Vi arbetar i en datacentrisk värld. Chefer bombas med data via rapporter, instrumentpaneler och system. Vi påminner oss regelbundet om att fatta datastyrda beslut. Ledande ledare sverger på Big Data för att utveckla en konkurrensfördel, men mest kamp för att komma överens om vad det är mycket mindre beskriver de förväntade konkreta fördelarna.
Dataforskarens roll är i stor efterfrågan med prognostiserade brister i denna framväxande viktiga roll som förväntas i åratal. Organisationer spenderar en förmögenhet varje år, installerar programvara för att fånga, lagra och analysera data. Marknadsföringsavdelningarna fylls alltmer av tekniska, datakunniga professionella på bekostnad av de kreativa rollerna.
Verksamhetsvärlden är en datainriktad värld, men det är viktigt att erkänna att data inte är ett slut på sig själv. Precis som allt annat vi gör i vårt arbete är data ett verktyg fyllt med löftet. I de rätta händerna med rätt tillvägagångssätt är potentialen för data för att stödja beslutsfattandet anmärkningsvärt.
Låta dock inte in i den falska tron att förvärv och analys av data är utan risk. Låt oss gnugga en bit av den polska av ideen om data som affärs Frälsare och hjälpa till att identifiera några av de potentiella fallgropar som den här nya resursen presenterar för oss alla.
Förvarnad är förberedd.
6 Big Challenges Managers and Organizations Face With Data:
1. Datakvaliteten är ofta dålig. Medan vi är vana vid att tänka på kvalitet i samband med fysiska föremål eller produkter, visar det sig datakvalitet är en materiell fråga för alla företag hela tiden. Data som lagras i strukturerad databaser eller repositorier är ofta ofullständig, inkonsekvent eller out-of-date. Det är troligt att du har varit på mottagaränden av ett enkelt exempel på en problem med datakvaliteten.
De flesta av oss kan komma ihåg att ta emot dubbla utskick från marknadsförare adresserade till lite annorlunda eller radikalt olika versioner av vårt faktiska namn. Marknadsförarens databas innehåller dubbla poster med vår adress och olika, ofta felaktiga stavningar eller variationer av vårt namn. Vi återvinner det dubbla mailet som skräp, och marknadsföraren åstadkommer överskottskostnader i form av utskrift och skicka allt på grund av en enkel datakvalitetsproblem. Förstärka detta misstag med många hundratals eller tusentals poster och detta små datakvalitetsfel blir dyrt.
Frågan om datakvalitet blir viktig eftersom vi strävar efter att fatta beslut om strategier, marknader och marknadsföring i nära realtid. Medan programvara och lösningar finns för att övervaka och förbättra kvaliteten på strukturerad (formaterad) data, är den verkliga lösningen ett viktigt organisationsövergripande engagemang för att behandla data som en värdefull tillgång. I praktiken är det svårt att uppnå och kräver extraordinärt disciplin och ledarskapsstöd.
2. Vi dricker nästan i data. Data är överallt i en organisation. Tänk på kunddata. De flesta organisationer har blivit skickliga för att fånga information om kunder och framtidsutsikter.
- Marknadsföring samlar in data från personer som deltar i live- eller webbhändelser eller som hämtar innehåll.
- Chefer använder data för att stödja eller definiera nya strategier.
- Försäljningen samlar in data om kunder som är inblandade i försäljningen.
- Kundsupport tar upp information om samtal och samtal mellan samtal.
- Förvaltningsgrupper använder sig av data och nyckeltal för scorecards.
- Kunddata används för redovisning av fakturering och av kvalitets- och kundinsiktgrupper för att övervaka kundnöjdhet.
Vi fångar kundinformation i en mängd olika mjukvarusystem, och vi lagrar data i en mängd olika datalager. Ett globalt Fortune 100-företag kände igen så mycket som 10 procent av deras kunddata hölls lokalt av anställda på sina datorer i kalkylblad. En annan organisation pollar regelbundet sina försäljningsrepresentanter för visitkortdata innan de kör marknadsföringskampanjer.
På samma sätt som den ocean-going seglare strandsatt i en livbåt efter att hans fartyg sjunkit, finns det vatten överallt, men inte en droppe att dricka. Vi har samma fenomen i våra företag. Data är överallt, och alltmer finns data tillgängliga från sociala och söka flöden i realtid. Om data inte är lättillgängliga eller om vi har dubbla eller ofullständiga data kan vi inte utnyttja det för det avsedda ändamålet.
Fler och fler organisationer integrerar sina olikartade program och förenklar processen att samla och samla data över företaget. Tillsammans med datakvaliteten är denna ansträngning dock dyr, tidskrävande och den slutar aldrig.
3. Datavolymerna växer. Vi gör allt mer data i en takt som är svår att förstå. Experter föreslår att vartannat år (och krympande) vi skapar mer data än det som fanns på planeten jorden för hela civilisationen.
De flesta av dessa nya data är ostrukturerad, jämfört med den typen av data som är snyggt inslagen i program- och databasapplikationer. Till exempel representerar alla tweetsna om din produkt eller varumärke en potentiell skattekälla av insikter, men den här informationen är ostrukturerad, vilket ökar komplexiteten att fånga och analysera. Medan det finns många mjukvaruerbjudanden som hjälper till med denna utmaning, representerar de ostrukturerade data en ny ström av råmaterial för bearbetning, med alla de inneboende komplexitets- och kvalitetsproblemen som diskuteras i denna artikel.
4. Garbage-in, garbage-out. Dataanalysen är bara lika bra som den data som matar den. Den vanliga tråden i denna fråga om att utnyttja data till fördel är kvalitet. Medan många företag investerar betydande dollar i kraftfulla nya datakrypta applikationer leder det till bristande smutsiga data till bristfälliga beslut. Akta dig för att blint förtroende för dataanalysens resultat. Du måste vara säker på att du kan lita på de data som används i analysen.
5. Vi accepterar dataanalysernas resultat som avgörande, men det är det inte. I själva verket visar dataanalysen oftast korrelation, inte orsakssamband! Det är lätt att falla i fällan av att lita på dataanalysernas utdata och förvirra korrelation med orsakssamband.
Korrelation visar ett förhållande, men det betyder inte på något sätt att A orsakar B. Att upprätta ett orsakssamband är nirvana för att göra exakta och insiktsfulla beslut. Det är också oerhört svårt att bevisa. Om du otroligt litar på en produktion och utgår från ett orsakssamband där ingen finns, kommer dina beslut att vara dårligt bristfälliga.
6. Våra kognitiva fördomar förstärks när det gäller att utvärdera data. Som en vis datavetenskapare en gång intonerade: "I slutet av den mest komplicerade och uttömmande analysen av data måste en människa fortfarande dra en slutsats och fatta ett beslut." Och när vi når den punkten där vi måste bedöma betydelsen av dataanalysen, kommer våra fördomar till spel. Många av oss tenderar att lita på eller förlita oss på data som stöder våra positioner och förväntningar och undertrycker data som gör motsatsen. Vi litar också på data från källor vi gillar eller vi litar på data som är den senaste.
Alla dessa förspänningar bidrar till utmaningarna och möjligheterna till misstag från våra dataanalyser.
Så börjar man tämja data för din användning som chef:
Att utveckla en företagsövergripande datastrategi är avgörande för alla verksamheter, men ligger utanför tillämpningsområdet för denna artikel. Istället är det sju idéer som du kan använda som chef för att förbättra din användning av data i ditt dagliga beslutsfattande.
1. Känn igen och mildra potentialen för fördomar . Sök ut data som expanderar bilden eller står i konflikt med uppgifterna framför dig. Uppmuntra en extern observatör att utvärdera dina antaganden kring data.
2. Stärka din förståelse för datahantering. Det finns gott om gratis källor till insikter på webben, och många organisationer erbjuder seminarier eller workshops om dataanalys och affärsinformation. Många universitet har lagt till kurser för detta blomstrande fält. Fortsätt skärpa dina färdigheter.
3. Fråga dig själv eller ditt team, "Vilka uppgifter behöver vi fatta beslutet?" För ofta litar vi på uppgifterna till hands och ignorerar behovet av att söka mer data för att slutföra bilden.
4. Vara kritiskt medveten om skillnaden mellan korrelation och orsakssamband . Som tidigare beskrivits är förvirring av dessa två ett potentiellt farligt fall för beslutsfattande.
5. Kvalitet - kontrollera dina data. Om ditt företag inte har en datakvalitet eller ett förvaltningsansvar för masterdata, investera tid för att utvärdera dina uppgifter för uppenbara fel, inklusive dubbletter, ofullständiga eller felaktiga poster. Det finns många kommersiellt tillgängliga mjukvaruapplikationer eller för att stödja denna aktivitet och många företag använder sig av experter från datakunskaper för att fråga och bedöma datakvaliteten. Också överväga externa tjänsteleverantörer som kan hjälpa till att rensa data för dig. Viktigt, fokusera på att kontinuerligt förbättra kvaliteten på dina data.
6. Förespråka starkare datakvalitet och ledningsinsatser över hela företaget. Detta arbete har ofta varit domänen för IT eller teknisk personal, men data har potential att fungera som en strategisk tillgång. Varje chef måste bryr sig om deras företags förmåga att bättre utnyttja data för beslutsfattande och genomförande av strategier.
7. Lägg till teknisk och data-kunnig talang till ditt lag. Försäljnings- och marknadsavdelningar förstår kraften att engagera personer med kompetens inom den senaste tekniken och kompetenta att navigera i många av de datautmaningar som beskrivs i denna artikel. Teknik och data är inte längre domänen eller ansvaret för en enda funktion i ett företag.
Poängen:
De företag och chefer som lär sig att utnyttja data för bättre beslutsfattande kommer att vinna på marknaden. Dessa organisationer kommer att kunna övervaka och reagera på förändrade förutsättningar och nya kundbehov snabbare än deras utmanade konkurrenter. De kommer att bli först att få insikter från sociala medier dialog, och de kommer att vinna striden att veta och engagera kunder på en djupare nivå-allt baserat på data. Detta är inte en kram, utan snarare en ny verklighet för att hantera och tävla i dagens värld.
Titta bara på fallgroparna på denna resa.