ده قدم برای ساختن فرهنگ داده محور

داده

مقادیر رو به‌انفجار داده پتانسیل روشن کردن آتش عصر جدیدی از نوآوری مبتنی بر واقعیت در کسب و کارهاست که در آن ایده‌های جدید با شواهد قوی پشتیبانی می‌شوند. شرکت‌ها در دهة گذشته، با امید به کسب رضایت هرچه بیشتر مشتریان، بالا بردن بازدهی فرایند‌ها و شفاف‌سازی استراتژی‌ها، داده‌های فراوانی گردآورده‌اند، بر تکنولوژی‌های مختلف سرمایه‌گذاری کرده‌اند و برای استعداد در زمینة تحلیل بسیار هزینه‌ نموده‌اند. اما هم‌چنان برای بسیاری از کمپانی‌ها، چارچوبی محکم و مبتنی بر داده‌ مبهم مانده و استفاده از داده به عنوان پایه‌ای جهان‌شمول برای تصمیم‌گیری، بسیار اندک است.

چالش داده محور بودن

تحقیقات ما بر گستره‌ای از صنایع نشان می‌دهد که بزرگترین موانع برای پایه‌گذاری کسب و کارهای مبتنی بر داده فنی نیستند؛ فرهنگی و ساختاری‌اند. توصیف چگونگی تزریق داده‌ به فرایند تصمیم‌گیری شاید به قدر لازم ساده باشد؛ اما موضوع بسیار سخت نرمال یا حتی خودکارسازی آن برای کارمندان است – تغییری بزرگ در طرز تفکر آن‌ها که نمود چالشی سخت و با دورنمای مایوس‌کننده است. بنابراین ما ده قاعده را این‌جا آورده‌ایم تا به شما برای ایجاد و حفظ فرهنگی با دیتا در قلب آن کمک کند.

فرهنگ داده محور و مدیران

شرکت‌هایی که فرهنگ‌های مبتنی بر دادة مستحکمی دارند، اغلب مدیرانی در رده‌های بالا دارند که حد انتظار را تصمیم‌گیری با پشتیبانی داده قرار می‌دهند – که یعنی این مدل از تصمیم‌گیری عادی است و نه فراتر از حد انتظار و خلاقانه. آن‌ها با استفاده از ایجاد الگو رهبری می‌کنند. مثلا، در یک بانک خرد (بانکی که مستقیم به مردم خدمات ارائه می‌دهد)، مدیران اجرایی، برای تصمیم‌گیری در مورد ارائة محصولات، در کنار یک‌دیگر مدارک و شواهد به دست آمده از بازار‌های کنترل‌شدة آزمایشی را مورد بررسی و کاوش قرار دادند. در یک شرکت پیشگام تکنولوژی، مدیران ارشد سی دقیقه از ابتدای هر جلسة خود را به خواندن خلاصه‌های با جزئیات از ارائه‌ها و شواهد پشتیبانی‌کننده از آن‌ها اختصاص می‌دهند تا بتوانند مطابق با شواهد و واقعیات حرکت کنند. این روند به رده‌های پایین‌تر نیز سرایت می‌کند، چرا که کارمندانی که علاقه‌ دارند مورد توجه قرار بگیرند، ناچارند با مدیران ارشد به زبان و منش آن‌ها تعامل کنند. الگوی ایجادشده به وسیلة تعداد اندکی از افراد رده‌بالا می‌تواند باعث سرعت‌بخشی به تغییر ارزش‌های شرکت‌شمول در رده‌های پایین‌تر بشود.

معیارهای داده محوری

رهبران قادرند با انتخاب هنرمندانة معیارها و متریک‌هایی که انتظار دارند کارمندان‌شان به‌کار گیرند، تاثیرات ژرفی بر رفتار آنان بگذارند. تصور کنید که شرکتی می‌تواند از حدس این که رقبایش چه تغییری در قیمت‌ها می‌دهند، سود ببرد. برای اندازه‌گیری بهینه بودن این کار، معیاری وجود دارد: دقت در پیش‌بینی در طی زمان. بنابراین، یک تیم باید به‌صورت مداوم پیش‌بینی‌های شفافی دربارة اندازه و جهت‌گیری چنین حرکاتی انجام دهد. هم‌چنین، باید کیفیت آن‌ها را طی زمان ردیابی کند. با انجام این کار، آن‌ها به مرور بهتر می‌شوند!

برای مثال، یک اپراتور برجستة حوزة ارتباطات قصد داشت که شبکة ارائه‌شده به وسیلة شرکتش، به مشتریان اصلی خود بهترین تجربة کاربری را ارائه دهد. اما شرکت تنها انبوهی از اطلاعات پراکنده در مورد کارایی شبکه جمع‌آوری کرده بود، و بنابراین اطلاعات بسیار کمی دربارة این که چه کسی چه چیزی را چگونه دریافت می‌کرد و چه کیفیتی از خدمات را تجربه می‌کرد وجود داشت. با ایجاد معیارهای دقیق برای تجربیات مشتریان، اپراتور می‌توانست تحلیلی کمی از تاثیری که دریافت‌کنندة خدمات از به‌روزرسانی‌های شبکه می‌پذیرفت، انجام دهد. برای نیل به این هدف، تنها نیاز بود که شرکت منابع‌ داده و چگونگی به کار گرفته شدن آن را بیشتر کنترل کند – و اصلا نکتة ماجرا همین است.

داده محوری و دانشمندان داده

دانشمندان علم داده اغلب از بقیة کارکنان شرکت جدا هستند، و این منجر به شناخت کم آن‌ها و رهبران کسب و کار از هم می‌شود. تحلیل‌گران نمی‌توانند با جدا افتادن از شرکت کاری انجام دهند و مفید واقع شوند. کسانی که به درستی با این چالش روبرو شده‌اند، معمولا این کار را به دو روش انجام داده‌اند.

تاکتیک اول این است که هر مرز میان کسب و کار و متخصص علم داده را کم‌رنگ کنید. یکی از بیمه‌گذاران برجسته در سطح جهانی کارکنانش را به نوبت از موقعیت‌های کلیدی به موقعیت‌هایی انتقال می‌دهد که مستقیما با روند سازمان در ارتباطند. در  این موقعیت، آن‌ها مدارک و شواهد مورد نیاز را گسترش می‌دهند. این کارکنان ممکن است به همان موقعیت قبلی برگردند. یک شرکت تجارت کالا نقش‌های جدیدی در بیشتر حوزه‌های عملی و خطوط کسب و کار ایجاد کرده است تا دقت تحلیل را افزایش دهد. این نقش‌‌‌‌‌‌‌ها رابطة نقطه به نقطه‌ای با موقعیت‌های کلیدی دارند. در کل، جزئیات و روبناها اهمیت کمتری نسبت به اصول – که برای پیدا کردن روش‌هایی برای پیوند دانش و تکنیک به کار می‌روند – دارند.

شرکت‌هایی که در لبة تکنولوژی حرکت می‌کنند، از تاکتیک دیگری بهره می‌برند: علاوه بر نزدیک‌تر کردن علم داده به کسب و کار، کسب و کار را نیز با تاکید بر سواد برنامه‌نویسی کارمندان و تسلط آن‌‌ها بر موضوعات کمی، به سمت علم داده می‌برند. رهبران ارشد نیازی به رها کردن دانش پیشین و بدل شدن به مهندس یادگیری ماشین ندارند، اما رهبران سازمان‌های داده‌محور نمی‌توانند نسبت به موضوع داده بی‌تفاوت بمانند.

دسترسی به داده

تاکنون، بیشترین انتقادی که از سوی افراد درگیر در بخش‌های مختلف کسب و کار شنیده‌ می‌شود، دشواری در دسترسی به داده است – حتی پایه‌ای‌ترین و ساده‌ترین آن. به طرز عجیبی، این مشکل علی‌رغم تلاش‌های زیاد برای آزادانه‌تر کردن دسترسی به داده در شرکت‌ها، هم‌چنان پابرجا است. با کمبود اطلاعات، تحلیل‌گران نخواهند توانست تحلیل چندانی انجام دهند و پاگرفتن فرهنگ داده‌محور در شرکت غیر ممکن می‌شود، چه رسد که بخواهد رشد هم بکند.

شرکت‌های برجسته استراتژی ساده‌ای برای شکستن این سد به کار می‌برند: به جای برنامه‌های بزرگ و کند برای مرتب‌سازی تمام دادة موجود، به برخی از بخش‌های اصلی آن در زمان‌هایی دسترسی آزاد می‌دهند. مثلا، یک بانک برجسته در سطح جهانی، که تلاش داشت نیازهای مربوط به تمدید وام‌ها را پیش‌بینی کند، یک لایه‌ دادة استاندارد برای دپارتمان بازاریابی و فروش خود، با تمرکز بر بخش‌های مرتبط به آن، ایجاد کرد. در این حالت، این بخش‌ از داده‌ها، داده‌‌های اصلی وابسته به شرایط وام‌دهی، موازنه‌ها اطلاعات راجع‌به اموال، کانال دادة بازاریابی راجع‌به شروع وام‌دهی‌ها و داده‌هایی که کلیت رابطة مشتریان با بانک را شرح‌ می‌دادند، بود. اهمیتی ندارد که انگیزة اولیه چه باشد، انتخابی زیرکانه برای در دسترس بودن دادة اولیه بسته به هر متریکی دارد که در هیئت مدیران اجرایی تعیین می‌شود. تعیین این که دیگر اعداد و ارقام به این منبع‌ داده ارتباط پیدا کنند، می‌تواند بسیار مشوق استفاده از آن باشد.

ابهامات را کمی کنید

همه می‌پذیرند که شفافیت تام غیرممکن است. با این وجود، بیشتر مدیران هم‌چنان از تیم‌هایشان پاسخی با اعتمادبه‌نفس نسبی می‌خواهند. اما آن‌‌ها ترفندی را به کار نمی‌گیرند. درخواست برای شفافیت و کمی بودن سطح ابهام در تیم‌‌ها سه تاثیر قدرت‌مند دارد.

اول، تصمیم‌گیرندگان را وادار به درگیری مستقیم به منابع احتمالی ابهام می‌کند: آیا این داده قابل استناد است؟ آیا مثال‌های موجود برای یک مدل قابل استناد بیش از اندازه کم است؟ زمانی که داده‌ای متناظر با آن‌ها نیست (مثلا دینامیک‌های رقابتی در حال رشد)، فاکتورها چگونه می‌توانند به کار گرفته شوند؟

یک کسب و کار خرده‌فروشی دریافت که نزول ظاهری در نرخ استردادی که از مدل‌های بازاریابی مستقیم آن ناشی می‌شد، به دلیل افزایش داده‌های قدیمی مربوط به آدرس بود. یک به‌روزرسانی به همراه فرایندی برای به‌روز نگه‌داشتن داده‌ها، موضوع را حل کرد.

دوم، تحلیل‌گران زمانی که باید ابهامات را دقیق برآورد کنند، فهم بیشتری از مدل‌هایشان به دست می‌آورند. مثلا، مدل‌های ریسک بنیادی یک بیمه‌گذار بریتانیایی عاجز از خوب جاافتادن در روال بازار بود. بنابراین، یک سیستم هشدار پیش‌ازموعد ساخت که این روندها را دریافت کرده و شرایطی را شناسایی کند که در حالت عادی از دید پنهان می‌ماندند. در نتیجه، از ضرر به دلیل تغییرات ناگهانی در تقاضا اجتناب شد.

سوم و نهایتا، تاکید بر درک ابهامات سازمان‌ها را به سمت اجرای آزمایش‌ می‌برد. یکی از تاجران ارشد یک خرده‌فروشی بیان کرده است: «در بیشتر شرکت‌ها، آزمون و یادگیری دقیقا معادل سرهم‌بندی و امیدواربودن است.» در شرکت او، تیمی از تحلیل‌گران کمی با مدیران صنف همکاری می‌کردند تا آزمایش‌های دقیق تحلیلی و کنترل‌شده برای آزمودن ایده‌هایشان پیش از ایجاد تغییرات کلان انجام دهند.

شواهد اعتبار و عملی‌بودن را ساده و محکم کنید، نه خیال‌پردازانه و شکننده

در آمار، ایده‌‌های رویایی بسیار بیشتر از واقعی هستند. این تفاوت اغلب زمانی به چشم می‌آید که شرکت‌ها تلاش‌ می‌کنند شواهد اعتبار و عملی بودن را به تولید برسانند. یک بیمه‌گذار کلان هکاتونی (نوعی مسابقة برنامه‌نویسی تیمی) داخلی برگزار کرد و به برندة آن، تنها به خاطر این که پیاده‌سازی ایده ظاهرا خرج زیادی برای تغییر سیستم‌های پایه‌ای ایجاد می‌کرد و باید حذف می‌شد، پاداش داد. انجام چنین کار خشنی با ایده‌ها می‌تواند سازمان‌ها را ضعیف کند.

روش بهتر این است که شواهد اعتبار به گونه‌ای مهندسی شوند که مرکزیت‌شان ثبات در تولید باشد. یک راه خوب این است که شروع به ساخت چیزی کنید که باکیفیت اما در عین حال بسیار ساده است و بعدها سطح دقت و کمال را بالاتر می‌برد. مثلا، برای پیاده‌سازی مدل‌های ریسک جدید بر یک سیستم بزرگ کامپیوتری گسترده، یک شرکت تولید ابزار داده از پیاده‌سازی یک پروسة بسیار ساده و ابتدایی که سر به سر و بدون دخالت چیز دیگری کار می‌کرد، شروع نمود: یک مجموعه دادة کوچک به گونه‌ای که ذره‌ای از آن از دست نمی‌رفت، با مدلی ساده از سیستم مبدا جریان می‌یافت و سپس به سیستم‌های مقصد می‌رفت. پس از جاافتادن آن و آگاهی از سازگاری کل مجموعه با آن، شرکت می‌توانست هر کدام از اجزای آن را مستقلا بهبود بخشد: حجم بیشتری از داده، مدل های خلاقانه‌تر و کارایی زمان اجرای بهتر.

تعلیمات خاص باید درست به‌موقع ارائه شوند

بسیاری از شرکت‌ها بر آموزش‌های پراکنده و ناگهانی سرمایه‌گذاری می‌کنند، آن‌ هم فقط برای کارمندانی که آن‌چه را به درستی از آن استفاده نکرده‌اند، به سرعت فراموش می‌کنند. بنابراین، در حالی که مهارت‌های پایه‌ای، مانند کدنویسی باید جزو آموزش‌های اولیه باشد، موثرتر است که کارکنان را درست پیش از زمانی‌ که به آن احتیاج دارند، در زمینه‌های تخصصی تحلیلی و استفاده از ابزار تعلیم دهیم – مثلا برای شواهد اعتبار. مدیر یک شرکت خرده‌فروشی برای تعلیم تحلیل‌گران پشتیبانی‌اش در زمینه‌های پیشرفته‌تر طراحی تجربی، تا زمان کوتاهی پیش از یک آزمایش بازاریابی صبر کرد. دانش انباشته‌شده و مفاهیمی مانند اعتماد تحلیلی که زمانی غریبه بودند، اکنون جزئی از مهارت‌های معمول تحلیل‌گر هستند.

از آمار و تحلیل علاوه بر کمک به مشتریان، برای کمک به کارمندان نیز استفاده کنید

فراموشی نقش پتانسیل روان و قابل فهم بودن داده در رضایت بیشتر کارمندان ساده است. اما بازتر کردن دست کارمندان برای این که خودشان با داده سروکله بزنند، این مهم را برآورده می‌کند، چرا که به آن‌ها این امکان را می‌دهد که توصیة مطرح‌شده در کتاب معروف برنامه‌نویسی اتوماسیون کارهای خسته‌کننده با پایتون را به کار بگیرند. اگر ایدة یادگیری چیزهای جدید برای مدیریت بهتر داده مفهومی و انتزاعی مطرح شود، کارمندان اندکی انگیزة این را پیدا می‌کنند که سرسختی به خرج داده و در روند کار خود تجدیدنظر کنند. اما اگر اهداف آنی مستقیما به آن‌ها سود برساند – مثلا با ذخیرة زمان، اجتناب از دوباره‌کاری یا فراخوانی بیش‌ازحد اطلاعات – آن‌گاه سختی و روزمرگی تبدیل به انتخاب می‌شود. سال‌ها قبل، تیم تحلیلی در یک شرکت بیمة معروف به صورت خودآموز مفاهیم بنیادی محاسبات ابری را آموخت، تا بتواند با مدل‌های جدید روی مجموعه‌داده‌های بزرگتر آزمایش کند، بدون این که لازم باشد صبر کند تا تیم آی‌تی با آن‌ها همگام شود. آن تجربة خاص زمانی بنیادین‌بودن خود را نشان داد که، در نهایت، تیم آی‌تی زیرساخت‌های فنی شرکت را بازسازی کرد. زمانی که موقع تعریف نیازهای پلتفرم برای تحلیل پیشرفته فرا رسید، تیم تحلیل بیش از تنها تعریف یک پاسخ کار کرد. آن‌ها توان این را پیدا کرده بودند که راه‌حل عملی ارائه دهند.

حداقل به صورت کوتاه‌مدت، به جای ثبات، به دنبال انعطاف باشید

بسیاری از شرکت‌های وابسته به داده، گروه‌های مختلف در این زمینه در خود می‌پرورانند. هرکدام از این گروه‌ها ممکن است منابع اطلاعاتی، معیارها و زبان‌های برنامه‌نویسی مورد علاقة خودشان را داشته باشند. این مورد در یک سازمان می‌تواند یک فاجعه باشد. شرکت‌ها ممکن است ساعات زیادی را در تلاش برای یکی کردن نسخ مختلف از یک معیار که باید کلی باشد، تلف کنند. عدم سازگاری و ثبات در این که مدل‌سازان باید چگونه کار کنند نیز ممکن است ایجاد هزینه کند. اگر استانداردهای کدنویسی و زبان‌های مربوط به آن در یک سازمان متفاوت باشند، هر حرکت از سوی تحلیل‌گران باید تعلیم جدید در بر داشته ‌باشد و این گردش اطلاعات را در سازمان دشوار می‌کند. هم‌چنین اشتراک‌گذاری ایده‌ها در سازمان، در صورت نیاز مداوم به ترجمة آن‌ها، می‌تواند به طرز بازدارنده‌ای سنگین و سخت باشد. شرکت‌ها باید به‌جای این کار، معیار‌ها و زبان‌های برنامه‌نویسی سازمان‌شمولی انتخاب کنند. یک بانک برجستة جهانی این کار را انجام داد: هر شخص جدیدی که برای بانک سرمایه‌گذاری و مدیریت دارایی استخدام می‌شد، باید برنامه‌نویسی با پایتون را می‌‌دانست.

عادت به توضیح در مورد انتخاب‌های مبتنی بر تحلیل داشته ‌باشید

برای بیشتر مسائل تحلیلی، در تعداد اندکی از شرایط یک راه حل شسته‌ورفته وجود دارد. در مقابل، دانشمندان علم داده باید در ازای از دست دادن چیزهای متفاوتی انتخاب‌‌ها را انجام دهند. بنابراین ایدة خوبی است که از تیم‌ها بپرسید که چگونه به یک مسئله نزدیک شده‌اند، چه جایگزین‌هایی در نظر گرفته‌اند، چه چیزهایی در ازای این راه‌حل از دست می‌دهیم و چرا اصلا این شیوة حل را بر دیگران ترجیح داده‌اند. انجام این کار به عنوان یک کار معمول، به تیم‌ها درک عمیق‌تری از فهم راه‌حل‌‌ها می‌دهند و اغلب به آن‌ها مجموعة گسترده‌تری از جایگزین‌ها یا انگیزه برای تجدیدنظر در تخمین‌های بنیادین می‌دهد. مدیریت یک کمپانی خدمات اقتصادی جهانی در ابتدا تصور می‌کرد که یک مدل متعارف مبتنی بر یادگیری ماشین برای تشخیص تقلب مالی، نمی‌تواند با سرعت لازم برای استفاده اجرا شود. اما بعدها متوجه شد که مدل مذکور می‌تواند به طرز خیره‌کننده‌ای با تعدادی ترفند سریع‌ شود. زمانی که شرکت شروع به استفاده از این مدل کرد، بهبود چشم‌گیری در پیدا کردن دقیق تقلب مالی دیده‌ شد.

شرکت‌ها – و زیرمجموعه‌ها و اشخاصی‌ که مشمول آن هستند – معمولا به روش‌های معمول خودشان عمل می‌کنند، چرا که جایگزین‌کردن بسیار ریسکی به نظر می‌آید. داده می‌تواند شکلی از شواهد را به دست دهد که نظریات را پشتیبانی کند و اعتمادبه‌نفس لازم را به مدیران بدهد تا بدون پرش در تاریکی، به حوزه‌ها و فرایند‌های جدید وارد شوند. اما داده‌محوری صرف کافی نیست. برای داده‌محوری حقیقی، شرکت‌ها نیاز به توسعة فرهنگ‌هایی دارند که چنین چارچوب فکری بتواند در آن رشد کند. رهبران می‌توانند با تامین الگو از طریق ایجاد و تمرین عادات جدید و انتظارات برای نشان دادن این که پشتیبانی تصمیم با داده واقعا چیست، مشوق این تغییر باشند.

منبع: مجله کسب و کار هاروارد