خیلی از فعالیت های کاری و غیرکاری رنگ و بوی مبارزه به خود گرفتن! هرجایی که قرار باشه حرف خودتو به کرسی بنشونی و ادعای خودتو ثابت کنی و یا امکاناتی را صاحب بشی، بدون که در حال مبارزه هستی. اما تو حوزه کسب و کار به سلاحی فراتر از سلاح های سرد و گرم! برای دفاع از خودت نیاز داری، به سلاحی که حمله رقیب رو تاب بیاره، شناختت رو از جبهه رقبا کامل کنه و ملموس و منطقی باشه. "سلاحی از جنس دیتا !!!!"
انفجار دیتا تو سال‌های گذشته، آتش دوره جدیدی از خلق ایده و نوآوری مبتنی بر واقعیت را روشن کرده که تو اون ایده‌های جدید با شواهد قوی پشتیبانی میشن. شرکت‌ها تو دهه گذشته تو حوزه‌های مختلف سرمایه‌گذاری کردن و هزینه‌های زیادی برای ذخیره‌سازی اطلاعات انجام دادن، اما از نظر خیلی از مدیرای کسب و کارها، ساخت فرهنگ قوی مبتنی بر داده دست نیافتنیه و داده‌ها به ندرت پایه تصمیم‌گیری های مدیریتی هستن.
اما چرا این مسئله انقدر سخت و پیچیده شده؟؟
تجربه ثابت کرده که مانع ایجاد مشاغل داده‌محور فنی نیست بلکه فرهنگیه! و تغییر تو ذهنیت‌های کارکنا و مدیرا یک چالش سخت و دلهره‌آور شده.
در ادامه چند راهکار ساده برای کمک به ایجاد و استمرار یک فرهنگ داده محور ارائه شده...
1- فرهنگ داده محوری را از سطوح بالائی سازمان شروع کنید.
شرکت های با فرهنگ قوی داده محور، مدیرایی دارن که انتظار دارند تصمیمات باید روی داده ها لنگر بندازن. اون ها از طریق مثال ها و الگوها رهبری میکنن. تو شرکت های پیشروی حوزه تکنولوژی مدیرای ارشد دقایق اولیه جلسات رو به خوندن خلاصه ای از پیشنهادات و شواهد حمایتی اون ها اختصاص میدن تا بتونن بهترین تصمیمات رو بر اساس حقایق و واقعیت موجود بگیرن.
این رفتار مطمئنا به سطوح پایین گسترش پیدا میکنه، چون کارمندانی که میخوان رشد کنن و جدی گرفته بشن باید خودشون رو با رفتار رهبران ارشد وفق بدن. رعایت این نکته ساده تحول بزرگی تو هنجارهای شرکت بوجود میاره و یه قدم بزرگ به سمت فرهنگ داده محوری هستش.
2- متریک ها و شاخص ها را هوشمندانه و زیرکانه‌ی تعیین کنید.
رهبرای سازمان تو انتخاب متریک ها باید هوشمندانه رفتار کنن. اونها میتونن با انتخاب ماهرانه معیارها و متریک هایی که انتظار دارن کارکنان از آن ها استفاده کنن تاثیر قدرتمندی روی رفتار اون ها و در نتیجه روی کسب و کار خود بزارن. به عنوان مثال شرکتی از حدس اینکه رقباش چه تغییری تو قیمت ها میدن سود میبره. متریک مناسب این کار – دقت پیشبینی در طی زمان -. به همین خاطر تیمی برای بررسی مداوم اندازه و جهت گیری چنین حرکاتی از رقبا تعیین میشه.
3- تحلیلگرا و متخصصین علم داده را بایگانی و ایزوله نکنید!
تحلیل گرا و متخصصین علم داده اغلب تو شرکت ها بایگانی میشن :)) . نتیجه این وضعیت شناخت کم اونها و رهبرای کسب وکار از همدیگه خواهد بود. این جدا ماندن باعث میشه اون ها نتونن مفید واقع بشن و ارزش ایجاد بکنن. برای مقابله با این چالش دو راه حل وجود داره:
راهکار اول کمرنگ کردن مرزهای بین کسب و کار و متخصصین علم داده س. یکی از بیمه گذاران برجسته تو سطح جهانی، کارکنانش را به نوبت از موقعیت های کلیدی به موقعیت هایی انتقال میده که مستقیما با روند سازمان و علوم داده در ارتباط باشن. تو این موقعیت اون ها شواهد و مدارک مورد استفاده را فرا میگیرن و گسترش میدن. تو این نقش ها جزییات از اصول(روش های پیوند دانش و بعد فنی) اهمیت کمتری دارن.
شرکت هایی که روی لبه تکنولوژی حرکت میکنن از راهکار دیگه ای استفاده میکنن. اون ها علاوه بر اینکه علم داده را به کسب و کار نزدیک میکنن، کسب و کار را با کمک سواد برنامه نویسی و فنی کارمندان و تسلط آنها بر موضوعات کمی به سمت علم داده سوق میدن. البته رهبرای ارشد نیازی به رها کردن دانش قبلی و تبدیل شدن به مهندس یادگیری ماشین ندارن، اما برای یک فرهنگ داده محور نباید نسبت به موضوع داده ها بی تفاوت باشن.
4- مسئله دسترسی به پایگاه های داده را به سرعت حل کنید.
رایج ترین چالش و شکایت تو این حوزه دشواری دسترسی به ابتدایی ترین داده ها برای افراد درگیر تو بخش های مختلف کسب و کار هست. با کمبود دیتا، تحلیل گرا کاری از پیش نمیبرن و پا گرفتن فرهنگ داده محور تو شرکت غیرممکنه چه برسه به شکوفایی!
شرکت های پیشرو و برجسته راه حل ساده ای برای از میان برداشتن این سد بکار میبرن. اون ها به جای پیاده سازی برنامه های بزرگ و کند در زمینه پایگاه های داده، به بخش های اصلی در زمان های خاص دسترسی میدن. مثلا یک بانک بزرگ جهانی که بدنبال پیشبینی نیازهای مربوط به تمدید وام های بانک بود، یک لایه داده استاندارد برای تیم بازاریابی خود ایجاد کرد که در مواقع نیاز روی این داده ها بررسی و تحلیل انجام بشه.
5- اثبات مفاهیم ساده اما محکم باشه، نه فانتزی و شکننده!
در علم داده، معمولا ایده های امیدوارکننده و رویایی بیشتر از ایده های عملی هستن. این مشکل زمانی بدست میاد که شرکت ها تلاش کنن همیشه ایده های مبتنی بر شواهد مستدل را به تولید کامل برسونن که ممکنه اکثریت اون ها با شکست مواجه بشن. روش مناسب اینه که شواهد بگونه ای مهندسی بشن که مرکزیت شان در تولید ساده باشه. یعنی شروع به ساخت چیزی کنید که کیفیت لازم را داشته باشه اما در عین حال ساده باشه و بعدها سطح دقت و کمال را بالاتر برد.
6- آموزش کارکنان مسئله مهمی است اما در زمان مناسب خودش.
اکثر شرکت ها بر آموزش های پراکنده و ناگهانی سرمایه گذاری میکنن در حالی که اگر کارمندا از مهارتی که فراگرفتن استفاده نکنن اون را فراموش میکنن. پس کارکنان رو درست قبل از زمانی که به اون احتیاج دارن و میخوان به کار ببرن آموزش بدیم.
7- انعطاف پذیری را با ثبات معامله کنید هرچند در کوتاه مدت.
در اکثر شرکت ها، گروه های مختلف با مهارت های مختلف وجود دارن که ممکنه هر گروه زبان های برنامه نویسی و فریم ورک های مورد علاقه خود را داشته باشن. چنین وضعیتی تو یه سازمان میتونه فاجعه به بار بیاره. شرکت ممکنه ساعت های زیادی را به منظور یکی کردن نسخ مختلف تلف کنه و هر حرکت جدید از سوی تحلیلگران باید آموزش جدید در بر داشته باشد که خیلی هزینه بر میشه. شرکت ها میتونن معیارها و زبان های برنامه نویسی استاندارد جهانی را انتخاب کنن که با این مشکل روبه رو نشن. به عنوان مثال در یک بانک جهانی برای استخدام متخصص علوم داده این فاکتور را در نظر گرفته شد که نیروی جدید باید زبان برنامه نویسی پایتون را بلد باشه.
#Data_Driven_Problem_Solver
#Data_Driven_Decision_Maker
#Data_Scientist
#Data_Analyst
#Business_Intelligence
#Machine_Learning
#Marketing_Research
منبع: مجله کسب و کار هاروارد
