امروزه بسیاری از سازمانها تلاش میکنند که تحلیل محور شوند و تصمیمات خود را بر تحلیل مبتنی کنند. اگر شما هم در چنین سازمانهایی کار میکنید و یا بخشی از تصمیمسازان چنین سازمانهایی هستید، احتمالاً یک یا چند مورد از مشکلات و موانعی که در ادامه برمیشماریم را تجربه کردهاید. پس با ما همراه شوید تا هم بیشتر این مشکلات را بشناسید و یاد بگیرید در مقابل این مشکلات واکنش اولیهٔ شما چه باید باشد.
این روزها، کمتر مدیرعاملی پیدا میشود که نداند کسبوکارش باید تحلیل محور شود. بسیاری از رهبران سازمانهای تجاری، از اعتبار خود مایه گذاشتهاند و منابع قابلتوجهی به تحلیل و هوش مصنوعی (AI) اختصاص دادهاند. تعداد زیادی از مدیران هم بخش زیادی از وقت خود را در اجرای برنامههای تحلیل صرف میکنند و علاوه بر مدیران ارشد تحلیل (CAO) یا مدیران ارشد داده (CDO)، انواع متخصصان داده را نیز استخدام کردهاند.
بااینحال، بسیاری از مدیران، تصور میکنند که چون فعالیتهای زیادی از این دست انجام دادهاند، دیگر سازمان آنها بدون هیچ چالشی تحلیل محور خواهد شد. اما کمکم سروکلهٔ مسائل و مشکلات پیدا میشود؛ کمکم مدیران درمییابند که در تبدیل آزمونهای تحلیلی (analytics pilots) به راهحلهای مقیاسپذیر (scalable solutions) شکستخوردهاند. (یکی از نظرسنجیهای مکنزی نشان میدهد که از بین هزار پاسخدهنده، تنها ۸ درصد موفق شدهاند، پس از طی مراحل اولیهٔ استفاده از داده، فعالیتهای تحلیلی را در مقیاسی قابلقبول در شرکت خود پیادهسازی کنند.) همچنین، اعضای هیئتمدیره و سهامداران هم در مورد بازده اندک بسیاری از برنامههای تحلیلی زودهنگام و گرانقیمت، تحتفشار قرار میگیرند. بنا بر مشاهدات مکنزی، بازدهی رویکردهای تحلیل پیشرفته، خیلی چشمگیر نبوده و میزان کمی از آن محقق شده است. در برخی از صنایع و بخشهای کسبوکار این بازدهی حتی به ۱۰ درصد هم نمیرسد، شاخص هوش مصنوعی مکنزی نشان میدهد که شکاف بین شرکتهای پیشگام در به کارگیری موفق هوش مصنوعی و تحلیل با شرکت های متاخر در حال زیاد شدن است. این اتفاق حتی مابین برخی صنعت ها نیز در حال رخ دادن است.

با این اوصاف، هر سازمان دارای فهرستی بلندبالا از نقصانها و کمبودهایی است که حاصل قمار کلان شرکتها روی تحلیل و هوش مصنوعی است. این شکستها در همهٔ صنایع، اعم از کوچک و بزرگ، قابلمشاهده است. از نظر ما وجود این ده اعلان خطر، در هر شرکتی، مانند زنگ خطری است که از شکست برنامهٔ تحلیل خبر میدهد. طبق تجربهٔ ما، اگر رهبران سازمانها به این هشدارها توجه کنند و نواقص را در این ده زمینه از بین ببرند، میتوانند در کمتر از دو و یا سه سال، احتمال موفقیت سازمانهای خود را، به طرز چشمگیری، بهبود میبخشند.
۱- گروه اجرایی چشمانداز روشنی در مورد برنامههای تحلیلی پیشرفتهٔ خود ندارد
تجربه نشان داده که این امر اغلب ناشی از عدم درک صحیح مدیران از تفاوت بین تحلیل سنتی، یعنی هوش کسبوکار و گزارشدهی (reporting) با تحلیل پیشرفته، یعنی ابزارهای قدرتمند پیشبینی و تجویزی (predictive and prescriptive tools) مانند یادگیری ماشین است.
برای مثال، یک سازمان با سرمایهگذاری سنگین روی دانشمندان داده، مهندسان داده و سایر نقشهای کلیدی دیجیتالی، ظرفیتی متمرکز در تحلیل پیشرفته ایجاد کرده بود و اتفاقاً، مدیرعامل این شرکت همیشه تصریح میکرد که آنها از تکنیکهای هوش مصنوعی استفاده میکنند، اما هیچ وقت مشخص نمیکرد دقیقا از چه تکنیکی استفاده میکنند.
این سازمان برنامههای آزمایشی زیادی در زمینهٔ هوش مصنوعی اجرا کرد، اما حتی یک مورد هم در مقیاس بزرگتر در سطح کسب و کار عملیاتی نشد. دلیل اصلی این شکست چه بود؟ مدیریت ارشد، عمیقاً مفهوم تحلیل پیشرفته را درک نکرده بود. آنها خیلی تلاش کرده بودند که مسائلی برای گروه تحلیل تعریف کنند تا این گروه آنها را حل کند، اما در زمینهٔ سرمایهگذاری برای ایجاد مهارتهای متناسب با آن ناکام ماندند. در نتیجه، آنها نتوانستند از آزمونهای هوش مصنوعی (AI pilots) خود، نهایت بهرهبرداری را داشته باشند. تیم تحلیلی آنها چیزهایی ساخته بود که در مورد مسائل واقعی بیاثر بود و آنها قادر نبودند از جدیدترین ابزارها و روشها استفاده کنند و در نهایت این فرایند پس از یک سال متوقف شد.
نخستین واکنش: مدیرعامل (CEO)، مدیر اجرایی (CAO) یا مدیر ارشد داده (CDO)- یا هرکسی که وظیفهٔ رهبری نوآوریهای تحلیلی سازمان را برعهده دارد – باید با راهاندازی کارگاههای آموزشی، اصول اولیه و اصلی تحلیل پیشرفته را به کارمندان آموزش دهد و باورهای قدیمی و غلط آنها را تصحیح کند. این کارگاهها میتواند به «آکادمی»های درون سازمانیای تبدیل شوند که به طور مداوم مفاهیم کلیدی تحلیل را، به مدیران سازمان آموزش دهد.
۲- هیچ ایدهای نسبت به ارزش اولیهای که قرار است در سال اول به دست آید، وجود ندارد
غالباً، همه مشتاق این هستند و امید دارند که بهکارگرفتن ابزارهای تحلیلی، برای تمامی بخشهای سازمان مفید باشد و تمام بخشهای سازمان بتوانند از این روشها استفاده کند. اما، در بیشتر مواقع عدم برنامهریزی درست و نداشتن چشمانداز، منجر اتلاف وقت، انرژی، تحقق کندتر نتایج (البته در صورت حصول) و اطمینان و اعتماد کمتر سهامداران و کارمندان نسبت به کارایی فرایند نوآورانهٔ تحلیل خواهد شد.
این دقیقاً تجربهای بود که برای یک هلدینگ بزرگ رخ داده بود. سازمان مسائل را امکانسنجی نکرده و فایدهای که با حل آن مسائل به سازمان میرسید را محاسبه نکرده بود.
نخستین واکنش: سازمانهایی که در مراحل اولیهٔ استفاده از علم تحلیل قرار دارند، ترجیحاً در یک سال اول، باید ریزبینانه، سه تا پنج موردِ امکان پذیری را که میتواند در کمترین زمان، بیشترین ارزش را ایجاد کند، بررسی کنند. این کار باعث ایجاد انگیزه برای سرمایهگذاریهای بعدی در زمینهٔ علم تحلیل خواهد شد. باید هرچه سریعتر این تصمیمهای مهم اخذ شود. یکی از روشهای مفید برای اخذ چنین تصمیمهایی این است که زنجیرهٔ ارزشهای کسبوکار (value chain of the business) ، از تأمینکننده گرفته تا خدمات پس از فروش، با دقت زیاد بررسی شود تا مواردی که دارای بیشتر پتانسیل خلق ارزش هستند شناسایی شود.

برای در نظر گرفتن قابلیت و ظرفیت سازمان، به موارد زیر فکر کنید:
- آیا دادههای موردنیاز در هر مورد، قابلدسترسی و باکیفیت هستند و در زمان مناسب در دسترس خواهند بود؟
- برای رسیدن به هدف مورد نظر، در هر مورد مشخص، کدام مراحل از این فرایند نیاز به تغییر دارد؟
- آیا تیم اجرایی این فرایند باید دستخوش تغییرات شود؟
- چه چیزی میتواند با کمترین دخالتها تغییر کند و اثبات رویکرد جدید تحلیل به چه فرآیندهای موازیای نیاز دارد؟
۳- فراتر از چند مسأله اولیه هیچ استراتژی مشخصی برای فرایند تحلیل در سازمان وجود ندارد
در یک کارخانهٔ تولیدی بزرگ، مدیران ارشد برای اجرای تحلیل پیشرفته هیجانزده بودند؛ آنها چندین مورد بالقوه برای بهبود را شناسایی کرده بودند و مطمئن بودند که این فناوری میتواند در آن موارد خلق ارزش کند. با اینحال، هیچ استراتژی مشخصی برای چگونگی تولید ارزش، فراتر از مواردی که مشخص شده بود، وجود نداشت.
در همین حال، یکی از رقبای این کارخانه، استفاده از فرایند تحلیل پیشرفته را با ساخت بستری دیجیتال آغاز کرد و با مشارکت تولیدکنندگان دیگر، در یک اکوسیستم گسترده، توانست انواع جدیدی از کالاها و خدمات ارائه کند. سرمایهگذاری روی فرایند تحلیل بدون ایجاد ساختار مشخص، علیرغم برخی دستاوردها شانس استفاده از فرصتهای بزرگتر را از آنها سلب کرد. بدتر از فرصتهای ازدسترفته، دشواری بازگرداندن انرژی و انگیزه در نیروی کار، برای ایجاد تحولات سازنده است؛ کاری که بسیار دشوار و سخت خواهد بود. مانند هر نوآوری دیگری در عرصهٔ کسبوکار، تحلیل باید جهتگیری استراتژیک خاص خود را داشته باشد.
نخستین واکنش: سه پرسش اساسی وجود دارد که مدیران اجرایی و مدیران داده باید از رهبران کسبوکار بپرسند:
- فناوریهایی مانند هوش مصنوعی و تحلیل پیشرفته چه تهدیداتی برای شرکت ایجاد میکنند؟
- چه فرصتهایی در صورت استفاده از چنین فناوریهایی، پیشِ روی کسبوکار خواهد بود؟
- چگونه میتوانیم از دادهها و علم تحلیل برای ایجاد فرصتهای جدید استفاده کنیم؟
۴- نقشهای علم تحلیل (در حال و آینده) بهخوبی تعریف نشدهاند
تعداد کمی از مدیران میتوانند بهصورت دقیق، استعدادها و توانمندی های انسانی سازمان خود را در زمینه تحلیل توصیف کنند، چه رسد به اینکه بدانند این استعدادها در کدام بخش ها هستندچگونه سازماندهی شده و آیا مهارتها و سمتهای مناسبی دارند یا خیر.
مدیرعامل یک سازمان خدمات مالی بزرگ، طرفدار پروپاقرص فرایند تحلیل پیشرفته بود. او به خود میبالید که هزار دانشمند داده در سازمان او مشغول به کار هستند و هزینهٔ هرکدام از آنها، به طور میانگین، برای شرکت ۲۵۰ هزار دلار در سال بود. بعدها، پس از آنکه استخدام این افراد بازدهی مطلوبی برای سازمان به همراه نداشت، مشخص شد که اطلاق دانشمند داده به همهٔ این افراد درست نبوده است. در عمل، صد دانشمند دادهٔ واقعی در نقشهای مناسب، برای آن سازمان بهخصوص کافی بود. این یعنی نه مدیرعامل و نه گروه منابع انسانی آن سازمان، درک درستی از نقش دانشمند داده و دیگر مناسبات دادهمحوری نداشتند.
نخستین واکنش: برای مدیریت صحیح این مسئله، باید به مقوله استعداد در حوزه تحلیل مثل کلافی در هم تنیده از مهارتها و نقشها نگریست (به نمودار سه مراجعه شود) به طور طبیعی، بسیاری از این تواناییها و نقشها با هم همپوشانی دارند؛ برخی کلاً با هم همپوشانی دارند، برخی دیگر هم در برخی پروژهها همپوشانی دارند. نقش هرکدام از لایههای این کلاف باید بهدقت تعریف شود، از شرح دقیق هر شغل گرفته تا تعاملات سازمانی. مدیر اجرایی و مدیر ارشد منابع انسانی (CHRO) باید تلاش کنند شرح شغلی دقیقی برای همه نقشهای تحلیلی در سالهای آینده آماده کنند. گام بعدی و فوری، تهیهٔ فهرستی از تمام افرادی است که در حال حاضر در سازمان مشغول به کار هستند و میتوانند این مشخصات شغلی را داشته باشند. در نهایت، باید نقشهای باقیمانده را با استخدام افراد خارج از سازمان، تکمیل کرد.
۵- کمبود مترجمان علم تحلیل در سازمان
اگر تنها یک نقش وجود داشته باشد که بتواند فرایند تحلیل را به بازدهی بیشتر برساند، آن مترجم علم تحلیل است. این نقش، برخی اوقات نادیده گرفته میشود، اما نقشی است بسیار مهم. زیرا مترجمان هستند که میتواند به رهبران کمک کند تا نیازها و مساله های اولویت دار و پربازده را شناسایی کنند و سپس نیازهای کسب کار را برای دانشمندان داده، مهندسان داده و سایر کارشناسان این فناوری «ترجمه» کنند تا آنها بتوانند راهحلهای اجرایی تحلیلی ارائه دهند. همچنین، انتظار میرود مترجمان به طور فعال در گسترش مقیاس راه حلها به سراسر سازمان مشارکت داشته باشند و بتوانند در افزایش پذیرش راه حل در بین کاربران کسبوکار نقش مهمی ایفا کنند. آنها دارای مجموعه مهارتهای منحصربهفردی هستند که به ایشان برای رسیدن به موفقیت کمک میکند؛ مهارتهایی مانند: دانش کسبوکار، تسلط عمومی بر دانش فنی و مدیریت پروژه.
نخستین واکنش: بیدرنگ مترجمان را استخدام کنید یا آموزش دهید. استخدام فردی خارج از سازمان ممکن است سریعترین راهحل به نظر برسد. بااینحال، افراد جدید، فاقد مهمترین ویژگی برای موفقیت هستند: دانش و معلومات عمیق دربارهٔ سازمان. داوطلبان داخلی مناسب کسانی هستند که هم معلومات گستردهای از سازمان کسبوکار داشته باشند و همچنین زمینهٔ تحصیلات آنها باید برای درک مدلهای ریاضی مناسب باشد. اگر چنین افرادی در سازمان شما وجود دارند، آنها مناسبترین افراد هستند. ازآنجاکه یافتن افرادی که این ترکیب منحصربهفرد از مهارتهای مختلف را دارا باشند، دشوار است، بسیاری از سازمانها آکادمیهایی برای آموزش این داوطلبان ایجاد کردهاند. بهعنوانمثال، یک شرکت بین المللی فولاد در حال آموزش ۳۰۰ مترجم، در یک برنامهٔ آموزشی یکساله است. مکنزی نیز آکادمی خود را در این خصوص دارد و سالانه هزار نفر را آموزش میدهد.
۶- قابلیتهای علم تحلیل از کسبوکار جدا تعریف شده است و همین امر ساختار سازمانی تحلیل را ناکارآمد میکند
مطالعات نشان داده سازمانهایی که پروژه های آغازینِ موفقی در زمینه تحلیل داشتهاند، قابلیتهای تحلیل را در بطن کسبوکار خود قرار دادهاند. این سازمانها تلاش میکنند تا از طریق توسعه ظرفیتهای تحلیلی خود به صورت ایزوله به خلق ارزش برسند؛ اما نه این مدل متمرکز و دور از واقعیتهای کسب و کار و نه حتی مدل منفک و جدا جدای سیلوهای ضعیف و ناهماهنگ دادهها، هیچیک مفید و موثر نیستند. تمرکز بیش از حد باعث ایجاد گلوگاههای اجرایی شده و منجر به عدم مشارکت میشود و نبود پیوستگی میان مدلهای مختلف داده، سبب عدم ارتباط مدلهای دادهای خواهد شد.

اعلان خطری که نشانهٔ ناکارآمد بودن این مدل سازمانی است، می تواند شکایت یکی از دانشمندان داده در مورد عدم تأثیر فعالیتهای آنها در روند فعلی سازمان باشد. مدیران همواره باید گوش شنوایی برای این نوع شکایتها داشته باشند.
نخستین واکنش: مدیران ارشد باید یک مدل سازمانیِ ترکیبی را مد نظر قرار دهند که در آن، تیمهای متخصص بااستعداد و چابک از هر دو بخش کسبوکار و تحلیل ترکیب شوند. این مدل ترکیبی برخی از قابلیتهای متمرکز و حق تصمیمگیری (decision rights) (بهویژه، در مورد حاکمیت دادهها (data governance) و دیگر استانداردها) را حفظ میکند، اما در نهایت این گروههای تحلیل هستند که در دل سازمان حضور دارند و نقطهٔ اتکای تصمیمگیری سازمان به شمار میروند.
برای بسیاری از سازمانها، میزان تمرکز ممکن است با گذشت زمان تغییر کند. در اوایل سفر تحلیلیِ سازمان، ممکن است بیشتر فعالیتها توسط و تحتنظر گروه مرکزی انجام شود، زیرا ساخت و ادارهٔ یک گروه مرکزی و اطمینان از کیفیت خروجیهای این گروه آسانتر است. اما با گذشت زمان و با کسب مهارتهای بیشتر، ممکن است هستهٔ مرکزی بتواند به سمت نقش تسهیلکننده گام بردارد و به کسبوکارها استقلال بیشتری بدهد.
۷- تلاشهای پرهزینه و بیثمر برای پاکسازی دادهها در حجم زیاد (data-cleansing)
رهبران سازمانها فکر میکنند که قبل از شروع جدی فرایند تحلیل، باید تمام دادههای موجود تمیز و شسته و رفته شوند. اما اینطور نیست.
مکنزی تخمین میزند که ۷۰ درصد تلاش سازمانها مبنیبر پاکسازی دادهها، بیهوده است. چندی پیش، یک سازمان بزرگ صدها میلیون دلار و بیش از ۲ سال وقت، صرف پاکسازی دادهها و توسعه دریاچهٔ دادهٔ (data lake) خود در کل سازمان کرده بود. هدف این بود که یک فرامدل دادهای (data meta-model) به وجود بیاید؛ یعنی، ایجاد یک منبع درست و بستری مشترک برای مدیریت دادهها؛ اما تمام تلاشها به هدر رفت؛ چرا که سازمان، دادهها را بهدرستی ردیابی نکرده بود و درک درستی از اینکه کدام دادهها به درد حل کدام مساله و رفع کدام نیاز می خورد ، نداشت. حتی بعد از پاکسازی دادهها هم مشکلات بیشماری مانند عدم توانایی در ردیابی کامل دادهها یا عدم درک زمینه و بستر (context) دادهها، کماکان به قوت خود باقی بود.
نخستین واکنش: برخلاف آنچه که بهعنوان صلاحیت اصلی مدیر ارشد داده قلمداد میشود، او نباید هنگام ارزیابی روند مربوط به پاکسازی اطلاعات، داده ها را در اولویت قرار دهد. در راستای خطمشی مدیران داده و فناوری سازمان، مدیر ارشد داده باید روند پاکسازی داده را در هر مساله به سویی هدایت کند که برای آن مساله ارزشمندتر است. از طرفی به موازات عملیاتی شدن راه حل های هر مساله، او باید تلاش کند یک هستیشناسی داده برای کل سازمان (enterprise data ontology) و مدل داده اصلی (master data model) ایجاد کند.
۸- بسترهای تحلیل هدفمند نیستند
برخی از شرکتها میدانند که برای پایهریزی تحولات دیجیتالی خود، به یک معماری مدرن نیاز دارند.
یکی از اشتباههای رایج این است که فکر کنیم ابتدا باید سیستمهای قدیمی فناوری اطلاعات یکپارچه شوند؛ اما، اشتباه دیگر، ساخت دریاچهٔ داده قبل از یافتن بهترین راه برای ساختاربندی و پرکردن آن است. غالباً، شرکتها تنها یک ساختار کلی از دریاچهٔ داده را طراحی میکنند، اما نمیدانند که تقسیمبندی این دریاچه بر اساس موارد کاربرد، مهمترین کاری است که باید انجام دهند.
در بسیاری از موارد، هزینه این نوع سرمایهگذاریها میتواند بسیار زیاد باشد؛ گاهی تا میلیونها دلار و ممکن است منافع اندکی به همراه داشته باشد. یافتههای ما نشان میدهد که بیش از نیمی از دریاچههای داده با اهداف سازمانها هم خوان نیستند و تغییرات قابل توجهی در طراحی آنها مورد نیاز است. حتی در برخی مواقع پروژه دریاچه داده باید نیمه کاره رها شود.
این دقیقا داستانی است که در یک شرکت بزرگ خدمات مالی رخ داد. این شرکت در ابتدا کوشید انبارهای داده قدیمی را یکپارچه و سیستمهای قدیمی خود را ساده سازی کند. اما این کار را بدون داشتن چشمانداز مشخصی از مصادیق و مساله های استفاده از تحلیل داده انجام داد. نتیجه آنکه پس از دو سال و پس از اینکه ۸۰ درصد بودجه صرف شد، هیچ دستاوردی خاصی برای شرکت حاصل نشد و پروژه پس از بحثهای طولانی، دیگر ادامه پیدا نکرد.
نخستین واکنش: یک بستر جدید برای دادهها میتواند بهموازات سیستمهای قدیمی وجود داشته باشد. با ورودی مناسبی که توسط مدیر ارشد اطلاعات (CIO) ارائه میشود، مدیر ارشد داده باید از مصرف دادهها، پاکسازی آنها و تحلیل به ازای هر یک از مساله های سازمان اطمینان حاصل کند. همهٔ اینها در حالی است که سیستمهای قدیمی کماکان خدمات مربوط به تراکنشهای دادهای سازمان (organization’s transactional data) را انجام میدهد.
۹- هیچکس از تأثیر کمّی علم تحلیل آگاه نیست
جای تعجب است که چگونه بسیاری از سازمانها میلیونها دلار برای تحلیل پیشرفته و سایر سرمایهگذاریهای دیجیتالی هزینه میکنند، اما قادر نیستند بگویند چه تأثیر مثبت و مهمی از این سرمایهگذاریها نصیب آنها میشود.
سازمانهایی که یاد گرفتهاند از این علم استفاده کنند، معمولاً یک چارچوب مدیریت عملکرد (performance-management framework) برای اقدامات تحلیلی خود ایجاد میکنند. این یعنی سازمان حداقل باید تعدادی سنجه دقیق برای ردیابی وضعیت پروژه های اولیه خود در زمینه تحلیل تعریف کند. در این مرحله ممکن است به جای سنجه های سطح بالا در زمینه سودآوری، از سنجه های رده دوم استفاده کند؛ برای مثال، اگر تحلیل داده در مورد سیستم مدیریت موجودی (inventory-management system) بهکار گرفته شود، دلیل موجودی اضافه در یک فصل، پس از اجرای برنامهٔ تحلیل آشکار خواهد شد. برای تعیین تأثیر تحلیل در مورد این مثال، سنجه مورد نظر باید درصد کاهش موجودی اضافه پس از اجرای برنامهٔ تحلیل باشد. انتخاب سنجه های مناسب و همسو با نیاز، سازمان را قادر می سازد در صورت لزوم منابع را از موارد استفادهٔ ناموفق به موارد ارزش ساز، منتقل کنند.
نخستین واکنش: صاحبان کسبوکار با همکاری مترجمان، مسئولان اصلی این روند هستند. وظیفهٔ آنها این است که موارد استفادهٔ مولد ارزش را شناسایی کرده و متعهد شوند که تأثیرات مالی آنها را، هر سه ماه یکبار، ارزیابی کنند. واحد مالی میتواند در تعریف سنجههای مناسب همیاری کند و از سوی دیگر بهعنوان داوری مستقل دربارهٔ سطح عملکرد راهکارها در موارد استفادهٔ مختلف، قضاوت کند. فراتر از آن، برخی از شرکتهای پیشرو، در حال عبور به سمت سیستمهای خودکار برای نظارت بر عملکرد مواردی هستند که علم تحلیل آنها را بهبود داده است، این فعالیتها شامل اعتبارسنجی مداوم مدلها و ارتقای دائم آنها میشود.
۱۰- نسبت به پیامدهای احتمالی اخلاقی، اجتماعی و نظارتی نوآوریهای علم تحلیل، آگاهی وجود ندارد.
این مهم است که بتوان پیشبینی کرد که برای حل مسائل دیجیتالی سازمان، دادهها چگونه به دست میآیند و چگونه مصرف میشود و آیا در این موارد، الزامهای نظارتی یا منع اخلاقی وجود دارد یا خیر.
برای مثال، یک تولیدکنندهٔ بزرگ صنعتی با ایجاد الگوریتم پیشبینی غیبت کارمندانش قوانین سختی را وضع کرد. انگیزهٔ پشت این کار انگیزهٔ خوبی بود، قصد مدیران این بود که با این برنامه همبستگی بین شرایط شغلی و غیبت را درک کنند تا بتوانند با تغییر شرایط کاری از صدمات یا بیماریها بکاهند. متأسفانه، این الگوریتم کارمندان را بر اساس قومیت، منطقه و جنسیت آنها دستهبندی میکرد. علیرغم اینکه این دادهها خاموش و دور از نظر بودند، الگوریتم به این نتیجه رسید که بین نژاد و میزان غیبت همبستگی وجود دارد.
خوشبختانه، این شرکت قبل از اینکه این برنامه روی روابط کارمندان تأثیر بگذارد و سازمان با جریمهٔ نظارتی قابلتوجهی مجازات شود، توانست این مشکل را پیشبینی و حل کند. کار با دادهها، بهویژه دادههای کارمندان، مجموعهای از خطرات مربوط به سوگیری الگوریتمی به همراه دارد. برای اعمال قضاوت انسانی مناسب در حوزهٔ تحلیل، نظارت قابلتوجه، مدیریت ریسک و تلاش برای کاهش آن، از موارد ضروری به شمار میرود.
نخستین واکنش: بهعنوان بخشی از برنامهٔ مدیریت گستردهٔ ریسک، مدیر ارشد داده باید جلوتر از همه و با همراهی مدیر ارشد منابع انسانی، کارشناسان اخلاق کسبوکار و مشاوران حقوقی سازمان، به شناسایی و بررسی پیامدهای ثانویه برنامه های تحلیلی سازمان بپردازند. البته نقش مترجمان را هم در این برنامه نباید نادیده گرفت.
زمان را هدر ندهید؛ اما بدانید ضروری است که بخش های مختلف کسبوکار شما به روش درست، به علم تحلیل مجهز شوند. رسیدن به اهداف دلخواه در گروی اقدامات حسابشده و علمی است و نباید این هیاهویی که پیرامون علم تحلیل وجود دارد و ممکن است هزینههای سنگینی روی دوش کسبوکارها بگذارد، شما را فریب دهد. در عوض، با شناسایی و پرداختن به این ده خطر مهم که هر کدام میتواند دامی پیش پای کسبوکار شما پهن کند، این فرصت را به سازمان خود بدهید تا در مسیر درست قرار بگیرد.
منبع | Mckinsey |
دیدگاه شما