راه پرداخت
راه پرداخت؛ رسانه فناوری‌های مالی ایران

از داده تا زنجیره ارزش بینش / دستیابی به موفقیت سازمانی با داده‌ها

بهترین تحلیل‌ها هم اگر وابسته به داده‌های بد باشند ارزشی ندارند. اهمیت درک و پرداختن به‌تمامی اجزاء زنجیره ارزش بینش (insights value chain) امری حیاتی برای عملکرد سازمانی است.

طبق پیش‌بینی‌ها شاهد ارزان شدن میکروکنترلر‌ها و حس‌گرها و متعاقباً کاهش قیمت گره‌های اینترنت اشیاء (IoT) هستیم که این امر باعث افزایش میزان داده‌های در دسترس گشته است. پیشرفت‌های رخ‌داده در یادگیری ماشین (machine learning)، دانش داده (data science) و قدرت پردازش می‌توانند این حجم عظیم داده را به بینشی (insight) تبدیل کند که برای سازمان ارزش خلق می‌نماید. گزارش جدید مک‌کینزی (McKinsey) به‌صورت عمقی به این مسائل می‌پردازد که در این نوشتار به نکات کلیدی این گزارش اشاره خواهیم کرد.

اصول زنجیره ارزش بینش

توانایی بهره‌گیری از داده بر یک سری اصول وابسته است که نام آن را زنجیره ارزش بینش نهاده‌ایم. این امر شامل ظرفیت‌های فنی و فرایندهای کسب‌وکار است.

در معنای عام کسب بیشترین بهره از ارزش بالقوه داده با شناسایی، استخراج و مرتب کردن داده‌ها شروع می‌شود که در ادامه باید توسط ظرفیت فنی سازمان تحلیل و به‌صورت قابل‌درک نمایش داده شود. انتهای زنجیره ارزش ختم به سازمانی است که تحلیل‌ها را بادانش تخصصی استعداد انسانی تکمیل کرده و با ساختاری چابک و عواملی متحد (cross-functional) بینش را پیاده‌سازی می‌کند.

کسب ارزش از داده‌ها در زنجیره ارزش بینش
کسب ارزش از داده‌ها نیاز به توجه به‌تمامی بخش‌های زنجیره ارزش بینش دارد.

کسب ارزش از داده بستگی به تمامیت و صحت (integrity) کل زنجیره ارزش بینش دارد و قدرت این زنجیره با ضعیف‌ترین حلقه‌اش محدود می‌شود. سازمان‌هایی که به دنبال موفقیت در کسب بینش از داده هستند باید در تمامی بخش‌ها و در هر گام از زنجیره ارزش بینش به تعالی بیاندیشند.

کاربردهای مبتنی بر بینش

در بخش‌های در حال تکامل جهان متصل الگوهای خلق ارزش بر پایه بینش را می‌توان به یکی از سه دسته‌بندی زیر اختصاص داد:

  • کاربردهای حد بالا: که به‌طورمعمول شرکت‌ها را در امور رودررو با مشتریان یاری می‌دهد. این کاربردها می‌تواند فعالیت‌های در حوزه قیمت‌گذاری، جلوگیری از دست دادن مشتریان (churn prevention)، فروش جانبی (cross-sell) و فروش مکمل (up-sell) را ارتقاء بخشیده و باعث رشد سازمان گردند.
  • کاربردهای حد پایین: در این کاربرد بینش منبعث از داده برای بهینه‌سازی فرایندهای داخلی به کار گرفته می‌شود. تعمیرات پیش‌بینی‌شده (Predictive maintenance)، بهینه‌سازی زنجیره تأمین (supply chain) و جلوگیری از تقلب و کلاه‌برداری (fraud) ازجمله فرایندهایی هستند که می‌توانند با داده ارتقاء یابند. با افزایش استفاده از اینترنت اشیاء و جمع‌آوری حجم عظیمی از داده این نوع از کاربردها اهمیت روزافزونی یافته‌اند.
  • الگوهای جدید کسب‌وکار: این دسته از کاربردهای مبتنی بر داده از سطح فرایندها فراتر رفته و با توسعه سبد خدمات سازمان باعث خلق ارزش می‌گردند. فروش خود داده، فروش بینش استخراج‌شده از داده و ارائه تحلیل به‌عنوان یک سرویس در این دسته جای می‌گیرند.

کاربردهای ذکرشده را می‌توان به‌صورت انفرادی یا جمعی مورد بررسی قرار داد.

کاربردهای مبتنی بر داده
کاربردهای مبتنی بر داده با حمایت از رشد (حد بالا) و کاهش هزینه‌ها (حد پایین) باعث خلق ارزش در سازمان می‌گردند.

با داشتن یک مدل مؤثر عملیات، سازمان‌ها می‌توانند فرایند تبدیل داده به ارزش را آغاز نمایند. یک رویکرد سیستمی مجموعه‌ای از اقدامات را برای حصول زنجیره ارزش بینش مشخص می‌کند. دو قسمت نخست این اقدامات، جمع‌آوری و پالایش داده، ازنظر فنی پیچیده هستند. پس‌ازآن نوبت به انسان‌ها و اقدامات مبتنی بر فرایند می‌رسد که شامل تعریف گام‌ها و ساخت ابزارهای لازم برای اقدامات منتج از بینش است.

رویکرد سیستمی برای ترجمه بینش منبعث از داده به ارزش کسب‌وکار
رویکرد سیستمی برای ترجمه بینش منبعث از داده به ارزش کسب‌وکار

گام اول: استخراج و جمع‌آوری داده‌های مرتبط

تعریف الزامات بر اساس کاربردهای خاص، باعث جمع‌آوری داده‌های مرتبط می‌گردد. ابتدا کاربردهای کسب‌وکاری که به آن‌ها باور دارید را شناسایی کنید و بعد از آن به الگو و داده‌ای که قصد عملیاتی کردن آن را دارید بیاندیشید. دقت کنید که این ترتیب را جابجا انجام ندهید. برخی کاربردها نیاز به سابقه قابل‌توجهی از داده دارند و در کاربردهای دیگر، مهم جدید بودن داده‌ها است. جنبه مهم دیگر در استخراج و جمع‌آوری داده‌ لایه‌ای کردن داده (data layering) است: مرتب کردن داده در چندین لایه منطقی و به کار بردن منطقی که به‎‌وسیله آن لایه‌بندی به ایجاد معنای بیشتر از داده منتج شود.

گام دوم: پالایش داده

زمانی که سازمان تمام داده‌های خام مرتبط را استخراج نمود، باید فرایند درک آن را آغاز کند. اولین کار غنی‌سازی داده به کمک متخصصین بخش‌های مختلف است. نباید فراموش کنیم که در استخراج معنی از داده تخصص انسانی همان اندازه مهم است که تحلیل و الگوریتم اهمیت دارند.

مورد دوم که حوزه مانور دانشمندان داده است، محاسبات حجم عظیم داده‌های عددی (number crunching) برای استخراج الگو است. مخلوطی از تحلیل‌های توصیفی، پیش‌بینی و تجویزی ما را در شناسایی الگوهایی که پایه اقدامات بینشی هستند یاری می‌کند.

گام سوم: تبدیل بینش به عمل

در این گام دو چیز مورد نیاز است که اولین آن‌ها از اهمیت فوق‌العاده‌ای برخوردار است: دانش تخصصی.

اگرچه از نظر ریاضیات پیش‌بینی تعمیرات پمپ‌های نفتی تفاوتی با شبکه‌های مخابراتی ندارد، اقدامات موردنیاز در هر یک بسیار متفاوت هستند. دومین مورد کلیدی بازبینی فرایندها و ساختارها است. به‌طور مثال در استفاده از داده برای حفظ مشتریان ممکن است به این نتیجه برسیم که مرکز پاسخ‌گویی به مشتریان را از نو سازمان‌دهی کنیم و با استخدام افراد متخصص جلوی از دست رفتن مشتریان را بگیریم.

گام چهارم: پیشبرد نهادینه‌سازی

اقدامات منبعث از داده زمانی بالاترین ارزش رادارند که به‌صورت گسترده نهادینه شوند. تبدیل داده به بخشی استاندارد از فرایند عملیات کارمندانی که به‌صورت سنتی روی داده تمرکز ندارند چیزی است که ارزش واقعی خلق می‌کند. در ادامه مثال حفظ مشتریان، ایجاد «آکادمی تحلیل» می‌تواند به کارمندان کمک کند تا بفهمند از داده چه سؤالاتی را می‌توان پرسید و بینش ایجادشده از داده را چگونه می‌توان در کارهای روزانه پیاده‌سازی کرد.

گام پنجم: فناوری و زیرساخت – سازمان‌دهی و مدیریت

فناوری و زیرساخت همراه با سازمان‌دهی و مدیریت، سازمان را قادر به انجام اقدامات پایدار در راستای بینش به‌دست‌آمده از تحلیل‎های پیچیده می‌کند. ابزارهای با سهولت استفاده مانند داشبوردها و موتورهای پیشنهاد (recommendation engine) به کارمندان کمک می‌کنند تا بینش مرتبط باکارشان را دریافت کنند. وجود یک فضای کاری که ادغام این بینش‌ها باکار روزمره را تسهیل کند نیز امری ضروری است. مدیریتی که به تغییر آری بگوید حلقه واسط دپارتمان دانش داده با واحدهای کسب‌وکار و ایجاد کامل زنجیره ارزش بینش در سازمان خواهد بود.

منبع: McKinsey

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.