Tanulja meg, hogyan hangolja össze a big data kezdeményezéseket a szervezet stratégiájával, és hogyan érvényesítse erőfeszítéseit kulcsfontosságú teljesítménymutatókkal.

A cikk legfontosabb témái:

• Mi a Big Data?
• A Big Data kihívásai
• KPI-k és Big Data
• Fókuszáljon a Big Data-ra
• Megmérhetővé teszi a Big Data-t
• Automatizálás a BSC Designerrel

.

Sign-fel egy ingyenes csomaggal, hogy hozzáférjen a Big Data Scorecardhoz, valamint 28 másik scorecard sablonhoz.
Az év vége jó alkalom, hogy beszéljünk a feltörekvő trendekről: az önvezető autókról, a mesterséges intelligenciáról, a virtuális valóságról és a dolgok internetéről. Milyen hatással lesznek ezek a trendek az Ön vállalkozására? Hogyan tudja figyelembe venni ezeknek a játékokat megváltoztató ötleteknek a lehetséges hatását? Az említett trendek mindegyike megérdemli a részletes elemzést, de van egy, amelyik úgy tűnik, összefügg az összes többivel. A Big Data-ról beszélek. Az AI-nek szüksége lesz rá, az önvezető autók erre épülnek, és természetesen már most is sok vállalkozás használja.

A BSC Designer-nél sokat beszéltünk a KPI-kről és a stratégiáról. Ebben a cikkben azt javaslom, hogy tárgyaljuk meg, hogyan segíthet egy jól leírt stratégia és személyre szabott KPI-k a big data erőfeszítések összpontosításában. Íme a tervünk ehhez a cikkhez:

• Big data. Mi is ez? Mik a fő kihívások?
• KPI-k a nagy adatokhoz. A KPI-k 4 szintje és a stratégiai összehangolás elérése.
• Cselekvési terv. A big data mérhető megvalósítása.

Mi a big data?

A big data a nagy, strukturálatlan adathalmazok elemzéséről szól.

A big data 3 V-vel jellemezhető:

• Volumen. Az adathalmazoknak nagynak kell lenniük. Vannak olyan becslések, amelyek szerint legalább 10 GB-nak vagy 1 TB-nak kell lennie, de valószínűleg jobb kritérium lenne azt mondani, hogy a nagy adat az, amit szét kell osztani (a tárolás vagy a számítások szempontjából). Ha Hadoopra vagy hasonló keretrendszerre kellett váltani, akkor már nagy lesz.
• Változatosság. Gondoljon a strukturált és strukturálatlan adatok különböző forrásaira. Bányászható szövegből, videóból, értékesítési adatokból, közösségi médiából, időjárás-előrejelzésből vagy bármi másból, aminek az Ön kontextusában értelme van.
• Sebesség. A nagy adatmennyiség a gyors adatgenerálás eredménye. Gondoljunk a repülőgépek több ezer, folyamatosan megfigyelt elemére, vagy a közösségi médiában megjelenő kommentek folyamatos áramlására, vagy a viselhető eszközök által szolgáltatott valós idejű adatokra.

Gyakran (vegyük példának az IBM-et vagy az EY-t), van egy negyedik “V” is, amely a “Veracity”-t jelenti:

• Veracity. Amikor adatokról beszélünk, mindig egy bizonyos szintű bizonytalansággal van dolgunk. Hogyan szerezték meg az adatokat? Minden tényezőt elemeztünk? Manipulálták őket? Megbízhatunk ezekben a számokban?

Hogyan használják az adatokat?

A nagy adatokat a legkülönfélébb előrejelző és viselkedéselemzésekhez használják. A szervezetek a nagy adatokat a költségek csökkentése, az ügyfelek igényeinek jobb megértése és a kockázatok mérséklése érdekében alkalmazzák. Gondoljon egy olyan vállalkozásra, amely a nagy adatokat arra használja, hogy személyre szabott élményt nyújtson az ügyfeleknek; gondoljon egy e-kereskedelmi szolgáltató csalás-ellenőrzésére.

A cikk elején említettem néhány feltörekvő trendet – a nagy adatok mindegyikben részt vesznek. Ha többet szeretne megtudni a big data gyakorlati felhasználásáról, ajánlom, hogy folytassa a nemzetközileg elismert szakértő, Bernard Marr “7 Amazing Companies That Really Get Big Data” című könyvét.

Main Challenges of Big Data

A big data leírt víziója nagyon ambiciózusan hangzik. Akkor miért lassúak a vállalatok ennek az új trendnek az átvételében? Melyek a big data fő kihívásai?

Az adatbányászat már nem a fő kihívás

Október végén a SCIP (Strategic and Competitive Intelligence Professionals) által szervezett konferencián tartottam előadást. Ennek a szervezetnek a tagjai nagy adatokkal foglalkoznak a piaci intelligencia területén. A konferencia fő témája nem néhány CI/BI adat bányászatáról szólt, ahogyan azt várhatnánk, hanem az üzleti intelligencia erőfeszítések összehangolásáról a szervezet stratégiájával. Más szóval, ha egy vállalat tudja, hogy milyen kérdéseket akar feltenni, a többi viszonylag egyszerű (lásd az alábbi felmérésekben néhány adatot).

Ha az adatbányászat már nem jelent problémát, mik a fő kihívások?

Kihívás 1. Kihívás. A nagy adatok fókuszálása

A fő kihívás az, hogy a nagy adatokat arra összpontosítsuk, ami számít, majd a megfelelő kezekbe juttassuk. Más szóval, kell lennie valakinek a szervezetben, aki elkezdi feltenni a megfelelő kérdéseket.

A gondolat illusztrálására vegyünk egy Target-sztorit, amely 2012-ben került a címlapokra. Ez a kiskereskedő sikeresen használta a vásárlói analitikai adatokat arra, hogy megjósolja, hogy néhány vásárlója terhes. Nézzük meg a történetet (az adatvédelemmel kapcsolatos részt figyelmen kívül hagyva), és nézzük meg, mi is történt valójában. Andrew Pole, a Targetnél dolgozó statisztikus nem egyszerűen minden lehetséges adatot szállított, hanem egy nagyon konkrét feladatot kapott a marketinges kollégáitól – azonosítsa a második trimeszterben lévő terhes vásárlókat.

Ezzel a fókusszal volt egy fókusz, és, ehhez a fókuszhoz hatalmas üzleti érték társult, mivel az újdonsült szülők hajlamosak megváltoztatni a vásárlási szokásaikat, és mindent egy kiskereskedelmi üzletben vásárolnak. Nem csak az adatokkal való játékról volt szó, hanem arról, hogy olyan adatokat találjunk, amelyek segítenek egy nagyon konkrét kérdés megválaszolásában.

Kihívás 2. Összehangolás az üzleti stratégiával

A nagyméretű adatok akkor változnak meg, ha kézzelfogható üzleti értéket biztosítanak. Más szóval, egyértelműnek kell lennie, hogy a nagyadat-kezdeményezések hogyan támogatják a vállalat stratégiáját. A NewVantage Partners Big Data Executive Survey felmérésében megkérdezte a válaszadókat a Big Data üzleti bevezetésének kulturális akadályairól. A válaszadók 42,6%-a a “nem megfelelő szervezeti összehangoltság” választ választ választotta. A további válaszlehetőségek között szerepelt az elfogadás hiánya, a koherens adatstratégia hiánya és a közös jövőkép hiánya.

Visszatérve a Target esetére, két fontos összetevővel sikerült foglalkozniuk:

1. A Big Data egy konkrét lekérdezésre összpontosított: Egy adattudóst arra kértek, hogy azonosítsa a második trimeszterben lévő terhes vásárlókat.
2. Összehangolás az üzleti stratégiával: Az adatoknak egyértelmű üzleti értéke volt – a családok, ahol gyermek született, hosszú időre egy kiskereskedelmi üzlet ügyfeleivé váltak.

Kihívás 3. Adatbiztonság és adatvédelem

Ez a kihívás még nem terjedt el az általános használatban, de azt hiszem, mindenki számára nyilvánvaló, hogy az adatgyűjtésnek és -elemzésnek etikusnak és jogszerűnek kell lennie. Az általános adatvédelmi rendelet (GDPR) 2018. május 25-től vált végrehajthatóvá Európában, és más országokban is vannak hasonló szabályozások. A vállalatoknak sokkal komolyabban kell venniük az adatkezelési irányelvek betartását a személyes adatok feldolgozása során.

Beszéljük meg a KPI-ket a big data kontextusában.

KPI-k és a big data

A big data felváltja a KPI-ket? Nem egészen. A big data pontosabb és naprakészebb meglátásokkal fogja ellátni a KPI-ket.

Vegyük példának az NPS-t (Net Promoter Score):

• NPS most. Hogyan számítják ki ma az NPS-t (Net Promoter Score) az Ön szervezetében? Valószínűleg negyedévente valamilyen ügyfélfelmérést végeznek. Így ez a mutató időben elmarad. Ha valami történik a vállalkozásával, az NPS néhány hónappal később mutatja meg.
• NPS powered by big data. Most képzelje el, hogy valamilyen big data eszközt használ, amely valós időben elemzi az ügyfelek érzelmeit (lásd az alábbi Heedbook-hivatkozást). Ebben az esetben az NPS valós idejű KPI-vé válik. Alapvetően képes lesz látni egy adott ügyfél reakcióját egy adott ajánlatra és egy adott értékesítési megközelítésre.

Egyes esetekben érdekelni fogja, hogy mélyebbre ásson az adatokban, és eljusson a konkrét helyzetekhez, más esetekben pedig a hétre, hónapra vagy évre vonatkozó összesített adatokra lesz szüksége.

KPI-k a nagy adatokhoz

A nagy adatok esetében jelentős beruházásokról beszélünk az új eszközökbe és architektúrába, ezért érdemes ezeket a kezdeményezéseket néhány kemény adattal nyomon követni. A big data kezdeményezéseket is számszerűsíteni és mérni kell. Ezt több szinten is megtehetjük.

1. szint. 3-V mérőszámok

A big data 3V-je (Volume, Variety, Velocity) könnyen számszerűsíthető:

• Az adatmennyiség önmagában is mérhető (GB, TB, stb.)
• A változatosság számszerűsíthető a különböző típusú adatforrások számával
• A sebességet az időegységenként generált/elemzett adatok mennyisége határozza meg

A negyedik V-t – a hitelességet nehezebb lehet számszerűsíteni. Meg kell határoznia, hogy a csapata mit minősít pontos adatnak, és ez a kontextustól függ. Például a belső égésű motoros autók esetében az aktuális sebesség mérése +-5 km/h hibaszinttel pontos adatnak tekinthető, míg az elektromos autók esetében ez nem elfogadható. Határozzon meg 1-2 olyan mérőszámot, amely az Ön esetében képet ad az adatok pontosságáról.

A 3-V mérőszámok hasznosak? Ez a kontextustól függ. Vegyük példának a Google önvezető autóját. Az autó másodpercenként 1 GB szenzoradatot termel. Ez a szám lenyűgözőnek tűnik! Megbecsülhetjük, hogy mekkora a big data, de ezek a számok nem segítenek az előbb említett 3 kihívásban.

Az ingyenes csomaggal regisztrálva hozzáférhet a Big Data Scorecardhoz, valamint 28 másik scorecard sablonhoz.

2. szint. Nagyadat-folyamat mérőszámok

Lépjünk az absztrakció következő szintjére, és nézzük meg a nagyadat-folyamatot. Az egyszerűsített modell a következő:

• Kérdezés
• Begyűjtés
• Analízis
• Riportálás

A leghasznosabb metrikák ebben az esetben az idővel kapcsolatosak:

• Az adatgyűjtés gyakorisága
• Az adatok elemzéshez való rendelkezésre állásához szükséges idő
• Az adatok KPI-k formájában történő jelentéséhez szükséges idő

Az időzítés mérőszámai az üzleti kontextustól függnek. Például:

• Az önvezető autónak valós időben kell adatokat gyűjtenie és elemeznie, és a különbség ezredmásodpercei számítanak, de
• Az NPS esetében a vezetőket érdekelheti a heti összesített adatok áttekintése

A folyamatok hatékonysága szempontjából nyomon követhetjük:

• A konverziós arány jelentésének lekérdezése, %. Ebben az esetben először meg kell határoznunk a minősített lekérdezés fogalmát, majd nyomon kell követnünk a minősített lekérdezések százalékos arányát, amelyekre adattudósaink képesek voltak válaszolni
• Adatrögzítési képességek. Az általunk rögzített adatok pontossági szintje (a Veracity-ben fentebb tárgyalt gondolatok). Egyes vállalatok számára ezek a képességek határozzák meg a fenntartható versenyelőnyüket.

Az e szintről származó mérőszámok jobb képet adnak arról, hogy mennyire hatékony a big data, de még mindig nincs fogalmunk arról, hogy a big data milyen hatással van a valós üzleti célokra.

3. szint. Elmaradó KPI-k. KPI-k a big data sikerének validálásához.

Egy másik kérdés, hogy hogyan lehet validálni a big data kezdeményezések sikerét a vállalatnál. Egyrészt jelentős infrastrukturális beruházásokról van szó, másrészt a big data-nak üzleti meglátások formájában kellene megtérülnie. Hogyan mérhetjük ezeknek a meglátásoknak a dollárértékét?

Ez esetben nyomon kell követnünk azokat a fejlesztéseket, amelyek a big data használatának tulajdoníthatók:

• Milyen tanulságokat vonhatunk le a big data alkalmazásából? Milyen költségmegtakarítást értünk el ezen ötletek megvalósítása után?
• Hogyan változott az ügyfélmegtartási arány a személyre szabott élmény nyújtásának köszönhetően? Hogyan változott az ügyfelek élettartam-értéke?
• A big data segít az ügyfélszolgálat hatékonyabbá tételében? Hogyan változott az első hívás megoldási aránya?
• Hogyan változtak a felvételi folyamatok a big data használatának megkezdése után? Hogyan változott a teljesítményig eltelt idő HR-mérőszám?

Amint látható, ezen a szinten a klasszikus KPI-ket használjuk, amelyeket korábban is használtunk. Azt próbáljuk elérni, hogy bizonyos javulásokat a big data bevezetésének tulajdonítsunk.

Ez a megközelítés elfogult lehet:

• Hajlamosak vagyunk a pozitív változásokat az eredményeinknek tekinteni, és
• A negatív változásokat normális ingadozásoknak tekintjük, amelyek mindig előfordulnak.

A megoldás az, hogy nagyobb és kézzelfoghatóbb célokra törekedjünk.

Sok szervezet ügyeskedik ebben a mérési részben, és egyszerűen megvesz “néhány nagy adatot”. A Capgemini Consulting jelentése szerint a megkérdezett vállalatok 67%-a nem rendelkezik jól meghatározott kritériumokkal a big data kezdeményezések sikerének mérésére. Tekintettel a beruházás összegére, a vállalatoknak szisztematikusabban kellene meghatározniuk a big data bevezetésének céljait és sikerkritériumait.

Az ingyenes csomaggal regisztrálva hozzáférhet a Big Data Scorecardhoz, valamint 28 másik scorecard sablonhoz.

4. szint. Vezető KPI-k. A big data sikerének biztosítása.

Most már tudjuk, hogyan mérjük a big data kezdeményezések eredmény részét, de mi a helyzet a vezető részével? Mit kell tennünk a big data sikeres megvalósításának biztosítása érdekében?

A big data kemény része eléggé kézzelfogható, olyan általános mérőszámokkal mérhetjük, mint:

• A big data kezdeményezésekbe fektetett pénzeszközök
• A big data kezdeményezésekre fordított idő

Üzleti célok fókuszában a big data

Itt egy valós forgatókönyv: Egy vállalat dollármilliókat fektetett az infrastruktúrába, az eszközökbe és a nagy adatgyűjtésbe a Hadoop fürttel, és semmi mérhető nem történt. Ez az, amiről az 1. kihívásban beszéltünk: a nagy adat nem mesterséges intelligencia, nem tud beszélni, és a csapatának meg kell tanulnia a kérdéseket feltenni. Hogyan mérhetjük akkor a csapat szerepét?

Íme néhány ötlet a kezdéshez:

• A nagyadat-képzés hatékonysága. Győződjön meg róla, hogy a csapat kulcsfontosságú tagjai részesültek valamilyen képzésben a nagy adatokról. Nem feltétlenül lesz belőlük adattudós, de tudniuk kell, hogy milyen kérdéseket tehetnek fel, és hogyan fogalmazzák meg ezeket a kérdéseket. A mérőszámok ebben az esetben a képzés hatékonyságához kapcsolódnak.
• A stratégiai célok %-ban nagyadat-kezdeményezésekkel. Nyomon követhetnénk az egyes csapatok által megfogalmazott big data lekérdezések számát, de ez a megközelítés nagyon formális és kevésbé hasznos lenne. Jobb megoldás a célok és a big data lekérdezések közötti összhang nyomon követése. Kérje meg a csapatát, hogy nézzék meg a stratégiai céljaikat, majd beszéljék meg, milyen adatokra lehet szükségük ahhoz, hogy e célokkal összefüggésben jobb döntéseket hozzanak.”

A big data segít az új üzleti célok megfogalmazásában

Az üzleti kontextus és a big data összehangolásának folyamata kétirányú. Néha egy konkrét kihívást tartunk szem előtt, és akkor konkrét big data eszközöket keresünk (mint a Target esetében), néha pedig találunk egy érdekes eszközt, majd megpróbáljuk összhangba hozni a céljainkkal. Íme néhány példa:

• A csapatából valaki megtalálta a Heedbookot, egy olyan szolgáltatást, amely valós időben elemzi a vásárlók érzelmeit. A szolgáltatás a Microsoft Azure-ra épül, és a felhőben érhető el. Az ügyfélszolgálati csapatának talán támad egy olyan ötlete, hogy ezt a szolgáltatást az NPS jobb kiszámításához használja.
• Az informatikai személyzetének kihívást jelentett egy DLP (adatvesztés-megelőző) szoftver megtalálása. Rábukkantak a SearchInformra, amely nemcsak a kommunikációt és az átvitt fájlokat képes elemezni, hanem konkrét biztonsági irányelvek érvényesítésére is képes. A DLP eszköz lehetőségeinek figyelembevételével frissíthető a szervezet informatikai stratégiája.

Mindenesetre érdemes a konkrét üzleti célokat és a nagy adatokkal szemben támasztott követelményeket összehangolni.

Action Plan. Tegye mérhetővé a nagy adatokat.

Fogalmazzunk meg néhány tanulságot ebből a cikkből. Én ezt inkább cselekvési terv formájában teszem.

1. A nagy adatok felülvizsgálata. Hogyan történik most az adatgyűjtés, milyen adatrögzítési lehetőségei vannak (használja a big data folyamatmetrikákat keretként).
2. Végezze el a házi feladatát. Fogalmazza meg a stratégiáját a stratégiai térképen, és kaszkádolja az üzleti egységeknek. Tekintse át a jelenlegi KPI-ket.
3. Javítsa a képességeket. Tervezze meg a kezdeményezéseket a csapat képességeinek kezelésére a nagy adatok tekintetében. A kulcsfontosságú tagoknak meg kell érteniük, hogy milyen kérdéseket tehetnek fel, és hogyan fogalmazzák meg ezeket a kérdéseket.
4. A big data erőfeszítések összpontosítása. Tekintse át a stratégiai térképet, szúrja ki azokat a lehetőségeket, ahol a nagy adatok támogathatják az üzleti célokat. Fogalmazza meg a big data lekérdezéseket.
5. Végrehajtás. Elemezze a big data által szolgáltatott felismeréseket, szükség esetén tükrözze azokat KPI-k formájában.

Rövid útmutató a BSC Designer szoftver felhasználói számára

A BSC Designer felhasználójaként egy nagy teljesítményű szoftverrel rendelkezik, amely automatizálja az ebben a cikkben tárgyalt stratégia-összehangolás és KPI-k számos szempontját:

• Stratégiai összehangolás és a big data fókuszálása. Hozzon létre egy stratégiai térképet az üzleti célok bemutatására; igazítsa a KPI-ket a térképen szereplő célokhoz. Ha még nincs stratégiai térképe, akkor használja a stratégiai térkép varázslót a kezdéshez.

• Biztosítva, hogy egy csapat rendelkezzen big data képességekkel. Használjon egy képzési scorecardot (ezzel a példával kezdheti), hogy megbizonyosodjon arról, hogy csapata rendelkezik a nagy adatokkal való munkához szükséges képességekkel.
• KPI-k működtetése nagy adatokkal. Kövesse nyomon a big data kezdeményezések teljesítménymutatóit; használja a RESTFul API-t a valós idejű big data jelentések beviteléhez a mutatókba.

Ha még nem felhasználó, akkor kezdheti a BSC Designer ingyenes tervével, amely online elérhető.

Még több példa a kiegyensúlyozott eredménykártyára