10 گام برای ایجاد فرهنگ داده محور
۱۰ گام برای ایجاد فرهنگ داده محور
چهارشنبه, ۷ آبان , ۱۳۹۹

تجربه ثابت کرده است که بزرگترین مانع برای ایجاد کسب و کارهای داده محور ،مشکلات فنی نیست بلکه فرهنگ است. توضیح این که داده چگونه به فرایند تصمیم‌گیری تزریق می شود بسیار ساده است، اما روتین کردن آن برای کارمندان (تغییر ذهنیتی که باعث ایجاد چالشی دلهره آور می شود) بسیار دشوار است.

۱۰ قانون برای کمک به ایجاد و نگهداری فرهنگ داده محور ارائه شده است که در ادامه به توضیح آن ها می پردازیم:

  1. فرهنگ داده محور از بالای سازمان آغاز می شود.

    شرکت هایی که از فرهنگ داده محور بهره می برند، مدیرانی دارند که توقع داشتند تصمیمات بر پایه داده ها گرفته شود. با این رویکرد کارمندان نیز برای رشد خود سعی میکنند طبق انتظارات مدیرانشان حرکت کنند.

  2. انتخاب دقیق متریک ها.

    رهبران سازمان می توانند با اعمال قدرت خود بر رفتار کارمندان تاثیر بگذارند و به طرزی هنرمندانه مژرها و متریک هایی را که توقع دارند کارمندان از آن ها استفاده کنند، انتخاب کنند تا بتوانند به فرهنگ داده محور در سازمان خود برسند.

  3. دانشمندان داده را نادیده نگیرید.

    معمولا دانشمندان داده در شرکت ها ایزوله می شوند. دلیل آن هم این است که با رهبران کسب و کار ارتباط کمی دارند و با کار یکدیگر آشنایی ندارند. آنالیز و تحلیل بدون ارتباط با سازمان هیچ ارزش افزوده ای ندارد. پس برای پیاده کردن فرهنگ داده محور در سازمان لازم است به نقش دانشمند داده توجه شود.

  4. مشکلات دسترسی به داده های پایه را به سرعت برطرف کنید.

    در بسیاری از شرکت ها افراد شکایت می کنند که حتی به ابتدایی ترین داده ها نیز دسترسی ندارند. برای حل این موضوع می توانید تنها به چندین مژر دسترسی عمومی بدهید.

  5. عدم قطعیت را کم کنید.

    قطعیت محض امکان پذیر نیست. اما هنوز بیشتر مدیران از تیم خود پاسخ هایی بدون اندازه گیری میزان اطمینان می خواهند. اندازه گیری سطح عدم قطعیت ۳ اثر مهم دارد:

    تصمیم گیرندگان را وادار می کند مستقیم با منابع عدم قطعیت سر و کار داشته باشند. آیا داده ها قابل اعتمادند؟ آیا تعداد مثال ها برای یک مدل مورد اطمینان کافی هستند؟

    این که تحلیلگران باید به صورت دقیق عدم قطعیت را ارزیابی کنند باعث می شود درک عمیق تری از مدلشان بدست آورند.

    تاکید بر درک عدم قطعیت سازمانها را به سمت تجربه محور شدن حرکت می دهد.

  6. شواهد تجربیات را ساده و محکم ارائه دهید، نه فانتزی و شکننده.

  7. آموزش های مخصوص باید به موقع ارائه شود.

    بسیاری از شرکت ها برای آموزش هزینه ی زیادی می کنند اما اگر از آموزش ها استفاده نشود به سرعت فراموش می شوند. بهتر است آموزش های مربوط به تحلیل درست قبل از پیاده سازی آن انجام شود.

  8. تحلیل ها باید برای کمک به کارمندان استفاده شود نه فقط برای مشتریان.

    اگر آموزش مهارت های جدید خلاصه و غیر کاربردی به کارمندان ارائه شود، فقط تعداد کمی از آن ها متقاعد خواهند شد. اما اگر اهداف به سرعت به کارمندان منفعت برساند –در زمان صرفه جویی کند، از دوباره کاری جلوگیری شود و واکشی مکرر اطلاعات را کاهش دهد- افراد بیشتری داوطلب پیشبرد اهداف خواهند شد.

  9. برای مدت کوتاهی انعطاف پذیری را با ثبات معامله کنید.

    اگر استانداردها و زبان های کدینگ در یک سازمان متفاوت باشد، هر حرکت تحلیلی نیاز به آموزش مجدد دارد و این موضوع کار را برای سازمان دشوار می سازد. در نتیجه شرکت ها می بایست زبان های برنامه نویسی و معیارهای متعارف را انتخاب کنند.

  10. عادت کنید گزینه های تحلیلی را توضیح دهید.

    برای بیشتر مشکلات تحلیل، به ندرت یک جواب درست وجود دارد. دانشمندان داده باید گزینه های مختلف با نتایج متفاوتشان را انتخاب کنند. بهتر است از تیمتان بپرسید رویکردشان در مقابل مسائل چیست، چه جایگزین هایی دارند، نتیجه انتخابشان چیست و چرا این رویکرد را انتخاب کرده اند. این کار باعث می شود تیم ها درک عمیق تری از رویکردها داشته باشند و گاهی باعث شود جایگزین های بیشتری را در نظر بگیرند و فرضیاتشان را بازنگری کنند.

نام نویسنده:
به اشتراک بگذارید:
نمودار
مرجع رسمی هوش تجاری و علم داده | نمودار اولین مرجع تخصصی Power BI
مقالات مرتبط
شاخص های کلیدی عملکرد kpi
۵ گام برای دستیابی به شاخص های کلیدی عملکرد قابل اجرا
امروزه تحلیل­ اطلاعات زیادی را در قالب گزارشات ارائه میدهند. بسیاری از آنها فوق­‌العاده به نظر می­رسند اما جذابیت آنها در طول زمان کاهش پیدا میکند چرا که این اطلاعات عملکرد روزانه کسب و کار را تحت تاثیر قرار نمیدهد. دلیل آن هم این است که معمولا این اطلاعات متناسب با کسب و کار نیستند. [...]
هوش تجاری و مدیریت انبار
هوش تجاری و مدیریت انبار
در گذشته تنها تعداد محدودی از کسب ‌و کارها و در واقع تنها بیزینس‌های بزرگ قادر به استفاده از هوش تجاری (Business Intelligence) بودند. این در حالی است که اکنون کسب و کارهای کوچک نیز می‌توانند از مزایای بی‌شمار هوش تجاری در مدیریت انبار (Inventory Management)، بهبود بازاریابی و افزایش فروش بهره‌مند شوند. برای کسب [...]
نظرات