Naučte se, jak sladit iniciativy v oblasti velkých dat se strategií vaší organizace, a ověřte své úsilí pomocí klíčových ukazatelů výkonnosti.

Klíčová témata článku:

• Co jsou to velká data?
• Výzvy spojené s velkými daty
• KPI a velká data
• Zaměřte se na velká data
• Udělejte velká data měřitelná
• Automatizace pomocí BSC Designer

Podepsat-Zaregistrujte se s bezplatným plánem a získejte přístup k Big Data Scorecard, stejně jako k 28 dalším šablonám scorecard.
Konec roku je vhodnou dobou k diskusi o nových trendech: samořídících automobilech, umělé inteligenci, virtuální realitě a internetu věcí. Jaký vliv budou mít tyto trendy na vaše podnikání? Jak můžete zohlednit možný dopad těchto myšlenek, které mění pravidla hry? Všechny zmíněné trendy si zaslouží podrobnou analýzu, ale existuje jeden, který se zdá být spojen se všemi ostatními. Mám na mysli Big Data. Umělá inteligence je bude potřebovat, jsou na nich založena samořídící auta a samozřejmě je již využívá mnoho podniků.

V BSC Designer jsme hodně mluvili o KPI a strategii. V tomto článku navrhuji probrat, jak dobře popsaná strategie a na míru šité KPI mohou pomoci zaměřit se na úsilí v oblasti big dat. Zde je náš plán pro tento článek:

• Big data. Co to je? Jaké jsou hlavní výzvy?
• KPI pro big data. Čtyři úrovně KPI a dosažení strategického souladu.
• Akční plán. Měřitelná implementace velkých dat.

Co jsou velká data?

Velká data se týkají analýzy velkých nestrukturovaných datových souborů.

Velká data lze charakterizovat 3 V:

• Objem. Předpokládá se, že datové soubory jsou velké. Existují odhady, že by to mělo být alespoň 10 GB nebo 1 TB, ale pravděpodobně lepším kritériem by bylo říci, že velká data jsou něco, co je třeba distribuovat (z hlediska ukládání nebo výpočtů). Pokud byste museli přejít na Hadoop nebo podobný framework, pak to začíná být velké.
• Rozmanitost. Přemýšlejte o různých zdrojích strukturovaných a nestrukturovaných dat. Mohou být vytěžena z textu, videa, prodejních dat, sociálních médií, předpovědi počasí nebo čehokoli, co má ve vašem kontextu smysl.
• Rychlost. Vysoký objem dat je důsledkem jejich rychlého generování. Vzpomeňte si na tisíce letadlových prvků, které jsou neustále monitorovány, nebo na nepřetržitý tok komentářů v sociálních médiích, nebo na data v reálném čase, která poskytují nositelná zařízení.

Často (vezměte si jako příklad IBM nebo EY) existuje také čtvrté “V”, které znamená “Pravdivost”:

• Pravdivost. Když hovoříme o datech, vždy máme co do činění s určitou mírou nejistoty. Jak byla data získána? Analyzovali jsme všechny faktory? Bylo s nimi manipulováno? Můžeme těmto číslům věřit?”

Jak se data používají?”

Velká data se používají pro širokou škálu prediktivních analýz a analýz chování. Organizace používají big data ke snižování nákladů, lepšímu pochopení potřeb zákazníků a zmírnění rizik. Zamyslete se nad podnikem, který využívá big data k tomu, aby zákazníkům poskytoval služby šité na míru; zamyslete se nad kontrolou podvodů u poskytovatele elektronického obchodu.

V úvodu článku jsem zmínil některé nové trendy – big data se podílejí na všech z nich. Chcete-li se dozvědět více o praktickém využití big dat, doporučuji pokračovat knihou “7 Amazing Companies That Really Get Big Data” od mezinárodně uznávaného odborníka Bernarda Marra.

Hlavní výzvy big dat

Popsaná vize big dat zní velmi ambiciózně. Proč tedy firmy tento nový trend přijímají pomalu? Jaké jsou hlavní výzvy big dat?”

Data mining už není hlavní výzvou

Koncem října jsem vystupoval na konferenci pořádané organizací SCIP (Strategic and Competitive Intelligence Professionals). Členové této organizace se zabývají velkými objemy dat v oblastech tržního zpravodajství. Hlavním tématem konference nebylo dolování nějakých CI/BI dat, jak by se dalo očekávat, ale sladění úsilí v oblasti business intelligence se strategií organizace. Jinými slovy, jakmile společnost zná otázky, které si chce položit, zbytek je relativně snadný (některé údaje najdete v průzkumech níže).

Jestliže dolování dat již není problém, jaké jsou hlavní výzvy? Zaměření velkých dat

Hlavní výzvou je zaměřit velká data na to, co je důležité, a pak je dodat do správných rukou. Jinými slovy, v organizaci by měl být někdo, kdo by měl začít klást ty správné otázky.

Pro ilustraci této myšlenky si vezměme příběh společnosti Target, který byl na titulních stranách novin v roce 2012. Tento maloobchodní řetězec úspěšně využil analytické údaje o nakupujících k tomu, aby předpověděl, že některé z jeho zákaznic jsou těhotné. Podívejme se na tento příběh (bez ohledu na část týkající se ochrany osobních údajů) a podívejme se, co se vlastně stalo. Andrew Pole, statistik, který pracoval pro společnost Target, nedodával jen všechna možná data, ale dostal od svých kolegů z marketingu velmi konkrétní úkol – identifikovat těhotné nakupující ve druhém trimestru.

Byl zaměřen a s tímto zaměřením byla spojena obrovská obchodní hodnota, protože novopečení rodiče mají tendenci měnit své nákupní zvyklosti a nakupovat vše v jednom obchodě. Nešlo o pouhé hraní si s daty, ale o nalezení dat, která by pomohla odpovědět na velmi konkrétní otázku.

Výzva 2. Soulad s obchodní strategií

Velká data změní pravidla hry, až poskytnou hmatatelnou obchodní hodnotu. Jinými slovy, mělo by být jasné, jak iniciativy v oblasti velkých dat podporují strategii společnosti. Společnost NewVantage Partners se ve svém průzkumu Big Data Executive Survey ptala respondentů na kulturní překážky bránící přijetí velkých dat v podnikání. Odpověď “Nedostatečné organizační sladění” zvolilo 42,6 % respondentů. Další možnosti zahrnovaly nedostatečné přijetí, nedostatek koherentní datové strategie a nedostatek sdílené vize.

Pokud se vrátíme k případu společnosti Target, podařilo se jim vyřešit dvě důležité složky:

1. Big data zaměřená na konkrétní dotaz:
2. Soulad s obchodní strategií: Data měla jasnou obchodní hodnotu – rodiny, kde se narodilo dítě, se staly na dlouhou dobu klienty jedné maloobchodní prodejny.

Výzva 3. Bezpečnost a ochrana osobních údajů

Tato výzva se zatím běžně nepoužívá, ale myslím, že je každému jasné, že shromažďování a analýza údajů musí být etické a legální. Od 25. května 2018 začalo v Evropě platit obecné nařízení o ochraně osobních údajů (GDPR) a podobné předpisy existují i v dalších zemích. Společnosti musí mnohem vážněji dbát na dodržování zásad při zpracování osobních údajů.

Probírejme KPI v kontextu velkých dat.

KPI a velká data

Nahradí velká data KPI? Ne tak docela. Velká data posílí KPI o přesnější a aktuálnější poznatky.

Vezměme si jako příklad NPS (Net Promoter Score):

• NPS nyní. Jak se dnes ve vaší organizaci počítá NPS (Net Promoter Score)? Pravděpodobně čtvrtletně provádíte nějaký průzkum mezi zákazníky. Tento ukazatel je tedy časově opožděný. Pokud se ve vaší firmě něco stane, NPS to ukáže až o několik měsíců později.
• NPS powered by big data. Nyní si představte, že používáte nějaký nástroj pro big data, který analyzuje emoce zákazníků v reálném čase (viz odkaz na Heedbook níže). V takovém případě se vaše NPS stane klíčovým ukazatelem výkonnosti v reálném čase. V podstatě budete moci sledovat reakci konkrétního klienta na konkrétní nabídku a na konkrétní přístup k prodeji.

V některých případech budete mít zájem proniknout hlouběji do dat a dostat se ke konkrétním situacím a v některých případech budete potřebovat vidět souhrnná data za týden, měsíc nebo rok.

KPI pro big data

V případě big dat hovoříme o významných investicích do nových nástrojů a architektury, takže má smysl tyto iniciativy sledovat pomocí nějakých tvrdých dat. Iniciativy v oblasti velkých dat by měly být také kvantifikovány a měřeny. To můžeme provést na několika různých úrovních.

Úroveň 1. Metriky 3V

Metriky 3V (Volume, Variety, Velocity) velkých dat lze snadno kvantifikovat:

• Objem dat je měřítkem sám o sobě (GB, TB atd.).)
• Variety lze kvantifikovat jako počet různých typů zdrojů dat
• Velocity je definována objemem dat generovaných/analyzovaných za časové období

Čtvrté V – Veracity může být obtížnější kvantifikovat. Budete muset definovat, co váš tým kvalifikuje jako přesná data, a to závisí na kontextu. Například u automobilů se spalovacím motorem může být měření aktuální rychlosti s chybovostí +-5 km/h považováno za přesný údaj, zatímco u elektromobilů je to nepřijatelné. Definujte 1-2 metriky, které ve vašem případě poskytují představu o přesnosti dat.

Jsou 3-V metriky užitečné? Záleží na vašem kontextu. Vezměme si jako příklad samořízené auto společnosti Google. Auto produkuje 1 GB dat ze senzorů za sekundu. To číslo vypadá impozantně! Můžeme odhadnout, o jak velká data se jedná, ale tato čísla nám nepomohou s již zmíněnými 3 výzvami.

Přihlaste se k bezplatnému plánu a získejte přístup ke kartě hodnocení velkých dat i k dalším 28 šablonám karet hodnocení.

Úroveň 2. Metriky procesu zpracování velkých dat

Přejděme na další úroveň abstrakce a podívejme se na proces zpracování velkých dat. Zjednodušený model je následující:

• Dotazování
• Sběr
• Analýza
• Reportování

Nejužitečnější metriky se v tomto případě týkají času:

• Frekvence sběru dat
• Čas potřebný k tomu, aby byla data k dispozici pro analýzu
• Čas potřebný k tomu, aby byla data vykázána ve formě klíčových ukazatelů výkonnosti

Měřítka pro časování závisí na kontextu vašeho podnikání. Například:

• Samořiditelné auto potřebuje sbírat a analyzovat data v reálném čase a záleží na milisekundách rozdílu, ale
• V případě NPS mohou mít manažeři zájem o přehled agregovaných týdenních dat

Z hlediska efektivity procesů můžeme sledovat:

• Dotaz na vykazování míry konverze, %. V tomto případě musíme nejprve definovat pojem kvalifikovaný dotaz a poté sledovat procento kvalifikovaných dotazů, na které byli naši datoví vědci schopni odpovědět
• Možnosti zachycení dat. Úroveň přesnosti dat, která zachycujeme (myšlenky diskutované výše v kapitole Veracity). Pro některé společnosti tyto schopnosti definují jejich udržitelnou konkurenční výhodu.

Metriky z této úrovně nám dávají lepší představu o tom, jak efektivní jsou velká data, ale stále nemáme představu o dopadu velkých dat na skutečné obchodní cíle.

Úroveň 3. Ukazuje, jak efektivní jsou velká data. Zaostávající klíčové ukazatele výkonnosti. KPI k ověření úspěšnosti big dat.

Další otázkou je, jak ověřit úspěšnost iniciativ big dat ve firmě. Na jedné straně jde o nemalé investice do infrastruktury, na druhé straně by se big data měla vracet v podobě obchodních poznatků. Jak můžeme změřit dolarovou hodnotu těchto poznatků?”

V tomto případě je třeba sledovat zlepšení, která lze připsat na vrub používání big dat:

• Jaké poznatky jsme si z big dat odnesli? Jaké úspory nákladů bylo dosaženo po realizaci těchto nápadů?
• Jak se změnila míra udržení zákazníků díky poskytování služeb na míru? Jak se změnila celoživotní hodnota zákazníka?
• Pomáhají big data zefektivnit služby zákazníkům? Jak se změnila míra vyřešení prvního hovoru?
• Jak se změnily náborové procesy poté, co se začala používat big data? Jak se změnila metrika doby do dosažení výkonu HR?

Jak vidíte, na této úrovni používáme klasické KPI, které jsme používali dříve. To, o co se snažíme, je připsat určitá zlepšení implementaci big dat.

Tento přístup může být zkreslený:

• Máme tendenci počítat pozitivní změny jako naše úspěchy a
• Negativní změny vnímáme jako normální výkyvy, ke kterým vždy dochází.

Řešením je zaměřit se na větší a hmatatelnější cíle.

Mnohé organizace tuto část měření dovedou a jednoduše si koupí “nějaká velká data”. Podle zprávy společnosti Capgemini Consulting nemá 67 % dotazovaných společností dobře definovaná kritéria pro měření úspěšnosti svých iniciativ v oblasti big dat. Vzhledem k výši investic by společnosti měly být při definování cílů a kritérií úspěšnosti implementace big dat systematičtější.

Zaregistrujte se s bezplatným plánem a získejte přístup k Big Data Scorecard a také k 28 dalším šablonám scorecard.

Úroveň 4. Vedoucí klíčové ukazatele výkonnosti. Zajištění úspěchu big dat.

Teď už víme, jak měřit výsledkovou část iniciativ big dat, ale co ta vedoucí? Co bychom měli udělat, abychom zajistili úspěšnou implementaci big dat?

Těžká část big dat je poměrně hmatatelná, můžeme ji měřit takovými obecnými metrikami, jako jsou:

• Finance investované do iniciativ big dat
• Čas strávený iniciativami big dat

Obchodní cíle zaměřené na big data

Tady je reálný scénář: Společnost investovala miliony dolarů do infrastruktury, nástrojů a sběru velkých dat pomocí clusteru Hadoop a nic měřitelného se nestalo. To je to, o čem jsme mluvili v úkolu 1: Velká data nejsou umělá inteligence, neumí mluvit a váš tým se musí naučit klást otázky. Jak tedy můžeme měřit roli týmu?”

Nabízíme několik nápadů, jak začít:

• Efektivita školení v oblasti velkých dat. Ujistěte se, že klíčoví členové vašeho týmu absolvovali školení o velkých datech. Není nutné, aby se z nich stali datoví vědci, ale musí vědět, jaké otázky mohou klást a jak tyto otázky formulovat. Metriky se v tomto případě budou týkat efektivity školení.
• % strategických cílů s iniciativami big data. Mohli bychom sledovat počet dotazů na big data formulovaných jednotlivými týmy, ale tento přístup by byl velmi formální a méně užitečný. Lepší možností je sledovat soulad mezi cíli a dotazy na big data. Požádejte svůj tým, aby se podíval na své strategické cíle, a pak diskutoval o tom, jaká data by mohl potřebovat k lepšímu rozhodování v kontextu těchto cílů.

Big data pomáhají formulovat nové obchodní cíle

Proces sladění obchodního kontextu a big dat je obousměrný. Někdy máme na mysli konkrétní úkol a pak hledáme konkrétní nástroje big dat (jako v případě společnosti Target), jindy najdeme zajímavý nástroj a pak se jej snažíme sladit s našimi cíli. Zde je několik příkladů:

• Někdo z vašeho týmu našel Heedbook, službu, která analyzuje emoce zákazníků v reálném čase. Služba je postavena na platformě Azure společnosti Microsoft a je k dispozici v cloudu. Váš tým zákaznických služeb by mohl přijít s nápadem využít tuto službu k lepšímu výpočtu NPS.
• Vaši pracovníci IT měli za úkol najít software DLP (Data loss prevention). Narazili na SearchInform, který nejenže dokáže analyzovat komunikaci a přenášené soubory, ale dokáže také prosazovat konkrétní bezpečnostní zásady. Strategii IT vaší organizace lze aktualizovat s ohledem na možnosti nástroje DLP.

V každém případě je dobré sladit konkrétní obchodní cíle s požadavky na big data.

Akční plán. Ať jsou velká data měřitelná.

Nafalme si několik poznatků z tohoto článku. Raději to udělám formou akčního plánu.

1. Revidujte velká data. Jak se data shromažďují nyní, jaké máte možnosti zachycení dat (jako rámec použijte metriky procesu big data).
2. Udělejte si domácí úkol. Nechte si zformulovat strategii na strategické mapě a kaskádovitě ji předejte obchodním jednotkám. Prověřte své stávající klíčové ukazatele výkonnosti.
3. Zlepšete schopnosti. Naplánujte iniciativy zaměřené na schopnosti týmu z hlediska velkých dat. Klíčoví členové by měli pochopit, jaké otázky mohou klást a jak tyto otázky formulovat.
4. Zaměřte úsilí na big data. Projděte si mapu strategie, zjistěte příležitosti, kde mohou big data podpořit obchodní cíle. Formulujte dotazy na big data.
5. Implementace. Analyzujte poznatky poskytnuté big daty, v případě potřeby je promítněte do podoby KPI.

Krátký průvodce pro uživatele softwaru BSC Designer

Jako uživatelé softwaru BSC Designer máte k dispozici výkonný software, který automatizuje mnoho aspektů sladění strategie a KPI, o nichž pojednává tento článek:

• Sladění strategie a zaměření big dat. Vytvořte mapu strategie pro prezentaci vašich obchodních cílů; sladěte KPI s cíli na mapě. Pokud mapu strategie ještě nemáte, použijte pro začátek průvodce mapou strategie.

• Zajistěte, aby měl tým k dispozici velké množství dat. Pomocí tréninkové výsledkové karty (můžete začít tímto příkladem) se ujistěte, že váš tým má potřebné schopnosti pro práci s velkými daty.
• Posílení KPI pomocí velkých dat. Sledujte výkonnostní ukazatele pro iniciativy založené na big datech; použijte rozhraní RESTFul API pro zadávání výkazů big dat v reálném čase do ukazatelů.

Pokud ještě nejste uživatelem, můžete začít s bezplatným plánem BSC Designer, který je k dispozici online.

Další příklady Balanced Scorecard