Analityka i Business Intelligence

Gdy członkowie organizacji opierają się zmianie sposobu podejmowania decyzji, nawet najlepiej zaplanowane projekty z data science są skazane na porażkę. Oto, jak przezwyciężyć kluczowe wyzwania.

Gdy jedna z największych globalnych firm telekomunikacyjnych zmagała się z wysokim poziomem odpływu klientów, zespół marketingu próbował przeciwdziałać temu zjawisku, stosując podejście heurystyczne. Na przykład, jeśli klient nie wykonywał połączeń wychodzących przez trzy tygodnie, firma uruchamiała promocję. Jednak nie przyniosło to rezultatów, wskaźnik utrzymania klientów był najniższy od lat. Na podstawie cotygodniowych przeglądów wyników biznesowych, prezes firmy uznał, że nadszedł czas na zmianę strategii. Zwrócił się ku narzędziom data science i stworzył międzydziałowy zespół projektowy w celu rozwiązania problemu. Algorytmy uczenia maszynowego przeanalizowały wzorce zachowań klientów i prognozy rezygnacji z usług. Wykorzystanie prostych technik, takich jak drzewa decyzyjne, pomogło zidentyfikować czynniki, które trafnie szacowały prawdopodobieństwo odejścia klienta, na przykład na podstawie wysokości rachunków i wzorców połączeń wychodzących.

Horizon scanning to technika, która może pomóc liderom przetrwać w czasach globalnej niepewności. Jest to wysiłek polegający na przekuwaniu przewidywań we wnioski, a wniosków – w konkretne działania. Następujące po sobie fale zakłóceń zapowiadają kolejne zmiany w światowej gospodarce. Gdy w przyszłości historycy będą przyglądać się obecnej sytuacji, będą w stanie wyznaczyć granice między czasem przed przełomowymi wydarzeniami i po nich. Życie pomiędzy tymi zakłóceniami jest trudne. Do kluczowych umiejętności w obliczu tej niepewności zalicza się skanowanie horyzontu. Bob Johansen z Instytutu Przyszłości, od 1973 roku zajmujący się futurystyką, opisuje proces skanowania horyzontu jako przekształcanie prognoz w zrozumienie przyszłych realiów, a następnie wykorzystanie tej wiedzy do działania. Podczas zajęć na ten temat w Tuck School of Business w Dartmouth College omówiłem cztery podstawowe kompetencje ekspertów od skanowania horyzontu.

Dane organizacyjne to dane o ludziach. Odzwierciedlają klientów, którzy wybierają i kupują, pracowników, którzy tworzą i wdrażają, członków zespołów, którzy współpracują i rozwiązują problemy, menedżerów, którzy angażują i motywują, oraz konkurentów, którzy wprowadzają innowacje i rywalizują.

Jak firmy wykorzystują ćwiczenia analizy konkurencji do opracowania strategii przewidującej ruchy rywali.

Jeśli kiedykolwiek grałeś w szachy z wielkim mistrzem, prawdopodobnie frustrował cię jego umiejętność blokowania i kontrowania wszystkich twoich planowanych ruchów. Podobne uczucie towarzyszyć może podejmowaniu strategicznych posunięć biznesowych przeciwko konkurentowi: bez względu na to, jak genialnie brzmi nasz pomysł, gdy przystępujemy do jego realizacji, konkurencja wyprzedza nas lub zajmuje pozycję umożliwiającą atak z tylnych szeregów hetmanem, powstrzymanie naszej strategii i mat.

Jak lepiej zrozumieć możliwości, plany i sposoby myślenia konkurentów? Nie możesz zadzwonić do prezesów firm konkurencyjnych i poprosić o te informacje. Przeprowadzenie warsztatu wglądu konkurencyjnego stanowi jednak skuteczną metodę modelowania zachowań konkurentów w określonym scenariuszu i kluczowy sposób na uniknięcie pułapek przed wprowadzeniem jakichkolwiek inicjatyw strategicznych.

Warsztat wglądu konkurencyjnego pozwala ćwiczyć wybory w środowisku pozbawionym ryzyka. Możesz przeprowadzić ćwiczenie dla różnych rynków lub różnych strategii wejścia na rynek, aby określić „właściwy” sposób wejścia. Praktyka może nie czyni mistrza, ale zdecydowanie przewyższa brak jakiejkolwiek praktyki. Mimo to ćwiczenia wglądu konkurencyjnego nie powinno stosować się przy każdej decyzji – straciłyby wtedy siłę oddziaływania jako narzędzie podejmowania decyzji. Wybieraj selektywnie, kiedy i jak je stosować.

Causal ML – nowatorskie podejście w uczeniu maszynowym – daje kadrze zarządzającej nowe narzędzie do oceny skutków decyzji strategicznych. Umożliwia pewniejsze eksplorowanie alternatywnych scenariuszy, dzięki czemu wspiera podejmowanie bardziej świadomych i trafnych decyzji biznesowych. Tradycyjne systemy uczenia maszynowego (machine learning, ML) zdobyły szerokie uznanie jako narzędzia wspomagające procesy decyzyjne, szczególnie tam, gdzie kluczowe jest oszacowanie prawdopodobieństwa konkretnego zdarzenia, na przykład zdolności kredytowej klienta. Klasyczne modele ML opierają jednak swoje predykcje głównie na identyfikowaniu korelacji w danych. Taka metodologia, choć użyteczna w pewnych kontekstach, okazuje się niewystarczająca, a wręcz może wprowadzać w błąd, szczególnie wtedy, gdy menedżerowie starają się przewidzieć realny wpływ swoich decyzji na wyniki biznesowe.

W miarę jak praca z danymi pochłania coraz więcej energii pracowników, ich zaangażowanie stale spada. Menedżerowie mogą wdrażać strategie, które nadadzą tym zadaniom większy sens. Cztery kluczowe podejścia mogą pomóc: zatrudnianie architektów informacji do zarządzania przepływem danych, łączenie zadań związanych z danymi z możliwościami rozwoju osobistego, zapewnianie kontaktu z liderami i beneficjentami pracy oraz pozyskiwanie informacji zwrotnych od pracowników na temat ich doświadczeń w pracy z danymi.

Duże modele językowe mogą usprawnić pracę z danymi i nad analityką, wspierając ludzi na każdym etapie – od przygotowania danych, przez optymalizację modeli, po interpretację wyników.

Nawet jeśli organizacje wdrożą potężniejsze modele LLM, raczej nie będą mogły przestać polegać na ludziach.