Streszczenie: Zaawansowana analiza danych stała się kluczowym elementem strategii biznesowych, umożliwiając firmom uzyskanie przewagi konkurencyjnej. W rozmowie z Thomasem H. Davenportem, ekspertem w dziedzinie zarządzania, poruszono znaczenie zdolności analitycznych w organizacjach. Podkreślono, że dane są nowym surowcem, a ich odpowiednie przetwarzanie pozwala na lepsze zrozumienie rynku i potrzeb klientów, co przekłada się na skuteczniejsze podejmowanie decyzji. Organizacje, które inwestują w rozwój kompetencji analitycznych, potrafią szybciej reagować na zmiany rynkowe i wykorzystywać pojawiające się okazje. Przykładem może być firma McDonald's, która dzięki regularnej analizie podstawowych wskaźników sprzedaży, takich jak wybierane potrawy czy wielkość zakupów, może szybko dostosowywać swoje menu i strategię marketingową do aktualnych trendów i preferencji klientów. Wprowadzenie kultury opartej na danych wymaga jednak odpowiednich zasobów, zarówno ludzkich, jak i technologicznych. Ważne jest, aby pracownicy potrafili nie tylko zbierać i porządkować dane, ale także wyciągać z nich wnioski i rekomendacje dla kierownictwa. Tacy specjaliści, często określani jako "data scientists", stają się kluczowymi doradcami w procesie podejmowania decyzji.
Firmy stale szukają nowych źródeł przewagi konkurencyjnej. Pan twierdzi, że takim źródłem może być zaawansowana analiza danych. Co jest do niej potrzebne?
Elementy układanki są dość oczywiste. Najważniejszy to dane – łatwo dostępne, gromadzone w hurtowni danych, pokazujące coś nowego i ważnego. Firmy, które chcą konkurować w zakresie analityki, muszą dodatkowo centralizować dane, zbierane w poszczególnych działach. Utrzymywanie organizacji składającej się z udzielnych księstewek, z których każde chroni swoje zasoby przed innymi, różnie definiuje te same dane i stosuje niekompatybilne systemy przetwarzania, stanowi tu poważną przeszkodę. Przedsiębiorstwa muszą mieć też silne przywództwo, które sprzyja analitycznemu podejściu. Muszą wyznaczać priorytety czy też kluczowe obszary biznesu, na których będzie skupiała się analiza. Wreszcie, co również wydaje się oczywiste, firmy muszą mieć wysokiej klasy analityków.
Z tego zestawu potrzebnych elementów najbardziej dyskusyjne wydają się dane. Jak bowiem stworzyć przewagę, kiedy wszyscy konkurenci mają swobodny dostęp do danych i zaawansowane systemy do ich przetwarzania?
To prawda, duże firmy posiadają dużo danych – o swoich klientach, o działaniach konkurentów, o trendach makroekonomicznych. Mogą ich mieć jeszcze więcej, bo faktycznie dostęp do nich jest swobodny. Sekret nie polega jednak na liczbie danych, lecz na sposobie ich wykorzystania. Najczęściej organizacje używają informacji liczbowych do okresowego poznawania skali zjawisk lub rodzaju problemów, jakie zaobserwowali, oraz do korygowania nieprawidłowości. Mają więc standardowe raporty, które mówią im, co się działo w jakimś okresie; raporty ad hoc, odpowiadające na pytania: ile, jak często i gdzie; pogłębione zapytania, które pozwalają określić, gdzie dokładnie ma miejsce zaobserwowany problem; oraz alerty, podpowiadające, jakie podjąć działania korygujące. Wszystkie te rodzaje raportów patrzą jednak wstecz, stanowią podstawę do optymalizowania już posiadanych zasobów. Pozwalają znaleźć najlepszych klientów i pobierać od nich właściwą cenę, ograniczyć do minimum stan zapasów, sensownie rozdzielić koszty czy też zrozumieć, skąd pochodzą zyski.
Istnieją jednak na świecie firmy, które nie tylko korzystają z danych i narzędzi analitycznych do optymalizowania i korygowania istniejących zasobów, lecz wręcz szukają w nich sposobu na przebicie konkurencji. Wśród tych firm są nie tylko spółki internetowe, takie jak eBay czy Amazon, ale także przedsiębiorstwa tradycyjne: UPS, Marriott, Barclays Bank, Sara Lee, Wal‑Mart czy zapewne mniej znane w Polsce Harrah’s Entertainment (operator kasyn) i Progressive Insurance (towarzystwo ubezpieczeniowe). Firmy te podchodzą do danych bardziej kompleksowo i strategicznie – najpierw określają, w których obszarach biznesu analiza danych może przynieść największą przewagę nad konkurentami, wpisują te priorytety do strategii firmy, publicznie deklarują swoje przywiązanie do analiz w tych obszarach, a następnie dbają o to, by mieć najlepsze na świecie zasoby analityczne, w tym dane i narzędzia. Gdy firmy już wiedzą, na czym chcą się koncentrować, analizują spływające informacje na bieżąco, z dnia na dzień, testują hipotezy na małych próbach, eksperymentują i szybko wprowadzają wnioski z testów w życie. Punkt ciężkości w analizie danych przechodzi wówczas z raportów na prognozy i modele statystyczne. Używając danych z przeszłości, analizy te spoglądają w przyszłość, podpowiadają, jaki może być następny krok, co się stanie, jeśli dane trendy się utrzymają, dlaczego dzieją się konkretne zjawiska.
Zdolności analityczne jako źródło przewagi konkurencyjnej
Czy firmy z tej samej branży, które uznają analitykę za podstawę konkurowania, nie dojdą jednak do podobnych wniosków, jeśli będą dysponować podobnymi danymi?
Najlepsze firmy nie ograniczają się do mierzenia wskaźników, które są oczywiste w konkretnej branży. Zwykle szukają dodatkowo korelacji między danymi z branży a tymi spoza niej albo korelacji między danymi ze swojej branży a zachowaniami, które testują na własnych pracownikach. Jedno z towarzystw ubezpieczeniowych wykryło w połowie lat dziewięćdziesiątych ubiegłego wieku, że zachodzi związek między prawdopodobieństwem wystąpienia wypadku samochodowego a wskaźnikiem zdolności kredytowej (credit score) dla danego klienta. Wskaźnik ten był później używany do przewidywania przyszłości również w innych dziedzinach – niektóre firmy korelują go nawet ze stanem zdrowia. Znane mi osobiście przedsiębiorstwa działające w obszarze obsługi klienta mierzą natomiast liczbę uśmiechów, jakimi ich pracownicy obdarzają klientów – z psychologii wyniosły bowiem, że uśmiech znacznie poprawia samopoczucie. Nie tylko jednak o tym wiedzą, jak wiele innych firm, ale też wymyśliły sposób, aby to obserwować i mierzyć na co dzień. Na razie obserwacja należy do ludzi, ale niedługo uśmiech, po odpowiednim zdefiniowaniu cech, zapewne będą mogły automatycznie rejestrować kamery, a więc technologia. Z kolei bank, z którego przedstawicielami spotkałem się niedawno, odkrył, że dla jego klientów najbardziej liczy się komfort. Taka konstatacja niewiele znaczy, jeśli nie zostanie przełożona na praktyczne działania. Bank przeprowadził więc różne ankiety wśród klientów, pytając ich o to, czy chroniona jest ich prywatność, czy pracownicy są przyjaźni itd. Wykorzystując odpowiedzi, stworzył unikalny indeks satysfakcji klienta, silnie korelujący z zyskownością osób obsługiwanych w tradycyjnych oddziałach.
Aby zdobyć unikatowe wskaźniki, które trafnie przepowiedzą zachowanie klienta w przyszłości, firmy muszą więc stale stawiać i weryfikować hipotezy dotyczące związków między różnymi, czasem bardzo odległymi, danymi. Intuicja menedżerów i analityków ma jednak swoje granice. Gdzie szukają takich związków najbardziej zaawansowane firmy?
Nowym trendem jest odejście od analizowania wyłącznie powiązań klienta z firmą, a przypatrywanie się relacjom, jakie klient utrzymuje ze swoją siecią społeczną – znajomymi, członkami rodziny. Tak robi na przykład Royal Bank of Canada, który w zamian za lepsze warunki kredytowe prosi klienta, by wskazał członków rodziny lub przyjaciół o dużych zasobach finansowych. Może się przecież okazać, że stosunkowo biedny klient ma bogatego wujka, do którego bank znacznie łatwiej dotrze z polecenia. Sieci osobistych powiązań są obszarem rosnącej eksploracji dla wielu firm. Niosą jednak ze sobą pewne kontrowersje. W popularnym serwisie Facebook istniał kiedyś program Beacon, dzięki któremu członkowie twojej siatki znajomych z sieci – początkowo bez pytania cię o zgodę – dowiadywali się o tym, że właśnie kupiłeś coś (bilet do kina, wycieczkę, kasetę z wypożyczalni wideo, nowe ubranie) na jednej z 40 popularnych stron zakupowych. Takie działanie spotkało się wtedy z oburzeniem klientów, a program szybko zniknął z serwisu.
Na razie szukanie korelacji między różnymi danymi z życia klienta odbywa się często z pogwałceniem jego prywatności. Niektóre firmy wydające karty kredytowe mierzą na przykład, ile ich klienci wydają w barach, salonach masażu i na ośrodki terapii małżeńskiej. Klienci, którzy kupują w tych miejscach, mogą liczyć na niższe opłaty kredytowe, ci zaś, którzy nie korzystają z tych usług, płacą więcej. Wydawcy kart najwyraźniej odkryli związek między korzystaniem z niektórych usług a zyskownością klienta.
Upublicznienie sieci kontaktów klienta lub inne pogwałcenie jego prywatności odbywa się często bez negatywnych konsekwencji dla firm. Nie dlatego że przedsiębiorstwa utrzymują te machinacje w tajemnicy, lecz dlatego że oferują klientom coś wartościowego w zamian, a ci się na to zgadzają. Wspomniany Royal Bank of Canada oferuje na przykład niższe oprocentowanie kredytu.
Nowym trendem jest odejście od analizowania wyłącznie powiązań klienta z firmą, a przypatrywanie się relacjom, jakie klient utrzymuje ze swoją siecią społeczną – znajomymi, członkami rodziny.
Zanim jednak firmy odkryją, że poziom danego wskaźnika pozwala z dużym prawdopodobieństwem przewidzieć wystąpienie pewnego wydarzenia w przyszłości, muszą swoją hipotezę przetestować. Ponieważ zależy im zwykle na szybkości i niskim koszcie, a testowane założenia dotyczą często zjawisk dopiero raczkujących, organizacje natrafiają wtedy na barierę małej, niereprezentatywnej próbki. Jak to ominąć?
Wkraczamy tu w dziedzinę zwaną eksperymentalnym projektowaniem (experimental design). Kiedyś była ona domeną wiedzy dostępną tylko dla najbardziej wtajemniczonych specjalistów. Dziś istnieją już programy komputerowe, które nie tylko wnioskują z małej próbki, ale wręcz pomagają skonstruować poprawne metodologicznie grupy kontrolne. Dbają między innymi o to, by jedna grupa nie pokrywała się z drugą, która bierze udział w innym teście. W ominięciu bariery małej próbki pomaga też prowadzenie badania za pośrednictwem internetu. W ten sposób możemy łatwo zebrać dużą liczbę danych. Co ważne, niemal każdy współczesny program do analizy danych w sieci pomoże nawet niewprawnemu użytkownikowi stworzyć poprawną strukturę testu.
Pozostaje jednak pytanie, jak wyznaczyć obszary biznesu, w których warto gromadzić dane, weryfikując kolejne hipotezy?
Komputery nas w tym nie wyręczą. To zawsze musi być decyzja człowieka – menedżera. Czasem podejmuje ją na podstawie intuicji. Tak zrobili założyciele sieci hotelowej Marriott, którzy skoncentrowali się nie – tak jak wszyscy przedstawiciele tej branży – na jakości obsługi klienta, bogatej ofercie dodatkowych usług, wielkości i wyposażeniu pokoju czy lokalizacji, lecz na wycenie pokoi lub też, mówiąc bardziej naukowo, na zarządzaniu przychodami (revenue management). Kiedy w 1957 roku otworzyli swój pierwszy hotel w Arlington, w stanie Wirginia, zdecydowali się zakwestionować branżowy standard. Spostrzegli bowiem, że osiągają znacznie wyższe od konkurentów zyski bez pogorszenia wskaźnika zajętości, mimo że zrezygnowali z powszechnej praktyki oferowania wszystkim klientom takich samych stawek za pokój. Dowiedzieli się tego, stawiając hipotezę i weryfikując ją na swoich gościach. Pierwsza sprawdzona hipoteza była niezmiernie prosta. Gdy pracownicy hotelu widzieli, że obok kierowcy siedzi jeszcze druga osoba, mieli oferować im podwójną stawkę za ten sam pokój. Jeśli z przodu siedział tylko kierowca – mieli oferować stawkę pojedynczą. Z czasem metody wyceny pokoi w sieci Marriott stały się bardziej skomplikowane.
Hipoteza dowiedziona wcześniej w jednej branży może nadal być odkrywcza w innych. Obszary analizy mogą więc wynikać z obserwacji trendów i praktyk w naszej branży lub w innych.
Hipoteza dowiedziona wcześniej w jednej branży może nadal być odkrywcza w innych. Tak było z powyższym twierdzeniem Marriotta, że stosowanie jednolitych cen wobec wszystkich klientów nie ma biznesowego uzasadnienia. Mimo udowodnienia tej tezy w hotelarstwie, a potem w lotnictwie, przez wiele dekad uznawano ją za herezję w bankowości. Aż do czasu, gdy dwóch konsultantów, którzy nie zdołali przekonać do przetestowania hipotezy 20 największych amerykańskich banków, dostało wreszcie pieniądze, by założyć własny – Capital One. Mimo (a może właśnie z tego powodu) stosowania różnych stawek oprocentowania karty kredytowej dla różnych klientów instytucja ta rozrosła się tak szybko, że dziś – po 20 latach od założenia – jest trzecim pod względem wielkości wydawcą kart kredytowych w Stanach Zjednoczonych.
Obszary analizy, na których powinniśmy się skupić, mogą więc wynikać z obserwacji trendów i praktyk w naszej branży lub w innych. Ale często wybór tych obszarów jest bardziej prozaiczny. Wynika bowiem z analizy tego, czym dysponuje spółka. Gary Loveman, prezes sieci kasyn Harrah’s Entertainment, a prywatnie mój sąsiad i były kolega wykładowca z Uniwersytetu Harvarda, wyznał mi kiedyś, że zdecydował się skoncentrować zdolności analityczne firmy na budowaniu lojalności klientów, ponieważ firma ta nie miała wtedy nic wartościowego poza ogromną bazą danych i kasynami. Postawił na analizy i testy pod kątem lojalności, mimo że branża słynęła z wysokich wahań popytu. Jeśli ktoś był w Las Vegas, wie, jak trudno jest zatrzymać klienta w jednym kasynie, gdy obok kuszą setki innych atrakcji. W danych, które przejął w spadku, prezes Harrah’s Entertainment widział sposób na rozwiązanie tego powszechnego problemu. I wygrał, bo dziś ta sieć kasyn osiąga największe przychody i zyski w branży, a dzięki programowi lojalnościowemu Total Rewards ma największy przyrost sprzedaży w tych samych kasynach.
Czy firmy z Polski i Europy Środkowej mają jakiekolwiek szanse, by konkurować jak równy z równym z dużymi międzynarodowymi koncernami, które mają już lata doświadczeń w zakresie analizy danych?
Macie niewątpliwą przewagę nad zachodnimi koncernami w postaci dużej liczby znakomicie wykształconych matematyków, informatyków. Techniczne szkoły wyższe stoją tu na najwyższym poziomie na świecie, a utalentowanych studentów nie brakuje. W efekcie możecie wybierać wśród znacznie większej liczby osób niż na Zachodzie, które mogą szybko wykonywać zaawansowane operacje analityczne. Wbrew pozorom, takich prawdziwych profesjonalistów, którzy potrafią korzystać z narzędzi algorytmicznych, jest na Zachodzie niewielu – zwykle 5% – 10% wszystkich analityków pracujących w firmach. Znacznie więcej, 15% – 20%, jest półprofesjonalistów, którzy potrafią budować proste modele analityczne. Najwięcej w firmach, bo aż 70% – 80%, jest tych, którzy potrafią co najwyżej korzystać z arkuszy kalkulacyjnych i gotowych modeli. U was te proporcje są inne – prawdziwych profesjonalistów jest znacznie więcej. Łatwiej można ich znaleźć i pozyskać dla firmy. Po zbudowaniu własnej bazy analitycznej i odpowiednich procesów polskie przedsiębiorstwa mogą rozważyć również udostępnienie usług swoich analityków na potrzeby koncernów zagranicznych.
