En framgångsrik transformationsorganisations DNA (del 5)

Ersätter Anecdata med Real Insights

Den irländska matematikern, fysikern och ingenjören Lord Kelvin lämnade oss med många vetenskapliga uppfinningar och dessa slående visdomsord: "Det som inte är definierat kan inte mätas. Det som inte mäts kan inte förbättras. Det som inte förbättras, försämras alltid.”

I de tidigare fyra omgångarna har vi argumenterat för att framgångsrik transformation inte ska ses som en linjär, engångsförändring utan som cykliska strävanden som levererar inkrementella och mätbara värden och är tillräckligt smidiga för att kurskorrigera för förändrade förhållanden. I den sista delen tittar vi på hur ett strukturerat och avsiktligt förhållningssätt till data, rapportering och empiriskt beslutsfattande kan användas för att anpassa organisatoriska realiteter med strategiska imperativ och driva transformationsagendan.

Många finansiella institutioner har formaliserat strategisk planering och målsättningsinfrastruktur, budget, investeringsplaneringsprocesser och agila leveransramar. Men de kan fortfarande lida av brister i dessa processer och sakna en gemensam pelare som för dem samman.

Denna pelare mäter organisationens hälsa med hjälp av hårda data med så kort fördröjning som möjligt. Trots en utbredd förståelse för vikten av data för en organisations strategi, finns det två sätt på vilka information för beslutsfattande vanligtvis samlas in:

• Anekdata. Organisationer drivs ofta av påtryckningar från kunder eller interna intressenter. Även om kundservice är ett beundransvärt mål, kan ett oorganiserat eller fragmenterat tillvägagångssätt om vem som ska betjäna först ofta leda till störningar. Det slutar med att dessa organisationer prioriterar de mest högljudda rösterna i rummet istället för de mest behövande. Initiativ tas med dåligt definierade mål och dåligt förstådda ROI. När den är klar, utövas segern baserat på framgångsrikt genomförande av milstolpar eller vägtullar för projektledning, i motsats till en objektiv bedömning av affärsresultat och resultatdata.

• Ad hoc-data. Det är vanligt inom finansiella tjänster att chefer uppmanas att snabbt sätta ihop presentationer som diskuterar det senaste numret eller ämnet de jour. Men det finns potentiella problem framöver. Genom att förlita sig på "punkt-i-tid"-data som samlats in hastigt, förstår dessa presentationer inte de negativa effekter som ofullständiga eller out-of-kontextdata kan ha på beslutsfattande och strategisk planering. Denna typ av data kommer vanligtvis i en av två former:

1. Produktionsdataextrakt som tillhandahålls av applikationsteam för att visa det aktuella tillståndet för ett specifikt system, produkt eller användarresa. Den här typen av data kommer med sin egen uppsättning risker och luckor, inklusive brist på affärssammanhang där data bör beaktas, storleken och urvalsegenskaperna för datamängden i fråga, förvirring av källdata och latens. Dessa leder till betydande förvirring och distraktion medan den korrekta datamängden identifieras och samlas in.
2. Incident- eller problemdata hämtade från produktionssupportteam som representerar en historisk ögonblicksbild av händelser som uppfyller vissa operativa kriterier. Denna information plågas ofta av bristande fullständighet, liksom risken för utsmyckning genom överlevnads- och bekräftelsefördomar. Dokumentationen pekar på var tid och resurser har investerats för att lösa produktionsutmaningar, men skymmer ofta grundorsaken.

Båda dessa tillvägagångssätt leder till ineffektiv användning av resurser för att kortsluta en mer robust övervaknings- och mätmetod. Mer oroande är att nivån på mänskligt ingripande som krävs lämpar sig för förvrängning av data, antingen på grund av en skillnad i definition av nyckeldatapunkter eller obehag med det kärnbudskap som data tillhandahåller.

I båda fallen gör mängden arbete som krävs för att härleda meningsfull information från data och riskerna förknippade med att misstolka den till ett förslag som saknar mycket värde för finansiella institutioner som vill vara innovationsledare. Detta tillvägagångssätt, som är belöningsinriktat, tvingar organisationen att styra bilen genom att bara titta i backspegeln.

En vanlig missuppfattning om att lösa denna brist på strukturerade dataproblem är att förlita sig för mycket på specifika verktyg som Tableau eller Microsoft Power BI. I verkligheten skär frågorna mycket djupare än bara bristen på analys- eller visualiseringsverktyg; de sträcker sig från de mycket tidiga stadierna av den strategiska planeringsprocessen, genom leverans och till business as usual-aktivitet.

Enligt vår erfarenhet utvecklar framgångsrika organisationer hög kompetens inom följande områden för att bygga tillförlitlig övervaknings- och mätkapacitet:

1. Att mäta det som betyder något. Rådande marknadsförhållanden, kundernas förväntningar, framväxande teknologier, konkurrensstörningar och regulatoriska förändringar skapar ett ständigt föränderligt verksamhetslandskap för finansinstitutioner. Det är viktigt att förstå de framtidsinriktade målen och nyckelindikatorerna för att validera beslutsfattande och möjliggöra mer anpassningsbar affärsplanering.

Detta innebär att det krävs mer än en enkel femårsprognos för intäkter eller kostnadsbesparingar innan ett nytt initiativ godkänns. Det innebär att skapa kopplingar från topp till botten mellan organisationens strategiska mål och arbetet med leverans- och operativa team. Detta ramverk etablerar själva kärnan i ett finansinstituts övervaknings- och mätförmåga och kan inte kringgås.   

 2. Datateknik och analys. Innan man bygger instrumentpaneler måste grunden läggas för att säkerställa att alla datakällor identifieras och att datapunkterna för att härleda relevanta affärsmått är katalogiserade. Det är också oerhört viktigt för alla intressenter att förstå vad data ska användas till och hur det hjälper till att driva de mätvärden de behöver. Till exempel: är bekräftelsetid den tid det tar att bekräfta en affär från bokningstillfället, eller från det att den går in i bekräftelsestapeln? Denna identifiering hjälper till att förhindra förvirring och minskad omarbetning. Denna process bygger stegvis från det ramverk som fastställts ovan och representerar de fysiska datamodeller och infrastruktur som krävs för att övervaka och underbygga organisationens strategiska mål.

3. Datastyrning. Alla datamängder måste överensstämma med organisationens datapolicyer. Även om dessa varierar mycket beroende på affärsmodell, kundkrets och produktuppsättningar, är nyckelprinciperna för effektiv datastyrning konsekventa och de börjar alltid med affärsbehovet i främsta rummet. Frågor att överväga inkluderar:

• Datatillgänglighet. Vid vilken granularitet och frekvens krävs data för att stödja verksamhetens mål för mätning och övervakning? Även om instrumentpaneler fungerar bäst på data på hög nivå på grund av prestandakrav, kan aggregerad data inte användas till rotorsaksanalys eftersom enskilda transaktioner inte kan identifieras. Detta innebär att en arkitektur som bäst passar varje organisations behov måste väljas och utformas avsiktligt. Försiktighet måste iakttas när man definierar hur ofta data ska uppdateras. KRI:er är vanligtvis realtid eller uppdateras dagligen, medan KPI:er kan uppdateras med en långsammare takt. Snabbare frekvens är ofta inte nödvändigtvis bättre när den balanseras mot infrastrukturkostnader och prestandaöverväganden.

• Dataintegritet. Vem äger en specifik datakälla och var kommer den data att bo inom organisationens datainfrastruktur?  Strategiskt beslutsfattande urholkas när en organisation inte kan försäkra konsumenterna att de får tillgång till rätt data från rätt källor. Antimönster kan bildas när en organisation organiskt formar unika data- och analysmöjligheter över olika branscher, var och en med unika metoder för att hämta och lagra data. Tydligt ägande och ansvar för data i kombination med centralt definierade roller och ansvar är kritiska framgångsfaktorer. 

• Datasäkerhet. Vad kan en organisation göra för att säkerställa att datasekretess och säkerhetsregler är på plats och i stort sett efterlevs? Att skapa en datastyrningsmodell som säkerställer att känslig affärsinformation endast är tillgänglig för personer med det operativa behovet av att veta kan ibland vara kontraproduktivt och skapa onödiga barriärer. Framgångsrika transformationsorganisationer inser denna utmaning och centraliserar många funktioner för datainsamling, fördunkling och visualisering. Detta är nyckeln, särskilt när man hanterar data på transaktionsnivå som ger insikter i klientens finansiella aktivitet och personligt identifierbar information.

 4. Business intelligence-kultur. Detta är det användarvänliga elementet inom datavetenskap och får vanligtvis mest uppmärksamhet. Att främja en kultur där användare aktivt använder tidigare otillgänglig information öppnar en värld av möjligheter att analysera och förbättra organisationens prestanda. Tyvärr används de flesta sådana verktyg inte som avsett, utan snarare i efterhand för att analysera problem. Det är absolut nödvändigt för organisationer att driva på användningen av analysverktyg som proaktiva prestationshanteringsverktyg som kan användas för att förutse trender i förväg.

Nyckeln är att identifiera olika användningsfall och bygga flera lager av analyser för olika användarbaser. Vanligtvis behöver chefer på mellannivå mer detaljer över en mindre bredd av funktioner medan ledande befattningshavare behöver mätvärden på högre nivå över hela verksamheten. Att anpassa data, nyckeltal, visualisering och organisationsdesign är det som skapar en kultur av datadrivet beslutsfattande och smidighet.

Sammanfattningsvis, när dessa funktioner är tillgängliga i hela organisationen, lönar de sig på flera sätt. Ledarteam kan peka ut områden i sin verksamhet som är bäst lämpade för eller mest i behov av transformation. Transformationsteam kan spåra resultatet av sina ansträngningar i nästan realtid. Och de två ändarna av spektrumet kan sömlöst kopplas samman med ett väl genomtänkt OKR-ramverk. 

I slutändan är ett progressivt tillvägagångssätt för övervakning och mätning – vilket möjliggör en smidig, datadriven affärsmodell – det som skiljer många av de mest framgångsrika transformationsorganisationerna. De använder sin data och en kultur av smidighet för att fatta de bästa besluten för vad som väntar i dagens extremt konkurrenskraftiga och snabbt föränderliga affärsmiljö.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
• Källa: https://www.finextra.com/blogposting/24722/the-dna-of-a-successful-transformation-organization-part-5?utm_medium=rssfinextra&utm_source=finextrablogs