Anekdata vervangen door echte inzichten

De Ierse wiskundige, natuurkundige en ingenieur Lord Kelvin heeft ons tal van wetenschappelijke uitvindingen en deze treffende wijze woorden nagelaten: “Wat niet is gedefinieerd, kan niet worden gemeten. Wat niet gemeten wordt, kan niet verbeterd worden. Wat niet verbeterd is, is altijd gedegradeerd.”

In de vorige vier afleveringen hebben we ervoor gepleit om succesvolle transformatie niet te zien als een lineaire, eenmalige verandering, maar als cyclische inspanningen die incrementele en meetbare waarde opleveren en flexibel genoeg zijn om koers te corrigeren voor veranderende omstandigheden. In het laatste deel bekijken we hoe een gestructureerde en doelgerichte benadering van gegevens, rapportage en empirische besluitvorming kan worden gebruikt om de realiteit van de organisatie af te stemmen op strategische vereisten en de transformatieagenda te sturen.

Veel financiële instellingen hebben een geformaliseerde infrastructuur voor strategische planning en het stellen van doelen, budgetten, processen voor investeringsplanning en agile leveringskaders. Maar ze kunnen nog steeds last hebben van tekortkomingen in deze processen en een gemeenschappelijke pijler missen die hen samenbrengt.

Deze pijler meet de gezondheid van de organisatie met behulp van harde data met zo min mogelijk vertraging. Ondanks het wijdverbreide begrip van het belang van gegevens voor de strategie van een organisatie, zijn er doorgaans twee manieren waarop informatie voor besluitvorming wordt verzameld:

• Anekdata. Organisaties worden vaak gedreven door druk die wordt veroorzaakt door klanten of interne belanghebbenden. Hoewel klantenservice een bewonderenswaardig doel is, kan een ongeorganiseerde of gefragmenteerde benadering van wie als eerste geholpen moet worden vaak leiden tot verstoring. Deze organisaties geven uiteindelijk prioriteit aan de luidste stemmen in de kamer in plaats van aan de meest behoeftige. Initiatieven worden ondernomen met slecht gedefinieerde doelen en slecht begrepen ROI's. Eenmaal voltooid, wordt de overwinning geclaimd op basis van succesvolle uitvoering van mijlpalen of tolpoorten voor projectbeheer, in tegenstelling tot een objectieve beoordeling van bedrijfsresultaten en prestatiegegevens.

• Ad-hocgegevens. In de financiële dienstverlening is het gebruikelijk dat managers worden gevraagd om snel presentaties samen te stellen waarin de laatste kwestie of het laatste onderwerp de jour wordt besproken. Maar er zijn potentiële problemen in het verschiet. Door te vertrouwen op "point-in-time"-gegevens die haastig zijn verzameld, erkennen deze presentaties niet de nadelige gevolgen die onvolledige of niet-contextgegevens kunnen hebben op de besluitvorming en strategische planning. Dit type gegevens komt meestal in een van de volgende twee vormen voor:

1. Extracten van productiegegevens die door toepassingsteams worden geleverd om de huidige status van een specifiek systeem, product of gebruikerstraject weer te geven. Dit type gegevens heeft zijn eigen risico's en lacunes, waaronder een gebrek aan zakelijke context waarin de gegevens moeten worden beschouwd, de omvang en bemonsteringskenmerken van de gegevensset in kwestie, vertroebeling van brongegevens en latentie. Deze leiden tot aanzienlijke verwarring en afleiding terwijl de juiste dataset wordt geïdentificeerd en verzameld.
2. Incident- of probleemgegevens afkomstig van productieondersteuningsteams die een historische momentopname vertegenwoordigen van gebeurtenissen die aan bepaalde operationele criteria voldoen. Deze informatie wordt vaak geplaagd door een gebrek aan volledigheid, evenals het risico op verfraaiing door overlevings- en bevestigingsvooroordelen. De records geven aan waar tijd en middelen zijn geïnvesteerd om productie-uitdagingen op te lossen, maar verdoezelen vaak de oorzaak.

Beide benaderingen leiden tot inefficiënt gebruik van middelen om een ​​meer robuuste monitoring- en meetbenadering kort te sluiten. Wat nog zorgwekkender is, is dat het vereiste niveau van menselijke tussenkomst zich leent voor vertekening van de gegevens, ofwel door een verschil in definitie van belangrijke gegevenspunten of door ongemak met de kernboodschap die de gegevens bieden.

In beide gevallen maken de hoeveelheid werk die nodig is om zinvolle informatie uit de gegevens te halen en de risico's die gepaard gaan met een verkeerde interpretatie ervan, het een voorstel zonder veel waarde voor financiële instellingen die innovatieleiders willen zijn. Deze aanpak is inherent gericht op beloningen en dwingt de organisatie om de auto te besturen door alleen in de achteruitkijkspiegel te kijken.

Een veel voorkomende misvatting over het oplossen van dit gebrek aan gestructureerde gegevens is dat er te veel wordt vertrouwd op specifieke tools zoals Tableau of Microsoft Power BI. In werkelijkheid gaan de problemen veel dieper dan simpelweg een gebrek aan analyse- of visualisatietools; ze strekken zich uit van de zeer vroege stadia van het strategische planningsproces, via levering tot business as usual.

Onze ervaring is dat succesvolle organisaties een hoog vaardigheidsniveau ontwikkelen op de volgende gebieden om betrouwbare monitoring- en meetmogelijkheden op te bouwen:

1. Meten wat ertoe doet. De heersende marktomstandigheden, klantverwachtingen, opkomende technologieën, concurrentieverstoring en veranderende regelgeving creëren een continu veranderend werklandschap voor financiële instellingen. Het is van cruciaal belang om de toekomstgerichte doelstellingen en de belangrijkste prestatie-indicatoren te begrijpen om de besluitvorming te valideren en een meer adaptieve bedrijfsplanning mogelijk te maken.

Dit betekent dat er meer nodig is dan een simpele vijfjarige omzet- of kostenbesparingsprognose voordat een nieuw initiatief wordt goedgekeurd. Het betekent het creëren van top-to-bottom connectiviteit tussen de strategische doelstellingen van de organisatie en het werk van leverings- en operationele teams. Dit raamwerk vormt de kern van het toezicht- en meetvermogen van een financiële instelling en kan niet worden omzeild.   

 2. Data-engineering en -analyse. Voordat dashboards worden gebouwd, moet de basis worden gelegd om ervoor te zorgen dat alle gegevensbronnen worden geïdentificeerd en dat de gegevenspunten om relevante bedrijfsstatistieken af ​​te leiden, worden gecatalogiseerd. Het is ook uiterst belangrijk voor alle belanghebbenden om te begrijpen waar de gegevens voor zullen worden gebruikt en hoe het helpt bij het aansturen van de statistieken die ze nodig hebben. Bijvoorbeeld: is bevestigingstijd de hoeveelheid tijd die nodig is om een ​​transactie te bevestigen vanaf het moment van boeken, of vanaf het moment dat deze in de bevestigingsstapel komt? Deze identificatie helpt verwarring en minder nabewerking te voorkomen. Dit proces bouwt stapsgewijs voort op het hierboven vastgestelde raamwerk en vertegenwoordigt de fysieke gegevensmodellen en infrastructuur die nodig zijn om de strategische doelstelling van de organisatie te bewaken en te onderbouwen.

3. Gegevensbeheer. Alle gegevenssets moeten voldoen aan het gegevensbeleid van de organisatie. Hoewel deze sterk variëren, afhankelijk van het bedrijfsmodel, de klantenkring en de productreeks, zijn de belangrijkste principes van effectief gegevensbeheer consistent en beginnen ze altijd met de zakelijke behoefte voorop. Vragen om te overwegen zijn onder andere:

• Beschikbaarheid van data. Met welke granulariteit en frequentie zijn gegevens nodig om de meet- en monitoringdoelstellingen van het bedrijf te ondersteunen? Hoewel dashboards vanwege prestatievereisten het beste werken op gegevens op hoog niveau, lenen geaggregeerde gegevens zich niet voor analyse van de hoofdoorzaak omdat individuele transacties niet kunnen worden geïdentificeerd. Dit betekent dat een architectuur die het beste past bij de behoeften van elke organisatie bewust moet worden geselecteerd en ontworpen. Zorgvuldigheid is geboden bij het definiëren van hoe vaak gegevens moeten worden vernieuwd. KRI's zijn doorgaans realtime of worden dagelijks bijgewerkt, terwijl KPI's langzamer kunnen worden vernieuwd. Een snellere frequentie is vaak niet noodzakelijkerwijs beter wanneer deze wordt afgewogen tegen infrastructuurkosten en prestatieoverwegingen.

• Data-integriteit. Wie is eigenaar van een specifieke gegevensbron en waar zullen die gegevens zich bevinden binnen de gegevensinfrastructuur van de organisatie?  Strategische besluitvorming wordt uitgehold wanneer een organisatie consumenten niet kan verzekeren dat ze toegang hebben tot de juiste gegevens die uit de juiste bronnen komen. Er kunnen zich antipatronen vormen wanneer een organisatie op organische wijze unieke data- en analysemogelijkheden vormt voor alle bedrijfsonderdelen, elk met unieke methoden voor het sourcen en opslaan van data. Duidelijk eigenaarschap en verantwoordelijkheid voor data in combinatie met centraal gedefinieerde rollen en verantwoordelijkheden zijn kritische succesfactoren. 

• Gegevensbeveiliging. Wat kan een organisatie doen om ervoor te zorgen dat er regels voor gegevensprivacy en -beveiliging zijn die in grote lijnen worden nageleefd? Het creëren van een data governance-model dat ervoor zorgt dat gevoelige bedrijfsinformatie alleen toegankelijk is voor mensen met de operationele behoefte om te weten, kan soms contraproductief zijn en onnodige barrières opwerpen. Succesvolle transformatieorganisaties erkennen deze uitdaging en centraliseren veel functies van gegevensverzameling, verduistering en visualisatie. Dit is essentieel, vooral als het gaat om gegevens op transactieniveau die inzicht geven in de financiële activiteiten van klanten en persoonlijk identificeerbare informatie.

 4. Business intelligence-cultuur. Dit is het gebruikersgerichte element van datawetenschap en krijgt doorgaans de meeste aandacht. Het bevorderen van een cultuur waarin gebruikers actief gebruik maken van voorheen ontoegankelijke informatie, opent een wereld van mogelijkheden om de prestaties van de organisatie te analyseren en te verbeteren. Helaas worden de meeste van dergelijke tools niet gebruikt zoals bedoeld, maar achteraf om problemen te analyseren. Het is absoluut noodzakelijk voor organisaties om het gebruik van analysetools te pushen als proactieve prestatiebeheertools die kunnen worden gebruikt om van tevoren op trends te anticiperen.

De sleutel is om verschillende use-cases te identificeren en meerdere analyselagen te bouwen voor verschillende gebruikersgroepen. Doorgaans hebben middenmanagers meer details nodig over een kleinere breedte van functies, terwijl senior management statistieken op hoger niveau nodig heeft voor het hele bedrijf. Het op elkaar afstemmen van data, KPI's, visualisatie en organisatieontwerp is wat een cultuur van datagestuurde besluitvorming en flexibiliteit creëert.

Kortom, als deze capaciteiten eenmaal beschikbaar zijn in de hele organisatie, betalen ze op meerdere manieren hun vruchten af. Leiderschapsteams kunnen gebieden in hun bedrijf aanwijzen die het meest geschikt zijn voor of het meest behoefte hebben aan transformatie. Transformatieteams kunnen de resultaten van hun inspanningen bijna in realtime volgen. En de twee uiteinden van het spectrum kunnen naadloos met elkaar worden verbonden door een goed doordacht OKR-framework. 

Uiteindelijk onderscheidt veel van de meest succesvolle transformatieorganisaties zich door een vooruitstrevende benadering van monitoring en meting, waardoor een flexibel, datagestuurd bedrijfsmodel mogelijk wordt. Ze gebruiken hun gegevens en een cultuur van behendigheid om de beste beslissingen te nemen voor wat ons te wachten staat in de huidige ultracompetitieve en snel veranderende zakelijke omgeving.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
• Bron: https://www.finextra.com/blogposting/24722/the-dna-of-a-successful-transformation-organization-part-5?utm_medium=rssfinextra&utm_source=finextrablogs