Dowiedz się, jak dopasować inicjatywy związane z big data do strategii organizacji i zweryfikować swoje wysiłki za pomocą kluczowych wskaźników wydajności.

Kluczowe tematy artykułu:

• Co to jest Big Data?
• Wyzwania związane z Big Data
• KPIs i Big Data
• Focus Big Data
• Make Big Data Measurable
• Automatyzacja z BSC Designer

.

Zapisz się do bezpłatnego planu dostępu do Big Data.Zarejestruj się w bezpłatnym planie, aby uzyskać dostęp do karty wyników Big Data oraz 28 innych szablonów kart wyników.
Koniec roku to dobry moment, aby porozmawiać o pojawiających się trendach: samojeżdżących samochodach, sztucznej inteligencji, wirtualnej rzeczywistości i Internecie Rzeczy. Jaki wpływ będą miały te trendy na Twój biznes? Jak możesz wziąć pod uwagę ewentualny wpływ tych zmieniających świat idei? Wszystkie wymienione trendy zasługują na szczegółową analizę, ale jest jeden, który wydaje się być połączony z wszystkimi innymi. Mowa o Big Data. AI będzie go potrzebować, samojeżdżące samochody są na nim oparte i oczywiście jest on już wykorzystywany przez wiele firm.

W BSC Designer dużo mówiliśmy o KPI i strategii. W tym artykule proponuję omówić, w jaki sposób dobrze opisana strategia i dopasowane KPI mogą pomóc skupić się na wysiłkach związanych z big data. Oto nasz plan na ten artykuł:

• Big data. Co to jest? Jakie są główne wyzwania?
• KPI dla big data. 4 poziomy KPI i osiąganie strategicznego dopasowania.
• Plan działania. Mierzalne wdrożenie big data.

Czym jest Big Data?

Big data dotyczy analizy dużych, nieustrukturyzowanych zbiorów danych.

Big data można scharakteryzować za pomocą 3 Vs:

• Objętość. Zbiory danych mają być duże. Istnieją szacunki, że powinno to być co najmniej 10 GB lub 1 TB, ale chyba lepszym kryterium byłoby stwierdzenie, że big data to coś, co musi być rozproszone (w sensie przechowywania lub obliczeń). Jeśli trzeba było przejść na Hadoop lub podobny framework, to znaczy, że robi się duże.
• Różnorodność. Pomyśl o różnych źródłach danych ustrukturyzowanych i nieustrukturyzowanych. Można je wydobywać z tekstu, wideo, danych sprzedażowych, mediów społecznościowych, prognozy pogody lub czegokolwiek, co ma sens w danym kontekście.
• Szybkość. Duża objętość danych jest wynikiem szybkiego generowania danych. Pomyśl o tysiącach elementów samolotów, które są stale monitorowane, lub o stałym przepływie komentarzy w mediach społecznościowych, lub o danych w czasie rzeczywistym, które dostarczają urządzenia wearable.

Często (weź IBM lub EY jako przykład), istnieje również czwarte “V”, które oznacza “Veracity:”

• Veracity. Kiedy mówimy o danych, zawsze mamy do czynienia z pewnym poziomem niepewności. Jak uzyskano te dane? Czy przeanalizowaliśmy wszystkie czynniki? Czy były zmanipulowane? Czy możemy zaufać tym liczbom?

Jak wykorzystuje się dane?

Big data jest wykorzystywana do szerokiego zakresu analiz predykcyjnych i behawioralnych. Organizacje stosują big data w celu obniżenia kosztów, lepszego zrozumienia potrzeb klientów i ograniczenia ryzyka. Pomyśl o firmie, która wykorzystuje big data do dostarczania klientom doświadczeń dostosowanych do ich potrzeb; pomyśl o sprawdzaniu oszustw u dostawcy usług e-commerce.

Na początku artykułu wymieniłem kilka pojawiających się trendów – big data jest zaangażowana we wszystkie z nich. Aby dowiedzieć się więcej o praktycznym wykorzystaniu big data, polecam kontynuację lektury książki “7 Amazing Companies That Really Get Big Data” autorstwa uznanego na całym świecie eksperta Bernarda Marra.

Główne wyzwania związane z big data

Opisana wizja big data brzmi bardzo ambitnie. Dlaczego więc firmy powoli przyjmują ten nowy trend? Jakie są główne wyzwania związane z big data?

Data mining nie jest już głównym wyzwaniem

Pod koniec października brałem udział w konferencji organizowanej przez SCIP (Strategic and Competitive Intelligence Professionals). Członkowie tej organizacji zajmują się big data w domenach związanych z badaniem rynku. Tematem przewodnim konferencji nie było wydobywanie danych CI/BI, jak można by się spodziewać, ale dostosowanie działań business intelligence do strategii organizacji. Innymi słowy, gdy firma zna pytania, które chce zadać, reszta jest stosunkowo łatwa (zobacz poniższe ankiety, aby zapoznać się z niektórymi danymi).

Jeśli eksploracja danych nie jest już problemem, jakie są główne wyzwania?

Wyzwanie 1. Skupienie big data

Głównym wyzwaniem jest skupienie big data na tym, co istotne, a następnie dostarczenie ich we właściwe ręce. Innymi słowy, w organizacji powinien znaleźć się ktoś, kto zacznie zadawać właściwe pytania.

Aby zilustrować tę ideę, weźmy historię firmy Target, która trafiła na pierwsze strony gazet w 2012 roku. Ta sieć handlowa z powodzeniem wykorzystała dane analityczne dotyczące klientów, aby przewidzieć, że niektóre z nich są w ciąży. Przyjrzyjmy się tej historii (nie biorąc pod uwagę części związanej z prywatnością) i zobaczmy, co tak naprawdę się stało. Andrew Pole, statystyk pracujący dla Target nie dostarczał po prostu wszystkich możliwych danych, dostał bardzo konkretne zadanie od swoich kolegów z marketingu – zidentyfikować ciężarne klientki w drugim trymestrze ciąży.

To było skupienie i, była z tym związana ogromna wartość biznesowa, ponieważ nowi rodzice mają tendencję do zmiany swoich nawyków zakupowych i kupowania wszystkiego w jednym sklepie detalicznym. Nie chodziło tylko o zabawę z danymi, ale o znalezienie danych, które pomogłyby odpowiedzieć na bardzo konkretne pytanie.

Wyzwanie 2. Dopasowanie do strategii biznesowej

Big data będzie zmieniała reguły gry, gdy będzie dostarczała namacalnej wartości biznesowej. Innymi słowy, powinno być jasne, w jaki sposób inicjatywy związane z big data wspierają strategię firmy. Firma NewVantage Partners w swoim badaniu Big Data Executive Survey zapytała respondentów o przeszkody kulturowe utrudniające przyjęcie Big Data w biznesie. 42,6% respondentów wybrało odpowiedź “Niewystarczające dostosowanie organizacyjne”. Inne opcje obejmowały brak adopcji, brak spójnej strategii danych i brak wspólnej wizji.

Wracając do przypadku Target, udało im się zaadresować dwa ważne komponenty:

1. Big data skoncentrowana na konkretnym zapytaniu: Naukowiec zajmujący się danymi został poproszony o zidentyfikowanie ciężarnych kupujących w drugim trymestrze ciąży.
2. Dostosowanie do strategii biznesowej: Istniała wyraźna wartość biznesowa dla danych – rodziny, w których urodziło się dziecko, stały się klientami jednego sklepu detalicznego na długi czas.

Wyzwanie 3. Bezpieczeństwo danych i prywatność

To wyzwanie nie jest jeszcze w powszechnym użyciu, ale myślę, że jest oczywiste dla każdego, że gromadzenie i analiza danych musi być etyczna i legalna. Ogólne rozporządzenie o ochronie danych (GDPR) zaczęło obowiązywać od 25 maja 2018 r. w Europie, a w innych krajach obowiązują podobne regulacje. Firmy muszą znacznie poważniej podchodzić do przestrzegania polityk danych podczas przetwarzania danych osobowych.

Przedyskutujmy KPI w kontekście big data.

KPI i Big Data

Czy big data zastąpi KPI? Nie do końca. Big data będzie zasilać wskaźniki KPI bardziej dokładnymi i aktualnymi spostrzeżeniami.

Przyjmijmy NPS (Net Promoter Score) jako przykład:

• NPS teraz. Jak obliczany jest NPS (Net Promoter Score) w Twojej organizacji? Prawdopodobnie raz na kwartał przeprowadzasz jakieś badanie opinii klientów. W związku z tym wskaźnik ten jest opóźniony w czasie. Jeśli coś się stanie z Twoją firmą, NPS pokaże to kilka miesięcy później.
• NPS powered by big data. Teraz wyobraź sobie, że używasz jakiegoś narzędzia big data, które analizuje emocje klientów w czasie rzeczywistym (zobacz odniesienie do Heedbook poniżej). W tym przypadku Twój NPS stanie się KPI działającym w czasie rzeczywistym. W zasadzie będziesz mógł zobaczyć reakcję konkretnego klienta na konkretną ofertę i na konkretne podejście do sprzedaży.

W niektórych przypadkach będziesz zainteresowany zagłębieniem się w dane i dotarciem do konkretnych sytuacji, a w niektórych będziesz potrzebował zobaczyć zagregowane dane za tydzień, miesiąc lub rok.

KPIs for Big Data

W przypadku big data, mówimy o znaczących inwestycjach w nowe narzędzia i architekturę, więc sensowne jest monitorowanie tych inicjatyw za pomocą twardych danych. Inicjatywy związane z big data powinny być również kwantyfikowane i mierzone. Możemy to zrobić na kilku różnych poziomach.

Poziom 1. Metryki 3-V

Metryki 3V (Volume, Variety, Velocity) big data można łatwo określić ilościowo:

• Objętość danych jest miarą samą w sobie (GB, TB, itd.)
• Różnorodność może być określona ilościowo jako liczba różnych typów źródeł danych
• Szybkość jest określona przez objętość danych generowanych/analizowanych w danym okresie czasu

Czwarte V – Prawdziwość może być trudniejsze do określenia ilościowego. Będziesz musiał zdefiniować, co twój zespół kwalifikuje się jako dokładne dane, a to zależy od kontekstu. Na przykład, dla samochodów z silnikiem spalinowym pomiar aktualnej prędkości z poziomem błędu +-5 km/h może być uznany za dokładne dane, podczas gdy dla samochodów elektrycznych jest to nie do przyjęcia. Zdefiniuj 1-2 metryki, które dają pojęcie o dokładności danych w twoim przypadku.

Czy metryki 3-V są użyteczne? To zależy od kontekstu. Weźmy na przykład samojeżdżący samochód Google’a. Samochód produkuje 1 GB danych z czujników na sekundę. Ta liczba wygląda imponująco! Możemy oszacować, jak duże są to big data, ale te liczby nie pomogą nam z 3 wyzwaniami wspomnianymi wcześniej.

Zapisz się na darmowy plan, aby uzyskać dostęp do Big Data Scorecard, a także 28 innych szablonów kart wyników.

Poziom 2. Metryki procesu big data

Przejdźmy na kolejny poziom abstrakcji i przyjrzyjmy się procesowi big data. Uproszczony model wygląda następująco:

• Kwerenda
• Kolekcja
• Analiza
• Raportowanie

Najbardziej użyteczne metryki w tym przypadku są związane z czasem:

• Częstotliwość zbierania danych
• Czas potrzebny na to, aby dane były dostępne do analizy
• Czas potrzebny na to, aby dane były raportowane w postaci KPI

Punkty odniesienia dla czasu zależą od kontekstu biznesowego. Na przykład:

• Samojeżdżący samochód musi zbierać i analizować dane w czasie rzeczywistym, a milisekundy różnicy mają znaczenie, ale
• W przypadku NPS menedżerowie mogą być zainteresowani przeglądaniem zagregowanych danych tygodniowych

W zakresie efektywności procesów możemy śledzić:

• Zapytanie o raportowanie współczynnika konwersji, %. W tym przypadku musimy najpierw zdefiniować pojęcie kwalifikowanego zapytania, a następnie śledzić odsetek kwalifikowanych zapytań, na które nasi naukowcy zajmujący się danymi byli w stanie odpowiedzieć
• Możliwości przechwytywania danych. Poziom dokładności danych, które przechwytujemy (koncepcje omówione powyżej w Veracity). Dla niektórych firm te zdolności definiują ich trwałą przewagę konkurencyjną.

Metryki z tego poziomu dają nam lepsze pojęcie o tym, jak wydajne są big data, ale nadal nie mamy pojęcia o wpływie big data na rzeczywiste cele biznesowe.

Poziom 3. Zapóźnione KPI. KPI do walidacji sukcesu big data.

Innym pytaniem jest, jak walidować sukces inicjatyw big data w firmie. Z jednej strony mamy do czynienia z pewnymi znaczącymi inwestycjami w infrastrukturę, z drugiej strony big data powinna się zwracać w postaci insightów biznesowych. Jak możemy zmierzyć wartość tych spostrzeżeń w dolarach?

W tym przypadku musimy śledzić usprawnienia, które można przypisać wykorzystaniu big data:

• Jakie lekcje wyciągnęliśmy z big data? Jakie oszczędności kosztów osiągnięto po wdrożeniu tych pomysłów?
• Jak zmienił się wskaźnik utrzymania klientów dzięki dostarczaniu doświadczeń dostosowanych do indywidualnych potrzeb? Jak zmienia się wartość życiowa klienta?
• Czy big data pomaga obsłudze klienta być bardziej efektywną? Jak zmienił się wskaźnik rozwiązywania problemów przy pierwszym zgłoszeniu?
• Jak zmieniły się procesy zatrudniania po rozpoczęciu korzystania z big data? Jak zmieniła się metryka HR Time to Performance?

Jak widać na tym poziomie używamy klasycznych KPI, których używaliśmy wcześniej. To, co próbujemy zrobić, to przypisać pewne usprawnienia do wdrożenia big data.

Takie podejście może być stronnicze:

• Mamy tendencję do liczenia pozytywnych zmian jako naszych osiągnięć i
• Postrzegamy negatywne zmiany jako normalne fluktuacje, które zawsze się zdarzają.

Rozwiązaniem jest dążenie do większych i bardziej namacalnych celów.

Wiele organizacji umie tę część pomiarową i po prostu kupuje “jakieś big data”. Według raportu Capgemini Consulting, 67% ankietowanych firm nie ma dobrze zdefiniowanych kryteriów pomiaru sukcesu swoich inicjatyw związanych z big data. Biorąc pod uwagę wielkość inwestycji, firmy powinny być bardziej systematyczne w określaniu celów i kryteriów sukcesu wdrożenia big data.

Zarejestruj się w bezpłatnym planie, aby uzyskać dostęp do karty wyników big data, a także 28 innych szablonów kart wyników.

Level 4. Wiodące wskaźniki KPI. Zapewnienie sukcesu big data.

Teraz wiemy, jak mierzyć część wynikową inicjatyw związanych z big data, ale co z częścią wiodącą? Co powinniśmy zrobić, aby zapewnić udane wdrożenie big data?

Twarda część big data jest dość namacalna, możemy ją zmierzyć za pomocą takich ogólnych metryk, jak:

• Fundusze zainwestowane w inicjatywy big data
• Czas poświęcony na inicjatywy big data

Cele biznesowe Focus Big Data

Oto prawdziwy scenariusz: firma zainwestowała miliony dolarów w infrastrukturę, narzędzia i zbieranie big data za pomocą klastra Hadoop, a nic wymiernego się nie wydarzyło. To właśnie o tym mówiliśmy w wyzwaniu 1: Big data to nie AI, nie potrafi mówić, a Twój zespół musi nauczyć się zadawać pytania. Jak zatem możemy zmierzyć rolę zespołu?

Oto kilka pomysłów na początek:

• Efektywność szkoleń z zakresu big data. Upewnij się, że kluczowi członkowie Twojego zespołu przeszli jakieś szkolenie z zakresu big data. Nie muszą oni stawać się naukowcami zajmującymi się danymi, ale muszą wiedzieć, jakie pytania mogą zadawać i jak je formułować. Metryka w tym przypadku będzie związana z efektywnością szkoleń.
• % celów strategicznych z inicjatywami big data. Moglibyśmy śledzić liczbę zapytań big data sformułowanych przez każdy zespół, ale takie podejście byłoby bardzo formalne i mniej użyteczne. Lepszym rozwiązaniem jest śledzenie dopasowania pomiędzy celami a zapytaniami big data. Poproś swój zespół, aby przyjrzał się swoim celom strategicznym, a następnie przedyskutował, jakich danych może potrzebować, aby podejmować lepsze decyzje w kontekście tych celów.

Big Data Helps to Formulate New Business Goals

Proces dopasowywania kontekstu biznesowego i big data jest dwukierunkowy. Czasami mamy na myśli konkretne wyzwanie i wtedy szukamy konkretnych narzędzi big data (jak w przypadku Target), czasami znajdujemy interesujące narzędzie i wtedy próbujemy dopasować je do naszych celów. Oto kilka przykładów:

• Ktoś z Twojego zespołu znalazł Heedbook, serwis, który analizuje emocje klientów w czasie rzeczywistym. Usługa została zbudowana na platformie Azure firmy Microsoft i jest dostępna w chmurze. Twój zespół obsługi klienta może wpaść na pomysł wykorzystania tej usługi do lepszego obliczania swojego NPS.
• Twój personel IT stanął przed wyzwaniem znalezienia oprogramowania DLP (Data loss prevention). Natknęli się na SearchInform, który nie tylko może analizować komunikację i przesyłane pliki, ale może również egzekwować określone polityki bezpieczeństwa. Strategię IT organizacji można zaktualizować, uwzględniając możliwości narzędzia DLP.

W każdym przypadku dobrym pomysłem jest dopasowanie konkretnych celów biznesowych do wymagań stawianych big data.

Action Plan. Make Big Data Measurable.

Sformułujmy kilka wniosków z tego artykułu. Wolę to robić w formie planu działania.

1. Zrewiduj big data. Jak dane są zbierane teraz, jakie masz możliwości przechwytywania danych (użyj metryk procesu big data jako ram).
2. Odrób pracę domową. Miej swoją strategię sformułowaną na mapie strategii i skaskadowaną do jednostek biznesowych. Dokonaj przeglądu swoich aktualnych KPI.
3. Popraw możliwości. Zaplanuj inicjatywy, aby zająć się możliwościami zespołu w zakresie big data. Kluczowi członkowie powinni zrozumieć, jakie pytania mogą zadawać i jak je formułować.
4. Skoncentruj wysiłki związane z big data. Przejrzyj swoją mapę strategii, zauważ możliwości, w których big data może wspierać cele biznesowe. Sformułuj zapytania dotyczące big data.
5. Wdrożenie. Przeanalizuj spostrzeżenia dostarczone przez big data, odzwierciedl je w formie KPI tam, gdzie jest to potrzebne.

Krótki przewodnik dla użytkowników oprogramowania BSC Designer

Jako użytkownik BSC Designer masz do dyspozycji potężne oprogramowanie, które zautomatyzuje wiele aspektów wyrównania strategii i KPI omówionych w tym artykule:

• Wyrównanie strategiczne i skupienie big data. Stwórz mapę strategii, aby przedstawić swoje cele biznesowe; dostosuj KPI do celów na mapie. Jeśli nie masz jeszcze mapy strategii, skorzystaj z kreatora mapy strategii, aby zacząć.

• Zapewnienie, że zespół ma możliwości w zakresie big data. Użyj szkoleniowej karty wyników (możesz zacząć od tego przykładu), aby upewnić się, że Twój zespół ma niezbędne zdolności do pracy z big data.
• Zasilanie wskaźników KPI za pomocą big data. Śledź metryki wydajności dla inicjatyw big data; użyj RESTFul API, aby wprowadzić raporty big data w czasie rzeczywistym do wskaźników.

Jeśli nie jesteś jeszcze użytkownikiem, to możesz zacząć od darmowego planu BSC Designer, który jest dostępny online.

Więcej przykładów Balanced Scorecard