سازمان داده محور چیست؟

در پاسخ به این پرسش که “داده‌محوری چیست؟” می‌توان گفت که در واقع، داده‌محوری ساختن ابزار، توانایی‌ها و از همه مهم‌تر فرهنگی است که بر پایه داده عمل می‌کند. در این متن، دربارهٔ آنچه سازمان‌های داده‌محور را از دیگر سازمان‌ها متمایز می‌کند، بحث خواهد شد. این بحث با معرفی برخی پیش‌نیازهای اولیه در مورد جمع‌آوری داده‌ها و دسترسی به آن‌ها شروع می‌شود و با برشمردن تفاوت‌های گزارش‌دهی (Reporting) و هشداردهی (alerting) با تحلیل ادامه خواهد یافت. انواع مختلفی از تحلیل‌های رو به آینده (Forward-looking Analysis) وجود دارد که در درجهٔ دقت با یکدیگر متفاوت هستند؛ بنابراین، توصیف یک سازمان داده‌محور از نظر سطوح تحلیل (Levels Of Analytics) و بلوغ تحلیلی (Analytics Maturity)، بسیار مهم است. اولین سؤالی که مطرح می‌شود این است که داده‌محور شدن به چه معناست؟

جمع‌آوری داده‌ها

پیش‌نیازهایی برای داده‌محور شدن موردنیاز است. آنها را با هم بررسی می‌کنیم:

پیش‌نیاز شمارهٔ یک: سازمان باید داده‌ها را جمع‌آوری کند.

داده، بدون شک، هستهٔ اصلی یک سازمان است. البته جمع‌آوری داده‌ها به‌تنهایی نمی‌تواند مهم باشد. آنچه اهمیت دارد، جمع‌آوری داده‌های صحیح (Right) است. داده‌ها باید به مشکلی که می‌خواهیم حل کنیم، ربط داشته باشد. همچنین باید به‌موقع (Timely)، دقیق (Accurate)، پاک (Clean)، بدون سوگیری (Unbiased) و مهم‌تر از همه، قابل‌اعتماد (Trustworthy) باشد.

داده‌ها همیشه کثیف‌تر از تصور شما هستند. سوگیری‌های پنهان و ظریفی وجود دارد که می‌تواند نتیجه‌گیری‌های شما را تحت تأثیر قرار دهد (پیشنهاد می‌کنیم مقاله ریشه‌های سوگیری‌ها در داده‌ها و هوش مصنوعی را مطالعه نمایید). پاک کردن و غربالگری داده‌ها هم عملیاتی سخت، زمان‌بر و پرهزینه است. اغلب دانشمندان داده ۸۰ درصد از وقت خود را صرف جمع‌آوری، پاک‌سازی و آماده‌سازی داده‌ها می‌کنند و فقط ۲۰ درصد از وقت خود را به ساختن مدل‌ها، تحلیل، مصورسازی و نتیجه‌گیری اختصاص می‌دهند.

حتی اگر داده‌های باکیفیت زیادی داشته باشید، این داده‌ها به‌تنهایی سازمان شما را داده‌محور نخواهد کرد و علی‌رغم هیاهوهای بسیاری که ممکن است شنیده باشید، تنها با داشتن داده، داده‌محور نخواهید شد. برخی از افراد، به‌خصوص برخی از فروشندگان کلان‌داده‌ها (Big Data) و ارائه‌دهندگان خدمات، از کلان‌داده‌ها به‌عنوان اکسیری یاد می‌کنند که مانند طلا و الماس هر چه بیشتر آنها را جمع‌آوری کنید، موفق‌تر و ثروتمندتر خواهید شد؛ اما حقیقت این است که داشتن داده‌ها، به‌تنهایی کافی نیست. مقدار کمی از داده‌های پاک و قابل‌اعتماد، بسیار ارزشمندتر از خروارها دادهٔ بی‌ارزش است.

دسترسی به داده‌ها

پیش‌نیاز شمارهٔ دو: داده‌ها باید قابل‌دسترس و قابل پرسمان (Query) باشد.

دقیق، مرتبط و به‌وقت بودن داده‌ها برای داده‌محور شدن کافی نیست. داده باید مشخصات زیر را هم دارا باشد:

• تجدیدپذیری: داده‌ها باید در صورت لزوم با سایر داده‌های سازمان ادغام شود. برای این کار می‌توان از گزینه‌های مختلفی مانند پایگاه داده‌های ارتباطی (Relational Databases)،  مخازن نو.اس.کیو.ال (NoSQL) یا هدوپ (Hadoop) استفاده کرد؛ بنابراین، از ابزار مناسب استفاده کنید. به‌عنوان‌مثال، تحلیل‌گران مالی در واربی پارکر (Warby Parker)، برای مدت طولانی از برنامه اکسل (Excel) برای محاسبهٔ سنجه‌های اصلی استفاده می‌کردند. آن‌ها مقدار زیادی دادهٔ خام را از منابع مختلف استخراج می‌کردند و سپس تابع وی‌لوک‌آپس (VLOOKUP) (گزینهٔ اکسل برای یافتن ارجاعات متقابل (Cross-references) در داده‌ها) را برای ادغام داده‌ها و به دست آوردن دیدِ سطح بالاتر (Top-level Look) از اعداد، اجرا می‌کردند. این کار، برای شروع، گزینه  خوبی بود، اما پس از مدتی دیگر جوابگوی نیازهای سازمان نبود. چرا که سرعت فروش سازمان در حال افزایش بود و داده‌ها بزرگ‌تر و بزرگ‌تر می‌شد. کم‌کم فایل‌های اکسل به حجمی معادل ۳۰۰ مگابایت رسید و رایانه‌ها همهٔ رم (RAM) خود را برای مدیریت داده‌ها به کار می‌گرفتند و اجرای تابع VLOOKUPS نزدیک به ۱۰ ساعت یا بیشتر طول می‌کشید. کم‌کم، به‌هم‌ریختگی اکسل شروع شد و اغلب باید ساعت‌ها برای رفع مشکل و راه‌اندازی مجدد آن، ‌وقت صرف‌ می‌شد. اکسل، در ابتدا، ابزاری مناسب بود، اما رشد سریع سازمان، باعث شد که دیگر به‌کار نیاید. در نهایت، خرابی‌های مکرر سیستم‌ها و نگرانی تحلیل‌گران باعث شد که پایگاه دادهٔ رابطه‌ای مای. اس. کیو.ال (MySQL)، جایگزین اکسل  شود. این پایگاه داده به تحلیل‌گران اجازه می‌دهد تا بر روی تحلیل، فرایند و ارائهٔ داده‎ها تمرکز کنند و ابزار بهتر و زمان بیشتری برای ارائهٔ تحلیل‌های عمیق‌تر و غنی‌تر داشته باشند.
• قابلیت اشتراک‌گذاری: فرهنگ به اشتراک گذاشتن داده‌ها باید در سازمان وجود داشته باشد تا بتوان در صورت لزوم داده‌ها را باهم ادغام کرد، مانند تطبیق دادن جریان کلیک (Clickstream) مشتری با تاریخچهٔ تراکنش‌های او. تصور کنید یک بیمار در بیمارستانی پذیرش شده است و پس از بررسی احوالاتش برای معاینات بیشتر از بیمارستان مرخص و به یک کلینیک تخصصی معرفی می‌شود. اگر داده‌های این بیمار با کلینیک به اشتراک گذاشته نشود، بیمار خدمات مناسبی دریافت نخواهد کرد. تحلیل‌گران داده معتقدند اگر تصویر منسجم و دقیقی از احوالات بیمار در دسترس نباشد، فرایندهای تشخیصی و روند بهبود بیمار دشوار یا حتی غیرممکن است؛ بنابراین، سیلوهای داده همیشه مانع دستیابی ما به اهدافمان خواهد شد، حتی اگر آن اهداف دسترس‌پذیر باشد. پس، وقتی داده‌های بیشتری برای بخش‌های بیشتری از سازمان در دسترس باشد، فرایند سازنده‌تری را شاهد خواهیم بود.
• قابلیت کوئری گرفتن: سازمان‌ها باید دارای ابزارهای مناسبی برای شکافتن و بررسی عمیق داده‌ها باشد. همهٔ گزارش‌ها و تحلیل‌ها به فیلتر کردن، گروه‌بندی و تجمیع داده‌ها نیاز دارند تا مقدار زیادی از داده‌های خام (Raw Data) را به مجموعهٔ کوچک‌تری از اعداد سطح بالاتر (Higher-level Numbers) تقلیل دهد تا مغز ما بهتر بتواند آنها را بفهمد و دریابد در کسب‌وکار چه اتفاقی در حال رخ‌دادن است. تحلیل‌گران باید ابزاری داشته باشند که برای آن‌ها امکان محاسبهٔ نسبتاً آسان سنجه‌ها را فراهم کند.

اکنون داده‌ها آماده و قابل‌دسترسی است: اما آیا این کافی است؟ خیر. هنوز خیر. شما برای استفاده از این داده‌ها به افرادی نیاز دارید که مهارت کافی داشته باشند؛ مهارت کافی برای فیلتر کردن و تجمیع داده‌ها مثلا از طریق کوئری گرفتن  یا ماکروهای  اکسل. همچنین لازم است این افراد توانایی‌های بیشتری هم داشته باشند: توانایی طراحی و انتخاب سنجه‌های مناسب برای استخراج و ردیابی داده.

بنابراین، برای داشتن یک سازمان داده‌محور، باید کسانی در این حلقه وجود داشته باشند که دربارهٔ داده‌ها سؤالات درست مطرح کنند، کسانی که مهارت استخراج داده‌ها و سنجه‌های مناسب را دارند و از این داده‌ها برای اطلاع‌رسانی به مراحل بعد، استفاده می‌کنند. به طور خلاصه، داده‌ها به‌تنهایی باعث نجات سازمان شما نمی‌شود.

گزارش‌دهی

 فرض کنید شما یک گروه تحلیلی دارید که به داده‌هایی دقیق دسترسی دارند. این گروه، داده‌های فروش را استخراج کرده ادعا می‌کند که ثبت سفارش سازمان از ماه آوریل تا می، ۵.۲ درصد رشد داشته است.

شکل ۱

این عملکرد تا اندازهٔ زیادی شبیه به عملکرد یک سازمان داده‌محور است. بااین‌حال، این عملکرد هنوز ناکافی است. بدون شک ردیابی سنجه‌ها، خوب و مورد پسند مدیرعامل و مدیر مالی سازمان خواهد بود. بااین‌وجود، این رقم به شما چه می‌گوید؟ در واقع اطلاعات بسیار کمی از این ارقام دست شما را خواهد گرفت. دلایل زیادی وجود دارد که ممکن است هر کدام، به‌تنهایی، باعث افزایش فروش سازمان شده باشد:

• فرض کنید کالایی کاملاً فصلی، مانند لباس ساحلی می‌فروشید. شاید پنج و دو دهم درصد خیلی کمتر از حد نرمال باشد. شاید در بیشتر سال‌ها، رشد ماه می بیش از ۷ درصد نسبت به ماه قبل بوده است و رشد امسال بسیار کم‌تر از حد متوسط است.
• شاید مدیر ارشد بازاریابی شما هزینه‌های زیادی صرف کمپینی بزرگ برای افزایش آگاهی نسبت به برند شما کرده باشد. چه مقدار از آن رشد پنج و خورده‌ای درصدی، حاصل برپایی آن کمپین است و آیا برگزاری این کمپین واقعاً به‌صرفه بوده است؟
• شاید مدیرعامل شما در یک برنامهٔ رسانه‌ای شرکت کرده، یا محصول شما در رسانه ای قوی معرفی شده یا ویدئویی درباره محصول شما به صورت گسترده دست به دست می‌شود. یعنی، این رشد می‌تواند حاصل رویدادی خاص و غیرمعمول (که ممکن است رشد موقت یا پایدار را تحریک کند)، باشد.
• شاید فروش ماهانه، کم‌حجم و بسیار متغیر باشد. شاید این رشد فقط اتفاق بوده باشد و روند کلی فروش شما نزولی باشد. (اگر تاکنون معاملات سهام انجام داده باشید، مطمئناً این بخش را بهتر درک خواهید کرد).
• شاید داده‌ها اشتباه باشند. اگر فروش شما نسبتاً پایدار است و از هیچ اتفاق غیرمعمولی مطلع نیستید، احتمالاً مشکل از کیفیت داده‌هایتان است. البته همهٔ اینها احتمالات است. گزارش عددی بدون توجه به بافتی که گزارش در آن تهیه شده، هرگز گویای همه چیز نیست.

جان گاردنر (John Gardner) می‌گوید: «با بزرگ‌تر و پیچیده‌تر شدن سازمان‌ها، وابستگی افراد رده‌بالا به تجربهٔ دست‌اول کمتر و به داده‌های پردازش شده، بیشتر می‌شود.»

هشداردهی

هشدارها اساساً گزارش‌هایی هستند دربارهٔ آنچه اکنون اتفاق می‌افتد. آنها معمولاً داده‌های بسیار مشخصی را با کمک سنجه‌هایی که به درستی طراحی شده‌اند، ارائه می‌کنند. اما، مانند گزارش‌ها، آنها به شما نمی‌گویند برای رفع مشکل باید چه کاری انجام دهید. هشدارها اطلاعات مربوط به زمینه‌های اصلی را ندارند؛ بنابراین، در هشدار از توضیح علل آن  خبری نیست. این همان نقطه‌ای است که مهندسان یا مدیران سیستم وارد لاگ‌های تولید (Production Logs) می‌شوند تا بفهمند چه خبر است، چرا این اتفاق رخ‌داده و چه گزینه‌هایی برای رفع آن وجود دارد. به‌عنوان‌مثال، بازگرداندن برخی از کدها، ایجاد سرورهای دیگر و تنظیم مجدد لود بالانسر.

شکل ۲

شکل ۲ نمونه‌ای از بارِ روی سرور در طول زمان را نشان می‌دهد. بار روی سرور متغیر است، اما در اکثر اوقات روز حول و حوش 0.5 یا کمتر بوده است. در ساعت ۱ بامداد  بار شروع به جهش کرده و در مدت ۳۰ دقیقه،  به بیش از ۵ برابر حالت عادی افزایش می یابد . در این مرحله، اوضاع از حالت نرمال خارج می‌شود و این بسیار غیرمعمول به نظر می‌رسد. در این حالت چه اتفاقی رخ‌داده؟ این مشکل باید حل شود، اما چگونه؟

در این نمونه، فقط پشتیبان‌گیری هفتگی در حال اجرا است. این اتفاق، هر پنجشنبه، ساعت ۱ بامداد، رخ می‌دهد درحالی‌که همه چیز طبیعی است و خطایی مشاهده نمی‌شود. نکته اینجاست که داده‌های عالی هستند و شاخص‌ها هم به‌درستی کار خود را انجام می‌دهند. اما خطای بار بیش از حد روی سرور به‌خاطر گرفتن فایل پشتیبان (Backups) رخ داده است، پس باید سروری داشت که هنگام گرفتن فایل‌های پشتیبان دچار مشکل نشود.

از گزارش و هشدار تا تحلیل

گزارش‌دهی و هشدار دادن از لازمه‌های داده‌محور شدن است، اما عکس این موضوع صادق نیست. چه بسیار سازمان‌هایی که فرایند گزارش‌دهی را با دقت اجرا می‌کنند، اما برنامه‌ای برای استفاده از تحلیل ندارند. گزارش‌دهی ممکن است به دلیل مسئولیت‌ها یا الزامات قانونی در سازمان به وجود آمده باشد، نه به دلیل اشتیاق درونی سازمان برای بهبود؛ مثلا گزارش به نهادهای قانونی و یا سهام‌داران سازمان. اما گزارش‌دهی به هر دلیلی شکل‌گرفته باشد، اهمیت ویژه‌ای در یک سازمان داده‌محور دارد. بااین‌حال باید مراقب بود که گزارش‌دهی باید همراه با فرهنگ داده‌محوری رشد کند.

گزارش‌ها به شما می‌گوید که در گذشته چه اتفاقی افتاده است و مبنایی برای مشاهدهٔ تغییرات و روندها فراهم می‌کند. گزارش‌ها می‌توانند، تا حدی، رضایت سرمایه‌گذاران و سهام‌داران را جلب کند، اما، اساسا نگاه گزارش ها به گذشته است. برای اینکه داده‌محور باشید، باید فراتر از اینها عمل کنید. آینده‌نگر باشید و درگیر تحلیل شوید. باید به کاوش بپردازید و بفهمید که چرا اعداد در حال تغییر هستند.

بیایید صریح‌تر باشیم و این دو را با یکدیگر مقایسه کنیم:

گزارش‌‌دهی:

«فرایند سازماندهی داده‌ها به‌صورت یک خلاصهٔ اطلاعاتی، به‌منظور بررسی چگونگی عملکرد بخش‌های مختلف یک سازمان.»

تحلیل:

«تبدیل دارایی داده‌‌ای به بینش‌های رقابتی که تصمیمات و اقدامات کسب‌وکار را با استفاده از افراد، فرایندها و فناوری‌ها هدایت می‌کند.»

گزارش می‌گوید چه اتفاقی افتاده (مثلاً، می‌گوید ما در ساعت ۱۰ صبح بیش از ۶۳ هزار بازدیدکننده داشته‌ایم) و در مقابل، تحلیل می‌گوید که چرا این اتفاق افتاده است (مثلاً می‌گوید در ساعت ۹ بامداد تلویزیون گزارشی ۶۰ دقیقه‌ای دربارهٔ سازمان شما پخش کرده است). گزارش‌دهی، در واقع، روندی توصیفی و تحلیل، روندی تجویزی است.

مقایسه ویژگی‌های گزارش‌دهی با ویژگی‌های تحلیل

جدول ۱

در جدول ۱ با توضیحات فوق، تا حدی مشخص شد که چرا داده‌محور بودن، جنبه‌ای قدرتمند یا مؤلفه‌ای فرهنگی، برای کسب‌وکار به شمار می‌رود. این دقیقاً همان چیزی است که می‌تواند یک کسب‌وکار را به مسیرهای جدید بیندازد یا بهره‌وری را افزایش دهد.

جدول ۲

 در جدول شمارهٔ ۲ می‌توانیم فعالیت‌های بینش‌محور (Insight-Driving) را در ردیف پایین مشاهده کنیم.

گزارش (الف) و هشدار (ب) داده‌محور نیست، بلکه تنها بیانگر آن است که درگذشته چه اتفاقی افتاده یا اینکه اتفاق غیرمعمول و نامطلوبی هم‌اکنون در حال رخ‌دادن است. هیچ توضیحی در مورد علت وقوع یا چرایی آن وجود ندارد و هیچ توصیه‌ای در مورد چگونگی حل یا بازسازی وضعیت ارائه نمی‌دهد.

پیش‌درآمد داده‌محوری، بررسی‌های عمیق‌تر برای درک عوامل علّی از طریق مدل‌ها یا آزمایش‌ها (د) است. فقط با درک چرایی یک اتفاق، می‌توانید برنامه یا مجموعه‌ای از توصیه‌ها (ه) را تنظیم کنید. گزینه‌های «ه» و «و» واقعاً داده‌محور هستند، اما، اگر و تنها اگر، براساس اطلاعات در دسترس اقدام شود یا توضیحی دربارهٔ آنها (مانند توضیح زیر) وجود داشته باشد .

«ج» منطقهٔ خطر است: می‌توان خیلی ساده روند جاافتادهٔ فعلی را به آینده گسترش داد، یعنی، از محدودهٔ داده‌های فعلی فراتر رفته یک پیش‌بینی خام انجام دهید. حتی با وجود انتخاب مناسب در مورد کارکرد مدل، دلایل زیادی وجود دارد که باعث می‌شود که آن پیش‌بینی گمراه‌کننده یا کاملاً اشتباه باشد. برای ایجاد اطمینان به این پیش‌بینی‌ها، باید سعی کنید یک مدل علّی داشته باشید.

به طور خلاصه، ردیف پایین فعالیت‌های آینده‌نگر را که شامل عناصر توضیح علّی است، نشان می‌دهد. اکنون ما در ابتدای مسیر داده‌محوری قرار داریم.

مشخصه‌های مهم داده‌محوری

فعالیت‌های مشترکی که سازمان‌های داده‌محور واقعی باید با آن دست‌وپنجه نرم کنند، عبارتند از:

• سازمان داده‌محور به طور مداوم در حال آزمایش است. این آزمایش ممکن است یک تست A/B برای جریان بازدیدکنندگان در وب‌سایت یا آزمایش برای بهینه‌سازی عنوان ایمیل در یک کمپین بازاریابی باشد. به‌عنوان‌مثال، لینکدین هر روز ۲۰۰ آزمایش انجام می‌دهد، درحالی‌که اتسی (Etsy) ده‌ها آزمایش را به طور هم‌زمان اجرا می‌کند. این آزمایش‌ها همچنین ممکن است شامل آزمون های مربوط به کاربران باشد: یعنی کار مستقیم با مشتریان یا کاربران حقیقی برای به‌دست‌آوردن بازخورد دربارهٔ محصولات جدید احتمالی.
• سازمان داده‌محور باید دارای ذهنیت بهینه‌سازی مستمر باشد. این ذهنیت می‌تواند شامل بهینه‌سازی مکرر فرایندهای اصلی، مانند اصلاح روند تولید یا کاهش هزینه‌های جذب مشتری باشد. این کار از طریق تحلیل دقیق، ساخت مدل‌های ریاضی یا آماری و شبیه‌سازی انجام می‌شود.
• داده‌محور بودن یک سازمان باید شامل مدل‌سازی پیش‌بینی، پیش‌بینی فروش، قیمت سهام یا درآمد سازمان (Company Revenue) باشد. اما مهم‌تر این است که از خطاهای پیش‌بینی برای کمک به بهینه‌سازی استفاده شود.
• شرکت‌های داده‌محور از بین گزینه‌های مربوط به آینده باید دست به انتخاب بزنند یا برای هر کاری از متغیرهای وزن‌دار (Weighted Variables) مناسب استفاده کنند. منابع همیشه محدود هستند و هر اقدامی، همیشه منافع و مضراتی دارد. اما، در نهایت، یک نفر باید داده‌ها را برای مجموعه متغیرهایی که برای انجام یک فعالیت مناسب است، جمع کند و تصمیم بگیرد که آیا این متغیرها برای گرفتن تصمیم‌های راهبردی وزن مناسبی دارند یا خیر. هنگامی‌که واربی پارکر، که فروش لنزها و عینک‌های طبی به‌صورت آنلاین از جمله فعالیت‌های اوست، اولین محل کار خود را در خارج از نیویورک انتخاب کرد، مجموعهٔ بزرگی از متغیرها را در نظر گرفت و برای اخذ تصمیم نهایی، وزن هرکدام را مشخص کرد و یک‌به‌یک بررسی کرد. این متغیرها شامل شاخص کیفیت زندگی گالوپ (Gallup’s Well-being Index)، میزان دسترسی به استعدادها برای جذب (Talent Pool)، هزینهٔ زندگی، تعداد و هزینهٔ پرواز به نیویورک و غیره بود. ماریسا مایر مدیرعامل وقت یاهو هم با داستانی مشابه برای انتخاب بین گزینه‌های شغلی با ارزیابی شاخص‌ها، در نهایت گوگل را برای کار انتخاب کرد.

سازمان داده‌محور واقعی حداقل یکی از این اقدامات را انجام می‌دهد؛ اقدامی روبه‌جلو و پیشرو که در آن داده‌ها بیشترین اهمیت را دارند.

اکنون ما سازمانی داریم که دارای داده‌های با کیفیت و تحلیل‌گرانی ماهر است و با چشم دوختن به آیندهٔ پیش رو، سعی می‌کند داده‌محور شود. متأسفانه، این اقدامات هنوز هم کافی نیست. مانند درختی که در جنگلی می‌افتد ولی هیچ‌کس متوجه سقوط آن نمی‌شود، اگر تحلیل‌گران در حال انجام تحلیل باشند، اما هیچ‌کس به این فرایند توجه نشان ندهد، اگر تحلیل‌گران بر تصمیمات تصمیم‌گیرندگان تأثیر نگذارند، یعنی فرایندهای سازمان هنوز بر اساس حدس و گمان پیش می‌رود و خبری از اجرای فرایندهای داده‌محوری نیست. تحلیل باید در تمامی بخش‌های سازمان مؤثر باشد.

دایکس (Dykes) این فرایند را «زنجیرهٔ ارزش علم تحلیل» (Analytics Value Chain) می‌نامد (شکل ۳). داده‌ها باید گزارش‌ها را طوری هدایت کنند که به تحلیل عمیق‌تری منجر شود. تحلیل‌ها باید در روند تصمیم‌گیری مؤثر باشد. این مرحله برای داده‌محور شدن کلیدی است (درباره تصمیم گیری داده محور چه می‌دانید؟). هر سازمان برای جهت‌دهی به تصمیم‌هایی که استراتژی‌ها یا تاکتیک‌ها را تغییر می‌دهد و به‌نوعی بر کل سازمان تأثیرگذار می‌گذارد، به داده و تحلیل نیاز دارد. فناوری و آموزش می‌توانند اولین بخش این روند را برعهده بگیرند: به تحلیل‌گران قدرت تحلیل اعطا می‌کنند و به آن‌ها می‌آموزد که چطور یافته‌های خود را به رشتهٔ تحریر دربیاوردند. البته این فرهنگ سازمان است که ذهنیت‌ها را متوجه یافته‌ها می‌کند و سبب اعتماد و مبنایی می شود برای عمل بر اساس داده.

سرانجام، ما به اصل معنا و مفهوم داده‌محور بودن می‌رسیم. سازمان داده‌محور از داده‌ها به‌عنوان شواهد حیاتی برای اطلاع‌رسانی و تأثیرگذاری بر استراتژی‌های خود، استفاده خواهد کرد. فرهنگ سازمان داده‌محور مبتنی بر شواهد خواهد بود و در یک سازمان داده‌محور می‌توان به داده‌ها اعتماد کرد و از تحلیل آن‌ها برای پیشبرد مراحل بعدی استفاده کرد.

چالش پیش رو این است که سازمانی که تا به امروز بر اساس حدس و گمان تصمیم‌گیری کرده، چطور می‌تواند داده‌محور شود؟ این فرایند سریع و آسان نخواهد بود؛ بنابراین انتظار تغییرات یک‌شبه و اساسی نداشته باشید. تمام افراد سازمان باید در این فرایند فعال و سهیم باشند.

شکل ۳

بلوغ تحلیل

در سال ۲۰۰۹، جیم دیویس (Jim Davis)، معاون ارشد و مدیر ارشد بازاریابی انستیتو ساس (SAS Institute)، اعلام کرد که در تحلیل هشت مرحله وجود دارد:

گزارش‌های استاندارد:

چه اتفاقی رخ‌داده؟ چه زمانی اتفاق افتاد؟ برای مثال، گزارش‌های مالی ماهانه.

گزارش‌های موقت:

چه مقدار؟ هرچند وقت یک‌بار؟ کجا؟ برای مثال، گزارش‌های سفارشی.

جستجوی کند و کاو گونه (Query Drill Down) یا پردازش تحلیلی آنلاین (OLAP):

مشکل دقیقاً کجاست؟ چگونه پاسخ‌ها را پیدا کنم؟ برای مثال، کشف داده‌ها در مورد انواع کاربران تلفن همراه و رفتار ارتباطی آنها.

هشدارها:

چه موقع باید واکنش نشان دهم؟ اکنون چه اقداماتی لازم است؟ برای مثال: بار بیش از حد روی پردازشگر در مثالی که قبلاً ذکر شد.

تحلیل آماری:

چرا این اتفاق می‌افتد؟ چه فرصت‌هایی را از دست می‌دهم؟ برای مثال، چرا در بانک مشتریانِ بیشتری  تقاضای ارزیابی مجدد وثایق ملکی خود را می دهند؟

پیش‌بینی:

اگر این روندها ادامه پیدا کند چه اتفاقی رخ می‌دهد؟ چقدر زمان لازم خواهد بود؟ برای مثال: خرده‌فروشان می‌توانند تقاضای کالاها را فروشگاه به فروشگاه، پیش‌بینی کنند.

مدل‌سازی پیش‌بینانه:

بعدازاین چه خواهد شد؟ این روند چه تأثیری بر کسب‌وکار من خواهد داشت؟ برای مثال: مراکز تفریحی پیش‌بینی می‌کنند که کدام مشتریان وی.آی.پی (VIP) به بسته‌های مخصوص تعطیلات علاقهٔ بیشتری نشان می‌دهند.

بهینه‌سازی:

چگونه عملکرد بهتری داشته باشیم؟ بهترین تصمیم برای یک مسئلهٔ پیچیده چیست؟ برای مثال: بهترین روش برای بهینه‌سازی زیرساخت‌های فناوری اطلاعات باتوجه‌به محدودیت‌های متعدد و مناقشه‌برانگیز در منابع چیست؟

به نظر می‌رسد این ایده‌ها باعث شکل‌گیری کتاب تأثیرگذار هریس و داونپورت (Davenport و Harris) به نام «رقابت بر سر تحلیل» (Competing On Analytics) در سال ۲۰۰۷ شد که در شکل ۴ نشان‌داده‌شده است.

شکل ۴

روش و سلسله مراتبی که دیویس (Davis) (۲۰۰۹) و داونپورت و هریس (Davenport and Harris) (۲۰۰۷) برای ارائه ایده‌های خود انتخاب کرده‌اند، درست مثل یک بازی ویدئویی است که تنها پس از رد کردن مرحلهٔ قبلی، می‌توانید به مرحلهٔ بعدی راه پیدا کنید.

این پیشرفت مرحله به مرحله، اغلب به‌عنوان بلوغ تحلیل نام‌گذاری می‌شود. اگر «بلوغ تحلیل (Analytics Maturity)» را به‌صورت تصویری در گوگل جستجو کنید، خواهید دید که بسیاری از فروشندگان هوش کسب‌وکار، بلوغ تحلیل را به شکل مجموعه‌ای از پله‌های سنگی با جهت‌های یکسان، نشان می‌دهند که از یک سطح به سطح دیگر کشیده شده است. اما تحلیل این‌گونه نیست: در فرایند تحلیل می‌توان سطوح و بخش‌های مختلفی از یک سازمان را مدنظر قرارداد. بخش‌های مختلف سازمان می‌توانند همواره درگیر تحلیل با درجه‌های مختلف پیچیدگی باشند. رون شولین (Ron Shevlin) در این باره به نکات خوبی اشاره کرده است:

با توجه به توانایی‌ها و ظرفیت‌‌ها، هیچ دلیلی وجود ندارد که یک سازمان بتواند مثلاً میزان فروش خود را پیش‌بینی کند (سطح ۶) بدون اینکه بداند مشکل فروش دقیقاً کجاست (سطح ۳). به‌عنوان یک مدیر چگونه می‌توانم به این پرسش که «اکنون چه اقداماتی لازم است؟»، پاسخ دهم؛ بدون درک این‌که «اگر این روند ادامه یابد چه؟» و «دیگر چه اتفاقی خواهد افتاد؟»

روش صحیح برای تفسیر این تفکر این است که بدانیم حداکثر ظرفیت یک سازمان برای داده‌محوری با سطح تعهد میزان سرمایه‌گذاری و همچنین میزان به کارگیری تحلیل، مرتبط است یا آن‌طور که داون‌پورت و هریس گفته‌اند با میزان رقابت پذیری قدرت تحلیل سازمان. به‌عنوان‌مثال، اگر یک تیم تحقیقاتی تخصصی، برای بهینه‌سازی زنجیره تأمین جهانی خود دارید، می‌توان به طور واضح گفت که شما در داده‌ها و تحلیل سرمایه‌گذاری کرده‌اید. اگر سازمان شما فقط به دریافت هشدارها و آزمایش‌ها بسنده کند، سرمایه‌گذاری شما ناقص است و به‌تبع، کمتر داده‌محور هستید.

فراز و فرودهای تحلیل

تحلیل پیچیده‌تر بهتر است، زیرا رقابت را بیشتر می‌کند. آیا این تعریف درست است؟ در یک مطالعه که توسط مؤسسهٔ مدیریتی ام.آی.تی (MIT Sloan Management Review) و با همکاری آی.بی.ام (IBM) انجام شد، از ۳ هزار مدیر و تحلیل‌گر در ۳۰ صنعت مختلف در مورد به‌کارگیری باورها و ارزش تحلیل، نظرسنجی شد. یک سؤال از نظرسنجی مربوط بود به جایگاه رقابتی سازمان شرکت‌کنندگان در این نظرسنجی. گزینه‌ها به شرح زیر بود:

1. عملکرد قابل‌توجه در مقایسه با همتایان
2. تا حدی بهتر از همتایان
3. هم‌تراز با همتایان
4. عملکرد ضعیف‌تر در مقایسه با همتایان

گزینهٔ ۱ تا ۴ به ترتیب سطح عملکرد سازمان را نشان می‌دهد، کسانی که گزینهٔ ۱ را انتخاب کرده بودند در مقایسه با کسانی که انتخابشان گزینهٔ ۴ بود دارای ویژگی‌های مقایسه‌‌ای زیر بودند:

• آنها ۵ برابر بیشتر مایل به استفاده از فرایند تحلیل هستند.
• آنها ۳ برابر بیشتر مایل به استفاده از فرایند تحلیل پیچیده هستند.
• آنها ۲ برابر بیشتر مایل به استفاده از تحلیل در فعالیت روزانهٔ سازمان خود هستند.
• آنها ۲ برابر بیشتر مایل به استفاده از تحلیل برای ترسیم جهت استراتژی‌های آیندهٔ سازمان خود هستند.

مسلماً، عوامل پیچیده‌ای در این روش‌شناسی وجود دارد. بی‌شک، سوگیری‌های مهمی در این مطالعه وجود داشته است. بر اساس این نظرسنجی، احتمالاً بین اجرای بهتر و اندازهٔ سازمان همبستگی وجود دارد (درآمد این سازمان‌ها بین ۵۰۰ میلیون دلار تا بیش از ۱۰ میلیارد دلار بود). به‌عنوان‌مثال، شاید فقط سازمان‌های بزرگ‌تر و موفق‌تری که پهنای باند و منابع لازم برای توسعهٔ بخش‌های پیچیده تحقیق در عملیات را دارند، می‌توانند مدل‌های شبیه‌سازی زنجیرهٔ تأمین را توسعه دهند و آن را اجرا کنند. بااین‌حال، توافق گسترده‌ای وجود دارد که تحلیل بهتر و پیچیده‌تر، ارزش کسب‌وکار را افزایش می‌دهد.

سه سطح متفاوت از ظرفیت تحلیل وجود دارد: انگیزشی (Aspirational)، تجربه‌شده (Experienced) و تغییریافته (Transformed). این سه سطح در جدول ۳ بیشتر بررسی شده است.

جدول ۳

در مقایسه با ظرفیت تحلیل شرکت‌های انگیزشی، شرکت‌های تغییریافته در مقایسه واجد ویژگی‌های زیر هستند:

• ۴ برابر بیشتر محتمل است که به دنبال اخذ اطلاعات صحیح باشند.
• ۹ برابر بیشتر محتمل است که اطلاعات صحیح را تجمیع کنند.
• ۸ برابر بیشتر محتمل است که اطلاعات به‌خوبی تحلیل کنند.
• ۱۰ برابر بیشتر محتمل است که اطلاعات و بینش‌ها را در توزیع کنند.
• ۶۳ درصد بیشتر محتمل است که از یک واحد متمرکز تحلیلی به‌عنوان منبع اولیهٔ تحلیل خود استفاده کنند.

بازهم، اینجا با سوگیری‌ها و پیچیدگی‌هایی دربارهٔ رابطهٔ علت و معلولی مواجه هستیم. می‌دانیم بین مزیت رقابتی، در مقایسهٔ سود با همتایان صنعتی و تجاری، و تکامل تحلیلی، رابطهٔ مستقیمی وجود دارد.

بنابراین، چه چیزی مانع استفادهٔ گسترده از فرایند تحلیل در سازمان‌ها می‌شود؟ ۲ مورد از ۳ پاسخ پرتکرار، عدم درک درست از تحلیل و کمبود مهارت داخلی در کسب‌وکار است (شکل ۵ را ببینید).

شکل ۵

همهٔ افراد سازمان از جمله تحلیل‌گران می‌توانند به برداشتن این موانع کمک کنند. به‌عنوان‌مثال، تحلیل‌گران می‌توانند مهارت خود را ارتقاء دهند و با انجام کارهای مفید، ارزش‌های بیشتر و بهتری را به مدیران و سازمان منتقل کنند. آن‌ها می‌توانند با تحقیقات بیشتر، چگونگی مقابلهٔ سایر سازمان‌ها با مشکلات مشابه را بررسی کنند. مدیران حوزه مهندسی داده می‌توانند منابع کافی به یکپارچگی  و کیفیت داده اختصاص دهند تا داده‌های قابل‌اعتمادتری در دسترس قرار گیرد. مدیران ارشد باید تمامی بخش‌ها را برای به اشتراک گذاشتن داده‌ها تشویق کنند. داده‌ها نیاز به سرپرستی دارند، بنابراین انتصاب یک مدیر ارشد تحلیل یا مدیر ارشد داده می‌تواند بسیار سودمند باشد. در قبال داده‌محور شدن یک سازمان، همه مسئول هستند.