1. Chúng ta có chiến lược phân tích định hướng giá trị không?

Các doanh nghiệp có thể lãng phí rất nhiều năng lượng để thu thập dữ liệu và khai thác chúng để có thông tin chi tiết nếu nỗ lực của họ không tập trung vào các lĩnh vực quan trọng nhất đối với hướng đi đã chọn của công ty. Dữ liệu lớn thành công và chuyển đổi phân tích nâng cao bắt đầu bằng việc đánh giá các động lực và năng lực giá trị của riêng bạn so với các đối thủ cạnh tranh và phát triển bức tranh về trạng thái tương lai lý tưởng, phù hợp với chiến lược kinh doanh rộng rãi và các trường hợp sử dụng chính. Đặt câu hỏi đúng là bước đầu tiên quan trọng. Những điều này nên bắt đầu lớn: “Quy mô của cơ hội này là bao nhiêu? Nếu tôi có thêm thông tin chi tiết có thể thông qua phân tích nâng cao, tôi có thể tiết kiệm được bao nhiêu? Tôi có thể đạt được bao nhiêu doanh thu bổ sung? ” Và chúng sẽ nhanh chóng trở thành dạng hạt. Để lập khung và phát triển các giả thuyết đúng,

Ví dụ, bài tập lập kế hoạch của OEM điện tử tiêu dùng đã khiến nhóm đặt ra một số câu hỏi: “Khách hàng có giá trị cao nhất của chúng tôi là ai, làm cách nào để chúng tôi tiếp cận họ và chúng tôi nói về điều gì? Làm thế nào chúng ta có thể thúc đẩy việc bán kèm nhiều danh mục sản phẩm và dịch vụ hơn? Tính năng sản phẩm nào thúc đẩy mức sử dụng hoặc mức độ tương tác cao nhất và làm cách nào để chúng tôi thúc đẩy việc áp dụng chúng cao hơn? ” Tại một ngân hàng tư nhân hàng đầu, các câu hỏi từ một bài tập tương tự bao gồm những câu hỏi sau: “Làm thế nào chúng ta có thể thiết lập các điểm giá tối ưu, ngày này qua ngày khác và hàng nghìn mỗi ngày? Những khách hàng nào có nguy cơ rời đi nhất, những khách hàng nào có nhiều khả năng phản hồi tích cực nhất đối với các nỗ lực duy trì và những loại nỗ lực duy trì nào hoạt động tốt nhất? ”

2. Chúng tôi có ‘dữ liệu miền’ phù hợp để hỗ trợ chiến lược của mình không?

Khi trả lời những câu hỏi như vậy, các công ty thường xác định 10 đến 20 trường hợp sử dụng chính trong các lĩnh vực như tăng trưởng doanh thu, trải nghiệm khách hàng, quản lý rủi ro và hoạt động mà phân tích nâng cao có thể tạo ra những cải tiến rõ ràng. Trên cơ sở tự đánh giá đó và tác động dự kiến đến thu nhập, các trường hợp sử dụng được xếp hạng và trình tự các dự án thí điểm. Việc đo lường tác động của từng trường hợp sử dụng, với các chỉ số và điểm chuẩn cụ thể, làm nổi bật dữ liệu nào cần thiết và giúp mọi thứ đi đúng hướng.

Một bước cơ bản quan trọng là vượt qua những trở ngại trong việc sử dụng dữ liệu hiện có. Công việc này có thể bao gồm việc dọn dẹp dữ liệu lịch sử, tích hợp dữ liệu từ nhiều nguồn, chia nhỏ các mối quan hệ giữa các đơn vị kinh doanh và chức năng, thiết lập các tiêu chuẩn quản trị dữ liệu và quyết định nơi có cơ hội quan trọng nhất để tạo dữ liệu nội bộ mới — ví dụ: bằng cách thêm cảm biến, hoặc, trong trường hợp, chẳng hạn như sòng bạc, bằng cách cài đặt webcam để đánh giá hành vi cá cược cao.

Hầu hết các công ty, ngay cả những công ty có dữ liệu nội bộ phong phú, cũng sẽ kết luận rằng họ cần phải khai thác vũ trụ rộng lớn hơn bao gồm các nguồn bên ngoài có cấu trúc và không có cấu trúc. Khi một công ty bảo hiểm tại các thị trường mới nổi quyết định khởi động một công ty khởi nghiệp cho vay ngang hàng mới, họ nhận ra rằng họ có thể đưa ra quyết định tín dụng tốt hơn nữa bằng cách phân tích dữ liệu và chuyển động của khách hàng tiềm năng trên các nền tảng khác nhau, bao gồm cả mạng xã hội.

Tất cả những dữ liệu này cuối cùng có thể được gộp lại thành các nội dung có thể chia sẻ, dễ tiếp cận hơn, chẳng hạn như “hồ dữ liệu” mới. Việc sắp xếp nền tảng không phải là công việc của hàng tuần hoặc thậm chí hàng tháng, như bất kỳ ai từng vật lộn với những thiếu sót của các hệ thống CNTT cũ đều biết. Và chi phí cuối cùng có thể lên đến hàng trăm triệu đô la, trong khi tác động đầy đủ của những khoản đầu tư đó sẽ không phải lúc nào cũng rõ ràng trong một quý, hai hoặc ba. Nhưng điều đó không có nghĩa là bạn nên đợi nhiều năm để nắm bắt được giá trị. Điều này làm cho việc đặt câu hỏi tiếp theo trở nên quan trọng hơn.

3. Chúng ta đang ở đâu trong cuộc hành trình của mình?

Giống như bất kỳ quá trình chuyển đổi nào, hành trình phân tích và dữ liệu diễn ra theo từng giai đoạn. Điều quan trọng là bắt đầu đặt nền tảng và bắt đầu xây dựng khả năng phân tích ngay cả trước khi nền tảng được thiết lập. Hoặc, như một trong những khách hàng của chúng tôi gần đây đã nhớ lại khi anh ấy nghĩ về sự chuyển đổi thành công trong phân tích của công ty mình: “Chúng tôi cần phải đi bộ trước khi có thể chạy. Và rồi chúng tôi chạy như bay ”.

Để thực hiện một cách thông minh trong chế độ tua đi nhanh, OEM điện tử tiêu dùng đã tạo ra một kiến trúc dữ liệu tạm thời tập trung vào việc xây dựng và nhân sự ba “nhà máy thông tin chi tiết” có thể tạo ra các đề xuất có thể hành động cho các trường hợp sử dụng có mức độ ưu tiên cao nhất. Trong khi các khoản đầu tư cơ bản tiếp tục được tiếp tục song song, những nhà máy đó đã cho phép các nhà máy thử nghiệm ban đầu mang lại kết quả nhanh chóng khiến họ chủ yếu tự tài trợ. Chìa khóa là chuyển nhanh chóng từ thu thập dữ liệu sang “thực hiện phép toán”, với một chu trình mô hình hóa theo hướng giả thuyết, lặp đi lặp lại. Những thành công nhanh chóng như vậy giúp phá vỡ các lỗ hổng và xây dựng sự nhiệt tình cũng như thu hút sự quan tâm của các nhà quản lý tuyến đầu thường hoài nghi. Ngay cả khi nó hoạt động, một “hộp đen” được phát triển bởi các nhà khoa học dữ liệu làm việc riêng lẻ thường sẽ chứng minh một công thức để từ chối. Người dùng cuối cần hiểu các giả định cơ bản và cách áp dụng đầu ra của mô hình: Các khuyến nghị của nó có ràng buộc không, hay có sự linh hoạt để sai lệch không? Nó sẽ được tích hợp trực tiếp vào các công cụ cốt lõi như quản lý quan hệ khách hàng hay sẽ là một lớp phủ bổ sung? Màn hình trực quan nào sẽ hữu ích nhất cho tuyến đầu — nói chung, càng đơn giản thì càng tốt — một khi dữ liệu được tạo ra? Các phi công phải được thiết kế để trả lời những câu hỏi này ngay cả trước khi dữ liệu được thu thập và xây dựng mô hình. đơn giản hơn là tốt hơn — một khi dữ liệu được tạo ra? Các phi công phải được thiết kế để trả lời những câu hỏi này ngay cả trước khi dữ liệu được thu thập và xây dựng mô hình. đơn giản hơn là tốt hơn — một khi dữ liệu được tạo ra? Các phi công phải được thiết kế để trả lời những câu hỏi này ngay cả trước khi dữ liệu được thu thập và xây dựng mô hình.

Một khi bằng chứng về khái niệm được thiết lập và các điểm bắt đầu đi vào bảng, điều quan trọng là phải tăng trưởng nhanh nhất có thể, điều này có thể đòi hỏi một nguồn tài năng. Các công ty thực hành tốt nhất hiếm khi chọn một hoặc hai hồ sơ chuyên gia để tuyển dụng nhằm giải quyết những thách thức riêng biệt. Trong cuộc khảo sát gần đây của chúng tôi với hơn 700 công ty, chúng tôi nhận thấy rằng 15% mức tăng lợi nhuận hoạt động có liên quan đến việc thuê các chuyên gia phân tích và dữ liệu trên quy mô lớn.

4. Chúng ta có đang mô hình hóa sự thay đổi trên phương diện cá nhân không?

Trong một cuộc khảo sát gần đây với hơn 500 giám đốc điều hành, chúng tôi đã đưa ra một phát hiện đáng buồn: trong khi 38% CEO tự báo cáo rằng họ đang dẫn đầu chương trình phân tích của công ty, chỉ 9% các giám đốc điều hành C-suite khác đồng ý. Thay vào đó, họ xác định giám đốc thông tin hoặc một số giám đốc điều hành khác là nhân vật quan trọng thực sự. Những gì chúng ta có ở đây, để diễn giải người quản giáo trong Cool Hand Luke , không chỉ là một sự thất bại trong giao tiếp; nó là về việc không đi bộ nói chuyện.

Mặc dù các CEO và các thành viên khác của nhóm điều hành không cần phải là chuyên gia về khoa học dữ liệu, nhưng ít nhất họ phải trở nên thông thạo với nhiều biệt ngữ và từ thông dụng mới (Hadoop, thuật toán di truyền, phân tích trong bộ nhớ, học sâu, và tương tự) và hiểu ở mức độ cao các giới hạn của các loại mô hình thuật toán khác nhau. Ngoài việc liên lạc thường xuyên từ cấp trên rằng phân tích là ưu tiên và tôn vinh những thành công, các tín hiệu nhỏ như đề xuất và hiển thị cho các cơ hội học tập cũng tạo ra tiếng vang.

Tất nhiên, vai trò quan trọng nhất mà một CEO có thể thực hiện là đảm bảo rằng các cuộc trò chuyện phù hợp đang diễn ra giữa ban lãnh đạo cao nhất của công ty. Điều đó bắt đầu với việc đảm bảo rằng những người phù hợp đều có mặt trong phòng và được trao quyền, sau đó tiếp tục can thiệp và đặt câu hỏi trực tiếp để đảm bảo quá trình chuyển đổi từ ra quyết định dựa trên kinh nghiệm sang ra quyết định dựa trên dữ liệu: Một kết luận A / B có được kiểm tra không? Chúng tôi đã làm gì để tăng cường khả năng tiến hành tạo mẫu nhanh, kiểm tra và học hỏi và thử nghiệm, liên tục tham gia vào điều mà nhà kinh tế trưởng Hal Varian của Google gọi là “product kaizen”?

5. Chúng ta có đang tổ chức và dẫn đầu về phân tích không?

Sự thay đổi quan trọng nhất mà chỉ CEO mới có thể dẫn dắt, là tổ chức lại để đưa các phân tích nâng cao vào trung tâm của mọi quy trình cốt lõi. Trên thực tế, nguyện vọng cuối cùng phải là loại bỏ thuật ngữ khác biệt “phân tích” khỏi từ điển của công ty. Luồng dữ liệu xuyên suốt toàn bộ tổ chức và các phân tích phải tuân theo một cách hữu cơ. Immelt của GE nói: “Tôi chỉ nghĩ rằng nó đang lây nhiễm mọi thứ chúng tôi làm, theo một cách tích cực.

Tuy nhiên, ngay cả một hệ thống thần kinh trung ương cũng cần não — một trung tâm phân tích trung tâm, hay trung tâm xuất sắc. Không có đội ngũ và nhà lãnh đạo chuyên trách, dù là giám đốc phân tích hay giám đốc dữ liệu hay giám đốc điều hành cấp C cấp cao được giao nhiệm vụ rõ ràng, các công ty sẽ phải vật lộn để tạo ra một nền văn hóa đặc biệt có thể thu hút và nuôi dưỡng những nhân tài tốt nhất. Nhưng đồng thời, với một chức năng như tài chính, các cá nhân được kết nối với nhóm trung tâm cũng nên được gắn vào các đơn vị kinh doanh riêng biệt. Chúng tôi nhận thấy rằng các giám đốc điều hành từ các công ty có mô hình kết hợp đã báo cáo tác động lớn hơn từ phân tích đối với doanh thu và chi phí so với những người được hỏi khác.

Những vai trò, kỹ năng và cấu trúc bổ sung nào là cần thiết? Rõ ràng, việc mở rộng quy mô phân tích đòi hỏi phải tuyển dụng và giữ lại một số lượng đủ các nhà khoa học dữ liệu và nhà xây dựng mô hình đẳng cấp thế giới. Mua những tài năng như vậy trên một mô hình thuê ngoài chỉ là một lựa chọn cho những người vẫn đang trong giai đoạn khám phá hành trình của họ. Tuy nhiên, để lấy một ví dụ, hầu hết các ngân hàng trong thế giới sau thử nghiệm căng thẳng đã tạo ra các đơn vị nội bộ riêng biệt với các dòng báo cáo của riêng họ, chịu trách nhiệm liên tục kiểm tra và xác nhận các mô hình đó để giảm thiểu nguy cơ tương quan giả. Chúng tôi tin rằng cách tiếp cận này cũng có ý nghĩa đối với các ngân hàng không phải là ngân hàng.

Tuy nhiên, để biến kết quả đầu ra của mô hình hóa thành các hành động kinh doanh hữu hình, các công ty cũng cần có đủ nguồn cung cấp “người dịch”, những người có thể kết nối nhu cầu của các đơn vị kinh doanh với kỹ năng kỹ thuật của người lập mô hình. Đừng cho rằng những nhà lãnh đạo “hai môn thể thao” như vậy là dễ tìm. Theo kinh nghiệm của chúng tôi, các giám đốc điều hành thường báo cáo rằng việc thu hút và giữ chân người dùng doanh nghiệp bằng bộ kỹ năng phân tích thực sự khó hơn một chút so với việc tuyển dụng chính các nhà khoa học dữ liệu theo yêu cầu đó. Bên cạnh việc tuyển dụng rầm rộ, chiến thắng trong cuộc chiến tranh giành nhân tài này đòi hỏi phải tăng gấp đôi đào tạo và cải thiện phân tích nhân sự.

Nhìn chung, hầu hết các tổ chức đều chưa đầu tư vào việc tạo ra các công cụ trực quan với giao diện dễ sử dụng có thể giúp các nhà quản lý tuyến đầu tích hợp dữ liệu vào các quy trình hàng ngày. Quy tắc chung của chúng tôi: để có được lợi nhuận cao nhất, hãy chia khoản đầu tư vào phân tích của bạn khoảng 50–50 giữa chi tiêu cho việc xây dựng các mô hình tốt hơn và chi tiêu cho các công cụ và đào tạo để đảm bảo rằng tuyến đầu sử dụng những thông tin chi tiết mới đang được tạo ra. Ở nhiều công ty, tỷ lệ đó vẫn gần 80–20, hoặc tệ hơn.

Ngoài dữ liệu lớn và phân tích, một sự thay đổi thậm chí còn rộng hơn đang diễn ra, khi rô bốt, thuật toán học máy và hệ thống “AI mềm”, chẳng hạn như Watson của IBM, đảm nhận ngày càng nhiều nhiệm vụ mà sức lao động của con người từng tiến hành. Đầu năm 2016, AlphaGo, một hệ thống được phát triển bởi DeepMind, một công ty của Anh thuộc sở hữu của Google, đã bất ngờ lật kèo một nhà vô địch nhân loại nổi tiếng trong trò chơi cờ vây cổ đại. Để chuẩn bị cho một cuộc thi, trong đó, không giống như cờ vua, có nhiều vị trí khả dĩ hơn là hạt cát trong vũ trụ, AlphaGo đã tự rèn luyện bản thân bằng cách chơi các vòng trò chơi vô tận, điều này cho phép các chiến lược tối ưu hóa đường đi.

Khi việc sử dụng dữ liệu và phân tích kết hợp với học máy và trí tuệ nhân tạo tiếp tục mờ nhạt, con người có thể cảm thấy thoải mái từ một điều gần như chắc chắn: như đã được chứng minh là đúng trong cờ vua sau năm 1997, khi Deep Blue của IBM đánh bại Garry Kasparov, “những kỳ thủ giỏi nhất” mới của Cờ vây sẽ không chỉ là con người hay máy móc mà là con người làm việc song song với máy móc. Nắm vững cách tận dụng sự kết hợp đó có thể là thách thức cuối cùng trong quản lý của CEO.