Ինչպես են առաջնորդները միավորում տվյալները և ինտուիցիան՝ ավելի լավ որոշումներ կայացնելու համար

DՎերջին երկու տասնամյակների ընթացքում թվային փոխակերպումների աճի հետ մեկտեղ տվյալների խոստումը մեծ է եղել: Անկասկած, տվյալները կարևոր են ձեր հաճախորդներին հասկանալու, ձեր բիզնեսը զարգացնելու և հաջողությունը չափելու համար, բայց դա միակ բանը չէ, որ ձեզ անհրաժեշտ է: Լավ որոշումները պահանջում են երկու տվյալներ և ինտուիցիա:

Շատերը եկել են այն սխալ համոզման, որ տվյալները թագավոր են, իսկ ինտուիցիան՝ կատակասեր: Երբեմն թվում է, թե երկուսն էլ զբաղված են քաշքշուկով, վստահեցնելով, որ ոչ մեկը չի կարող թագավորել մյուսի ներկայությամբ:

Սա չէր կարող ավելի հեռու լինել ճշմարտությունից: Ինտուիցիան նույնպես դեր է խաղում բոլոր լավ որոշումների մեջ: Երբ տվյալները և ինտուիցիան համագործակցում են, նրանք ստեղծում են հետադարձ կապի ցիկլ, որը ճշգրտում և ուժեղացնում է մտավոր մոդելները: Ինտուիցիան կարող է հանգեցնել տվյալներին տրվող ճիշտ հարցի, որի արդյունքում պատմությունը տեղեկացնում է ինտուիցիան: Ինտուիցիան կարող է զգուշացնել մեզ, երբ տվյալները թերի են կամ որակի հետ կապված խնդիրներ ունեն: Թեև տվյալները կարող են օգնել մեզ հասկանալ, թե երբ ենք մենք գործում կողմնակալությունից կամ հանգամանքները փոխվել են:

Սա կարևոր է աճող անորոշության դարաշրջանում, որտեղ կան նոր բիզնես մարտահրավերներ ամեն անկյունում: Տվյալները կարող են հստակ պատկերացում տալ անցյալի մասին, բայց երբ մենք չափից դուրս ենք ընկնում ճշգրտության մեջ՝ ճշգրտության մեջ, տվյալների կատարյալ մոդելի ստեղծման մեջ, մենք կարող ենք բաց թողնել այն, ինչ կատարվում է հենց մեր առջև: Ինտուիցիան կարող է օգնել մեզ արագ հասկանալ ուղղորդվածությունը, ինչը կարող է նույնքան ազդեցիկ լինել որոշումների կայացման վրա, որքան ցանկացած քանակական ցուցանիշ: Պատշաճ օգտագործման դեպքում ինտուիցիան և տվյալները կարող են լինել ձեր երկու հիմնական դաշնակիցները անորոշության դեմ հաղթանակի հասնելու համար:

Որոշումների կայացում իրական աշխարհում

Մենք խոսեցինք թվային ծառայությունների և տվյալների վերլուծության բաժնի ավագ տնօրեն Մայքլ Նոլթինգի հետ Volkswagenև Մայքլ Սասակին՝ հաճախորդների հաջողության և աջակցության գլոբալ ղեկավարի նախկին փոխնախագահ Միթեք, սովորելու, թե ինչպես են իրենց ընկերությունները հավասարակշռում տվյալները ինտուիցիայի հետ՝ որոշումներ կայացնելու և բիզնեսի արդյունքների հասնելու համար:

Աղյուսակ. Ինչպե՞ս են որոշումներ կայացվում ձեր ընկերությունում:

Նոլթինգ: Մենք իսկապես քրտնաջան աշխատեցինք վերջին տարիներին, որպեսզի մեր մեքենաների արտադրությունը հիմնված լինի տվյալների վրա [Volkswagen-ում]: Մենք ստեղծեցինք Snowpark կոչվող հարթակ, որը հավաքեց մեր բոլոր տվյալները մեր թեստ-դրայվներից և հաճախորդներից: Մենք վերլուծեցինք, թե արդյոք մեքենայի օգտագործման առումով բաց կա։

Եթե ​​մենք հասկանանք, թե ինչպես են իրական հաճախորդներն օգտագործում մեր մեքենաները, մենք կարող ենք մեքենաներ կառուցել՝ ըստ նրանց կարիքների և մատուցել ավելի լավ ապրանքներ, ինչպես նաև նվազագույնի հասցնել ընդհանուր արժեքը:

Մենք որոշումներ ենք կայացնում Volkswagen-ում՝ հիմնվելով աղիքների [զգացմունքների] և տվյալների վրա: Տվյալները նախընտրելի են և կարող են օգտագործվել ինչ-որ բան աստիճանաբար օպտիմալացնելու համար: Ձեր աղիքներն անհրաժեշտ են հետազոտության համար, երբ դուք դժվար որոշումներ եք կայացնում՝ հիմնվելով ոչ բավարար տվյալների վրա (տվյալների պակասի, չափից շատ մուտքագրման չափերի, էֆեկտի չափազանց ցածր չափի կամ համատեքստի չափազանց մեծ գիտելիքների պատճառով): Հիմնական բիզնեսը պետք է հնարավորինս հեռու տեղափոխվի տվյալների գոտի:

Ռիսկի վերցնելու համար ձեզ հարկավոր է հիերարխիա՝ հիմնված ռիսկի չափի վրա: C մակարդակի ղեկավարները պետք է ռիսկի դիմեն:

MOIA-ի մեր նավատորմի տվյալները (համընդհանուր շարժունակության լուծում Համբուրգում և Հանովերում) ժողովրդավարացվել են: Այն կարող է մուտք գործել Volkswagen-ում բոլորը, ովքեր ունեն հաշիվ:

Մեր նպատակն է ներքին ժողովրդավարացնել մեր բոլոր տվյալները: Մենք ներկայումս կառուցում ենք տվյալների հսկայական պահեստ իմ բաժնում, որտեղ ցանկանում ենք յուրաքանչյուր բիզնեսի [օգտատիրոջ] հնարավորություն տալ ներմուծել և վերլուծել տվյալները: Մենք յուրաքանչյուր բիզնեսի [օգտագործողի] դարձնում ենք տվյալների ինժեներ/տվյալների գիտնական:

Սասակի. Որոշումներ կայացնելը [Միտեկում] պահանջում է շահագրգիռ կողմերի համադրում: Ի վերջո, կան վերջնական որոշում կայացնողներ, և նրանք սովորաբար ֆունկցիոնալ փորձագետներն են, ովքեր վերջում որոշում են կայացնում: Բայց մենք շատ ժամանակ ենք ծախսում հանդիպելու և համոզվելու, որ բոլորս ունենք նույն տեղեկատվությունը և նայում ենք նույն տվյալներին, հասկանում ենք տվյալները և համաձայնում ենք սահմանումների շուրջ:

Աղյուսակ. Ինչպե՞ս եք հավասարակշռում տվյալները, ինտուիցիան և փորձը որոշումներ կայացնելիս:

Նոլթինգ: Ինտուիցիա է անհրաժեշտ ծանրաբեռնված հարցերի համար, երբ մարդիկ վերջապես պետք է ռիսկի դիմեն, և մոդելի/հարցի բարձր բարդության պատճառով բավարար տվյալներ չկան:

Մենք դեռ գտնվում ենք աղիքային գոտում՝ ունենալով մեր հիմնական բիզնեսի մասնաբաժինը և ցանկանում ենք այն քայլ առ քայլ տեղափոխել տվյալների գոտի՝ դառնալու տվյալների վրա հիմնված ընկերություն: Այնուամենայնիվ, նորարարական նախագծերը կամ նոր բիզնես հնարավորությունների ուսումնասիրությունը միշտ մասամբ կմնան աղիքների գոտում: Ո՞րն է աղիքային գոտու մարտահրավերը, եթե ձեր հիմնական բիզնեսը դեռ այնտեղ է: Աղիքային գոտում, եթե ցանկանում եք պատասխանել մի հարցի, որն ունի բարձր ռիսկ (կարդացեք՝ միլիոնավոր դոլարներ կարող եք կորցնել), ձեզ պետք են ընկերության մենեջերներ, ովքեր պատրաստ են ռիսկի դիմել: Ըստ այդմ, մենք, իհարկե, ունենք հիերարխիա։ Ելնելով եվրոյով գնահատված ռիսկից՝ մենք ունենք կառավարման տարբեր մակարդակներ, ովքեր կարող են ռիսկի դիմել։ Եթե ​​ռիսկը կազմում է մոտ միլիոններ, C- մակարդակը քայլում է:

Սասակի. Նրանք բոլորը միահյուսված են իմ մտքում:

Տվյալները չափազանց կարևոր են: Տվյալներով դուք սկսում եք տեսնել ձեր աղիքներին տեղեկացնող տվյալների հիբրիդ: Դուք որոշումներ եք կայացնում՝ հիմնվելով հաճախորդների տվյալների վրա: Եվ դա այն փորձն է, որ դուք ունեք տվյալների հետ աշխատելիս, և տեսնելով այն արդյունքները, որոնք դուք առաջացրել եք հաճախորդների հետ, իսկապես օգնում է ձեզ հասնել ճիշտ տեղում: Այդ փորձը չափազանց կարևոր է տվյալների հետ աշխատելիս:

Այնպես որ, ես չէի ասի, որ դա մեկն է կամ մյուսը: Դա այս պահին երկուսի հիբրիդն է: Եվ երկուսն էլ չափազանց կարևոր են: Աղիքները առաջնորդվում են տվյալների միջոցով:

Աղյուսակ. Ե՞րբ գիտեք, որ բավարար տվյալներ ունեք որոշում կայացնելու համար:

Նոլթինգ: Դուք չեք կարող ասել՝ «մենք բավարար տվյալներ ունե՞նք»: կամ «Մենք բավարար տվյալներ չունե՞նք»: Սա ավելի շատ ճիշտ համակարգեր միացնելու և լավ տվյալներ ունենալու մասին է: Հարցը միշտ որակի և քանակի միջև է:

Երբ ընկերությունները ենթարկվում են տվյալների վերափոխման, մեծ խնդիրը սկզբնական շրջանում տվյալների որակն է: Դուք պետք է իսկապես ուսումնասիրեք տվյալները, եթե կարող եք աշխատել դրանց հետ, թե ոչ: Որոշ վահանակների համար ձեզ հարկավոր են բարձրորակ վաճառքի տվյալներ: Ձեզ անհրաժեշտ են տվյալների կառավարիչներ:

Մեծ էֆեկտների չափերի համար ձեզ անհրաժեշտ է փոքր քանակությամբ տվյալներ (օրինակ՝ փոքր ավտոպարկերից): Մենք ցանկանում էինք պարզել, թե ինչպես են մեր առևտրային հաճախորդները, ինչպիսիք են [ծանրոցների առաքման ընկերությունը] DPD-ն, օգտագործում իրենց մեքենաները՝ համեմատած մեր ընդհանուր շարժունակության լուծման՝ MOIA-ի վարորդների հետ: Այս տվյալները կարող են հավաքվել փորձնական նավատորմից: Եթե ​​մենք ցանկանում ենք չափել փոքր էֆեկտի չափերը, մենք տվյալներ ենք վերցնում մեր մեծ նավատորմից:

Մենք նաև օգտագործում ենք Tableau-ի վահանակները՝ օգնելու համար առաջնահերթություն տալ, թե որ բաղադրիչներն են արտադրվում՝ ելնելով մեր ունեցած բաղադրիչների պակասից: Մեկ վահանակը կանխատեսում է մեզ անհրաժեշտ բաղադրիչների պատվերները: Դա իսկապես բարդ է՝ կան միլիարդավոր համակցություններ: Եվ հետո մենք կատարում ենք հաշվարկը և դեֆիցիտի դեպքում պատվիրում ենք բաղադրիչները։ Սա հանգեցնում է օպտիմալ արտադրության գործընթացի:

Սասակի. Հինգ-տասը տարի առաջ տվյալների պակաս կար։ Եվ հիմա այնքան շատ տվյալներ կան: Փորձելով պարզել, թե ինչ տվյալներ են կարևոր, իրականում հիմնական և մարտահրավերն է: Որովհետև դուք կարող եք նայել տվյալներին՝ հիմնավորելու գրեթե յուրաքանչյուր որոշում, որը ցանկանում եք կայացնել: Եվ դա այն ծուղակն է, որի մեջ կարող եք ընկնել, որտեղ դուք ունեք այն որոշումը, որը ցանկանում եք կայացնել, և դուք փնտրում եք տվյալներ՝ դրանք արդարացնելու համար, որպեսզի տվյալներն իսկապես բացահայտեն այն ճանապարհը, որը դուք պետք է հետևեք:

Այսպիսով, հարցն այն է, երբ գիտեք, որ բավարար տվյալներ ունեք որոշում կայացնելու համար:

Ես կասեի, լավ, ահա իմ հաճախորդների հաջողության փորձը հաճախորդների հետ կապված որոշումների հետ կապված: Դուք կարող եք դիտել հաճախորդների լուսավոր կետերը՝ տեսնելու, թե ինչ տվյալներ են առկա՝ ձեր կողմից նախկինում մատուցած ցանկալի արդյունքը ապահովելու համար: Այսպիսով, մենք շատ ենք նայում արդյունքներին, որոնք պայմանավորված էին, և այնուհետև, թե ինչ տվյալներ էին իսկապես կարևոր, որոնք իսկապես դրդեցին այդ որոշումը: Այսպիսով, մենք կբացահայտենք դրանք և իսկապես կառանձնացնենք դրանք:

Մենք նաև շատ ենք հենվում մեր տվյալների վերլուծաբանների թիմին: Mitek-ում կան բազմաթիվ տարբեր տեսակի տվյալների թիմի կարգավորումներ: Այնտեղ ապակենտրոնացված է, որտեղ կա տվյալների վերլուծաբան տարբեր գործառույթներով՝ մեկը մարքեթինգի, մեկը՝ ֆինանսների, մեկը՝ հաճախորդների հաջողության: Դուք կարող եք ունենալ կենտրոնացված գործառույթ, որտեղ այդ ամենը ընդամենը մեկ թիմ է: Բայց տվյալների վերլուծաբաններն աշխատում են ցանկացած հարցումների վրա, որոնք գալիս են, անկախ նրանից, թե որ գործառույթից է գալիս:

Ես ստեղծեցի և ձևավորեցի տվյալների վերլուծաբանի դերը հաճախորդների հաջողության թիմում: Դա շատ կարևոր էր մի քանի պատճառով: Կարծում եմ, որ տվյալների վերլուծաբանը պետք է լինի տվյալների վերլուծության փորձագետ, բայց նաև ֆունկցիոնալ փորձագետ այն հարցում, թե ինչի համար են վերլուծում տվյալները: Հաճախորդների հաջողության թիմում տվյալների վերլուծաբան ունենալը արժեքավոր է հաճախորդի տվյալները հասկանալու համար: Ես հենվում եմ իմ տվյալների վերլուծաբանների վրա, երբ նրանք ժամանակ ունեն՝ օգնելու ինձ որոշել, թե երբ ունենք բավարար տվյալներ որոշում կայացնելու համար: Եվ դա հավասարակշռող գործողություն է ոչ ճշգրիտ լինելու և ոչ ակտիվ լինելու միջև:

Ո՞րն է ավելի թանկ՝ սխալ որոշում կայացնելը, թե՞ ընդհանրապես որևէ քայլ չձեռնարկելը: Ես չգիտեմ, թե երբևէ ձեզ թվում է, թե բավականաչափ տվյալներ ունեք, բայց հասնում եք մի կետի, որտեղ բավականաչափ հարմարավետ եք, որ կարող եք զանգահարել տվյալների հիման վրա:

Աղյուսակ. Հեշտ է նայել տվյալներին և մոռանալ, որ թվերը ներկայացնում են իրական, մարդկային հաճախորդներին: Ինչպե՞ս կարող ենք պաշտպանվել այս սխալից:

Սասակի. Ես կանգնած եմ հաճախորդի հետ; Ես պատասխանատու եմ հաճախորդի և եկամուտների համար: Արտադրանքի մշակման թիմն ունի իր նպատակները, և դա միշտ չէ, որ անպայմանորեն վերաբերում է մարդուն, կամ գուցե նրանք չեն հասկանում դա, և դա իրենց մեղքը չէ: Դա իմ պարտականությունն է՝ որպես հաճախորդի առջև կանգնած ղեկավարի, դեմքը դնել այդ թվին, տվյալ տվյալների կետին:

Կան որոշ բաներ, որոնք ղեկավարները կարող են անել, որպեսզի փորձեն մարդկային դեմքը ներկայացնել տվյալների վրա: Մենք բազմաթիվ ծրագրեր ենք սկսել մեր ընկերությունում: Մեկը ճաշ-սովորելն է: Մենք հաճախորդ կբերենք և ճաշ կգնենք ամբողջ ընկերության համար: Այժմ ինժեներները կարող են լսել հաճախորդից, և նրանք կարող են կապել այն չափումները, որոնք նրանք նայում և ուղղորդում են դեպի մարդուն, նպատակին:

Աղյուսակ. Ինչպե՞ս կարող են վաղ կարիերայի մարդիկ սկսել «մարզել» իրենց աղիքները:

ՆոլթինգԵրիտասարդները պետք է սովորեն անհաջողություններ ունենալ և ռիսկի դիմեն որոշումներ կայացնելուն: Սա մշակութային բան է, որի դեմ պայքարում են գերմանական ընկերությունները: Դուք կարող եք մարզել ձեր աղիքները միայն փորձ ձեռք բերելով և սխալներ թույլ տալով, այնուհետև կարող եք քայլ կատարել՝ ապագայում ավելի դժվար որոշումներ կայացնելու ռիսկի դիմելու համար: Volkswagen-ում մենք ստեղծել ենք հոգեբանական անվտանգության միջավայր, որտեղ խափանումներն ընդունվում են։ Դրան հասնելու համար դուք պետք է ունենաք ճիշտ ձեռնարկություն և տվյալների մշակույթ:

Սասակի. [Mitek-ում] մենք սկսում ենք տվյալների հետ կապված փորձից: Իմ թիմի ղեկավարները հաճախորդների հաջողության մենեջերներին վերածել են տվյալների վերլուծաբանների: Մեր տվյալների վերլուծաբանները Tableau-ում տրամադրել են գործիքներ՝ հաճախորդների հաջողության մենեջերներին տվյալների վերլուծողների վերածելու համար: Այժմ, եթե նայեք Tableau-ի դիտումներին, ամբողջ ընկերության կողմից, դիտումների 70%-ը իմ հաճախորդների հաջողության մենեջերներից է:

Դուք չեք կարող վախենալ տվյալներից: Դուք պետք է օգտագործեք ամեն հնարավորություն՝ որպես փորձ և հնարավորինս շատ փորձառություններ ստանաք տվյալների հետ՝ դրական թե բացասական: Դա իսկապես արժեքավոր կլինի ձեր սրտերին վստահելու համար: Պարզապես մտեք այնտեղ, հասկացեք տվյալները, խաղացեք դրանց հետ, հարցեր տվեք և ստացեք այնքան փորձառություններ՝ դրական կամ բացասական, որքան կարող եք: Եվ դա իսկապես կմարզի ձեր աղիքները:

Եթե ​​ունես տվյալներ, չես կարող վիճել դրանց դեմ։ Այլ գործառույթների և այլ ղեկավարների և թիմի այլ անդամների հետ աշխատելու ավելի լավ միջոց չկա, քան նրանց ունենալ տվյալներ: Երբ տվյալները բերում եք զրույցին, կարող եք իսկապես արագ հավասարեցնել: Դուք կարող եք որոշումներ կայացնել; դուք նույնիսկ կարող եք համոզել հաճախորդներին: Դա լինելու է տվյալների վրա հիմնված հանդիպում, լինելու է տվյալների վրա հիմնված քննարկում: Հանդիպումները և որոշումները շատ ավելի արագ են տեղի ունենում, քանի որ դրանք պարզապես ավելի տեղեկացված են տվյալների հետ»:

Պատրա՞ստ եք առաջնորդել տվյալների հետ:

Տվյալների վրա հիմնված առաջնորդներն ավելի լավ պատրաստված են փոփոխություններին հարմարվելու համար, և նրանք հասկանում են որոշումների կայացման նրբությունները արագ զարգացող բիզնես լանդշաֆտում: Նրանք գիտեն, որ փորձառությամբ և ինտուիցիայով համալրված տվյալները հիմնարար են իրենց կազմակերպություններում հաջողության հասնելու համար: Այցելություն Աղյուսակ ղեկավարների համար ավելին իմանալու այն մասին, թե ինչպես են տվյալները ազդում բիզնես առաջնորդների նոր ցեղատեսակի վրա և ինչպես կարող է Tableau-ն հզորացնել Ձեր տվյալների փոխակերպում.