چگونه رهبران داده ها و شهود را برای تصمیم گیری بهتر ترکیب می کنند

Dبا افزایش تحول دیجیتال در دو دهه گذشته، وعده داده ها بزرگ به نظر می رسد. بدون شک، داده ها برای درک مشتریان، رشد کسب و کار و اندازه گیری موفقیت ضروری هستند، اما این تنها چیزی نیست که به آن نیاز دارید. تصمیمات خوب به هر دو داده نیاز دارد و بینش.

بسیاری از مردم به این باور اشتباه رسیده اند که داده ها پادشاه هستند و شهود مسخره کننده است. گاهی اوقات به نظر می رسد که این دو درگیر یک جنگ طناب کشی هستند و اطمینان می دهند که هیچ کدام نمی توانند با حضور دیگری سلطنت کنند.

این نمی تواند دور از واقعیت باشد. شهود نیز در همه تصمیمات خوب نقش دارد. هنگامی که داده ها و شهود با یکدیگر همکاری می کنند، چرخه ای از بازخورد ایجاد می کنند که مدل های ذهنی را اصلاح و تقویت می کند. شهود می‌تواند به پرسش درست از داده‌ها منجر شود، و داستان حاصل از شهود اطلاع‌رسانی می‌کند. شهود می تواند به ما هشدار دهد که داده ها ناقص هستند یا دارای چالش های کیفی هستند. در حالی که داده ها می توانند به ما کمک کنند تشخیص دهیم که چه زمانی از سوگیری ها کار می کنیم یا شرایط تغییر کرده است.

این موضوع در عصر عدم اطمینان رو به رشد، با چالش‌های تجاری جدید در هر گوشه اهمیت دارد. داده‌ها می‌توانند درک محکمی از گذشته به ما بدهند، اما زمانی که ما بیش از حد درگیر دقت (در دقت، در ساخت مدل داده‌ای کامل) باشیم، می‌توانیم آنچه را که درست در مقابل ما اتفاق می‌افتد از دست بدهیم. شهود می تواند به ما کمک کند تا به سرعت جهت گیری را درک کنیم، که می تواند به اندازه هر رقم کمی در تصمیم گیری موثر باشد. در صورت استفاده مناسب، شهود و داده ها می توانند دو متحد اصلی شما در دستیابی به پیروزی در برابر عدم اطمینان باشند.

تصمیم گیری در دنیای واقعی

ما با مایکل نولتینگ، مدیر ارشد خدمات دیجیتال و تجزیه و تحلیل داده ها صحبت کردیم فولکس واگنو مایکل ساساکی، معاون سابق رئیس جهانی موفقیت و پشتیبانی مشتری در میتک، یاد بگیرند که چگونه شرکت های آنها داده ها را با شهود برای تصمیم گیری و هدایت نتایج تجاری متعادل می کند.

تابلو: تصمیمات در شرکت شما چگونه گرفته می شود؟

نولتینگ: ما در سال‌های گذشته بسیار سخت کار کردیم تا تولید خودروی خود را بر اساس داده‌ها [در فولکس‌واگن] انجام دهیم. ما پلتفرمی به نام Snowpark ایجاد کردیم که تمام داده‌های ما را از درایوهای آزمایشی و مشتریانمان جمع‌آوری می‌کرد. ما بررسی کردیم که آیا از نظر استفاده از خودرو شکافی وجود دارد یا خیر.

اگر درک کنیم که مشتریان واقعی چگونه از خودروهای ما استفاده می‌کنند، می‌توانیم طبق نیاز آنها خودرو بسازیم و محصولات بهتری ارائه کنیم - و همچنین هزینه کلی را به حداقل برسانیم.

ما در فولکس واگن بر اساس [احساسات] و داده ها تصمیم می گیریم. داده ها ترجیح داده می شوند و می توان از آنها برای بهینه سازی تدریجی چیزی استفاده کرد. زمانی که تصمیمات سختی را بر اساس داده های ناکافی می گیرید (به دلیل کمبود داده، ابعاد ورودی بیش از حد، اندازه اثر بسیار کم یا دانش زمینه بیش از حد مورد نیاز) برای اکتشاف مورد نیاز است. کسب و کار اصلی باید تا آنجا که ممکن است به منطقه داده منتقل شود.

برای ریسک پذیری، به یک سلسله مراتب بر اساس میزان ریسکی که باید بپذیرید نیاز دارید. رهبران سطح C باید ریسک کنند.

داده های ناوگان MOIA ما (یک راه حل مشترک جابجایی در هامبورگ و هانوفر)، دموکراتیک شده است. هر کسی در فولکس واگن با حساب کاربری می تواند به آن دسترسی داشته باشد.

هدف ما دموکراسی سازی داخلی تمام داده هایمان است. ما در حال حاضر در حال ساخت یک انبار داده بزرگ در بخش خود هستیم، جایی که می‌خواهیم هر کسب و کار [کاربر] را قادر به وارد کردن و تجزیه و تحلیل داده‌ها کنیم. ما هر کسب و کار [کاربر] را یک مهندس داده/دانشمند داده می کنیم.

ساساکی: تصمیم گیری [در میتک] نیازمند همسویی میان سهامداران است. در نهایت، تصمیم گیرندگان نهایی وجود دارند، و آنها معمولاً کارشناسان عملکردی هستند که در نهایت تصمیم می گیرند. اما ما زمان زیادی را صرف ملاقات می‌کنیم و مطمئن می‌شویم که همه اطلاعات یکسانی داریم و به داده‌های یکسانی نگاه می‌کنیم، داده‌ها را درک می‌کنیم و روی تعاریف توافق داریم.

جدول: چگونه داده ها، شهود و تجربه را هنگام تصمیم گیری متعادل می کنید؟

نولتینگ: شهود برای سؤالات سنگین مورد نیاز است، زمانی که افراد در نهایت باید ریسک کنند و به دلیل پیچیدگی زیاد مدل/سوال، داده های کافی در دسترس نیست.

ما هنوز در منطقه روده با سهمی از کسب و کار اصلی خود هستیم و می خواهیم آن را گام به گام به منطقه داده منتقل کنیم تا به یک شرکت مبتنی بر داده تبدیل شویم. با این وجود، پروژه‌های نوآوری یا کاوش در فرصت‌های تجاری جدید همیشه تا حدی در منطقه روده باقی می‌مانند. اگر تجارت اصلی شما هنوز وجود دارد، چالش منطقه روده چیست؟ در ناحیه روده، اگر می‌خواهید به سؤالی پاسخ دهید که ریسک بالایی دارد (بخوانید: میلیون‌ها دلار ممکن است از دست بدهید) به مدیران شرکت نیاز دارید که مایل به پذیرش ریسک باشند. بر این اساس ما البته یک سلسله مراتب داریم. بر اساس ریسک تخمینی به یورو، سطوح مدیریتی مختلفی داریم که می‌توانند ریسک‌ها را بپذیرند. اگر ریسک حدود میلیون‌ها نفر باشد، سطح C وارد عمل می‌شود.

ساساکی: همه آنها در ذهن من در هم تنیده شده اند.

داده ها بسیار مهم هستند. با داده ها، شما شروع به دیدن ترکیبی از داده ها می کنید که به روده شما اطلاع می دهد. شما بر اساس داده های مشتری تصمیم می گیرید. و این همان تجربه ای است که شما از کار با داده ها دارید و دیدن نتایجی که با مشتریان به دست آورده اید واقعاً به شما کمک می کند تا به مکان مناسب برسید. این تجربه کار با داده ها بسیار مهم است.

بنابراین من نمی گویم این یکی یا دیگری است. در حال حاضر ترکیبی از هر دو است. و هر دو فوق العاده مهم هستند. روده توسط داده ها هدایت می شود.

تابلو: چه زمانی می دانید که داده های کافی برای تصمیم گیری دارید؟

نولتینگ: شما نمی توانید بگویید: "آیا ما داده های کافی داریم؟" یا "آیا ما داده های کافی نداریم؟" این بیشتر در مورد اتصال سیستم های مناسب و داشتن داده های خوب است. سوال همیشه بین کیفیت و کمیت است.

وقتی شرکت‌ها دستخوش تغییر داده‌ها می‌شوند، مسئله بزرگ در ابتدا کیفیت داده‌ها است. اگر می توانید با آن کار کنید یا نه، باید واقعاً به داده ها نگاه کنید. برای داشبوردهای خاص، به داده های فروش با کیفیت بالا نیاز دارید. شما به مباشران داده نیاز دارید.

برای اندازه‌های افکت بزرگ، به مقدار کمی داده نیاز دارید (مثلاً از ناوگان خودروهای کوچک). ما می‌خواستیم بفهمیم که مشتریان تجاری ما مانند [شرکت حمل و نقل بسته] DPD چگونه از خودروهای خود در مقایسه با رانندگان راه‌حل حمل‌ونقل مشترک ما، MOIA استفاده می‌کنند. این داده ها را می توان از یک ناوگان آزمایشی جمع آوری کرد. اگر بخواهیم اندازه های اثر کوچک را اندازه گیری کنیم، داده ها را از ناوگان بزرگ خود می گیریم.

ما همچنین از داشبورد Tableau برای کمک به اولویت بندی اجزای تولید شده بر اساس کمبود قطعات استفاده می کنیم. یک داشبورد سفارشات اجزای مورد نیاز ما را پیش بینی می کند. این واقعاً پیچیده است - میلیاردها ترکیب وجود دارد. و سپس محاسبه را انجام می دهیم و در صورت کمبود قطعات را سفارش می دهیم. این منجر به یک فرآیند تولید بهینه می شود.

ساساکی: پنج تا ده سال پیش، کمبود داده وجود داشت. و اکنون داده های بسیار زیادی وجود دارد. تلاش برای فهمیدن اینکه چه داده‌هایی مهم هستند، واقعاً کلید و چالش است. زیرا می توانید برای توجیه تقریباً هر تصمیمی که می خواهید بگیرید، به داده ها نگاه کنید. و این دامی است که می‌توانید در آن بیفتید، جایی که تصمیمی را که می‌خواهید بگیرید، و به دنبال داده‌هایی برای توجیه آن می‌گردید، به طوری که داده‌ها واقعاً مسیری را که باید دنبال کنید، آشکار می‌کنند.

بنابراین سوال این است که چه زمانی می دانید که داده های کافی برای تصمیم گیری دارید؟

من می گویم، خوب، اینجا تجربه موفقیت مشتری من با تصمیمات مربوط به مشتری است. می‌توانید نگاهی به نقاط روشن مشتری بیندازید تا ببینید چه داده‌هایی برای رسیدن به نتیجه دلخواه شما در گذشته وجود داشته است. بنابراین ما به نتایجی که منجر شد و سپس چه داده‌هایی واقعاً مهم بودند که واقعاً این تصمیم را هدایت کردند، بسیار نگاه می‌کنیم. بنابراین ما آن‌ها را شناسایی می‌کنیم و واقعاً آن‌ها را از هم جدا می‌کنیم.

ما همچنین به تیم تحلیلگر داده خود بسیار متکی هستیم. در Mitek، انواع مختلفی از تنظیمات تیم داده وجود دارد. غیرمتمرکز است، جایی که یک تحلیلگر داده در کارکردهای مختلف وجود دارد - یکی در بازاریابی، یکی در امور مالی، دیگری در موفقیت مشتری. شما می توانید یک عملکرد متمرکز داشته باشید که در آن همه فقط یک تیم باشد. اما تحلیلگران داده بر روی هر درخواستی که وارد می شود کار می کنند، صرف نظر از اینکه از چه عملکردی می آید.

من نقش تحلیلگر داده را در تیم موفقیت مشتری ایجاد و ایجاد کردم. این به چند دلیل بسیار مهم بود. من معتقدم که یک تحلیلگر داده باید در تجزیه و تحلیل داده ها متخصص باشد، اما همچنین یک متخصص عملکردی در آنچه که داده ها را برای آن تجزیه و تحلیل می کند. وجود یک تحلیلگر داده در تیم موفقیت مشتری برای درک اطلاعات مشتری ارزشمند است. زمانی که به تحلیلگران داده‌ام کمک می‌کنم به من کمک کنند تا تصمیم بگیرم چه زمانی داده‌های کافی برای تصمیم‌گیری داریم. و این یک اقدام متعادل کننده بین نادرست بودن و غیرفعال بودن است.

کدام یک پرهزینه تر است - تصمیم گیری اشتباه یا عدم انجام هیچ اقدامی؟ نمی‌دانم آیا تا به حال احساس می‌کنید که داده‌های کافی دارید یا نه، اما به نقطه‌ای می‌رسید که به اندازه کافی راحت هستید که می‌توانید بر اساس داده‌ها تماس برقرار کنید.

جدول: به راحتی می توان به داده ها نگاه کرد و فراموش کرد که اعداد نشان دهنده مشتریان واقعی و انسانی هستند. چگونه می توانیم در برابر این اشتباه دفاع کنیم؟

ساساکی: من با مشتری روبرو هستم. من مسئول مشتری و درآمد هستم. تیم توسعه محصول اهداف خاص خود را دارد و لزوماً همیشه مربوط به انسان نیست یا شاید آنها این را درک نمی کنند و این تقصیر آنها نیست. این مسئولیت من به عنوان یک رهبر در سمت مشتری است که با آن عدد، آن نقطه داده روبرو شوم.

کارهای خاصی وجود دارد که رهبران می توانند انجام دهند تا چهره انسانی را روی داده ها نشان دهند. ما برنامه های زیادی را در شرکت خود راه اندازی کرده ایم. یکی ناهار و یادگیری است. ما یک مشتری می آوریم و برای کل شرکت ناهار می خریم. اکنون مهندسان می‌توانند از مشتری بشنوند و می‌توانند معیارهایی را که به آن نگاه می‌کنند و به سمت آن سوق می‌دهند به یک انسان و به یک هدف مرتبط کنند.

تابلو: چگونه افراد اولیه شغلی می توانند شروع به "تربیت" دل خود کنند؟

نولتینگ: جوانان باید یاد بگیرند که شکست بخورند و ریسک تصمیم گیری را بپذیرند. این یک چیز فرهنگی است که شرکت های آلمانی با آن دست و پنجه نرم می کنند. شما فقط با به دست آوردن تجربیات و اشتباه کردن می توانید روحیه خود را تمرین دهید - و سپس می توانید برای ریسک تصمیمات سخت تر در آینده قدم بردارید. در فولکس واگن، ما محیطی از ایمنی روانی ایجاد کرده ایم که در آن شکست پذیرفته می شود. برای رسیدن به این هدف، باید فرهنگ سازمانی و داده مناسبی داشته باشید.

ساساکی: [در Mitek،] ما با تجربه با داده ها شروع می کنیم. رهبران تیم من، مدیران موفقیت مشتری را به تحلیلگر داده تبدیل کرده اند. تحلیلگران داده ما ابزارهایی را در Tableau ارائه کرده اند تا مدیران موفقیت مشتری را به تحلیلگران داده تبدیل کنند. اکنون، اگر به نماهای موجود در Tableau در سراسر شرکت نگاه کنید، 70 درصد از بازدیدها از سوی مدیران موفقیت مشتریان من است.

شما نمی توانید از داده ها هراس داشته باشید. شما باید از هر فرصتی به عنوان یک تجربه استفاده کنید و تا جایی که می توانید از داده ها، چه مثبت و چه منفی، تجربیات بیشتری کسب کنید. این برای اعتماد به قلب شما واقعاً ارزشمند خواهد بود. فقط کافی است وارد آن شوید، داده ها را درک کنید، با آن ها بازی کنید، سؤال بپرسید و تا جایی که می توانید تجربیات مثبت یا منفی کسب کنید. و این واقعاً روده شما را آموزش می دهد.

اگر داده‌ای دارید، نمی‌توانید علیه آن استدلال کنید. هیچ راه بهتری برای کار با سایر کارکردها و سایر رهبران و سایر اعضای تیم به جز داشتن داده ها از آنها وجود ندارد. وقتی داده ها را به مکالمه می آورید، می توانید خیلی سریع تراز کنید. می توانید تصمیم بگیرید؛ حتی می توانید مشتریان را متقاعد کنید. این یک جلسه داده محور خواهد بود، این یک بحث مبتنی بر داده خواهد بود. جلسات و تصمیم‌گیری‌ها خیلی سریع‌تر اتفاق می‌افتند، زیرا فقط از اطلاعات بیشتر مطلع هستند.»

آیا برای رهبری با داده آماده هستید؟

رهبران داده‌محور برای سازگاری با تغییرات مجهزتر هستند و تفاوت‌های ظریف تصمیم‌گیری را در یک چشم‌انداز تجاری در حال حرکت به سرعت درک می‌کنند. آنها می‌دانند که داده‌ها، که توسط تجربه و شهود تقویت شده‌اند، برای موفقیت در سراسر سازمان‌هایشان ضروری است. بازدید کنید تابلویی برای مدیران برای کسب اطلاعات بیشتر در مورد اینکه چگونه داده ها بر نسل جدیدی از رهبران کسب و کار تأثیر می گذارد و چگونه Tableau می تواند قدرت خود را تبدیل داده ها.