به‌کارگیری داده‌های بزرگ و تحلیل آنها در سازمان

مترجم: محمدجعفر نظری

منبع: Mckinsey

داده‌های بزرگ و علم تحلیل داده‌ها در سازمان‌های قرن بیست و یکم به اولویت نخست سازمان‌ها تبدیل شده‌اند. این دو مقوله به همراه یکدیگر ارتقای شیوه انجام کار به وسیله بسیاری از سازمان‌ها و ایجاد بهبود‌های عملکردی بی‌سابقه‌ای را به ارمغان آورده‌اند که آخرین بار در جنبش بازطراحی فرآیندهای کلیدی در دهه ۱۹۹۰ دیده شد. این مقولات، نوید تحولی همچون بازمهندسی فرآیندهای کسب‌وکار را به سازمان‌‌ها می‌دهند. بنابراین، می‌توان گفت که این ابزارها و فناوری‌ها میدان تازه‌ای را برای کسب مزیت رقابتی پیش روی سازمان‌ها گشوده‌اند.

اما امروزه بسیاری از مدیران درباره چگونگی حرکت به جلو در این زمینه دچار تردید هستند. آنها مطمئن نیستند که سازمان شان برای پذیرفتن این تغییر آمادگی لازم را داشته باشد. در واقع بسیاری از سازمان‌ها در به‌کارگیری قابلیت‌های کنونی خود در تحلیل داده‌ها نیز تاکنون ناکام بوده‌اند.

در این نوشتار، دیوید کورت یکی از مدیران مکنزی راه حرکت به جلو را در قالب نکاتی بیان می‌دارد که اخیرا در مقاله‌ای مشترک با دومینیک بارتون مدیرعامل موسسه جهانی مکنزی در مجله مطالعات کسب‌وکار هاروارد (HBR) نیز ذکر شده ‌است.

کورت پیشنهاد می‌کند که سازمان‌ها بهتر است برتصمیماتی بزرگ متمرکز شوند که داده‌ها و مدل‌های بهتری را برای بهبود نتایج به ارمغان می‌آورند. مدیران همچنین باید سازمان‌های خود را به گونه‌ای متحول کنند که مدیران اجرایی بدون هراس از ابزارهای تازه استفاده نمایند. گفت‌وگوی زیر در سپتامبر ۲۰۱۲ با کورت انجام شده است.

جلب توجه رهبران

داده‌های بزرگ و علم تحلیل چندسالی است که مورد توجه رهبران سازمان‌ها قرار گرفته‌اند. اما علت این توجه در حال تغییر است. چند سال پیش من بر این باور بودم که «ما مطمئنا باید با این حجم عظیم از اطلاعاتی که در دست داریم کاری انجام دهیم». اما هم اکنون دغدغه و پرسش من این است: «من رقبای خود را می‌بینم که از این مزایا استفاده کرده‌اند و حس می‌کنم که در حال عقب ماندن از رقابت هستم».

اگر به مزایایی که افراد از به‌کارگیری داده‌ها و تحلیل آنها کسب می‌کنند توجه کنید درمی‌یابید که تفاوتی که از این امر ایجاد می‌شود تفاوت کمی نیست و نمی‌توان از آن چشم پوشید. زیرا کاربرد این فناوری‌ها بسیار گسترده است و می‌تواند در نواحی مختلفی همچون خدمات مشتریان، بخش بندی بازار، مدیریت موجودی کالا مثمر ثمر باشند. به همین علت است که دغدغه اصلی ما در این زمینه به این صورت خواهد بود: «من عقب مانده‌ام و این عقب‌ماندگی را دوست ندارم».

از من پرسیده شد که «داده‌های بزرگ برای چه کسب‌وکاری سودمند است؟» پاسخ من این بود که همه و همه می‌توانند از آن استفاده کنند. سازمان‌هایی همچون گوگل، آمازون، و بلومبرگ نمونه‌های موفقی از سازمان‌های مبتنی بر داده‌ها هستند. اما اینکه کسب‌وکار شما وابستگی مستقیمی به داده‌ها نداشته باشد لزوما بدان معنا نیست که علم تحلیل به درد شما نخورد. نکته‌ کلیدی در اینجا آن است که بر تصمیمات بزرگی که برای آنها نیازمند داده‌های بزرگ هستید متمرکز شوید. اگر توانایی شما در پیش بینی و بهینه‌سازی بالاتر رود، سودآوری سازمان شما یقینا بیشتر خواهد شد.

یافتن پاسخ‌های بهتر

من به‌تازگی به‌کارگیری علم تحلیل داده‌ها را در بسیاری از کسب‌وکارها دیده‌ام. بگذارید ابتدا بر تلاش‌هایی که برای انجام بهتر کارها با مشتریان از طریق استفاده از داده‌ها انجام می‌گیرد متمرکز شوم. برای مثال شرکت‌های هواپیمایی می‌توانند از آن برای قیمت‌گذاری بلیت‌های خود در پروازهای مختلف در روزهای مختلف هفته استفاده کنند، یک بانک می‌تواند برای بررسی بهترین راه‌های ارائه خدمات به مشتریان از طریق ۴ یا ۵ کانالی که دارد استفاده کند و... . این که به مشتریان اجازه دهید از شما سوال کنند و بهترین پاسخ‌ها را دریافت نمایند با استفاده از علم تحلیل داده‌ها فعلیت می‌یابد. این‌ها فوایدی هستند که در سمت مشتریان قرار دارند. اما در سمت تولید و عملیات، همان شرکت هواپیمایی را در نظر آورید که زمانبندی خود را با استفاده از این علم انجام می‌دهد، یا یک شرکت خرده‌فروشی که بین هزینه‌های انبارداری و هزینه‌های حمل و نقل خود از این طریق توازن بهینه‌ای را ایجاد می‌کند. مدیران اجرایی باید توانایی استفاده از ظرفیت‌های این علم را داشته باشند.

ایجاد تغییر در سازمان

در اینجا این پرسش به اذهان متبادر می‌شود که فرمول یا عامل کلیدی موفقیت در به‌کارگیری علم تحلیل داده‌ها چیست؟ تجربه‌ ما نشان می‌دهد (و من در این باره با بیش از صد مدیر گفت و گو کرده‌ام) که سه عامل عمده در این باره اهمیت دارد: داده‌ها، مدل‌سازی و ایجاد تحول. داده‌ها یعنی استفاده خلاقانه از اطلاعات درونی و بیرونی کسب‌وکار برای کسب دیدگاهی فراگیرتر نسبت به آنچه واقعا در حال وقوع است. مدل‌سازی عبارت است از: به‌کارگیری این داده‌ها در جهت پیش‌بینی و بهینه‌سازی بهتر.

سومین عامل موفقیت ایجاد تحول در سازمان برای استفاده از مزایای این داده‌ها در قالب مدل‌هایی است که با دقت و هوشمندی تدوین شده‌اند. این مرحله برای مدیران با استفاده از ابزارهایی نسبتا ساده و قابل فهم صورت می‌گیرد. این مرحله در واقع دشوارترین مرحله‌ در به‌کارگیری تحلیل داده‌ها است.

من همواره مسائل موجود در این عرصه را به دو دسته کوتاه‌مدت و میان‌مدت تقسیم می‌کنم. مساله کوتاه‌مدت آن است که اگر شما مدل تازه‌ای را برای بهینه‌سازی یا پیش‌بینی طراحی کرده‌اید، چگونه مدیران اجرایی را به استفاده از آن وامی‌دارید؟ این کار همواره نیازمند ابزارهایی ساده و آموزش آنها به مدیران و کارهایی از این دست خواهد بود. یک چالش میان‌مدت هم وجود دارد که عبارت است از «چگونگی ارتقا سازمان برای استفاده از این ابزارها در مقیاس گسترده.

بنابراین، مساله آن است که چگونه می‌توان موجودی را ساخت که من آن را «ورزشکار چالاک دوبعدی» می‌نامم.

تصور کنید ما به یک خرده فروشی (سوپرمارکت) می‌رویم و با خریداران آن ملاقات می‌کنیم، یا به یک سازمان مبتنی بر فناوری یا یک سازمان تولیدکننده کالاهای مصرفی می‌رویم و با افرادی که تصمیم‌گیری‌های مربوط به قیمت گذاری یا زمان بندی تولید را انجام می‌دهند دیدار کنیم. در این جاها به افرادی نیاز داریم که آشنایی کاملی با سازمان داشته باشند. آنها باید بتوانند به راحتی از فنون تحلیل داده‌ها استفاده کنند. اگر توان استفاده از علم تحلیل داده‌ها را داشته باشید، اما فاقد درک کاملی از کسب‌وکار خود باشید تصمیم‌گیری‌های ساده انگارانه‌ای به عمل خواهید آورد. در سوی مقابل، اگر سازمان و کسب‌وکار خود را به خوبی بشناسید، اما فاقد توان استفاده از علم تحلیل داده‌ها باشید در واقع پول زیادی را روی میز رها کرده‌اید که رقبای شما به راحتی از آن استفاده می‌کنند و شما از آن محروم می‌مانید. بنابراین، چالش سازمان‌های امروزی این است که چگونه به یک ورزشکار چالاک دوبعدی تبدیل شوند و چگونگی کسب استعداد فنی لازم را بفهمند و به سمت آن حرکت کنند.

اجرای داده‌های بزرگ

برای پیاده‌سازی مزایای داده‌های بزرگ باید چندین کار را به انجام برسانید. نخستین کار آن است که باید متمرکز باشید. به عنوان نمونه، یک مدیر قیمت‌گذاری کالا یا یک خریدار در خرده‌فروشی را در نظر بگیرید. هر دوی آنها ۲۲ کار را باید انجام دهند. نکته مهم آن است که این دو نباید سعی کنند همه ۲۲ کار را تغییر دهند؛ بلکه باید بر تغییر تنها دو یا سه کار متمرکز شوند. برای کسب موفقیت در تحلیل داده‌ها باید بر بخشی از تصمیم متمرکز شوید و از اینرو بر آنجایی تمرکز کنید که بهترین اثر مثبت اقتصادی را بر کسب‌وکار دارد.

نکته دوم آن است که شما باید یک ابزار پشتیبانی از تصمیم‌گیری به وجود آورید که برای کاربر فهمیدنی و قابل اعتماد باشد. به محض اینکه شما این ابزار را ساده و قابل فهم سازید، کارکنان استفاده از آن را آغاز می‌کنند و تصمیم‌گیری‌های بهتری به عمل می‌آورند. به عنوان مثال، اگر شما در شرکت خود ۱۰۰ هزار نفر نیروی انسانی داشته باشید که تنها ۱۴ نفر از آنها شیوه به‌کارگیری داده‌ها را بدانند به تغییر پایدار دست نخواهید یافت.

شما ممکن است هم اکنون به ۱۰۰ هزار نیرو نیاز نداشته باشید؛ اما ممکن است به این تعداد نیرو در آینده نزدیک نیاز پیدا کنید. اگر سازمان شما چنین ظرفیتی داشته باشد باید استفاده از تحلیل داده‌ها را با فرآیندهای سازمان درآمیزید، معیارهای ارزیابی را به درستی تدوین کنید و مطمئن شوید که قابلیت استفاده از ظرفیت‌های داده‌های بزرگ را در شرکت خود ایجاد خواهید کرد.