinhar os dados, KPIs, visualização e design organizacional é o que cria uma cultura de agilidade e tomada de decisão baseada em dados.

Em conclusão, uma vez que esses recursos estejam disponíveis em toda a organização, eles compensam de várias maneiras. As equipes de liderança podem identificar áreas em seus negócios mais adequadas ou que mais precisam de transformação. As equipes de transformação podem rastrear os resultados de seus esforços quase em tempo real. E as duas extremidades do espectro podem ser perfeitamente ligadas por uma estrutura OKR bem pensada. 

Em última análise, uma abordagem progressiva de monitoramento e medição – permitindo um modelo de negócios ágil e orientado por dados – é o que diferencia muitas das organizações de transformação mais bem-sucedidas. Eles usam seus dados e uma cultura de agilidade para tomar as melhores decisões para o que está por vir no atual ambiente de negócios ultracompetitivo e em rápida mudança.

Carimbo de hora:

Mais de Fintextra