Data og analyse er sentralt i digital transformasjon, men mange organisasjoner har ikke vært effektive i det. I tillegg har data warehousing, ERP-implementeringer (business resource planning) og forretningsstruktur for de fleste ofte ikke levert og etterlatt seg en sur ettersmak.
Av disse grunner er noen organisasjoner skeptiske til å ta på seg analyse- og datainnsats på bedriftsnivå. Men å få det riktig kan gi fenomenale resultater, og det er derfor kritisk viktig å konsentrere seg om data og analyse. Vi kunne få det riktig ved å unngå noen av de typiske fallgruvene.
Her er de kritiske årsakene til at disse tiltakene mislykkes, og måten å garantere disse problemene ikke skjer i organisasjonene dine:
1. Avhengighet av teknologidistribusjon som den viktigste løsningen
Noen ganger er det en tilbøyelighet til å trykke på den enkle knappen og laste ned problemet ved å stole helt på en teknologiimplementering. Teknologiselgere skyver også varer som den kommende store tingen etter brødskiver og universalmiddel til organisatoriske problemer. Når det er friksjon mellom IT og forretningsgrupper, kan slike konklusjoner synes å være den raske responsen. Ofte vil kneet svare være å bevege seg mot teknologier som muliggjør en enkelt faktakilde og en enkelt datakilde. Disse kan være nødvendige, men vil likevel bare være en del av en større løsning.
Vi må bringe den perfekte blandingen av mennesker, prosesser og teknologi for dataøkosystemet i posisjon og ønsket fremtidig destinasjon. Teknologi er bare en del av løsningen.
2. Imprecise Current State Assessment
Å vurdere hvor vi er kan hjelpe til med å identifisere hull og muligheter for å lykkes med å prioritere og adressere dem på riktig måte. For eksempel har hver avdeling i en organisasjon forskjellige nivåer av evner, og måleskalaene vil være forskjellige. Det som anses som et ideelt miljø for et område, vil bli sett på som mangelfullt ved hjelp av et annet. Likeledes bør hvert enkelt evalueringsfag (vitenskap, utnyttelse og bruk, ferdigheter osv.) Vurderes på riktig måte ved hjelp av forskjellige barometre og rasjonaliseres på virksomhetsnivå.
Når den nåværende tilstanden ikke er forstått riktig, vil de grunnleggende tilnærmingene trolig være feil. Fokuset kan være på områder som ikke gir betydelig verdiskaping. I disse dager har vi ikke luksusen av langvarige jobber. Verdi bør vises. Manglende evne til å vise jevn fremgang og resultater underveis, fører til at interessenter eliminerer tillit og finansiering blir sabotert. Programmet begynner å vakle.
3. Bruk programvareutviklingsparadigmet i data og Analytics-stasjonen
Over tid har kulturen vår blitt dyktig til å bygge applikasjoner. Vi tenker på alternativer når det gjelder applikasjonsutvikling, selv når det gjelder data. Dette betyr at vi forventer å få et sett med krav, og vi bygger en strategi for å betjene kravet. Datadomenet er betydelig tydelig. Enhver informasjonsinnsats begynner med å søke etter svar på et sett med spørsmål. Når disse blir besvart, er det en annen gruppe spørsmål. Når vi lærer om nye sannheter, har det blitt vist ekstra datasett, og problemområdet vokser i bredde og dybde.
Data og analyse, på bedriftsnivå, er fokusert på å lage mekanismene som gjør det mulig for forretningsteam å oppdage muligheter for å prestere bedre - enn forsøket er ikke å skape resultatet, men å tillate det. Dette krever en annen slags tankeprosess.
4. Feil verdiproposisjon av nye teknologier
Det er enorm sprøytenarkoman rundt datavitenskap, maskinlæring (ML) og kunstig intelligens (AI). Alpha Go, Alexa, Jeopardy, etc., har forhøyet forventningene til en feberhøyde. Det er mye potensial, men ikke for mange organisasjoner har utnyttet dem. Og problemene og domenenavnene der de leverte betydelig økonomisk verdi er noen få. I flere tilfeller kan løse hovedtemaer innebære å utnytte velprøvd teknologi. I andre tilfeller mangler byggesteinene som er nødvendige for innovativ analyse.
Vi bør nøye evaluere problemene vi trenger for å løse og distribuere de riktige teknikkene på riktig måte. Bestemt av nyutviklet teknologi for å løse grunnleggende og grunnleggende spørsmål vil garantert forverre situasjonen. Noen ML-problemer som må løses, trenger et stort antall informasjon, store team og lange tidslinjer for å gi håndgripelig verdi. Stemmegjenkjenningsplattformer som Amazon Alexa er en god illustrasjon.
Tilgang til billig og tilgjengelig datamaskinkraft, enorme datamengder, innovative teknikker og open source-samfunn har også drevet den raske utviklingen av dette domenenavnet. Du vil imidlertid være forsiktig med når og hvilke problemer du kan bruke denne avanserte teknologien til.
5. Folk og ferdigheter
Mangel på nødvendige ferdigheter på de ideelle nivåene, manglende koordinering med personalet og feiljustering mellom IT og virksomhet vil være de hyppigste bidragsyterne til analyse og datafeil.
En rekke ferdigheter er nødvendige for et slikt forsøk, og det er ingen triviell oppgave å bygge et velfungerende team! Denne anerkjennelsen er det aller første kravet til effektiv gjennomføring. I et gitt team produserer noen få personer for store resultater. For data- og analysesuksess ville det første trinnet være å begynne å samle en betydelig masse høykalibertalent på tvers av de respektive evnene, funksjonalitetene og domenene.
Manglende arbeid og uoverensstemmende forventninger mellom virksomhet og IT bør løses aktivt hvert trinn underveis. Med den ideelle mengden myndighet som er gitt til teamet og den rette organisasjonsstrukturen, blir flertallet av disse lettere å adressere.
Data og analyse på forretningsnivå er ikke en liten innsats. Det er full av risikoer og utfordringer. Å kjenne disse fem vanlige fallgruvene og fikse dem på riktig måte vil øke sannsynligheten for vedvarende suksess betydelig.