Řízení společnosti na základě dat se ještě nedávno jevilo jako prerogativa mezinárodních gigantů. Dnes však organizace všech velikostí využívají Big Data pro predikci a operativní úpravy. Studie ukazují, že společnosti využívající Data-Driven přístup jsou o 23 % častěji úspěšnější ve zvyšování ziskovosti než jejich konkurenti. To významně snižuje podniková rizika a umožňuje přechod od rozhodování založeného na odhadech a zkušenostech vedení k rozhodování založenému na datech (Data-Driven Decision Making).
Protiklady v přístupech: HiPPO versus Data-Driven Model HiPPO (z anglického "highest paid person's opinion", tedy "názor nejlépe placené osoby") zůstává populární i ve 21. století a představuje úplný opak přístupu, kde je každé rozhodnutí podloženo objektivními daty. Pro lepší představu můžeme vizualizovat, že zatímco HiPPO se opírá o subjektivitu, Data-Driven přístup stojí na pevném základu analyticky podložených dat.
Od teorie k praxi: Jak efektivně využívat shromážděná data Aby bylo možné efektivně využívat shromážděná data, je nutné uvnitř organizace nastavit jejich sběr, zpracování a uchování. Je také důležité naučit se převádět je do srozumitelných informací, které pomáhají při rozhodování. Například, společnost se chystá spustit svou aplikaci. Místo spoléhání na intuitivní představy vedoucího o tom, co je krásné, je možné provést předběžný výzkum, testovat prototyp a hodnotit aplikace konkurentů, než se vlastní aplikace začne vyvíjet. Druhá možnost vyžaduje více zdrojů, ale pravděpodobněji povede k vytvoření kvalitního produktu.
Principy Data-Driven přístupu Před zavedením této metodiky je důležité vyhodnotit možnosti. Bez předběžného hodnocení nákladů a perspektiv může pokus o integraci datově založené práce do stávajících procesů přinést spíše škodu. Začněme třemi principy, na kterých je Data-Driven založen:
- Investice: Ukládání a zpracování dat vyžadují výpočetní kapacity a zapojení odborníků.
- Zdroje: Získaná data je třeba zpracovat a správně interpretovat. Převod čísel na srozumitelné informace je úkolem specialistů.
- Odpovědnost: Zpracování shromážděných informací minimalizuje chybné kroky, ale vždy existuje pravděpodobnost setkání se s "černým labutěm" (nepředvídanými riziky).
Praktické příklady Představme si, že z trhu veřejného stravování odešel velký řetězec. My - zástupci malé metropolitní sítě, která v nových podmínkách má všechny předpoklady pro růst. První úkol, který před námi stojí, je výběr místa pro novou pobočku. V paradigmatu HiPPO bychom se spoléhali pouze na hodnocení expertů a intuici vedoucího. Nová metoda nás vede k jinému postupu: prostudovat vyhledávací dotazy o místech stravování v určité oblasti, získat informace o geolokaci z mobilních zařízení, jejich koncentraci na různých místech. Poté analytici začnou interpretovat shromážděná data. Zaměstnanci prozkoumají a strukturují získané informace, převedou je do srozumitelných grafů a blokových diagramů. S zpracovanou statistikou může vedoucí podniku podniknout potřebné kroky.
Závěr Data-Driven přístup vyžaduje neustálé vzdělávání a adaptaci na nové datové technologie. Důležité je nejen sbírat data, ale také umět je analyzovat a převádět do akcí, které povedou k úspěchu. Přihlaste se k odběru našeho newsletteru o Data Science, abyste nezmeškali nejnovější zprávy a metody analýzy.