شاید کمی دیگر دیر شده باشد اگر تا به حال در شرکت خودتان تیم یا واحدی مرتبط با داده نداشته باشید. یعنی به احتمال زیاد خیلی عقبید ولی برای شروع قطعا «هنوز» دیر نشده است. در غیر این صورت حتما تا به حال با موضوع مهم «تعبیه داده در ساختار سازمانی» دست و پنجه نرم کرده‌اید. با اطمینان می‌گویم مهم نیست کسب و کار شما چقدر داده با کیفیت و کمیت بالا در اختیار داشته باشد، تا وقتی نتوانید «بکارگیری داده» را در «ساختار سازمانی»تان به درستی تعبیه کنید، نمی‌توانید از داده به عنوان مزیت رقابتی‌تان برای رشد در بازار استفاده کنید.
من تا به حال در شرکت‌های بزرگ و کوچک متنوعی کار کرده و یا به آنها مشاوره داده‌ام. تجربه به من نشان داده هیچ نسخه‌ای را نمی‌توان برای همه پیچید. پاسخ به این سوال که «چطور از داده به عنوان مزیت رقابتی استفاده کنیم؟» معمولا اولین و شاید مهم‌ترین پرسشی است که هر بنیانگذار یا مدیرعاملی باید بپرسد. پرسشی که نه تنها پاسخ سرراستی برای آن وجود ندارد، بلکه همگام با رشد پیچیدگی کارکردهای داده‌محور (به خصوص با رشدهای اخیر هوش مصنوعی) پاسخ به آن روز به روز پیچیده‌تر می‌شود.
معتقدم «داده خودِ قدرت است» نه صرفا ابزاری برای اعمال قدرت؛ داده قدرت است چون دیگر این داده است که تصمیم می‌گیرد. شاید دارید با خودتان این پاسخ احتمالی به این ادعا را تکرار می‌کنید که «این انسان است که دارد تصمیم می‌گیرد نه داده» ولی باید با اطمینان بگویم که اگر به چنین چیزی باور دارید پس به احتمال زیاد هنوز از درهای نیمه‌باز در حال بسته شدن فناوری به افق‌های جدید رد نشده‌اید و نزدیک است که جا بمانید. در این مقاله بیشتر از این کاری به این مدعا ندارم و در ادامه می‌خواهم به این بپردازم که اگر «داده قدرت است» پس چطور باید آن را در سطح سازمان تعبیه کرد؟ ساختار سازمانی چطور باید باشد که این قدرت به درستی توزیع و در اختیار همگان قرار بگیرد طوری که منجر به رشد و توسعه کسب و کار در طولانی‌مدت شود؟
آنچه در این سال‌ها یاد گرفته‌ام این است که «تصمیم‌گیری در یک سازمان» فراتر از یک تلاش معصومانه و خلاقانه برای «راه‌حل‌یابی» مسائل است؛ «تصمیم‌گیری» ساختار اعمال قدرت در هر سازمانی را مشخص می‌کند. وقتی در مورد تصمیم‌گیری در یک سازمان صحبت می‌کنیم در مورد یک ساختار سلسله‌مراتبی از تفویض اعمال قدرت صحبت می‌کنیم. بنابراین وقتی می‌گوییم «داده قدرت است»، منطقی است بلافاصله به این نتیجه برسیم که ساختار تحلیل داده در سازمان خواه یا ناخواه وقتی بهینه است که مبتنی بر ساختار قدرت در سازمان طراحی و پیاده‌سازی شده باشد. جز این آنچه من دیده‌ام، به هدر رفت سرمایه‌های سازمانی منتهی می‌شود.
با همه این اوصاف، بهترین مدل برای تعبیه تحلیل داده در یک سازمان چیست؟ در این مقاله سعی کرده‌ام به این پرسش‌ها پاسخ بدهم. تمرکز من روی ساختارهای مرتبط با کارکردهایی از داده است که منتهی به تصمیم‌گیری می‌شوند. بنابراین حوزه‌هایی مانند زیرساخت داده، زیرساخت‌های BI، فیچرهای مبتنی بر هوش مصنوعی (Data Science) و محصولات داده‌محور، مد نظر من در این مقاله نیستند. در واقع، تمرکزم روی ساختار واحد تحلیل داده است و منظورم از تحلیل داده به طور مشخص بخشی از کاربرد داده است که به تصمیم‌گیری انسانی کمک می‌کند.
تحلیل داده هم مثل هر حوزه فعالیت دیگری در یک سازمان حواشی زیادی دارد. تیم‌سازی و استخدام، طراحی حقوق و مزایا، مسیر شغلی، حل تعارضات، هماهنگی میان‌تیمی و میان‌تخصصی و حواشی دیگری که قبل از هر چیزی ناشی از «ساختار» هستند. یعنی این کارایی و بهینگی ساختار است که مشخص می‌کند موارد گفته شده چطور باید حل شوند و سازمان چقدر درگیر حواشی این حواشی خواهد شد. بنابراین طراحی یک ساختار مناسب برای تعبیه تحلیل داده در ساختار سازمان و فرایندهای عملیاتی و راهبردی سازمان همان آجری است که اگر کج گزارده* شود تا ثریا می‌رود دیوار کج!
ادامه این مطلب ترجمه آزاد (به همراه دخل و تصرف) از مقاله How to Structure a Data Science Team منتشر شده در وبلاگ شرکت مشاوره فناوری altexsoft است. توصیه می‌کنم برای اطلاعات بیشتر و بهتر حتما مقاله اصلی را هم بخوانید. همینطور در نظر داشته باشید که مدل‌های زیر در بسیاری از ویژگی‌ها با هم مشترک هستند و حتی برخی را می‌توان عینا مشابه دیگری دانست. بنابراین آنها را به عنوان الگو در نظر بگیرید و از خودتان بپرسید در حال حاضر ساختار تحلیل داده را چطور در سازمان خودتان تعبیه کرده‌اید و آیا این ساختار بهترین ساختار ممکن برای سازمان شماست یا نه؟
این مدل معمول‌ترین الگوی شکل‌گیری ارگانیک و خودبه‌خود واحد تحلیل داده است که در مراحل اولیه رشد و توسعه یک شرکت اتفاق می‌افتد. واحدهای کسب‌وکار، مانند تیم‌های محصول یا واحدهای عملکردی، همگام با رشد تدریجی حوزه‌های فعالیت خودشان به صورت موردی نیاز داخلی خود به تحلیل داده‌ها را تشخیص داده و شروع به استخدام متخصصین داده می‌کنند تا نیازهای خود را به صورت «داخل‌تیمی» رفع کنند.
شکل‌گیری واحد تحلیل داده در این فرایند نیازمند کمترین هماهنگی بین سازمانی است. هر تیمی مسئول رفع نیازهای خودش است و مدیر هر تیمی متناسب به نیازمندی‌های تحلیل داده‌ای خودش نیروی مرتبط را استخدام می‌کند. حتی ممکن است بدون هیچ استخدامی یکی از افراد آن تیم به مرور وظایف تحلیل داده‌ای را برعهده بگیرد. مثلا یکی از توسعه‌دهندگان بک‌اند به مرور وظایف تحلیل داده محصول را برعهده گرفته و بعد از مدتی مهم‌ترین تاثیرگذاری‌اش در تیم کمک به تصمیم‌گیری‌های محصولی مبتنی بر داده‌ها باشد.
این مدل مناسب دو نوع ساختار سازمانی است. اول شرکت‌هایی که در مراحل اولیه رشدشان هستند و هنوز حتی ساختار سازمانی به معنای عرفی آن را ندارند. به نظر من این مدل بهترین الگو برای هر استارتاپی است: اجازه دهید همگام با رشد ارگانیک ساختار سازمانی‌تان، تیم تحلیل داده هم شکل بگیرد. مهم‌ترین فایده این رویکرد این است که ساختار، مبتنی بر نیاز شکل می‌گیرد و هزینه‌ها راحت‌تر کنترل می‌شوند.
دوم سازمان‌هایی که در مرحله آغازین رشد خود نیستند ولی مدل کسب‌وکارشان قرار نیست هیچ وقت «داده‌مرکز (Data Centric)» باشد. یعنی داده به معنای واقعی برای‌شان «سرمایه» محسوب نمی‌شود. کمتر شرکت فناورانه‌ای را می‌توان یافت که این طور باشد. ولی کسب‌وکارهای فیزیکی، بیشترشان، شاید هیچ وقت به داده جز برای گزارش‌گیری روتین دوره‌ای نیاز نداشته باشند. این شرکت‌ها وظایف اصلی‌شان مرتبط با بهینه‌سازی عملیات است تا بهینه‌سازی تصمیم‌گیری. بنابراین بهتر است اجازه دهند هر واحد کارکردی یا کسب‌وکاری خودش در صورت نیاز نیروی داده‌ای را استخدام کند.
در هر صورت این مدل مثل هر مدل دیگری نقاط ضعف خودش را دارد به خصوص اگر شرکت‌هایی غیر از آنچه گفته شد از آن استفاده کنند. این مدل اغلب منجر به جداسازی بخش‌ها، نبود استانداردسازی تحلیل‌ها، و در نهایت گزارش‌دهی غیرمتمرکز می‌شود. بینش‌های داده‌ای به راحتی بین واحدها پخش نمی‌شود و در نتیجه هر بخشی یک سیلوی داده‌ای برای خود ایجاد می‌کند. این موضوع وقتی بحرانی می‌شود که حجم داده‌ها بالا رفته و نبود یک زیرساخت داده‌ای و تحلیلی در سطح سازمان باعث هدررفت زیاد سرمایه شود.
چالش بعدی این مدل، فرآیند استخدام است. مدیران بخش‌ها مهارت کافی برای استخدام یک تحلیلگر داده را ندارند. برای مثال مدیر بخش مهندسی نرم‌افزار به‌خوبی با نقش‌ها، مسئولیت‌ها و مهارت‌های یک مهندس نرم‌افزار آشناست، اما با نقش‌ها و توانمندی‌های یک تحلیلگر داده آشنایی ندارند. بنابراین ممکن است در استخدام یک تحلیلگر داده با چالش‌های زیادی روبرو شود.
در این مدل حفظ تحلیلگر داده در یک مسیر شغلی نیز مشکل‌ساز است. در حالی که مدیر یک تیم مهندسی نرم‌افزار به‌خوبی می‌داند چگونه یک مهندس نرم‌افزار را ارتقاء دهند، طراحی و توسعه مسیر شغلی برای یک تحلیلگر داده در یک تیم مستقل، به خصوص در طولانی مدت، مشکل‌ساز خواهد شد. کمتر تحلیلگر داده‌ای می‌تواند بیش از یک سال در یک تیم مستقل کار کند.
در نهایت به نظر من بزرگ‌ترین مشکل این مدل «پایین ماندن یا عدم رشد» استانداردهای کیفی تسک‌های تحلیل داده است. تجربه نشان داده در این مدل تحلیل‌گران داده کمترین تمایل را به استفاده از به‌روش‌ها (Best Practice)، پایبند بودن به استانداردها و استفاده از تکنیک‌های متنوع دارند. این جاست که ساختار افراد را گمراه می‌کند. هر تحلیلگر داده‌ای نیاز دارد با تحلیل‌گران ارشدتر و باتجربه‌تر تعامل کاری داشته باشد؛ از آنها یاد بگیرد و در جریان روش‌های حل مسئله توسط بقیه تحلیل‌گران قرار بگیرد. در این مدل یک تحلیلگر داده تقریبا به حال خود رها می‌شود و اگر انگیزه شخصی او برای توسعه حرفه‌ای نباشد ساختار هیچ کمکی به رشد او و در نتیجه ارتقای کیفیت کارش نمی‌کند.
در این مدل، تیمی از یک یا چند تحلیلگر داده در مرتبط‌ترین بخش کارکردی شکل می‌گیرد. منظور از مرتبط‌ترین بخش کارکردی واحدی مثل بازاریابی یا توسعه محصول است که در طول زمان بیشترین نیازمندی به تحلیل داده را داشته و به مرور تجمعی از نیروهای تحلیل داده، ابزارها و دانش مرتبط در آن شکل گرفته است.
مدل کارکردی هم مانند مدل غیرمتمرکز معمولا به صورت ارگانیک و تدریجی همگام با رشد ساختار سازمانی ایجاد می‌شود. بنابراین، درست مثل مدل غیرمتمرکز کمترین بهره را از فعالیت‌های هماهنگ تحلیل داده در سطح عملیاتی و راهبردی سازمان می‌برد.
با این وجود این مدل را می‌توان به عنوان اولین گام‌های نظام‌مند برای ساختاردهی داده در سطح سازمان به کار گرفت. یعنی اگر سازمان شما تا به حال واحد تحلیل داده نداشته و یا اینکه به طور غیرمتمرکز بوده می‌توانید روندی در میان‌مدت پیش بگیرید که یک مدل کارکردی در ساختار سازمان برای تحلیل داده ایجاد کنید.
در این رویکرد از مرتبط‌ترین واحد کارکردی سازمان شروع کنید. یک تیم تحلیل داده در آن شکل بدهید و کاری بکنید تا این تیم به صورت نظام‌مند رشد کرده و مجموعه مهارت‌های مرتبط با داده را ایجاد کند تا بتوانید از آن بعدا به عنوان یک دانش سازمانی برای توسعه تیم‌های تحلیل داده در سایر بخش‌های استفاده کنید.
تیم تحلیل داده شکل گرفته برای مثال در تیم مارکتینگ یا محصول ممکن است تا مدت‌ها نیازمندی‌های تحلیل داده‌ای را به صورت موردی برای سایر واحدهای کارکردی یا کسب‌وکاری برطرف کند. بنابراین می‌توانید با کمترین هزینه تیمی متخصص در حوزه تحلیل داده در بخشی از ساختار سازمان ایجاد کنید و از مزایای آن بیشتر بهره ببرید.
نقاط ضعف مدل عملکردی در ماهیت متمرکز آن پنهان است. اولین مشکل این مدل همانند مدل غیرمتمرکز دوری از مسائل کلی شرکت است. در این مدل فعالیت‌های تحلیلی بیشتر بر نیازهای کارکردی تیمی که در آن قرار دارد تمرکز دارند تا نیازهای کل سازمان. چنین ناآگاهی ممکن است منجر به انزوا و انحراف تحلیل‌ها از اهداف راهبردی سازمان شوند.
مشکل دوم این مدل انسجام پایین در بکارگیری داده برای رشد راهبردی سازمان است که به خاطر نبود یک مدیر داده در سطح سازمان ایجاد می‌شود. از آنجایی که در این مدل تیم تحلیل زیر نظر یک واحد کسب‌وکار خاص قرار دارد، گزارش‌های خود را مستقیماً به مدیر این واحد ارائه می‌دهد و اولویت‌های تحلیل داده اولویت‌های آن تیم است. بنابراین تیم تحلیل داده نه روی توانمند کردن کل سازمان که روی توانمندسازی محلی (Local) یک تیم متمرکز می‌شود. گرچه هر تیمی معمولا ادعا می‌کند که چیزی جز اهداف راهبردی سازمان را دنبال نمی‌کند ولی تجربه به من نشان داده است در هر سطحی از بلوغ فرهنگی یک سازمان معمولا هر تیمی به طور ناخودآگاه به سمت تقویت و ارتقای موقعیت خود در سازمان پیش می‌رود که لزوما به معنای بهبود عملکرد کلی سازمان نیست.
بنابراین سازمانی که بخواهد از داده به عنوان یک توانمندساز در سطح همه تصمیم‌گیری‌ها استفاده کند نباید اجازه دهد «قدرت داده» در انحصار یک تیم خاص قرار بگیرد. اتفاقی که به راحتی در یک مدل کارکردی می‌افتد.
در این ساختار، متخصصان تحلیل داده به‌عنوان یک تیم واحد کار می‌کنند، اما نقش آنها در سازمان مشاوره‌ای است؛ به این معنا که واحدهای مختلف می‌توانند آنها را برای انجام وظایف خاص "استخدام" کنند. مدل مشاوره‌ای از نظر شکلی شبیه مدل متمرکز است که در ادامه بحث خواهیم کرد با این تفاوت که در مدل متمرکز وظیفه انجام تسک برعهده تیم تحلیل داده متمرکز است ولی در مدل مشاوره‌ای هر تیمی مسئولیت کارهای تحلیلی خودش را برعهده دارد و از تیم تحلیل داده (مشاور) نیرو به او تخصیص داده می‌شود تا کارش انجام شود. بعد از اتمام کار تحلیلگر داده توسط تیم تحلیل داده به تیم دیگری تخصیص داده می‌شود تا مسائل آن تیم حل شود. در این مدل تحلیل‌گران داده مثل نیروهای فصلی به تیم‌ها اضافه می‌شوند و بعد از اتمام کار از آنها جدا می‌شوند.
در این مدل مهم‌ترین وظیفه تیم تحلیل داده مدیریت نیروها، تخصیص نیرو به تیم‌های مختلف، اولویت‌بندی نیازمندی‌های تیم‌های مختلف و استخدام است.
مدل مشاوره‌ای برای شرکت‌های کوچک و متوسط (SMB) که وظایف تحلیل‌داده پراکنده و در مقیاس کوچک تا متوسط دارند، مناسب است. از آنجا که همه اعضای تیم تحلیل‌داده به یک مدیر تیم تحلیل‌داده گزارش می‌دهند، مدیریت چنین تیمی برای شرکت‌های کوچک و متوسط آسان‌تر و ارزان‌تر تمام می‌شود.
با این حال، این مدل هم نقاط ضعفی دارد و برای هر ساختاری مناسب نیست. اول از همه، این ساختار به نفع کیفیت تحلیل داده نیست. حضور موقت تحلیل‌گران داده در تیم‌ها مانع از آن می‌شود دانش کافی در آن زمینه به دست آورند و در نتیجه نمی‌توانند بهترین روش‌های خود را در هر وظیفه‌ای اعمال کنند. این افراد فرصت کافی برای به دست آوردن دانش آن حوزه ندارند و با توجه به اولویت‌های دیگری که در سطح سازمان ایجاد می‌شود مجبور می‌شوند کیفیت را به نفع کمیت قربانی کنند و در هر کاری دنبال راه‌حل‌های سریع را بگردند.
از طرفی این مدل کمترین کارایی را در ایجاد و حفظ انگیزه دارد. وقتی یک تحلیلگر داده به طور کامل در فرایند ساخت و توسعه محصول و تصمیم‌گیری‌های کلان آن مشارکت نداشته باشد، احساس تعلق کمتری نسبت به کار داشته و در نتیجه انگیزه‌ای برای دستیابی به نتیجه مطلوب نهایی ندارد.
تجربه به من نشان داده در این مدل به مرور هر تحلیلگر داده‌ای مجبور می‌شود چندین کار از چند تیم مختلف را انجام دهد. تیم تحلیل داده و اعضای آن به سختی می‌توانند ضرب‌العجل‌های تیم‌های مختلف و اولویت‌بندی متفاوت آنها را با هم در نظر بگیرند و در نتیجه این همزمانی کارهای ناهم‌خوان باعث فرسودگی شغلی و کاهش اطمینان از نتایج کارها می‌شود.
بزرگ‌ترین مشکل هر سه مدلی که تا اینجا گفتیم یک چیز است: توزیع شدن تیم تحلیل داده در بین تیم‌های کارکردی و کسب‌وکار باعث می‌شود مسائل راهبردی در سطح کل سازمان روی زمین بدون صاحب بماند. یک تیم متمرکز تحلیل داده امکان بیشتری برای کار کردن روی مسائل راهبردی شرکت و در نتیجه بهره‌برداری بیشتر از داده را به وجود می‌آورد؛ تیمی که بنا به اولویت‌های راهبردی در سطح کل سازمان و نه محدود به یک یا چند تیم، مسائل را برداشته و با رویکردی داده محور به حل آنها می‌پردازد و در عین حال به عنوان پیمانکار وظایف تحلیل‌داده را از تیم‌های دیگر دریافت، انجام و نتیجه رو ارائه می‌دهد.
هماهنگی و همبستگی بالای تحلیل‌گران داده در یک تیم مستقل با مدیریت واحد یک مدیر، بهره‌وری کارها را بالا می‌برد؛ هم‌افزایی بیشتری بین اعضای تحلیل داده شکل می‌گیرد؛ دانش تحلیل داده سریع‌تر توسعه یافته و تثبیت می‌شود؛ مسیر شغلی تحلیل‌گران داده شفاف‌تر از هر مدل غیرمتمرکز دیگری شکل می‌گیرد و در نهایت در صورت پیشرفت درست کارها سازمان صاحب یک تیم قدرتمند تحلیل داده می‌شود که می‌توانند بدون درگیری‌های دست و پاگیر عملیاتی سازمان و با اولویت بالا روی مسائل راهبردی و مهم شرکت کار کنند.
یکی از بهترین زمان‌ها برای ایجاد یک تیم متمرکز تحلیل داده زمانی است که سازمان‌تان با یک رشد سریع مواجه شده و در مدت زمان کوتاهی تقاضا برای تحلیل داده بالا رفته و نیاز فوری دارید تا نیروهایی با توانمندی تحلیل داده در سازمان‌تان استخدام کنید. در این شرایط ایجاد یک تیم متمرکز و پاسخ‌گویی به نیازمندی‌های مرتبط از طریق یک درگاه واحد به همه تیم‌ها کاراترین مدل می‌تواند باشد. در غیر این صورت فرایندهای تصمیم‌گیری مبتنی بر داده در سازمان‌تان نمی‌تواند پابه‌پای رشد ساختار سازمانی‌تان پیش رود و عقب می‌افتد.
داشتن یک تیم متمرکز تحلیل داده از طرفی این پیام را در سطح فرهنگ سازمانی ارسال می‌کند که شرکت به طور ویژه‌ای می‌خواهد از داده به عنوان یک مزیت راهبردی رقابتی استفاده کند. از آنجایی که مدیر این تیم متمرکز به طور مستقیم به مدیرعامل شرکت گزارش می‌دهد، بقیه واحدهای سازمان نمی‌توانند آن را نادیده بگیرند و همین امر باعث می‌شود فرهنگ سازمانی که به سرعت در حال رشد است متناسب با داده بالغ شود.
با این حال، مدل متمرکز هم مثل هر مدل دیگری معایب خودش را دارد؛ به محافظه‌کارانه‌ترین مدل خوش آمدید! هر جا شرکتی ببینم که چنین ساختاری را برای مدت طولانی حفظ کرده، بی‌معطلی به این نتیجه می‌رسم که دوست ندارند داده‌های کسب‌وکار را در اختیار هر کسی حتی کارکنان خودشان بگذارند. در این نوع فرهنگ سازمانی، تبعا دسترسی به داده در اختیار تنها یک تیم گذاشته می‌شود تا بتوان دسترسی به داده را در سطح سازمان کنترل کرد. کار کردن در چنین فرهنگی برای افرادی که دوست دارند مسئولیت‌های خودشان را با روش‌های داده‌محور انجام دهند راحت نیست.
از طرفی اگر شرکت از نظر ساختاری به ثبات رسیده باشد احتمال بالایی دارد که تیم متمرکز تحلیل داده به مرور منزوی شده ارتباطش با سایر واحدهای شرکت محدود و محدودتر شود. عدم حضور مستقیم اعضای این تیم در فعالیت‌های عملیاتی و محصولی باعث می‌شود «داده» به مرور از فرایندهای اصلی تصمیم‌گیری شرکت کنار گذاشته شود. در این صورت تیم تحلیل داده به مرور تسلط و شناخت خود از مسائل واقعی را از دست می‌دهد و روز به روز با اصل کاری که در شرکت منتهی به ارزش می‌شود غریبه می‌شود. در این شرایط معمولا راه‌حل‌های داده‌محور این تیم ارتباط کمی با واقعیت مسائل دارند و بنابراین به راحتی توسط تیم‌های دیگر کنار گذاشته می‌شوند.
این مسئله به چالش‌هایی در همکاری معنادار با تیم محصول منجر می‌شود. زمانی که تیم تحلیل داده راه‌حلی برای یک مشکل پیدا می‌کند، آن را به تیم محصول پیشنهاد می‌دهد. مشکل اصلی این است که این راه‌حل ممکن است با نقشه راه محصول همخوانی نداشته باشد و در نتیجه تضاد ایجاد شود. اگر هم تیم محصول نیاز به یک تحلیل خاص داشته باشد ممکن است تعامل با تیم تحلیل داده، رساندن اصل مطلب به آنها، طراحی و شفاف‌سازی یک راه‌حل داده‌محور و در نتیجه انجام و به نتیجه رساندن کار آنقدر زمان‌بر و هزینه‌ساز باشد که بعد از مدتی تیم‌های دیگر عطای تیم تحلیل داده را به لقایش ببخشند.
گرچه به نظر می‌آید مدل متمرکز، ساده‌ترین و کاراترین مدل ساختاری تحلیل داده در هر شرکتی باشد ولی من به طور کلی هیچ شرکت جا افتاده‌ای ندیده‌ام که بتواند با یک مدل متمرکز بیش از شش ماه به کار خودش ادامه دهد. در این مدل بعد از مدتی، تیم تحلیل داده مناسبات خودش با واقعیت کسب و کار را از دست می‌دهد و در بهترین حالت تبدیل به یک واحد منفعل می‌شود که صرفا وظیفه ارائه گزارش‌های دوره‌ای و پشتیبانی از در دسترس بودن برخی داده‌ها را دارد که برای هر تحلیلگر داده‌ای یک برزخ کاری محسوب می‌شود.
تا اینجا می‌توان به این نتیجه رسید که تحلیل داده وقتی می‌تواند به عنوان یک فرایند توانمندساز از سرمایه داده به عنوان یک مزیت رقابتی استفاده کند که به صورت خونی در رگ‌های سازمان جریان داشته باشد. بنابراین باید دنبال مدلی بود که در عین تعبیه کردن تحلیل داده در تصمیمات روزمره همه واحدهای شرکت، بتواند از آن به صورت متمرکز در سطح راهبردی سازمان هم استفاده کند. دو مدل بعدی راهکارهایی برای حل این مشکل هستند.
یکی از مشکلات مدل‌های غیرمتمرکز، چالش‌های مرتبط با توسعه سرمایه‌های انسانی و جزیره‌ای شدن دانش در واحدهای مختلف بود. یکی از راه‌های رفع این مشکل ایجاد یک مرکز تعالی در سطح سازمان است.
مرکز تعالی (CoE) گروهی از کارکنان هستند که دارای تمرکز مشترک و تخصص موضوعی‌اند. این مرکز معمولا با ارائه نکات، بینش‌ها، آموزش و توسعه مهارت از اعضای خود در سطح سازمان حمایت می‌کند. یک مرکز تعالی تحلیل داده واحد مستقل از تیم‌های دیگر است که بیشتر نقش حمایتی از فعالیت تحلیل‌گران داده در تیم‌های مختلف را دارد.
در این مدل، واحد CoE به طور مستقل مسئول انجام دادن یک وظیفه یا پروژه تحلیل داده نیست. بلکه هدفش پشتیبانی، توانمندسازی و هماهنگی بین واحدی برای انجام بهینه کارهای تحلیل داده است. این واحد وظایفی مثل استخدام، آموزش تحلیل‌گران داده، هم‌افزایی بین وظایف تیم‌های مختلف، در اختیار گذاشتن ابزارهای زیرساختی مورد نیاز تحلیل‌گران، کمک به بهبود مسیر شغلی و… را بر عهده دارد. در این مدل هم کارهای تحلیل داده در نهایت با مالکیت خود تیم‌های کارکردی و توسط نیروی تحلیل داده آن تیم انجام می‌شود.
در این مدل همچنان رویکرد متمرکز با یک مرکز هماهنگی واحد حفظ می‌شود، اما تحلیل‌گران داده در واحدهای مختلف سازمان مستقر می‌شوند. این ساختار ترکیبی از مدل متمرکز و غیرمتمرکز است طوری که فعالیت‌های تحلیلی از بالا به پایین (رویکرد راهبردی) هماهنگ هستند، اما متخصصان از واحدهای کسب‌وکار جدا نمی‌شوند و در بطن فعالیت‌های عملیاتی حضور دارند.
از آنجایی که این مدل تعادلی بین مزایا و معایب مدل‌های متمرکز و غیرمتمرکز ایجاد می‌کند امروزه به طور فزاینده‌ای به‌ویژه در سازمان‌های در مقیاس بزرگ پذیرفته شده است. این مدل برای شرکت‌هایی که استراتژی سازمانی و نقشه راه داده توسعه‌یافته‌ای دارند، بهترین عملکرد را دارد.
با این حال، حتی چنین رویکردی که به شدت بر توزیع‌شدگی داده‌ها در بطن فعالیت‌های سازمان متمرکز است نیز نقاط ضعفی دارد. در این مدل همچنان هیچ گروه متمرکزی وجود ندارد که روی مسائل در سطح راهبردی سازمان تمرکز کند. هر گروه تحلیلی، مشکلات داخل واحد خود را حل می‌کند. با وجود اینکه دوباره‌کاری‌ها، تداخلات بین تیمی و نبود دانش و مهارت به خوبی توسط مرکز تعالی مدیریت می‌شود ولی همچنان ممکن است به خصوص در شرایطی با فشار بالای کاری، تحلیل‌ها به صورت جزیره‌ای انجام شده و چه بسا تصمیماتی گرفته شود که در کل به نفع سازمان نیست.
با این وجود به نظر من بزرگ‌ترین مشکل و نقطه ضعف این مدل این است که هیچ واحد نوآوری داده‌محوری وجود ندارد؛ تیمی از متخصصان داده که به طور فعالانه‌ای روی پیدا کردن راه‌حل‌های نوین و ابتکارات بلندمدت داده‌ها تمرکز کنند تا نیازهای روزمره.
برای بهبود و ارتقای مدل CoE در هر صورت نیازمند یک تیم متمرکز تحلیل داده هستیم. در مدل فدرال به یک ساختار ترکیبی نزدیک می‌شویم. درست مثل حکومت‌های فدرال، تیم تحلیل داده شرکت یک تیم متمرکز تحلیل داده دارد که وظیفه آن مدیریت و هماهنگی بین همه تیم‌های تحلیل داده‌ای هست که در واحدهای مختلف (ایالت‌های مستقل) مشغول به کار هستند. ولی وظایف این تیم مرکزی صرفا به وظایف یک CoE (هماهنگی بالا به پایین) محدود نمی‌شود بلکه خود این تیم مرکزی هم نیروهای تحلیل داده‌ای دارد که می‌توانند به طور مستقل و با مدیریت مدیر تیم مرکزی تحلیل داده، روی مسائل راهبردی و میان‌تیمی سازمان کار کنند. مدیر تیم فدرال تحلیل داده به طور مستقیم به مدیرعامل شرکت گزارش می‌دهد و در هماهنگی تنگاتنگی با مدیران واحدهای دیگر کارکردی و کسب و کار سازمان است.
در این مدل هم همه تیم‌ها به طور مستقل یک واحد تحلیل داده داخل خود دارند و هم کل سازمان یک تیم مرکزی برای انجام پروژه‌های تحلیلی در سطح سازمان دارد. از طرفی همه تیم‌های توزیع‌شده در واحدهای مختلف از نظر هماهنگی بین تیمی، مدیریت سرمایه انسانی، اشتراک دانش و همینطور مهم‌تر از همه کیفیت انجام کارها توسط تیم مرکزی فدرال تحلیل داده مدیریت می‌شوند.
این مدل در میان مدل‌های دیگر ارائه شده تا به حال، پیچیدگی ساختاری بیشتری دارد و همین پیچیدگی آن باعث می‌شود برای هر سازمانی مناسب نبوده و بیشتر برای تعبیه در ساختار سازمان‌های بزرگ مناسب باشد. سازمان‌هایی که بتوانند هزینه ایجاد شده به خاطر پیچیدگی ایجاد شده را گردن بگیرند. بنابراین، این رویکرد در شکل خالص خود بهترین انتخاب برای شرکت‌هایی که در مراحل اولیه پذیرش تحلیل داده‌ها هستند، نیست.
در نهایت چندوظیفه‌ای بودن تیم فدرال ممکن است یک محیط پر از تعارض در سطح سازمان ایجاد کند. تیم فدرال به خاطر ذات راهبردی که دارد می‌تواند در حوزه تمام تیم‌های دیگر وارد شده و وظایفی برای خودش تعریف کند. این حضور موازی و پیگیری اهداف یک تیم عملیاتی توسط تیمی مستقل در سازمان ممکن است منتهی به تعارضاتی شده و توازن قدرت در سطح مدیران تیم‌ها را به هم بریزد.
این مدل لزوما یک مدل مستقل نیست و می‌تواند به عنوان یک رویکرد جانبی در کنار هر یک از مدل‌های فوق به کار گرفته شود. مدل دموکراتیک شامل دسترسی همه افراد در سازمان به داده‌ها از طریق ابزارهای BI یا پورتال‌های داده است. شما می‌توانید رویکرد فدرال با CoE و متخصصان تحلیل داده در هر بخش داشته باشید و هم‌زمان ابزارهای BI را در دسترس همه کسانی که علاقه‌مند به استفاده از داده برای وظایف خود هستند، قرار دهید.
تجربه نشان داده این مدل به شدت فرهنگ بکارگیری داده در سازمان را تسهیل و تقویت می‌کند. در این مدل اعضای تیم محصول مانند مدیران محصول و مهندسان، طراحان و برنامه‌نویسان، مدیران کسب‌وکار، بازاریابی و… به‌طور مستقیم به داده‌ها دسترسی دارند حتی بدون اینکه نیاز به جذب تحلیلگر داده داشته باشند.
من همیشه پیشنهاد می‌کنم سازمان از نظر دسترسی به داده باید دموکراتیک باشد. اگر بپذیریم که «داده قدرت است» و «تصمیم‌گیری یعنی اعمال قدرت» لاجرم به این نتیجه می‌رسیم که باید داده را به صورت دموکراتیکی در اختیار همه اعضای سازمان قرار دهیم تا همگان امکان و شرایط استفاده از آنها را برای بهبود تصمیم‌گیری‌ها داشته باشند. مثل روز برای من روشن است که اگر استفاده از داده به هر نحوی در انحصار یک گروه از کارکنان سازمان قرار گیرد، آن سازمان به زودی دچار فساد در تصمیم‌گیری در سطوح مختلف عملیاتی و راهبردی خواهد شد.
نقاط ضعف این مدل چیست؟ دموکراسی هزینه‌بردار است. شرکت‌هایی که چنین مدلی را با ساختار سازمانی خود ادغام می‌کنند، معمولاً سرمایه‌گذاری زیادی در زیرساخت‌های داده، ابزارها و آموزش انجام می‌دهند. در این ساختار حتما باید یک تیم مستقل BI شکل بگیرد تا ابزارهای مرتبط را بروز و کارا نگه دارد. از طرفی ارائه یک راهکار BI جامع برای همه سازمان در نهایت منجر به کاهش کارایی محلی ابزارها می‌شود که در طولانی‌مدت ممکن است به کنار گذاشته شدن آنها هم منتهی شود.
هر سازمانی یک ارگان زنده است و با رشد آن ساختار سازمانی هم دچار تحول می‌شود. بنابراین به خاطر داشته باشید که مدل تحلیل داده سازمان شما ممکن است بسته به نیازهای کسب‌وکار تغییر و تکامل پیدا کند. مدلی که امروز برای شما کار می‌کند لزوما قرار نیست فردا هم با همان کیفیت کار کند. باید آمادگی این را داشته باشید که به طور جدی و طولانی‌مدتی برای بکارگیری درست و متناسب داده در ساختار و فرایندهای سازمانی خودتان وقت بگذارید، هزینه کنید، خطا و آزمایش کنید و در نهایت بتوانید به مدلی درست پیدا کنید که در طولانی مدت منجر به رشد راهبردی سازمان شما می‌شود.
