成功转型组织的 DNA（第 5 部分）

成功转型组织的 DNA（第 5 部分）

时间戳：8年2023月11日24:XNUMX AM
成功转型组织的 DNA（第 5 部分）PlatoBlockchain 数据智能。垂直搜索。人工智能。

用真实的见解取代轶事

爱尔兰数学家、物理学家和工程师开尔文勋爵给我们留下了无数的科学发明和这些引人注目的智慧之言：“没有定义的东西就无法测量。 没有衡量的东西就无法改进。 没有改善的东西，永远都是退化的。”

在前四期中，我们阐述了成功转型的案例，不要将成功转型视为线性的一次性变革，而应将其视为周期性的努力，提供增量和可衡量的价值，并且足够灵活，可以根据不断变化的条件进行调整。 在最后一部分中，我们将探讨如何使用结构化和有意的数据、报告和实证决策方法来使组织现实与战略要求保持一致并推动转型议程。

许多金融机构已经正式制定了战略规划和目标设定基础设施、预算、投资规划流程和敏捷交付框架。 但它们可能仍面临这些流程的不足之处，并且缺乏将它们聚集在一起的共同支柱。

该支柱使用硬数据以尽可能短的滞后时间来衡量组织的健康状况。 尽管人们普遍了解数据对组织战略的重要性，但通常有两种方式收集决策信息：

  • 轶事。 组织通常受到客户或内部利益相关者产生的压力的驱动。 虽然客户服务是一个令人钦佩的目标，但对于首先为谁提供服务的混乱或分散的方法往往会导致混乱。 这些组织最终会优先考虑房间里声音最大的人，而不是最需要帮助的人。 采取的举措的目标不明确，投资回报率也知之甚少。 一旦完成，胜利是基于里程碑或项目管理收费站的成功执行，而不是对业务成果和绩效数据的客观评估。
  • 临时数据。 在金融服务领域，经理们经常被要求快速整理演示文稿，讨论最新的问题或热门话题。 但前方存在潜在的麻烦。 由于依赖仓促收集的“时间点”数据，这些演示文稿未能认识到不完整或断章取义的数据可能对决策和战略规划产生的不利影响。 此类数据通常采用以下两种形式之一：
  1. 应用程序团队提供的生产数据提取，用于显示特定系统、产品或用户旅程的当前状态。 此类数据有其自身的风险和差距，包括缺乏应考虑数据的业务上下文、相关数据集的大小和采样特征、源数据混淆和延迟。 在识别和收集正确的数据集时，这会导致严重的混乱和干扰。
  2. 来自生产支持团队的事件或问题数据代表满足特定操作标准的事件的历史快照。 这些信息往往缺乏完整性，并且存在因生存和确认偏差而被修饰的风险。 这些记录指出了为解决生产挑战而投入的时间和资源，但往往掩盖了根本原因。

这两种方法都会导致资源使用效率低下，从而阻碍了更强大的监控和测量方法。 更令人担忧的是，所需的人为干预水平可能会导致数据失真，这要么是由于关键数据点定义的差异，要么是由于对数据提供的核心信息感到不舒服。

在这两种情况下，从数据中获取有意义的信息所需的工作量以及与误解数据相关的风险，使得它对于希望成为创新领导者的金融机构来说缺乏太多价值。 这种方法本质上是面向奖励的，迫使组织只通过后视镜来驾驶汽车。

关于解决缺乏结构化数据问题的一个常见误解是过于依赖 Tableau 或 Microsoft Power BI 等特定工具。 事实上，这些问题不仅仅是缺乏分析或可视化工具那么简单。 它们从战略规划过程的早期阶段一直延伸到交付，一直延伸到日常活动中。

根据我们的经验，成功的组织在以下领域培养高水平的熟练程度，以建立可靠的监控和测量能力：

1. 衡量重要的事情。 普遍的市场状况、客户期望、新兴技术、竞争颠覆和监管变化为金融机构创造了不断变化的运营格局。 了解前瞻性目标和关键绩效指标至关重要，这有助于验证决策制定并实现更具适应性的业务规划。

这意味着在批准新计划之前需要的不仅仅是简单的五年收入或成本削减预测。 它意味着在组织的战略目标与交付和运营团队的工作之间创建自上而下的连接。 该框架确立了金融机构监控和衡量能力的核心，无法规避。   

 2. 数据工程和分析。 在构建仪表板之前，必须奠定基础，以确保识别所有数据源，并对导出相关业务指标的数据点进行编目。 对于所有利益相关者来说，了解数据的用途以及数据如何帮助推动他们所需的指标也非常重要。 例如：确认时间是指从预订时开始确认交易所需的时间，还是从进入确认堆栈时开始的时间？ 这种标识有助于防止混淆并减少返工。 该过程从上面建立的框架逐步构建，并代表监控和证实组织战略目标所需的物理数据模型和基础设施。

3. 数据治理。 所有数据集必须符合组织数据政策。 尽管这些内容因业务模型、客户和产品集而异，但有效数据治理的关键原则是一致的，并且始终从最前沿的业务需求开始。 要考虑的问题包括：

  • 数据可用性。 支持业务测量和监控目标所需的数据粒度和频率是多少？ 虽然由于性能要求，仪表板在高级数据上效果最好，但聚合数据无法用于根本原因分析，因为无法识别单个事务。 这意味着必须有意选择和设计最适合每个组织需求的架构。 定义数据刷新频率时必须小心。 KRI 通常是实时的或每天更新，而 KPI 可以以较慢的节奏刷新。 当与基础设施成本和性能考虑进行权衡时，更快的频率通常不一定更好。
  • 数据的完整性。 谁拥有特定的数据源以及该数据将位于组织的数据基础设施中的何处？  当组织无法向消费者保证他们正在访问来自正确来源的正确数据时，战略决策就会受到影响。 当组织跨业务线有机地形成独特的数据和分析功能时，就会形成反模式，每个功能都具有独特的获取和存储数据的方法。 明确的数据所有权和责任以及集中定义的角色和职责是成功的关键因素。 
  • 数据安全。 组织可以采取哪些措施来确保数据隐私和安全规则到位并得到广泛遵守？ 创建一个数据治理模型来确保只有有运营需要的人员才能访问敏感的业务信息，有时可能会适得其反，形成不必要的障碍。 成功的转型组织认识到这一挑战，并集中了数据收集、混淆和可视化的许多功能。 这是关键，尤其是在处理交易级数据时，这些数据可以提供对客户财务活动和个人身份信息的洞察。

 4.商业智能文化。 这是数据科学中面向用户的元素，通常最受关注。 推广一种用户积极利用以前无法访问的信息的文化，为分析和提高组织绩效打开了一个充满可能性的世界。 不幸的是，大多数此类工具并未按预期使用，而是在事后分析问题。 组织必须推动使用分析工具作为主动绩效管理工具，可用于提前预测趋势。

关键是识别不同的用例并为不同的用户群构建多层分析。 通常，中层管理人员需要跨较小职能范围的更多详细信息，而高级管理人员则需要整个企业的更高级别指标。 协调数据、KPI、可视化和组织设计可以创建数据驱动的决策和敏捷文化。

总之，一旦这些功能在整个组织中可用，它们就会以多种方式获得回报。 领导团队可以查明其业务中最适合或最需要转型的领域。 转型团队可以近乎实时地跟踪他们的工作成果。 并且可以通过深思熟虑的 OKR 框架将频谱的两端无缝连接起来。 

最终，渐进式的监控和衡量方法——实现灵活的、数据驱动的业务模式——是许多最成功的转型组织的独特之处。 他们利用数据和敏捷文化为当今竞争异常激烈且瞬息万变的商业环境做出最佳决策。

时间戳记：

更多来自 芬泰达