کسب­ و کار دیجیتال: از آزمایش تا تحول

پیشنهاد می شود قبل از مطالعه این بخش، بخش های قبلی این مقاله را از طریق لینک های زیر مطالعه نمائید:

 مقدمه – استراتژی دیجیتال – مدل کسب و کار دیجیتال

تواناسازها – موتور تحول

داده­ ها و تحلیل داده­ ها: نه با داده ­ها بلکه با ارزش شروع کنید

اگر شرکت­ ها از اولین مؤلفه­ ی تواناساز یعنی داده­ ها و تحلیل داده­ ها آغاز کنند، باید ظرفیت خود را بررسی کنند، تصمیم بگیرند که در آرمان خود به دنبال چه چیزی هستند و ببینند مسیر دستیابی به مقصود کدام است.

تحلیلگران بزرگِ داده از داده شروع نمی­ کنند بلکه از ارزش شروع می­ کنند. اول منابع مهمِ ارزش جدید برای مشتری و کسب­ و کار را تشخیص می­ دهند و آنگاه ظرفیت لازم برای ذخیره­ ی داده­ ها و تحلیل آنها را ایجاد می­ کنند. شرکت­ ها، بدون چنین اولویت­ بندی، به هدر دادن پول و وقت خود خطر می­ کنند. در اغلب موارد، کار دشوار این نیست که ایده­ های نو ایجاد شود بلکه در اولویت­ بندی ایده ­های موجود است. پرسشی که باید پرسید این است: «جایگاه منحصر به ­فردی که شرکت باید در آن قرار بگیرد تا بتواند ارزش ­آفرینی کند کجاست؟»

برای مثال، علی­ بابا یکی از بهترین شرکت­ های جهان است چون این توانایی را دارد که از ۴۵۰ میلیارد دلار پولی که سالانه در مراوده­ های تجاری مورد رصد این شرکت و ترتیب ­یافته توسط این شرکت جابه جا می­ شود سود خود را اخذ می­ کند. این شرکت موتور جستجوی بیرونی و داده­ های مستخرج از شبکه­ های اجتماعی را با داده ­های مستخرج از Alipay (پرداخت­ ها)، AntWealth (مدیریت مالی) و MyBank (فاینانس) که در مالکیت خودش هستند ترکیب می­ کند و محصولاتی را که باید در سایت خرده ­فروشی ­اش نمایش یابند تعیین می­ کند.

فهرست ظرفیت ­های لازم برای ارزش ­آفرینی از این داده ­ها فهرست بلند بالایی است. شرکت ­ها باید تصمیم بگیرند که از داده ­ها چه نوع کمکی در بهبود معنادار در کسب­ و کارشان می ­خواهند و برای انجام این کار به جمع­ آوری چه نوع داده ­ای (هم بیرونی و هم درونی) نیاز دارند. چندین ظرفیت دیگر نیز لازم است:

ـ زیرساخت­های انطباق ­پذیر برای جمع­ آوری داده ­ها و نظام ­دادن مطلوب به آنها.

ـ فرایند مقیاس ­پذیر برای ایجاد و سپس ارتقای الگوریتم ­هایی که بینش تجاری بدهند و تجربه­ ی مشتری را بهبود بخشند.

ـ افراد بااستعداد تحلیل تا موتور [جستجو] را کارگردانی کنند؛ منظورم فقط متخصصان و تحلیلگران داده نیست بلکه مهندسان داده نیز هست چون اینها هستند که داده­ ها را دسته­ بندی می­ کنند و در بسیاری موارد عملیات ­های جدیدی روی آنها پیاده می ­کنند.

ـ فرایندهای داده ­ای با حساسیت بالا باید در دل سازمان گنجانده شود تا از عواقب نامنتظر و نامطلوب جلوگیری شود.

ـ باقی مانده ­ی سازمان باید در تصمیم­ سازی به داده­ ها اتکا کند و این یکی از دشوارترین منازل در مسیر رسیدن به شرکتی پیشتاز است که کسب­ و کار خود را بر داده ­ها مبتنی می ­کند.

تیم­ هایی که با فکر ساختار یافته ­اند می­ توانند به تعبیه ­ی فرایند تصمیم­ سازی مبتنی بر داده در دل کسب ­و کار کمک کنند. تیم­ های تحلیلی دورگه که از متخصصان فنی و متخصصان کسب­ و کار تشکیل شده­ اند این اطمینان را حاصل می­ کنند که امر تحلیل داده بر واقعیت ­های روز به روز و بر اولویت ­های کسب­ و کار دخیل باشد و بر آنها متمرکز بماند. چنین تیمی،‌ بسته به هدفش، ممکن است شامل این افراد باشد: مالک محصول، مهندسان و طراحان نرم­ افزار، معماران داده، مهندسان داده، تحلیلگر و در برخی موارد متخصصان حرفه­ ای ­تری مثل پژوهشگر قوم­ نگاری، متخصصِ تجسم داده، یا متخصص شنیدار رسانه ­های اجتماعی (social media-listening). این متخصصین با همکاری با یکدیگر، بینش ­های قابل اجرا و بسیار تخصصی در اختیار هر کسب­ و کاری می ­گذارند.

داشتن داده ­های درست و تحلیل آنها کافی نیست؛ این داده ­ها باید به بخشی از فرایند تصمیم ­سازی روزانه تبدیل شوند. مدیران عامل در صنعت تلویزیون سالها بر طبق غریزه و شم اقتصادی خود به طرف ساخت سریال می­ رفتند؛ و این روند هنوز در بعضی جاها ادامه دارد. اما نتفلیکس کار خود را بر داده­ ها و تحلیل داده­ ها مبتنی کرد. این شرکت می­ داند چقدر طول می­ کشد تا مشترکین از تماشای تلویزیون خسته شوند، کدام هنرپیشه را بیشتر دوست دارند، چه نوع شوها و برنامه ­هایی تماشا می­ کنند، چه نوع صحنه­ ای به برنامه باید افزوده شود تا خواب را از چشم آنها بپراند، و بینندگان تلویزیونی را چگونه به تماشای شو یا برنامه ­ای تشویق کند که بسیار با شرایط آنها تناسب دارد. نتفلیکس با استفاده از چنین رویکرد داده ­بنیادی تمام شرکت ­های سنتی تلویزیونی را کنار زده و نرخ تمدید و ازسرگیری سریال­ های خود را به نود و سه درصد رسانده درحالی ­که برای رقیبانش این نرخ فقط هفتاد درصد است. (برگرفته از سایت qz.com زیر عنوانِ «نتفلیکس که سالانه شش میلیارد دلار برای تولید محتوا هزینه می­کند اذعان دارد که امروزه هر برنامه ­ای نیازمند مخاطبان واقعی و بالفعل است»، ۱۸ ژولای ۲۰۱۷).

اکثر شرکت­ها از رسیدن به چنین تلفیق دیجیتال بسیار دورند اما بهترین راه برای آموزش این است که دست به کار شویم. تیم­های تحلیل داده که پروژه ­های با اولویتِ بالا را شروع می­کنند مدل خود را در حین کار ویرایش می­کنند. آنها در طول مسیر موفقیت­ هایی به دست می­ آورند که مدیریت شرکت بعداً می­تواند از روایتِ آن موفقیت­ها استفاده کند و فرایند تصمیم ­سازیِ مبتنی بر داده را درونی کند؛ به این ترتیب،‌ تقاضا برای داده و تحلیل داده از درون شرکت می­ جوشد. تحلیل داده مثل عضله است که با مرور زمان قدرتمند می ­شود.

بخش بعدی:

سیستم­ها و تکنولوژی: خطاب پرسش­های تکنولوژی به مدیران عامل است