Czwarte, coroczne badanie transformacji cyfrowej, przeprowadzone w styczniu 2022 r. przez Harvard Business Review Analytic Services na grupie ponad 700 zarządzających wyższego szczebla, wykazało, że ponad 90% z nich uznało transformację cyfrową za kluczowy obszar sukcesu firmy na ścieżce dalszego rozwoju. Co więcej, z badania wynika, że organizacje przedefiniowały swoje cele, skupiając wysiłki głównie na realizacji projektów, które w sposób natychmiastowy będą dostarczały wartość biznesową. Takie podejście różni się diametralnie od dotychczasowego, które z definicji zakładało priorytetyzację wysiłków podnoszących efektywność istniejących procesów.
Transformacja cyfrowa jest niebagatelnym i trudnym wyzwaniem dla większości firm. Niestety (lub stety), na drodze czyha wiele wyzwań: niesprzyjająca kultura organizacyjna, objawiająca się niechęcią do zmiany; brak celów i leadershipu; duża rotacja pracowników oraz wyzwania związane z zatrudnieniem. Poprawa tych elementów jest niezbędna, by wykonać krok milowy w kierunku zmian technologicznych usprawniających procesy firmowe i tym samym zapewniających dostarczanie szybkiej wartości biznesowej. Stąd też ankietowani wskazali konieczność kierunkowej zmiany kursu i inwestycji w kluczowe obszary, tj.: automatyzację procesów, szeroko pojętą analitykę danych, w tym Artifical Intelligence (AI) i Machine Learning (ML).
Według IDC, globalnej firmy zajmującej się badaniami rynkowymi, światowe wydatki na transformację cyfrową, tj. głównie na poprawę jakości już posiadanych danych oraz budowę strategii i organizacji danych, sięgną 2,3 bln dol. w roku 2023.
Dodatkowo, według McKinsey do roku 2025 inteligentna organizacja pracy oraz interakcje pomiędzy człowiekiem a maszyną staną się prawdopodobnie standardem, takim, jakim stało się tworzenie corocznych sprawozdań finansowych, a większość pracowników będzie wykorzystywać dane do optymalizacji swojej pracy.
Nie jest to łatwe zadanie, niemniej wysiłek jest opłacalny, gdyż firmy, w których analiza danych jest ich DNA (elementem procesu decyzyjnego):
- są do 23 razy bardziej skuteczne w pozyskaniu klientów,
- są do 9 razy bardziej skuteczne w lojalizacji i utrzymaniu klientów,
- mają do 19 razy większą szansę na osiągnięcie ponadprzeciętnej rentowności.
Termin „data-driven” obecnie jest jednym z najpowszechniejszych w przestrzeni publicznej. Należy podkreślić, że nie ma jasnych kryteriów, które pozwoliłyby na stwierdzenie, że jesteśmy już data-driven lub zaraz będziemy.
Można przyjąć, że organizacje osiągnęły dojrzałość informacyjną, gdy od strony technicznej przetwarzają dane w sposób optymalny, a od strony biznesowej (w trybie ciągłym) wyciągają wnioski z danych, które następnie służą podejmowaniu decyzji biznesowych. Innymi słowy, organizacje data-driven to takie, w których dane leżą w centrum procesów decyzyjnych. Takie przedsiębiorstwa posiadają ponadto procesy określające szczegółowo sposób wytworzenia nieistniejących (dotąd) danych, tak by móc przeprowadzić wymagane analizy i nie opierać się jedynie na przeczuciu.
By móc określać się mianem data-driven, dane muszą:
- wspierać proces decyzyjny – mowa tu o umiejscowieniu w centrum procesu decyzyjnego wniosków płynących z analizy danych, począwszy od optymalizacji kosztowej, poprzez usprawnianie procesów, a skończywszy na identyfikacji potencjału sprzedażowego oraz budowie strategii biznesowych,
- być dostępne dla wszystkich – by punkt 1. mógł być zrealizowany w pełnej skali, dane muszą być dostępne dla wszystkich uczestników procesów decyzyjnych (od specjalistów do zarządu), a same dane muszą być przechowywane możliwie w jednym, łatwo dostępnym miejscu oraz posiadać zrozumiałe opisy biznesowe,
- pozwalać budować strategie – w praktyce oznacza to, że dane nie służą jedynie do raportowania historycznych wyników, ale służą w takim samym stopniu do przewidywania przyszłych rezultatów, np. wielkości sprzedaży.
Grafika nr 1 trafnie opisuje poszczególne stadia dojrzałości organizacji na drodze do bycia data-driven. Szczególnie warto podkreślić, że posiadanie Google Analyticsa lub nawet bazy danych nie czyni jeszcze z organizacji dojrzałego podmiotu.
Zanim jednak przejdziemy do opisu korzyści bezpośrednio wynikających z oparcia procesów na analizie i wnioskowaniu z danych, należy wspomnieć o „pocie i krwi” wiążących się z procesem transformacji. Wszystkie opisane wyzwania są wypadkową naszych doświadczeń napotkanych w licznych projektach, głównie w bankowości, e-commerce oraz branży telekomunikacyjnej. Do głównych przeszkód należą:
- Niesprzyjająca kultura organizacyjna, a w zasadzie kadra zarządzająca, która nie jest chętna do zmiany dotychczasowego podejścia, tj. opierania decyzji na intuicji i nadziei. Aspekt kulturowy może być również hamulcowym z uwagi na brak w organizacji liderów, którzy z jednej strony nie obawiają się podejmowania decyzji, a z drugiej będą mieli wystarczającą determinację i cierpliwość, by pociągnąć za sobą tłumy.
- Brak aktywnego wsparcia ze strony zarządu, co głównie wiąże się z brakiem aktywnego wsparcia na forum nowego podejścia do procesu decyzyjnego oraz brakiem nadzoru wdrożenia nowego podejścia. Dodatkowo, nierzadko członkowie zarządu sami nie stosują się do podjętych przez samych siebie decyzji, tj. nie korzystają z wniosków analitycznych. Kolejnym przypadkiem jest wewnętrzna polityka. Należy mocno podkreślić, że dane oraz analityka są kolejnym wertykałem, wspomagającym proces decyzyjny (oprócz intuicji biznesowej oraz informacji z otoczenia biznesowego).
- Brak szkoleń dla pracowników, który wiąże się z brakiem odpowiedniego przygotowania pracowników do nowych okoliczności. Przykładowo, jeśli firma decyduje się na wprowadzenie nowego narzędzia raportowego, np. Tableau lub Power BI, powinna aktywnie wspierać zespół Business Intelligence we wdrażaniu użytkowników do nowego środowiska. Nieakceptowalnym, acz najczęstszym, podejściem typowego zespołu Business Intelligence jest opracowanie nowego dashboardu i udostępnienie go użytkownikom bez jakiegokolwiek wyjaśnienia i wdrożenia do sposobu jego działania. Należy pamiętać, że każdego z nas charakteryzuje inna krzywa uczenia, tj. jedni wymagają dłuższego wdrożenia, inni mniejszego i nie ma w tym nic złego. Stąd my, analitycy danych, musimy cierpliwie tłumaczyć i aktywnie wychodzić z pomocą.
- Ograniczenia infrastrukturalne, które polegają głównie na tym, że istnieje wiele środowisk dostarczających fragmentaryczne dane, których często nie da się połączyć, bądź są niespójne, przez co odbiorca traci zaufanie do nich lub nawet rezygnuje z ich analizy. Rozwiązaniem sytuacji jest zapewnienie jednego środowiska bazodanowego z niskim progiem wejścia zarówno dla technicznych, jak i nietechnicznych pracowników.
- Obawy dotyczące bezpieczeństwa danych, które nie wynikają z braku możliwości zawężenia dostępu do niezbędnych danych dla pracownika, lecz z przyzwyczajeń polegających na tym, że tylko kadra zarządzająca ma dostęp do danych. Zatem dochodzi tu do kolizji komunikacyjnej, ponieważ z jednej strony oczekiwanym od pracowników jest wychodzenie ze strefy komfortu, uwzględnienie całego procesu biznesowego (a nie tylko jego fragmentu), realizowanie kwantyfikowalnych celów, a z drugiej strony przedsiębiorstwa nie są chętne do udostępniania danych.
Jakie są korzyści organizacji typu data-driven? Należy je podzielić na finansowe i biznesowe:
- Zwiększenie poziomu sprzedaży i rentowności – dzięki promowaniu produktów o wyższej marży w miejscach na stronie www, które są częściej odwiedzane przez klientów; poprawa konwersji i/lub tworzenie inteligentnych rozwiązań analitycznych wspierających cross-sell i up-sell.
- Obniżenie kosztów – np. dzięki ocenie analitycznej ocenie efektywności pozyskania klientów poprzez różne kanały marketingowe. Innym przypadkiem jest analityczna (nie intuicyjna, jak to ma miejsce w większości przypadków) identyfikacja grup klientów, do których można i należy wysłać kampanię marketingową.
- Identyfikacja nieefektywności procesowych związanych np. ze zrozumieniem zachowań klientów, którzy nie decydują się na dokończenie procesu zakupowego i opłacenie transakcji lub zrozumienie przyczyn uniemożliwiających klientom rejestrację w serwisie, co już na tym etapie wiąże się ze sporymi kosztami (np. działania marketingowe) oraz utratą reputacji (klient frustruje się, że serwis nie działa). Innym przykładem może być automatyzacja raportowania, które często jest angażujące i czasochłonne, gdyż wymaga ręcznego przygotowania.
- Satysfakcja klienta – która przekłada się na jego powracalność i zaufanie do produktu lub usługi. Usuwając przeszkody na ścieżce zakupowej klienta (dot. offline i online) lub problemy techniczne (online) uniemożliwiające ukończenie transakcji, budujemy poczucie bezpieczeństwa klienta oraz poczucie, że platforma jest dostosowywana do jego potrzeb. Z branży telekomunikacyjnej przykładem może być zrozumienie powodów braku zasięgu w telefonach komórkowych.
- Transparentność rozumiana jako pełny wgląd do wyników, za które odpowiadają managerowie na poszczególnych szczeblach, i tym samym posługiwanie się faktami w ocenie projektu lub przedsięwzięcia.
- Wydajność pracy, która jest wypadkową posiadania danych w jednym miejscu, przez co pracownicy nie muszą szukać informacji w różnych systemach i aplikacjach. Dodatkowym atutem takiego rozwiązania jest często wysoka jakość danych. Dzięki takiemu stanowi rzeczy pracownicy nie muszą pobierać fragmentarycznych danych z wielu źródeł, co jest bardzo czasochłonne i obarczone dużym ryzykiem błędu.
- Zaangażowanie pracowników jest wypadkową obdarzenia ich zaufaniem, czyt. udostępnieniem im danych, które kiedyś były do wglądu wyłącznie „garstki” osób. Dzięki takiemu podejściu uzyskujemy większą produktywność.
- Szybkość działania, wynikająca z niemalże natychmiastowego dostępu do danych. Dzięki ich analizie i rozpoznaniu wzorców, np. sprzedażowych, lub działań konkurencji (chociażby zmiana cen) jesteśmy w stanie znacznie szybciej reagować na zmieniające się uwarunkowania w otoczeniu biznesowym.
Dane i analityka danych były dotychczas utożsamiane jedynie z big techami, jak Google, Amazon, Facebook, Microsoft, .Niemniej ostatnie lata to czas adopcji danychw każdej branży, ponieważ przedsiębiorstwa miały ich wiele i zdecydowały się na ich monetyzację.
Szczególnie warty podkreślenia jest fakt, że moment adopcji analityki danych wynika z kilku powodów:
- chęci osiągnięcia większych przychodów oraz wyeliminowania lub obniżenia kosztów;
- wysokiej świadomości i przekonania zarządzających o przewadze konkurencyjnej, jaką oferuje analityka danych;
- uświadomienia sobie, że konkurowanie ceną i bezustanne obniżanie kosztów nie jest możliwe;
- uzmysłowienia sobie, że samo gromadzenie informacji w bazach danych jest kosztowne i jeszcze nie daje przewag – umożliwia to dopiero ich analiza;
- kryzysu finansowego lub utraty pozycji rynkowej organizacji oraz braku możliwości rozpoznania powodów zaistniałej sytuacji w oparciu o dotychczasowe podejście, tj. na ogół analizę danych budżetowych.
Podsumowując, organizacje, które chcą utrzymać przewagi konkurencyjne i tym samym generować wyższe przychody w długim terminie, nie mają innego wyjścia i są zmuszone do zatrudnienia specjalistów od analizy danych. W przeciwnym przypadku będą się zmagały z depczącą po piętach konkurencją, która też nie śpi i rozważa wdrożenie analityki danych w procesy decyzyjne, jeśli już tego nie zrobiła. Wdrażając dane i przeprowadzając ich analitykę w procesy firmowe, powinniśmy się przygotować na maraton, a nie na sprint.
