Verslui, kuris šiandien nori būti priekyje, duomenų analitika nėra tik technologinis klausimas. Tai yra strategijos ir verslo plėtros, tinkamo rizikų valdymo klausimas. Tačiau pastebime, kad dauguma įmonių dar tik perėjo iš duomenų „ignoravimo“ fazės į „paralyžiaus“ fazę – kai dėl duomenų apimties ir jų kiekio tiesiog nežinoma nuo ko pradėti.
Ką analizuoti turi diktuoti verslo tikslas
Duomenys, neteikiantys naudos verslui – beverčiai. Todėl užuot kvaršinus galvą apie duomenis ar kokio tipo analizės reikėtų, pirmiausia reikia pradėti galvoti, kokias problemas reikia spręsti ar kuriuos veiklos etapus sustiprinti. Galbūt yra bėdų su klientais, su tiekimo grandine, su personalu, mokesčiais, finansais, galbūt su sukčiavimo ar rizikos valdymo klausimais – taigi pirmiausia reikėtų atsispirti nuo tikslo.
Sumažėjo pajamos finansinėse ataskaitose? Jau žinote, iš kurių klientų segmentų? Dėl to, kad klientui labiau patiko konkurentų produktas, ar tiesiog todėl, kad jūsų vadybininkas persidirbęs? Ar jau sugretinote klientų segmentų ir produktų duomenis su darbuotojų užduočių valdymo sistemos informacija apie tai, kas kiek užduočių turi, kiek jų yra pradelstos? O galbūt jau palyginote šią informaciją su personalo duomenimis ir pamatėte, kad vienai jūsų geriausių pardavėjų, kuri pernai buvo įvertinta puikiai, šiuo metu tenka dvigubas krūvis, nes ji ne tik dirba visą darbo dieną, bet drauge pavaduoja sergantį kolegą? Beje, netyčia nesidomėjote, kas „Facebook‘e“ kalbama apie jūsų konkurentų produktus, gal vis dėlto verta sunerimti ne vien dėl pardavimų vadybininkų darbo organizavimo?
Visa tai ir dar daugiau yra duomenų analitika. Pagrindinė organizacijos varančioji jėga – nuolat abejoti esamomis praktikomis, jas tikrinti, o ne iš įpročio likti prie esamų.
Milžinišku greičiu kaupiasi, akimirksniu pasensta
Tiek duomenys, tiek analizė yra senas dalykas, kas yra nauja – tai jų milžiniški kiekiai, greitis, kuriuo jie auga ir pasensta bei skirtingų duomenų įvairovė, kuriuos galime sugretinti. Taip pat išaugusios IT galimybės tuos duomenis sisteminti, vizualizuoti ir paprastu pavidalu pateikti sprendimus priimantiems žmonėms.
IBM duomenimis, 90 proc. pasaulio duomenų buvo sukurta per pastaruosius dvejus metus. O iki 2020 m., kaip skelbia kita IT žinių bendrovė „International Data Corporation“ savo tyrime, sugeneruojamas duomenų kiekis pasaulyje dešimt kartų viršys dabar visų internete esančių duomenų kiekį, pasiekdamas 40 zetabaitų.
Taigi dirbant su „Big Data“ reikia turėti minty keturis dalykus: greitį, apimtį, įvairovę ir patikimumą. Duomenys kaupiasi labai greitai, jų apimtis didelė, formatai įvairūs ir gali skirtis jų patikimumas. Į visą tai reikia atsižvelgti. Šiuolaikinė duomenų analitika duoda ir vizualizaciją – lengvai „virškinamą“ informaciją, patogiai patiektą, operatyviai atnaujinamą ir debesų technologijos dėka lengvai pasiekiamą per išmanųjį telefoną ar nešiojamąjį kompiuterį. Tačiau duomenų analizuoti negali žmogus, nesuprantantis verslo – tuomet galima priimti neteisingus sprendimus, nors ir paremtus puikia analitika.
Duomenys turi būti analizuojami greitai ir patogiai, ir reikalingi sprendimai priimami greitai – nes duomenys ir sensta, ir greitai kaupiasi nauji.
Ignoravimą pakeitė paralyžius
Bėda ta, jog įsibėgėjant „Big Data“ tendencijai, įmonės iš ignoravimo etapo perėjo į pasimetimo etapą. Nemažai įmonių yra tarsi paralyžiuotos – duomenų tiek daug, jie atrodo tokie svarbūs ir vertingi, kad net nebežinoma, nuo ko pradėti ir ką su jais daryti. Mano patarimas – tiesiog pradėti. Pradėti nuo mažų dalykų, pilotinių projektų, nuo didžiausių skaudulių bendrovėje arba ten, kur turite iniciatyvią komandą. Pamatę gerus rezultatus, vieno skyriaus pavyzdžiu netruks pasekti ir kiti.
Tai gali būti marketingo, verslo plėtros, pardavimų, vidaus audito ar kitas padalinys, kuris jums šiuo metu versle yra skaudanti vieta ar prioritetas.
Pavyzdžiui, efektyvinant procedūras tinkama duomenų analizė aiškiai parodys, kiek kur laiko užtrunkama ir sugaištama, kokie procesai atliekami rankiniu būdu, kokie automatiškai, kiek jie trunka ir kokia jų kaina bei sukuriama vertė.
Mažmenos tinkle duomenų analitika padeda įvertinti, kurių prekių ar jų grupių verta atsisakyti, kurias palikti, ar pakankamai dirba žmonių ar per daug, kokių įgūdžių trūksta, galbūt žmones reikia perkelti kitur, galbūt suteikti papildomų mokymų.
Finansuose duomenų analizė bene geriausiai praverčia susitvarkant su finansinių srautų problemomis, blogosiomis skolomis, padeda sukčiavimo ir korupcijos prevencijai, taip pat verslo plėtros prognozėms ir rizikoms numatyti.
Aptarnaujančioms klientus bendrovėms duomenis verta paanalizuoti išsiaiškinant, kokie kliento pomėgiai, prioritetai, domėjimosi sritys ir pasiūlyti jam tinkamiausius produktus/paslaugas tinkamu laiku ir tinkamoje vietoje – kaip kad pvz. „Unilever“, matydama pagal mobilaus telefono duomenis, jog žmogus yra šalia parko – atsiunčia iškart nuolaidų kuponą ledams.
Personalo duomenų analizė gali padėti įmonei suprasti, kodėl vienose ar kitose pozicijose didelė kaita, sugretinimas su kintama informacija, tokia kaip užduočių vykdymo statistika, gali padėti atrasti dėsningumus ir sumažinti darbuotojų kaitą.
Trys patarimai
Eksperimentuokite. Nesistenkite paleisti „megaprojekto“ – jeigu pradėsite analizuoti, jau vien pradėję dirbti su duomenų analize, atrasite daug dalykų, kuriuos reikia keisti, kad atneštumėte naudos verslui ar organizacijai.
Įtraukite žmones, kurie išmano jūsų verslą ar organizacijos veiklą – duomenų analizė yra ne tik IT reikalas. Kad gautumėte iš jos naudos, prie jos turi prisidėti įmonės verslą ar organizacijos veiklą išmanantys žmonės, spręsdami realias verslo problemas.
Pasitelkę profesionalus, dirbančius su duomenų analize, reikalaukite, kad jų patarimai būtų lengvai konvertuojami į veiksmus – kitaip jie beverčiai. Tai yra profesionalai turi jums pasakyti ne tik ką daryti, bet ir kaip tai įgyvendinti.