5 zasad, które tworzą firmę data driven, kierującą się danymi

Co zrobić by mówić tym samym językiem, co Twoi koledzy z firmy? Co to znaczy, że firma jest oparta na danych? Przedstawiamy 5 zasad, które pozwolą uzyskać odpowiedź na te pytania i uczynią z twojej firmy Data-driven Company.

Data-driven Company, czyli firma oparta na danych to nic innego jak przedsiębiorstwo, które swoje decyzje biznesowe buduje na znacznym wykorzystaniu faktów gromadzonych we własnych zasobach, czyli przede wszystkim w bazach danych. Analizując szczegółowo trendy i rzeczywiste reakcje na wszelkie problemy oraz zagrożenia firmy działające w ten sposób są w stanie pracować znacznie bardziej efektywnie.

1. Zadbaj, by dane i wynikające z nich fakty stały się priorytetem

Każda firma korzysta ze specyficznych dla branży terminów biznesowych, które pojawiają się na wielu szczeblach. Niezależnie, czy mówimy o pojęciach globalnych, czy też skupiamy się na frazach związanych z konkretną działalnością, czy konkretnym działem, ważne jest, aby na każdym z tych etapów mówić wspólnym językiem. Wielu osobom takie podejście może wydawać się naturalne, ale praktyka pokazuje, że nie zawsze tak jest. W komunikacji każdy detal jest istotny. Czasami też dochodzi do sytuacji konfliktowych, w których „moja racja jest mojsza niż twojsza”. To już może brzmieć każdemu z nas znajomo nie tylko w kontekście kinematografii. Dlatego pierwszym warunkiem wzajemnego zrozumienia okazuje się oparcie firmy na danych i wynikających z nich faktach.

Ważną kwestią jest szczegółowe wykorzystanie przez wszystkich pracowników dostępnych informacji, pozwalające spojrzeć na nie możliwie globalnie, a nie tylko lokalnie, z perspektywy konkretnych jednostek i na potrzeby ich wąskich celów. Skoro mamy wiedzę, to dzielmy się nią, aby wypracowywać wspólne wnioski. Niezależnie od tego, czy mówimy o dziale IT, PR, a nawet o zarządzie.

2. Stwórz wspólny słownik pojęć biznesowych w całej organizacji

Jedną z podstaw we właściwym zarządzaniu danymi jest wspólny język. Dostępnymi informacjami trzeba się dzielić i interpretować według tych samych schematów. Dążąc do jak najlepszych efektów, musimy unikać sytuacji, w której na różnych szczeblach definiujemy to samo pojęcie biznesowe w inny sposób. Jest to podstawowy problem firm, które zaczynają swoją przygodę z szeroko rozumianym Data Governance.

Przykładów, kiedy te same pojęcia są interpretowane w różny sposób, można wymieniać w nieskończoność. Tyczy się to nawet tak fundamentalnych danych, jak podstawowe wskaźniki finansowe. Przyjrzymy się temu problemowi w branży telekomunikacyjnej. Począwszy od definicji klienta, przechodząc przez usługę, a kończąc na gospodarstwie domowym – wszystkie te kwestie mogą być inaczej analizowane przez dział utrzymania klienta, marketing lub finanse. W telekomunikacji dział obsługi klienta może interpretować użytkownika jako osobę, na którą podpisana jest umowa, podczas gdy marketing w ramach tej samej umowy osobno liczy każdy numer telefonu. Gdzie leży prawda? To właśnie kwestia, którą trzeba wspólnie ustalić, zaakceptować i w ten sposób zbudować to o czym właśnie mówimy – słownik pojęć biznesowych. Posługując się nim, mamy pewność, że każdy pracownik będzie tak samo interpretował gospodarstwo domowe, tak samo rozumiał faktury i inne na pozór oczywiste aspekty.

3. Zadbaj o jakość danych tak samo, jak dbasz o dokumentację

Potwierdzenie pojęć biznesowych to oczywiście dopiero początek drogi. W momencie, kiedy wiemy już, w jaki sposób interpretować poszczególne dane i dostosujemy je do zatwierdzonych formuł, trzeba zadbać o to, by nasze analizy bazowały na danych dobrej jakości. Data Quality to kolejny punkt, który jest nieodłączny w zarządzaniu danymi. Bez pewności, że dane są kompletne, spójne i dokładne mówimy o wysokim stopniu ryzyka tworzenia błędnych raportów oraz wyciągania niewłaściwych wniosków. Dlatego tak ważne jest badanie jakości, które pozwoli nam szybko reagować w razie wykrytych nieprawidłowości. Już w momencie załadowania danych możemy wykonać podstawowe weryfikacje, a wręcz powinniśmy to robić. W końcu sam fakt, że proces zakończył się sukcesem wcale nie musi oznaczać, że dane, które otrzymaliśmy są dobrej jakości. Czasami zdarza się, że danych jest za mało, brakuje kluczowych atrybutów lub w ogóle są one rozbieżne względem innego systemu.

4. Weryfikuj dane, bo kto powiedział, że weryfikacja danych musi być nudna i żmudna?

Ok, ale jak właściwie powinniśmy badać jakość danych? Przede wszystkim mądrze. Tworzenie metryk może być mozolne, ale wszystko jesteśmy w stanie zautomatyzować, co niewątpliwie jest tak szerokim tematem, że warto mu poświęcić zupełnie osobny artykuł. Niemniej jednak,  warto w pierwszej kolejności spojrzeć na poszczególne błędy z boku i wybrać najpopularniejsze schematy. W ten sposób za jednym zamachem jesteśmy w stanie wychwycić możliwie najbardziej powszechne problemy, które trapią użytkowników. Oprócz podstawowych metryk, które weryfikują jakość danych, możemy również skorzystać z najnowszych technologii i zastosować m.in. AI. Co prawda sztuczna inteligencja to zdecydowanie bardziej zaawansowane rozwiązanie, ale też daje nam szansę błyskawicznie „namierzać” wartości odstające od zdefiniowanego zbioru. Do tego dołóżmy profilowanie danych i w efekcie otrzymujemy kompleksowe narzędzie, które raz przygotowane zagwarantuje nam znaczny wzrost jakości.

5. Poszukaj problemów z danymi tam, gdzie występują najczęściej, czyli na późniejszych etapach

Niezależnie, czy mówimy o zarządzaniu danymi, czy też o ich jakości,  kluczowa jest współpraca od początku do samego końca działów korzystających z poszczególnych systemów w firmie. W końcu ścieżka, którą przechodzi każda informacja, jest na tyle długa i wyboista, że im dalej w las, tym więcej drzew, czyli potencjalnie więcej zagrożeń. By zilustrować o czym mówimy podajmy przykład. Konsultant musi uzupełnić adres klienta, wpisuje zatem nazwę ulicy, numer budynku i mieszkania w formacie następującym: ulica Spokojna 4 m. 2. Okazuje się następnie, że w wyniku braku ustalonego standardu informacja ta w innych systemach, dotycząca tego samego klienta, przypisana została do niewłaściwego gospodarstwa domowego, gdyż format ten nie był poprawnie obsługiwany. Spróbujmy ustalić przyczynę problemu. Czy to wina konsultanta? Nie. Czy to wina systemu? Także nie. Przyczyną błędu jest brak standardu, który mógł zostać zauważony dopiero podczas konkretnych analiz, w momencie kiedy wiele kalkulacji przyjmowało dostarczone informacje jako pewnik. Dlatego właśnie każdy aspekt związany z danymi należy konsultować w ramach różnych punktów wspólnych działów, czyli ich przecięć i na różnych szczeblach. Zyskując większą pewność co do otrzymywanych informacji, możemy liczyć na znacznie lepsze efekty pracy.

Łukasz Pająk, Senior Programmer / Designer

Od początku swojej kariery zawodowej bezpośrednio pracuje z danymi. Ściśle związany z branżą telekomunikacyjną, gdzie dba o Data Quality & Data Governance, a przy okazji o dobrą atmosferę pracy. Prywatnie przede wszystkim ogromny fan nowych technologii, motoryzacji i nieszablonowych rozwiązań.

(EN) We use cookies only for collective statistical purposes and to adapt the website to the user's needs.
(PL) Używamy cookies w celach statystycznych oraz w dostosowaniu serwisu do użytkownika.