4 روش برای دموکراتیک کردن دانش داده در سازمان شما


تلاش شما برای داده ها کجاست؟ بسیاری از سازمان ها داده ها را به تیمی از محققان داده واگذار می كنند و تلاش خود را در جایی كه اطلاعات زیادی وجود دارد متمركز می كنند. گرچه این رویکرد ممکن است روی کاغذ منطقی باشد ، با استفاده از استراتژیک تر و گسترده تر از داده های شما در سازمان شما – با استفاده از داده ها برای اطلاع رسانی تغییرات بزرگ و با درگیر کردن همه – شرکت شما شانس بیشتری برای تحول موفق در علم داده دارد.

برای اینکه استراتژیک و دموکراتیک تر دانش داده در شرکت شما باشد ، مراحل زیر را انجام دهید. ابتدا بر روی موضوعات یا فرصت هایی با بالاترین سطح سود استراتژیک تمرکز کنید. دوم ، توسعه “دانشمندان داده شهروندان” در سراسر سازمان. سوم ، توزیع مجدد اولویت های علوم داده و هدایت دانشمندان به داده ها. سرانجام ، یک چشم انداز وسیع برای علم داده را ایجاد و ابلاغ کنید.

بسیاری از سازمان ها سفر خود را در زمینه داده ها با راه اندازی “مراکز تعالی” ، به کارگیری بهترین دانشمندان داده که می توانند و تمرکز بر تلاش خود در جایی که داده های زیادی وجود دارد ، آغاز کرده اند. از برخی جهات ، این حس خوبی دارد – به هر حال ، آنها نمی خواهند با هوش مصنوعی یا یادگیری ماشین دیر شوند. علاوه بر این ، محققان داده می خواهند جدیدترین ابزارهای خود را به نمایش بگذارند.

اما آیا این بهترین راه برای استقرار این منبع کمیاب است؟ برای اکثر شرکت ها ، ما فکر می کنیم این بعید است. در عوض ، ما به شرکت ها توصیه می کنیم که به علم استراتژیک و به طور گسترده تری به علم داده نگاه کنند.

علم داده استراتژیک را در نظر بگیرید. اگرچه سازمان ها دارای مشکلات استراتژیک نسبتاً کمی هستند ، اما از اهمیت ویژه ای برای شرکت برخوردار هستند. اگرچه ممکن است داده های نسبتاً کمی برای تجزیه و تحلیل مشکلات استراتژیک و راه حل های پرسرعت وجود داشته باشد ، اما شرکت ها باید از همه توان خود برای چنین مشکلاتی استفاده کنند. علم داده ارزش بسیار بیشتری از الگوریتم های عادی داده های بزرگ – از فرمول بندی واضح تر مسئله ، تا تجزیه و تحلیل “داده های کوچک” موجود ، آزمایش و ایجاد نمودارهای عالی فراهم می کند. پتانسیل ایده های بهتر با علم داده بسیار زیاد است. علاوه بر این ، از آنجا که مدیران ارشد در نهایت نیاز به هدایت تحول در علم داده دارند ، تعامل با داده ها به آنها کمک می کند تا مزایا را به وضوح ببینند و درک کنند که چه چیزی برای کمک به تحول نیاز دارند.

اما علم داده نیز باید به طور گسترده دموکراتیک شود. اگر علم داده واقعاً تحول گرا باشد ، همه باید سرگرم شوند. محدود کردن دانش داده فقط به متخصصان یک پیشنهاد محدود کننده است. برنامه های علوم داده که بر دانشمندان حرفه ای داده متمرکز هستند ، بیشتر افراد و فرصت های تجاری را نادیده می گیرند. به عنوان مثال ، سازمانها با مشکلات و راه حلهای مبتنی بر داده روبرو هستند که می توانند توسط تیمهای کوچکی از دانشمندان ، مدیران سطح متوسط ​​و شرکا با استفاده از مقادیر کم داده در طی دو تا سه ماه حل و استفاده شوند. این افراد در خط مقدم سازمان از قبل تجارت را درک می کنند و نیازی به یادگیری آن ندارند ، همانطور که دانشمندان در مورد داده ها می دانند. و فروشندگان از انواع مختلف اکنون انواع مختلفی از ابزارها را ارائه می دهند که بسیاری از جنبه های علم داده را تسهیل یا خودکار می کند ، از جمله ماساژ داده ها ، ایجاد الگوریتم ها و ایجاد کد برای پیاده سازی یک مدل در تولید.

اگرچه ایده تبدیل علم داده در سراسر سازمان چشمگیر است ، اما راههایی برای شروع وجود دارد. بر اساس مشاوره ، گفتگو با مدیران ارشد و تحقیقات ما ، گام های مرتبط به هم را برای راهبردی تر و دموکراتیک تر کردن علم داده در شرکت شما توصیه می کنیم.

روی مسائلی با بالاترین سطح سود استراتژیک تمرکز کنید.

همانطور که قبلاً اشاره شد ، اکثر سازمانها تلاش خود را برای داده ها در جاهایی که بیشترین داده ها را دارند متمرکز می کنند – حتی اگر آنها چنین قصدی نداشته باشند. شرکت ها باید طیف کاملی از معیارهای دیگر را در نظر بگیرند که دو معیار مهمترین آنها هستند.

اول ، آنها باید در مورد اهمیت استراتژیک طولانی مدت مسئله یا فرصت فکر کنند. در یک شرکت رسانه متوسط ​​دو گزینه را در نظر بگیرید: گزینه 1 شامل جستجوی بینش هایی است که با استفاده از داده های تولید شده از طریق درگیر کردن با برنامه های کاربردی ، تجربه کاربر را تعمیق می بخشند. گزینه 2 شامل استفاده از اطلاعات پیشنهاد برای برخی از حقوق صدور مجوز است ، چیزی که هر چند سال یک بار اتفاق می افتد. داده های زیادی برای پشتیبانی از گزینه 1 وجود دارد – مطمئناً مهم است. اما اگرچه داده های نسبتاً کمی برای پشتیبانی از گزینه 2 وجود دارد ، اما این راهبردی است. مناقصه و ضرر بیش از حد کم می تواند باعث آسیب فوری و طولانی مدت شود. مناقصه بیش از حد بالا ، سود را از بین می برد.

دوم ، آنها همچنین باید احتمال موفقیت پروژه را در نظر بگیرند. منظور ما از “موفقیت” تأمین منافع تجاری با ارزش برابر یا بیشتر از وعده داده شده توسط حامیان آن است. برای دستیابی به این استاندارد ، از توسعه اطلاعات جدید یا الگوریتم گرفته تا متقاعد کردن افراد برای اقدام یا استفاده از آنها برای ادغام در فرایندهای شرکت و سیستم های IT ، نیاز به زمان زیادی است. در واقع ، ایجاد یک بینش یا الگوریتم اغلب یک مرحله آسان است و بسیاری از این مدل ها هرگز استفاده نمی شوند. حامیان مالی پروژه های بالقوه علوم داده نیاز به ارزیابی هوشیارانه و هوشیارانه از این عوامل دارند. اگرچه پاسخی وجود ندارد ، اما ما معتقدیم که ارزیابی پروژه ها از این طریق باعث می شود پروژه های داده کوچکتر و “تصاویر ماه” با دقت بیشتری انتخاب شوند. DBS ، بزرگترین بانک در جنوب شرقی آسیا ، پس از یک شکست اولیه ، تا حد زیادی تصاویر ماه را رها کرده است ، اما به دنبال سایر پروژه های کوچک داده در سراسر بانک است. Moderna Therapeutics ، سازنده واکسن Covid-19 ، همچنین از تصاویر ماه به نفع پروژه های جاه طلبانه AI و دیجیتالی جلوگیری می کند.

علم داده را در سازمان دموکراتیک می کند.

بعضی اوقات ما از شرکت ها می پرسیم: “شما ترجیح می دهید کدام یک را داشته باشید: یک دانشجوی دکترای تازه حفر شده یا 20 نفر که می توانند تجزیه و تحلیل اساسی از شغل فعلی خود انجام دهند؟” تقریباً همه افراد دومی را انتخاب می کنند. این امر به توصیه دوم ما منجر می شود – یعنی توسعه “دانشمندان داده شهروندان”. بسیاری از ابزارهای خوب هوش تجاری وجود دارد و ابزارهای یادگیری ماشین به طور فزاینده خودکار به تحلیل گران خوب تجارت اجازه می دهد تجزیه و تحلیل کاملاً پیچیده ای انجام دهند. به عنوان مثال رویال بانک کانادا در این زمینه بسیار موفق عمل کرده است.

برخی از شرکت ها مانند الی لیلی و مسافران این توصیه را حتی بیشتر می کنند. آنها داده ها و برنامه های سواد تحلیلی را برای همه کارمندان خود فراهم می کنند – و بیشتر مطالب متناسب با سطح و عملکرد تجاری کارمندان است. آنها این کار را یک توانایی اساسی برای کارمندان خود در درک انواع مختلف داده ها ، کارهایی که می توان با آنها انجام داد ، و اینکه چگونه تجزیه و تحلیل و هوش مصنوعی می تواند یک مزیت رقابتی با داده ها بداند ، می دانند. سرانجام ، البته ، شرکت ها باید در تمام اجاره نامه های جدید ، برای همه موقعیت ها ، به دنبال مهارت های اساسی داده باشند.

تلاش های علوم داده را دوباره در اولویت قرار دهید و دانشمندان را مجدداً اختصاص دهید.

باتجربه ترین و باتجربه ترین محققان داده شرکت باید به علوم داده استراتژیک هدایت شوند. یکی از عملکردهای مرکز تعالی ممکن است ارزیابی این باشد که آیا منابع کمیاب برای علم داده در مورد مهمترین مسائل سازمان کار می کنند یا خیر. سایر متخصصان داده ها ممکن است وظیفه کمک به سایر کارمندان شرکت در حل مشکلات ، کمک به انتخاب روش های تحلیلی و نمودارها ، بررسی پروژه ها برای اطمینان از صدا بودن نتایج و آموزش تعداد زیادی از افراد را داشته باشند. در می یابیم که بزرگترین مانع برای برداشتن این مراحل ، چشم انداز بسیار اندک است. اکثر مدیران ارشد به سادگی فکر نمی کنند که یک دانشمند داده می تواند در یک زمینه استراتژیک ارزش افزوده ایجاد کند. مدیران سطح پایین ممکن است تمایلی به کمک ندارند. سرانجام ، محققان داده ، خود مجذوب مشکلاتی می شوند که داده های زیادی وجود دارد.

چشم انداز وسیعی برای علم داده ایجاد و ابلاغ کنید

در مدت پنج سال به آن فکر کنید: چگونه شرکت ، همانطور که مشاور استراتژیک رام چاران می گوید ، به “خانه ریاضی” تبدیل خواهد شد؟ چگونه داده و علم داده در کل سازمان مورد استفاده قرار می گیرد؟ درست:

  • چیزی که هنوز در حال کشف آن هستید
  • ابزاری که هر از گاهی مفید است
  • منبع مزیت رقابتی
  • توانایی اساسی در سراسر تجارت توسعه یافته است
  • چیزی بین آنها

هیچ پاسخ صحیحی وجود ندارد – هر بخش و شرکتی متفاوت است. هنوز هم ، ما فکر می کنیم که بیش از حد بسیاری از شرکت ها جعبه مربوط به این موضوع را آزاد کرده اند. وقت جدی گرفتن است.

مدیران علاقه مند به ورزش ممکن است دریابند که Dallas Mavericks و Houston Rockets از انجمن ملی بسکتبال می توانند الگو باشند – استفاده از علم داده در همه موارد ، از انتخاب بازیکن گرفته تا تاکتیک های روز بازی و قیمت گذاری. هر دو تیم نه تنها دانشمندان را از اطلاعات زودتر و تعداد بیشتری نسبت به سایر تیم های NBA استخدام می کنند ، بلکه آنها را در تصمیم گیری های مهم پرسنل و دادگاه ها ادغام می کنند. در بیس بال ، Houston Astros ، Tampa Bay Race و اکنون LA Dodgers به ​​طور تحلیلی در سراسر سازمان متمرکز شده اند (البته در مورد Astros کمی غیراخلاقی).

ممکن است بدیهی به نظر برسد که شرکتها باید بهترین دانشمندان داده خود را به قابلیتهای استراتژیک اختصاص دهند – حتی اگر داده نسبتاً کمی وجود داشته باشد – اما بسیاری از آنها این کار را نمی کنند. به همین ترتیب ، به نظر می رسد بسیار عاقلانه است که به جای اینکه محققان داده کمیاب و پردرآمد را برای انجام همه کارها درگیر کنیم ، همه را در علم داده مشغول کنیم. تجربه چندین ساله ما در همکاری با سازمان ها ما را متقاعد می کند که بیش از هر چیز ، علم داده در مورد افراد است و هرچه این افراد و داده ها را از نظر استراتژیک و به طور گسترده تری گرد هم آورید ، نتایج بهتری را خواهید دید.


منبع: bighat-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>