Budowanie kultury opartej na danych: trzy błędy, których trzeba unikać

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.

Testy przeprowadzone na danych historycznych wykazały, że to podejście mogłoby poprawić retencję klientów o 39%, co rozbudziło nadzieje w firmie. Następnie zespół data science sięgnął po bardziej zaawansowane narzędzia AI, dodając techniki takie jak sieci neuronowe do dokładniejszego wykrywania wzorców. To podejście okazało się znacznie bardziej dokładne i skuteczne, wykazując potencjał poprawy retencji aż o 66%. Czterotygodniowy pilotaż przeprowadzony wśród najlepszych klientów potwierdził te wyniki. Wszystko wskazywało na to, że rozwiązanie oparte na analizie danych jest gotowe do pełnego wdrożenia.

Wtedy jednak pojawiły się problemy. Menedżerowie produktów w dziale marketingu odmówili korzystania z tego rozwiązania. Trudno było im zaufać algorytmowi, który generował listę klientów zagrożonych odejściem nie podając żadnego wyjaśnienia. Co więcej, wiele rekomendacji opartych na danych wydawało im się nieintuicyjnymi. Na przykład algorytm oznaczył jako klientów wysokiego ryzyka nawet osoby z długim stażem regularnie korzystające z usług firmy. Dla menedżerów cały proces wydawał się niewłaściwy. Mimo obiecujących wyników pilotażu, decydenci nie odważyli się na wprowadzenie rozwiązania opartego na data science.

Jeśli zastanawiasz się, czy taka sytuacja jest czymś nietypowym, mogę zapewnić, że nie. Cmentarzysko inicjatyw data science jest pełne zaawansowanych, precyzyjnych i stworzonych w dobrej wierze rozwiązań, które jednak nigdy nie zostały wykorzystane. Inwestycja firmy w wiele projektów z zakresu danych i analityki nie sprawi automatycznie, że pracownicy zaczną wykorzystywać wnioski płynące z danych do podejmowania własnych decyzji. Aby osiągnąć ten cel, liderzy muszą podjąć się różnorodnych działań.

A to niełatwe zadanie. W niedawnym badaniu przeprowadzonym przez NewVantage Partners wśród dyrektorów ds. informatyki i danych (CIO) z listy Fortune 1000, około 6 na 10 respondentów przyznało, że nie udało im się stworzyć kultury opartej na danych i analizie. Dlaczego to takie trudne? Jak liderzy mogą stworzyć środowisko, w którym podejmowanie decyzji w oparciu o dane stanie się nawykiem? Przyjrzyjmy się podstawowym przyczynom niepowodzeń i omówmy trzy praktyczne sposoby na rozwijanie kultury opartej na danych.

Trzy czynniki prowadzące do porażki

W ciągu ostatniej dekady pracowałem na rynkach międzynarodowych jako konsultant. Wielokrotnie obserwowałem wtedy powtarzające się schematy porażek inicjatyw analitycznych. Pomimo wysiłków w zakresie narzędzi analitycznych i dokładności algorytmów, większość projektów ma trudności z dostarczeniem naprawdę użytecznych wniosków. Nawet jeśli takie wnioski się pojawiają, decydenci często nie są nimi zainteresowani. A te inicjatywy, które zyskują choćby częściową akceptację, często wytracają impet po początkowej fazie prezentacji. Prawdopodobnie sam zetknąłeś się z przykładami podobnych niepowodzeń. Jednak samo zajmowanie się tymi symptomami niewiele zmienia — bo to nie są przyczyny problemu, lecz jego skutki.

Trzy podstawowe czynniki, które leżą u źródła tych niepowodzeń, to:

Większość inicjatyw jest traktowana stricte jako projekt technologiczny

Często cała inicjatywa zaczyna się jako projekt data science lub nosi techniczną nazwę, taką jak „projekt analityki predykcyjnej”. To potrafi zniechęcić osoby zajmujące się działalnością operacyjną. Ze względu na słabe powiązanie z użytkownikami biznesowymi, projekt może nie odpowiadać na najistotniejsze problemy, ani nawet na rzeczywiste wyzwania, przed którymi stoi organizacja.

Użytkownicy opierają się zmianom w sposobie pracy

Większość ludzi naturalnie trzyma się znanych im metod pracy, gdyż zapewnia im to poczucie komfortu. Taka inercja może być groźna dla projektów analitycznych, które niemal zawsze wiążą się ze zmianą procesów biznesowych lub sposobu podejmowania decyzji. Opór przed zmianą potęguje dziś dodatkowo wyjątkowo silna w obecnych realiach emocja, czyli lęk przed utratą pracy na skutek automatyzacji opartej na AI.

Trudno wykazać bezpośredni zwrot z inwestycji (ROI)

Mimo ogromnego potencjału wykorzystania danych, często trudno jest przypisać konkretne efekty biznesowe działaniom analitycznym. Wzrosty przychodów czy oszczędności kosztowe mogą mieć wiele źródeł, dlatego powiązanie ich bezpośrednio z decyzjami opartymi na danych nie zawsze jest możliwe. W rezultacie brak możliwości zmierzenia ROI może wpędzić projekt w spadkową spiralę, a liderzy tracą entuzjazm i ograniczają finansowanie.

Jak zbudować kulturę opartą na danych i tworzyć lepsze rozwiązania?

Liderzy biznesowi mogą przeciwdziałać wcześniej opisanym problemom, podejmując następujące działania:

Rozwiąż palące problemy i upewnij się, by liderzy biznesowi mieli kontrolę nad projektem.

Jak podchodzi się do inicjatyw związanych z danymi w twojej organizacji? Samo wykorzystanie dostępnego budżetu technologicznego lub testowanie LLM-ów może nie skończyć się stworzeniem technicznego rozwiązania o dużym wpływie.

Zamiast tego zidentyfikuj kluczowych interesariuszy z obszarów biznesowych, poznaj ich priorytety i bolączki, a następnie wspólnie stwórzcie odpowiadające im pomysły. Ustal, kim są docelowi użytkownicy i oszacuj oczekiwane rezultaty. Czy inicjatywa pozwoli zwiększyć wpływy od klientów? A może pozwoli zaoszczędzić na kosztach magazynowania?

Priorytetyzuj pomysły o wysokim potencjale, które są możliwe do wykonania biorąc pod uwagę dostępność danych, możliwości technologicznych i gotowości do zmiany. Przyznaj ownership, czyli wskaż właściciela biznesowego, który poprowadzi projekt, weźmie za niego odpowiedzialność i będzie wpływać na zaangażowanie użytkowników od fazy projektowania, przez wdrożenie, aż po codzienne wykorzystanie.

Oto jak to wygląda w praktyce:

Europejska korporacja z branży inżynieryjnej potrzebowała wsparcia w przekuciu swojej ambitnej, pięcioletniej strategii biznesowej na konkretny plan, który wykorzystywałaby analitykę danych w obszarach, gdzie może ona przynieść największy wpływ. Zamiast po prostu „wyłapywać” przypadki użycia analityki, prezes firmy skupił się na tych, które były najbardziej uzasadnione biznesowo. Rozpoczęto projekt doradczy, którego początkowy zakres objął cztery jednostki biznesowe. Ich kierownictwo wytypowało ponad 50 liderów z różnych działów, by wspólnie zidentyfikować kluczowe cele i najpoważniejsze problemy. Zespół wygenerował 150 pomysłów i współpracował z działami technologicznymi, aby ocenić wykonalność, ramy czasowe i skutki regulacyjne każdego z nich. Następnie zawężono listę do 76 przypadków użycia, które silnie wpisywały się w dziewięć kluczowych obszarów wzrostu opisanych w pięcioletniej strategii firmy.

Powstała w ten sposób wieloletnia mapa drogowa zakładała rozpoczęcie transformacji od projektów typu quick win, które charakteryzowały się wysokim potencjałem wpływu i stosunkowo prostą wykonalnością. Zespoły technologiczne dobierały najlepsze podejście do każdego projektu, czy to inżynierię danych, business intelligence, czy algorytmy AI. Podsumowując efekty tej interdyscyplinarnej inicjatywy, jeden z menedżerów powiedział, że największym sukcesem było wspólne uświadomienie całej organizacji jak ważna jest transformacja oparta na danych. Pokazano, co jest możliwe, rozbudzono nowe pomysły i oszacowano wartość, jaką firma może realnie odblokować.

Wykorzystaj grywalizację i storytelling liderów, by zachęcić pracowników do używania rozwiązań

Skuteczna zmiana organizacyjna zaczyna się od jasnej, inspirującej wizji. Najbardziej udane transformacje mają miejsce w firmach, gdzie kadra zarządzająca nie tylko mówi o kulturze opartej na danych, ale aktywnie ją realizuje. Liderzy muszą komunikować wizję i tłumaczyć jej znaczenie dla użytkowników, zachęcając ich zarówno do wdrażania nowych nawyków, jak i do porzucania starych. Kluczowe jest uzupełnienie takiego wsparcia z góry o oddolne, inicjowane przez użytkowników działania. Zaangażuj pracowników poprzez crowdsourcing pomysłów. Wskaż ambasadorów, którzy będą dzielić się swoimi historiami i promować zmianę wśród współpracowników. Wykorzystaj grywalizację, przeprowadź quizy i hackathony lub konkursy storytellingowe pomiędzy działami. Takie działania będą promować zdrową rywalizację i zaangażowanie. Dobrym przykładem jest azjatycka spółka medialna należąca do globalnego koncernu mediów i rozrywki. Zarządza ponad 60 kanałami telewizyjnymi i produkuje rocznie ponad 30 000 godzin treści. Mimo dostępu do ogromnych zasobów danych dotyczących oglądalności, ocen konsumentów i reklam komercyjnych, firma miała trudności z szybkim wyciąganiem wniosków na temat możliwości zwiększenia przychodów z reklam.

Firma wdrożyła platformę analityki wizualnej, oferującą głęboki wgląd i silne narracje wizualne, jednak jej wykorzystanie przez zespoły sprzedażowe było niewielkie. Wówczas zespół zarządzający wprowadził elementy grywalizacji, tworząc rankingi użytkowników na podstawie codziennego korzystania z platformy. Cotygodniowi zwycięzcy byli wyróżniani na portalach wewnętrznych i w mailach. Emocje dodatkowo podsycały comiesięczne nagrody w formie iPadów, przyznawanych najlepszym użytkownikom. Dodatkowo, liderzy mianowali ambasadorów projektu, którzy dzielili się spostrzeżeniami na forach dyskusyjnych, publikując zrzuty ekranu i linki do konkretnych zastosowań platformy. To pobudziło rozmowy i zwiększyło zainteresowanie. W ciągu kilku miesięcy odsetek użytkowników wśród pracowników wzrósł do 64%, a zespoły sprzedażowe zaczęły formułować rekomendacje w oparciu o dane i lepiej monetyzować dostępne zasoby reklamowe.

Wcześnie zdefiniuj mierniki sukcesu i skup zespoły wokół nich

Najlepszy moment na określenie kryteriów sukcesu to etap oceny pomysłu na projekt. Przy wyznaczaniu priorytetów liderzy powinni jasno zdefiniować oczekiwane efekty biznesowe, sposób pomiaru sukcesu oraz dane potrzebne do obliczenia zwrotu z inwestycji (ROI). Często te dane nie są od razu dostępne, może być konieczne zebranie nowych opinii klientów lub opracowanie alternatywnych wskaźników produktywności pracowników. Jeśli celem są dodatkowe przychody, warto przeprowadzić małe eksperymenty, na przykład testy A/B, aby ocenić wpływ projektu. Aby zmierzyć efektywność narzędzia rekomendacyjnego opartego na AI w zakresie sprzedaży krzyżowej, można wdrożyć je pilotażowo w wybranych lokalizacjach, pozostawiając w innych dotychczasowy sposób działania i porównać wyniki. Jeśli takie podejście nie jest możliwe, można zestawić dane biznesowe sprzed i po wdrożeniu, o ile obie sytuacje są porównywalne.

Przykładem może być wiodąca firma zarządzająca magazynami chłodniczymi w całych Stanach Zjednoczonych, która dążyła do poprawy wykorzystania ciężarówek poprzez optymalizację załadunku i tras do klientów. Ze względu na wysokie koszty transportu zatwierdzono projekt z jasno określonym celem, było nim zmniejszenie dziennych kosztów załadunku. Zespół konsekwentnie kierował się tą konkretną wytyczną i zbierał dane potrzebne do pomiaru rzeczywistych wydatków na załadunek.

Choć duża różnorodność pomiędzy lokalizacjami uniemożliwiła przeprowadzenie testów A/B, zespół spróbował porównać koszty przed i po wdrożeniu rozwiązania. Aby uwzględnić wpływ sezonowości, zastosowano innowacyjne podejście: stworzono algorytmy prognostyczne, które pozwalały oszacować prawdopodobne koszty, jakie wystąpiłyby bez wdrożenia narzędzia. Dzięki dostępowi do obszernych danych historycznych możliwe było odwzorowanie scenariusza „business as usual” za pomocą algorytmów, podczas gdy rzeczywiste dzienne koszty załadunku były mierzone w magazynach po wdrożeniu.

Po dokładnej walidacji tego podejścia przez ekspertów biznesowych, oszacowano, że rozwiązanie pozwoli zaoszczędzić 4 miliony dolarów rocznie. Gdy prognozowane rezultaty zestawiono z rzeczywistymi danymi z kilku miesięcy, uzyskany zwrot z inwestycji pozwolił szybko uzyskać aprobatę zarządu na rozszerzenie projektu. Firma natychmiast wdrożyła rozwiązanie w dwóch największych regionach, licząc na jeszcze większe korzyści.

Budowanie kultury opartej na danych jest niczym maraton

Kulturę organizacyjną często definiuje się jako to, co ludzie robią, gdy nikt nie patrzy. Zmiana głęboko zakorzenionych zachowań wymaga czasu, ale jest jak najbardziej możliwa przy odpowiednim zaangażowaniu na początku i konsekwentnym wzmacnianiu. Kluczem do udanej transformacji kulturowej jest właściwe połączenie działań przywódczych z góry i oddolnych inicjatyw pracowników. W przywołanym wcześniej badaniu NewVantage Partners z 2019 roku, tylko 28,3% liderów zadeklarowało, że udało im się stworzyć kulturę opartą na danych. Obecnie odsetek ten wzrósł do 42%. Tego rodzaju zmiany następują stopniowo, należy je planować w perspektywie pięciu lat, a nie roku czy dwóch. Budowanie kultury opartej na danych to maraton. Liderzy, którzy postawią na silne wsparcie zarządu i skrupulatną realizację odniosą sukces w tej transformacji.