هانیه تقی‌زاده, Author at داتا - صفحه 2 از 5

رییس هیئت مدیره بانک تجارت با تاکید بر اهمیت حکمرانی داده در پیشرفت کسب‌کارهای امروزی و به‌کارگیری فناوری‌های نوین، از نقش داتا به عنوان یکی از شرکتهای تابعه در اجرای پروژه‌های داده‌ای و کمک به داده‌محور شدن بانک تمجید کرد.

مرتضی ترک تبریزی، رییس هیات مدیره بانک تجارت در نخستین کنفرانس ملی حکمرانی داده و هوش مصنوعی که از روز گذشته 11 دی ماه در محل دانشکده فنی دانشگاه تهران در حال برگزاری است، بانکها را از پیشتازان تحولات نوآورانه خواند و گفت: روی کار آمدن پلتفرم‌های جدیدی که تجربه کاربری افراد در دریافت خدمات مالی را بهبود قابل‌توجهی داده‌اند، تهدیدی جدی برای بخش خرده‌فروشی کسب‎وکار بانکها به حساب می‌آید و همین امر باعث شده که بانکها برای باقی ماندن در میدان رقابت این بخش، چاره‌ای جز حرکت سریع به سمت نوآوری نداشته باشند.

او در ادامه افزود: خلق این نوآوری‌ها و ارائه خدمات شخصی‌سازی شده‌ای که باعث ترغیب مشتریان به تداوم ارتباط با بانک‌ها می‌شود، مستلزم آن است که داده کافی و باکیفیتی از آنچه در شبکه مالی بانک در حال اتفاق افتادن است وجود داشته باشد. پیاده‌سازی چارچوب‌های حکمرانی داده با کمک به دسته‌بندی و ساماندهی درست داده‌ها به‌گونه‌ای که امنیت آن نیز تضمین شود، بستری فراهم می‌کند تا بتوان تحلیل درستی از وضعیت موجود داشت و متناسب با شرایط، پیشنهادات مناسبی برای کاربران طراحی کرد.

رییس هیئت مدیره بانک تجارت در بخش دیگری از صحبتهای خود تصریح کرد: اگرچه در سالهای اخیر، بخش اعظم تمرکز ما در بانک تجارت معطوف به این بود که بخش‌های مالی و کسب‌وکاری بانک، استفاده از پتانسیل‌های تحلیل داده را در اولویت قرار دهند؛ اما اکنون برنامه داریم که با گسترش این موضوع به بخش‌های دیگری مانند منابع انسانی، به شکوفایی بیشتر و استفاده حداکثری از ظرفیت‌های موجود کمک کنیم و تمام تصمیم‌گیری‌های سازمان را بر مبنای تحلیل‌های داده‌ای پیش ببریم.

ترک تبریزی با اشاره به اهمیت فرهنگ‌سازی داده‌ای در سازمانها و نقش حکمرانی داده در ایجاد چنین فرهنگی گفت: تعیین مناسبات، سطوح دسترسی‌ها و پروتکل‌های لازم برای حفظ امنیت اطلاعات و حریم خصوصی جز با تدوین زیرساخت‌ها و بسترهای مناسب برای مدیریت داده‌ها میسر نمی‌شود. بر همین اساس برای تحققق این اهداف در بانک تجارت، کمیته ویژه‌ای راه‌اندازی کرده‌ایم و با کمک چندین شرکت زیرمجموعه خود، برای حرکت در این مسیر آماده شده‌ایم.

رییس هیئت مدیره بانک تجارت، راه‌اندازی شرکت داده و اعتبارسنجی تجارت ایرانیان با نام داتا را بخشی از برنامه بانک برای تحقق این اهداف خواند و گفت: گستردگی نیازهای داده‌ای بانک باعث شد که ضرورت ایجاد شرکتی تخصصی برای تصدی مدیریت امور داده‌ها حس شود. اکنون داتا با داشتن تیم‌های تخصصی، بهره‌مندی از پشتیبانی بانک و اتصال به ادارات مختلف، وظیفه اجرای امور مرتبط با داده و هوش مصنوعی در بانک تجارت را عهده‌دار شده و در حال اجرای چندین پروژه داده‌‌محور برای پاسخ به نیازهای ماست.

ترک تبریزی در تشریح چرایی حرکت بانک تجارت به سمت تدوین و اجرای سیاست‌های حاکمیت داده گفت: ساختار و حجم بالای انواع داده‌ای که در بانکهای قدیمی‌تر وجود دارد، باعث شده که نیاز به یکپارچه‌ و آماده کردن داده‌ها برای به‌کارگیری در پروژه‌های هوش مصنوعی حس شود؛ در همین راستا در گام اول در همراهی با داتا اجرای پروژه‌های سنجش بلوغ داده و حاکمیت داده را در دستور کار قرار داده‌ایم و تا این زمان پیشرفت مطلوبی در این زمینه حاصل شده است.

ترک تبریزی، داده، فینتک و نوآوری را سه اصل اساسی موفقیت در بانکداری دیجیتال خواند و گفت: در مدت اخیر تلاش کرده‌ایم تا با ایجاد شرکتهایی که در تحقق این اهداف به بانک کمک می‌کنند، مسیر تحول دیجیتال بانک را دنبال کنیم. او در پایان تصریح کرد: اکنون بدنه مدیریت بانک تجارت کاملا بر اهمیت ایجاد همگونی و یکپارچه‌سازی داده‌ها و تعیین سطوح دسترسی مناسب برای استفاده بخش‌های مختلف بانک از آنها و آغاز پروژه‌های هوشمندسازی خدمات واقف است؛ در نتیجه فعلا با جدیت در حال تکمیل پروژه حاکمیت داده به عنوان یکی از پروژه‌های اساسی بانک هستیم تا به‌تدریج هوشمندی بیشتری در بانکداری کسب کنیم.

در اولین کنفرانس ملی حکمرانی داده و هوش مصنوعی، پروژه پیاده‌سازی چارچوب‌های حاکمیت داده در بانک تجارت به عنوان یکی از نمونه‌های موفق اجرای این طرح در نظام بانکی کشور معرفی شد و مورد بحث و بررسی قرار گرفت.

اولین کنفرانس حکمرانی داده و هوش مصنوعی که در محل دانشکده فنی دانشگاه تهران برگزار شد، روز گذشته به کار خود پایان داد و تیم برگزاری این رویداد تلاش کردند تا در مدت دو روز برگزاری این کنفرانس، با برگزاری کارگاه‌ها، پنل‌های تخصصی و سخنرانی، در مسیر تاکید هرچه بیشتر بر اهمیت پیاده‌سازی چارچوب‌های حکمرانی داده برای حرکت در مسیر داده‌محوری حرکت کنند.  

در کارگاهی با عنوان «حاکمیت داده، رکن داده‌محوری سازمان‌ها» که در حاشیه این کنفرانس برگزار شد، نقش حیاتی داده در سازمانهای امروزی و اهمیت تبدیل شدن به یک سازمان داده‌محور مورد بررسی قرار گرفت. رویا حمزه، مدیر تیم حاکمیت داده شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا) و مدرس این دوره، در بخشی از ارائه خود که با هدف آشنایی هرچه بیشتر دانشجویان و مدیران شرکتهای فعال در صنایع مختلف ترتیب داده شده بود، مفهوم حکمرانی  داده به عنوان یکی از اصول کلیدی در مدیریت داده‌ها و تصمیم‌گیری‌های استراتژیک را مورد بررسی قرار داد.

مدیر تیم حاکمیت داده داتا، در ادامه ارکان اصلی چارچوب‌های حکمرانی داده از جمله سازماندهی فرآیندها، ابزارها و فرهنگ داده‌محور را تشریح کرد و به مرور تجارب برخی از شرکتهای معروف جهان در کار با داده‌ها پرداخت.حمزه در بخش دیگری از ارائه خود، به تشریح وضعیت توجه به بحث حکمرانی داده در ایران پرداخت و چارچوب اجرایی مورد استفاده در بانک تجارت را به عنوان نمونه‌ای موفق از توجه به بحث حکمرانی داده در نظام بانکی کشور مورد تحلیل و بررسی قرار داد.

 او در سخنان خود، ضمن تاکید بر نقش داتا در پیاده‌سازی پروژه حکمرانی داده در بانک تجارت، مراحل پیشرفت طرح از ابتدا تا زمان حاضر را تشریح کرد و از همکاری‌های شکل گرفته با بانک برای پیشبرد این طرح نوین سخن گفت.

 این کارشناس با نیم‌نگاهی به آنچه تا امروز در زمینه به‌کارگیری حکمرانی داده در شرکتها و صنایع مختلف انجام شده است، از داتا به عنوان یکی از پیشگامان این مساله یاد و اذعان کرد که کمتر شرکت ایرانی تا امروز این مساله را تا این اندازه مورد تاکید قرار داده و تجربه داتا و بانک تجارت در پیاده‌سازی این سیاست‌ها می‌تواند به الگویی برای شرکتهای بانکی و حتی فعال در صنایع دیگر برای مدیریت بهینه‌تر داده‌ها تبدیل شود.

در بخش پایانی این کارگاه، ضمن پاسخ به سوالات دانشجویان و علاقه‌مندان به این حوزه، نکات کلیدی و چالش‌های عملیاتی در پیاده‌سازی این چارچوب‌ها مورد بحث قرار گرفت و راهکارهایی برای بهبود اثربخشی آن ارائه شد.

در مراسم اختتامیه نخستین کنفرانس حکمرانی داده نیز تیم برگزاری رویداد با اهدای یک لوح، مراتب قدردانی خود را از مشارکت، همراهی و حمایت داتا در برنامه‌ریزی و اجرای این کنفرانس ابراز کردند.

در بسیاری از سازمانها این باور غلط حاکم است که ایجاد یک فرهنگ مبتنی بر داده، بسیار زمان‌بر است؛ این درحالی است که متخصصان هوش تجاری معتقدند که باید به این باور غلط پایان داد و پذیرفت که این فرآیند آنطور که گفته می‌شود طولانی و فرساینده نیست و سازمانها می‌توانند از هر زمان و با هر سطحی از بلوغ داده‌ای برای رسیدن به آن شروع کنند. در این میان تاکید بر آن است که مراحل درست را دنبال کنند.

هدف از نگارش این مقاله آن است که ضمن تشریح این مراحل، به تحول سریع‌تر سازمانها و تبدیل آنها به یک سازمان دادهمحور کمک شود.  این راهنما بیشتر، اما نه به طور انحصاری، برای گروه‌های زیر طراحی شده است:

• مالکان شرکت‌ها یا مدیرعامل‌هایی که می‌خواهند نحوه عملکرد شرکت خود را تغییر دهند؛ کارآمدتر شوند؛ سریع‌تر عمل کنند و تصمیم‌های درستی برای شرکت بگیرند.
• متخصصان هوش تجاری که می‌خواهند بفهمند چه نوع شرکت‌هایی بهترین گزینه برای رقابت هستند و چگونه فرهنگ این شرکت‌ها می‌تواند به سمت داده‌محوری هدایت شود.

جا دارد در ابتدا یک سؤال بنیادی طرح شود: اینکه چرا کار کردن با داده‌ها در همه سطوح شرکت ارزشمند است؟

داده‌محوری می‌تواند ناکارآمدی‌های شرکت را آشکار کند.

در اینجا برخی مشکلات رایجی که از طریق کار با داده‌ها بهبود می‌یابند آورده شده است – شاید این مشکلات برای شما هم آشنا باشند:

• کارکنان به کندی کار می‌کنند و حتی ممکن است از این موضوع آگاه نباشند.
• رهبران تیم‌ها قادر به اولویت‌بندی نیستند و در نتیجه تیم‌ها بیش از حد مشغول و بی‌تمرکز می‌شوند.
• مدیران اغلب اطلاعات کافی برای تصمیم‌گیری ندارند و نمی‌توانند به موقع واکنش نشان دهند.
• رهبران تیم نمی‌توانند عملکرد اعضای تیم را پیگیری کنند؛ زیرا نمی‌دانند چگونه معیارهای مناسب را تعیین کنند.
• برنامه‌ریزی اولویت‌های شرکت، فاقد هماهنگی کلی است؛ زیرا هر بخش اهداف خود را جداگانه تعیین می‌کند. ارتباط و همکاری نیز به اندازه کافی مؤثر نیست.

چنین مشکلاتی از طریق ایجاد یک «DNA داده‌ای» قابل حل هستند. در سطوح عملیاتی روزانه و تصمیم‌گیری‌های استراتژیک بزرگ، داده نقشی حیاتی ایفا می‌کند و شرکت شما را به سوی آینده‌ای بهتر هدایت می‌کند – البته به شرطی که داده‌محور باشید.

در پنج بخش بعدی، نحوه داده‌محور شدن را توضیح خواهیم داد و نشان می‌دهیم چگونه می‌توان «DNA داده‌ای» را به سرعت و به شکلی کارآمد به بخشی از شرکت شما تبدیل کرد.

1.     نقش کلیدی مدیرعامل

مدیرعامل مهم‌ترین قسمت در راه‌حل این مسئله است. چرا؟ نه تنها به دلیل سرمایه‌گذاری مالی در تحلیل‌گران و ابزارهای لازم برای تحول داده‌محور، بلکه به این دلیل که تحقق تغییرات بزرگ بر عهده‌ی مدیرعامل است. برای ایجاد تغییرات در فرآیندها و حتی در افراد (وقتی که طرز فکر آن‌ها با رویکرد داده‌محور سازگار نیست)، وجود یک رهبر قوی ضروری است.  DNAداده‌ای نمی‌تواند از پایین به بالا ساخته شود.

داشتن رهبر هوش تجاری (BI) در سطح مدیریت ارشد، یک پیام قوی به شرکت است که نشان می‌دهد تحول داده‌ای جدی است. این روزها حضور یک مدیر ارشد داده یا CDO (Chief Data Officer) به طور فزاینده‌ای رایج شده است. طبق مطالعه‌ای که از سوی شرکت  PWC انجام شد:

«به‌کارگیری مدیر ارشد داده در اکثر صنایع و مناطق افزایش یافته است؛ به طوری که اکنون 27 درصد از شرکت‌های پیشرو دارای یک CDO هستند. حضور یک CDO ، با عملکرد مالی قوی همبستگی دارد، که شاید همین تاکیدی بر ارزش روزافزون داده‌ها و نیاز سازمان‌های داده‌محور و موفق به CDO باشد.»

تجربیات اخیر به خوبی نشان می‌دهد که CDO ارزش بسیار زیادی برای مدیرعامل دارد و برای سایر همکاران سطح C که در حال بررسی فرآیندها و اعمال بهبودها هستند، شریکی کلیدی است. به همین دلیل مهم است که CDO یک مدیر ارشد باشد و هوش تجاری (BI) بخشی از واحد IT، مالی یا فروش نباشد؛ چرا که این واحدها و مدیران آن‌ها عمدتاً بر هسته اصلی کسب‌وکار خود تمرکز دارند.

هوش تجاری (BI) به‌عنوان یک ناظر کلان‌نگر، نمایی جامع از فعالیت‌های اصلی و فرعی کسب‌وکار در تمام بخش‌ها ارائه می‌دهد و با رفع نقاط کور هر بخش، کمک مؤثری فراهم می‌کند. به عنوان مثال:

• مدیر ارشد فناوری (CTO) بر تولید سرنخ‌های فروش تمرکز ندارد.
• مدیر فروش به فعالیت‌های واحد IT اهمیت نمی‌دهد.
• نه واحد IT و نه واحد فروش به مشکلاتی که بخش پشتیبانی مشتری با آن مواجه است توجهی ندارند.

آنچه BI امکان‌پذیر می‌کند این است که داده‌های مرتبط، بین بخش‌هایی که معمولاً چنین اطلاعات مفیدی را به اشتراک نمی‌گذارند، منتقل شوند.

به زبان ساده، داده‌های جمع‌آوری‌شده در یک بخش و بینش‌های به‌دست‌آمده از آن، تصویری واضح‌تر و جامع‌تر از کل شرکت ارائه می‌دهند. این رویکرد باعث می‌شود که کارایی کلی در سراسر شرکت بهبود یابد.

2. استراتژی و مدیریت شرکت

تحول شرکت، حسب نحوه مدیریت آن سرعت می‌گیرد. این فرآیند زمانی مؤثرتر است که اهداف شرکت برای همه شفاف باشد و هر بخش تاکتیک‌های خود را بر اساس استراتژی کلی شرکت تنظیم کند.

اغلب پیش می‌آید که هر بخش اهداف خود را اولویت‌بندی کرده و آن‌ها را بر اهداف کلی شرکت ترجیح می‌دهد. برای جلوگیری از این مسئله، لازم است که استراتژی سالانه شرکت به وضوح تعیین و به تمامی کارکنان ابلاغ شود. این امر به مدیریت ارشد کمک می‌کند تا سیلوهای سازمانی را در سراسر شرکت از بین ببرد. بدون معیارهای موفقیتی که چارچوب OKR (اهداف و نتایج کلیدی) فراهم می‌کند، ارزش داده‌ها مشخص نمی‌شود. اکنون این چارچوب به بخشی از استراتژی سالانه بسیاری از شرکتهای موفق تبدیل شده است.

استراتژی سالانه چنین شرکتهایی معمولا از دو بخش تشکیل می‌شود:

بودجه: معیارها جزء اساسی برنامه درآمد و هزینه سالانه این شرکتها هستند. تیم مدیریتی، متعهد به تحقق اهداف مالی سرمایه‌گذاران است. برای هر منبع درآمد، شاخص‌های کلیدی عملکرد (KPI) برنامه‌ریزی شده و از ابزار گزارش‌دهی برای پیگیری پیشرفت به صورت روزانه استفاده می‌شود. بدون پیگیری روزانه، واکنش و پاسخ به موقع امکان‌پذیر نخواهد شد.

اهداف و نتایج کلیدی (OKR) : چارچوب OKR به تعیین اهداف، هدایت عملکرد و ایجاد فرهنگ‌های مبتنی بر نتایج کمک می‌کند. این چارچوب تغییرات مهمی را که باید در سال آینده انجام شود، مشخص می‌کند. داده‌ها کلیدی هستند: برای ایجاد معیارهای موفقیت که برای ردیابی پیشرفت تغییرات استفاده می‌شوند، از داده‌ها بهره گرفته می‌شود.

مبحث OKRها بسیار گسترده‌ است. اما در اینجا فقط به چند نکته کلیدی اشاره می‌کنیم:

OKRها چیستند؟ 

هدف (Objective) :  یک بیانیه واضح و مختصر که هدفی خاص، قابل اندازه‌گیری و محدود به زمان را مشخص می‌کند؛ هدفی که شرکت در پی دستیابی به آن است.

نتایج کلیدی (Key Results): نتایجی که کمّی و قابل اندازه‌گیری هستند و به‌عنوان شاخص‌هایی برای سنجش پیشرفت به سوی هدف عمل می‌کنند.

چگونه بهترین بهره را از  OKRها ببریم؟ 

1. شفافیت: اطلاع‌رسانی OKRها به کل شرکت برای تقویت شفافیت، مسئولیت‌پذیری و همکاری ضروری است.

2. تمرکز:  حداکثر سه هدف تعیین کنید؛ کمتر بهتر است. تعیین اهداف بیشتر منجر به بحث‌های طولانی‌تر در مورد اولویت‌ها می‌شود و انرژی کمتری برای تمرکز روی اهداف اصلی باقی می‌گذارد.

3. بازبینی منظم:  OKRها معمولاً به‌صورت ماهانه یا فصلی بازبینی می‌شوند تا پیشرفت پیگیری شود، تنظیمات لازم انجام گیرد، و هماهنگی با اولویت‌های در حال تغییر حفظ شود.

4.  هماهنگی تیمی: تمام تیم‌ها تاکتیک‌هایی را برای دستیابی به اهداف تعیین می‌کنند و این تاکتیک‌ها در قالب اهداف تیمی مشخص می‌شوند. اهداف تیمی فصلی، تیم‌ها را به هم متصل کرده، وابستگی‌های میان تیم‌ها را شناسایی می‌کند و به اولویت‌بندی وظایف حیاتی برای تحقق استراتژی کلی شرکت کمک می‌کند.

5. ارتباط با بودجه: از آنجا که OKRها تأثیر مستقیمی بر هزینه‌ها و/یا درآمدها دارند، باید قبل از برنامه‌ریزی بودجه تنظیم شوند. 

نقش هوش تجاری (BI) در فرهنگ داده‌محور در سطح شرکت

هوش تجاری (BI) نقش کلیدی در ایجاد یک فرهنگ داده‌محور در شرکت ایفا می‌کند. این نقش با همکاری BI با تمام بخش‌های شرکت و ارائه بینش‌هایی به استراتژی شرکت تحقق می‌یابد، به‌طوری که کل شرکت بتواند «دستورالعمل‌هایی برای موفقیت» ایجاد کند. این فرآیند با تجزیه‌وتحلیل داده‌ها و ایجاد مؤثرترین معیارهای موفقیت انجام می‌شود. دستیابی به معیارهای موفقیت دقیق اغلب چالش‌برانگیزترین بخش در تعیین اهداف شرکت است. برای این کار، باید معیارهای اندازه‌گیری ما کاملاً درست باشند.

3.  قدرت معیارهای صحیح

یک استراتژی عالی بر پایه معیارها (Metrics) ساخته می‌شود. معیارها نشان می‌دهند که ما می‌دانیم چگونه موفقیت را اندازه‌گیری کنیم و نشان‌دهنده این است که ما در مسیر داده‌محور شدن قرار داریم. برای برنامه‌ریزی استراتژی، چارچوب‌های OKR و برنامه‌ریزی بودجه از انواع مختلف معیارها استفاده می‌کنند. دو نوع اصلی این معیارها عبارت‌اند از: معیارهای پس‌نگر و معیارهای پیش‌نگر.

معیارهای پس‌نگر (Lagging Metrics)

معیارهای پس‌نگر برای برنامه‌ریزی بودجه به کار می‌روند.

تعریف:

این معیارها نشانگرهای عملکردی هستند که نتایج گذشته را منعکس می‌کنند. آن‌ها بینشی درباره آنچه قبلاً در کسب‌وکار یا یک فرآیند رخ داده است، ارائه می‌دهند و به همین دلیل به آن‌ها معیارهای «خروجی» نیز گفته می‌شود، زیرا نگاهی به گذشته دارند. معیارهای پس‌نگر به سازمان‌ها کمک می‌کنند عملکرد تاریخی را درک کنند و روندها را شناسایی کنند، اما بینشی فوری درباره فعالیت‌های جاری ارائه نمی‌دهند و مستقیماً عملکرد آینده را پیش‌بینی نمی‌کنند.

مثال‌هایی از معیارهای پس‌نگر:

• سود
• حاشیه سود
• تعداد محصولات تولیدشده
• نرخ تبدیل در فروشگاه اینترنتی
• میانگین ارزش سفارش‌ها
• رضایت مشتری

معیارهای پیش‌نگر (Leading Metrics)

تعریف:
معیارهای پیش‌نگر، نتایج آینده را پیش‌بینی کرده و بینشی درباره فعالیت‌های جاری ارائه می‌دهند. این معیارها رو به جلو هستند و به سازمان‌ها اجازه می‌دهند اقدامات پیشگیرانه‌ای برای تأثیرگذاری بر عملکرد آینده اتخاذ کنند. با تمرکز بر ورودی‌ها و فعالیت‌هایی که نتایج را شکل می‌دهند، معیارهای پیش‌نگر به شناسایی مسائل بالقوه و فرصت‌ها در مراحل اولیه کمک می‌کنند و امکان تنظیم به‌موقع استراتژی‌ها و عملیات را فراهم می‌کنند.

مثال‌هایی از معیارهای پیش‌نگر:

• تعداد بازخوردهای منفی
• نرخ افزودن به سبد خرید در فروشگاه اینترنتی
• تعداد اقلام در هر سفارش
• شاخص اعتماد مصرف‌کننده
• نرخ ریزش مشتریان
• تعداد درخواست‌های بیکاری

تفاوت میان معیارهای پس‌نگر و پیش‌نگر

برای درک بهتر این تفاوت، بررسی چند مثال می‌تواند مفید باشد:

مثال ۱: نرخ تبدیل فروشگاه اینترنتی

یکی از عوامل کلیدی که بر گردش مالی فروشگاه‌های اینترنتی تأثیر می‌گذارد، نرخ تبدیل آن‌ها است. این نرخ نشان‌دهنده درصد بازدیدکنندگانی است که طی بازدید خود خرید را تکمیل می‌کنند.

• به‌عنوان یک معیار پس‌نگر، نرخ تبدیل عملکرد گذشته را نشان می‌دهد و تحت تأثیر دو معیار ورودی مهم است: نرخ افزودن به سبد خرید و نرخ رهاسازی سبد خرید.
• نرخ افزودن به سبد خرید، یک معیار پیش‌نگر است که نشان می‌دهد بازدیدکنندگان با چه فراوانی کالاها را به سبد خرید خود اضافه می‌کنند. نرخ بالاتر بیانگر مشارکت بیشتر کاربران و علاقه آن‌ها به محصولات است، که احتمال خرید را افزایش می‌دهد.
• نرخ رهاسازی سبد خرید، یک معیار پیش‌نگر دیگر، میزان سهولت فرآیند خرید را ارزیابی می‌کند. این معیار درصد بازدیدکنندگانی را که قبل از تکمیل خرید سبد خرید خود را ترک می‌کنند، اندازه‌گیری می‌کند. نرخ پایین‌تر رهاسازی نشان‌دهنده یک فرآیند خرید روان‌تر و کاربرپسندتر است و احتمال تکمیل خرید را افزایش می‌دهد.

بهبود نرخ تبدیل از طریق معیارهای پیش‌نگر

برای افزایش گردش مالی از طریق رشد نرخ تبدیل، یک فروشگاه اینترنتی باید بر بهبود این شاخص‌های کلیدی تمرکز کند.

• افزایش نرخ افزودن به سبد خرید: نشان‌دهنده افزایش تعامل کاربران با محصولات.

• کاهش نرخ رهاسازی سبد خرید: بیانگر بهبود تجربه کاربری در فرآیند خرید.

با انجام این تغییرات، فروشگاه می‌تواند تأثیر مثبتی بر نرخ تبدیل خود بگذارد که به فروش و درآمد بالاتر منجر می‌شود.

بنابراین، اگر یک فروشگاه تجارت الکترونیک برنامه‌ریزی کند که فروش خود را به طور چشمگیری افزایش دهد، این دو معیار اصلی می‌توانند شاخص‌های ایده‌آلی برای موفقیت در تعیین یک استراتژی بهبود سالانه قابل توجه باشند (به عنوان بخشی از یک استراتژی OKR).

مثال ۲: رضایت مشتری موفقیت در کسب‌وکار را به ارمغان می‌آورد

بسیاری از شرکت‌ها می‌دانند که کیفیت پشتیبانی مشتری برای موفقیت کلی کسب‌وکار آن‌ها بسیار حیاتی است. مشتریان راضی معمولاً حاضرند مشکلات موجود در سفارش خود را نادیده بگیرند، به شرطی که احساس کنند شرکت در تلاش است تا مشکل را حل کند و این امر باعث حفظ وفاداری آن‌ها در بلندمدت می‌شود. در نتیجه، ارتقای قابل‌توجه کیفیت خدمات مشتری می‌تواند به‌عنوان یک هدف استراتژیک در استراتژی سالانه شرکت، طبق چارچوب OKR (اهداف و نتایج کلیدی)، تعریف شود.

دو عامل تأثیرگذار بر کیفیت خدمات مشتری عبارتند از:

• سرعت پاسخگویی به درخواست‌های مشتری
• سطح رضایت مشتری از حل مشکلات

این دو معیار پیش‌نگر شاخص‌های حیاتی عملکرد هستند و باید به‌عنوان معیارهای کلیدی موفقیت در نتایج کلیدی استراتژیک شرکت گنجانده شوند.

با تمرکز بر بهبود سرعت پاسخگویی و اطمینان از سطح بالای رضایت مشتری از حل مشکلات، شرکت‌ها می‌توانند کیفیت خدمات مشتری را به‌طور فعال مدیریت کنند، که در نهایت منجر به وفاداری مشتری و حمایت از موفقیت کسب‌وکار خواهد شد.ایش قابل‌توجه فروش، به‌عنوان بخشی از استراتژی OKR سالانه تعیین شوند.

۴. نگرش خروجی در مقابل نتیجه

این فصل به یکی از چالش‌برانگیزترین جنبه‌های شرکت می‌پردازد: تغییر نحوه تفکر افراد. بیشتر کارکنان دارای نگرش بر اساس خروجی هستند. آن‌ها عادت کرده‌اند که کار خود را بر اساس کمیت کار انجام‌شده یا تعداد وظایف تکمیل‌شده ارزیابی کنند. به‌عنوان مثال، آن‌ها تعداد ساعت‌های کاری، تعداد دسته‌بندی‌های جدید محصولات افزوده‌شده به فروشگاه اینترنتی، یا تعداد بلیط‌های حل‌شده در خط پشتیبانی مشتری را در نظر می‌گیرند.

با این حال، برای شرکت بسیار ارزشمندتر است که کارکنان یاد بگیرند بر نتیجه کار خود تمرکز کنند. نگرش نتیجه‌گرا تأکید بر نتایج و تأثیرات اقدامات دارد، نه خودِ اقدامات. این رویکرد به تضمین این کمک می‌کند که کارکنان بر روی مهم‌ترین پروژه‌ها و ابتکاراتی که به موفقیت بلندمدت شرکت کمک می‌کنند، تمرکز کنند. علاوه بر این، این رویکرد باعث افزایش مشارکت کارکنان می‌شود زیرا آن‌ها احساس می‌کنند که کارشان معنا دارد. این امر می‌تواند منجر به افزایش بهره‌وری و بهبود عملکرد کلی شود.

یک مثال خوب از یک جلسه بررسی پیشرفت استراتژی به یاد دارم.
یکی از همکاران من گزارش داد که تیمش ۱۵۰ دسته‌بندی محصول جدید را در بازار آنلاین ما فعال کرده است. سپس مدیر عامل از او سوال کرد که نتیجه این کار چه بوده و چگونه به استراتژی شرکت کمک کرده است، به‌ویژه هدف افزایش گردش مالی بازار آنلاین به میزان چندین درصد.

رهبران تیم‌ها باید به‌طور مرتب با چنین سوالاتی چالش‌بر‌انگیز شوند تا یاد بگیرند فواید کار تیم خود را در نظر بگیرند.

اگر همکار من به‌عنوان رهبر تیم، کار تیمش را از منظر نتیجه مورد نظر بررسی می‌کرد، متوجه می‌شد که فعال‌سازی ۱۵۰ دسته‌بندی محصول جدید در بازار آنلاین تنها زمانی به استراتژی شرکت کمک می‌کند که این دسته‌بندی‌های جدید تولید گردش مالی قابل توجهی کنند. برای اینکه این اتفاق بیفتد، او به همکاری حداقل دو بخش دیگر نیاز دارد:

1. فروش B2B: این بخش باید با شرکای B2B تماس بگیرد تا محصولاتشان را در دسته‌بندی‌های جدید فهرست کنند.
2. دپارتمان بازاریابی: این بخش باید دسته‌بندی‌های جدید را در ارتباطات بازاریابی B2C تبلیغ کند تا کاربران بدانند می‌توانند محصولات این دسته‌بندی‌ها را از بازار آنلاین خریداری کنند.

این رویکرد می‌تواند یک هدف مشترک برای چندین تیم و بخش ایجاد کند که از استراتژی شرکت حمایت می‌کند. همچنین این رویکرد همکاری میان تیم‌ها را تشویق می‌کند، زیرا در بسیاری از شرکت‌ها بخش‌های مختلف به‌طور جداگانه با اولویت‌های خود عمل می‌کنند و این امر همکاری مؤثر میان آن‌ها را دشوار می‌کند.

به‌طور ساده، نگرش نتیجه‌گرا همکاری میان تیم‌ها را تشویق می‌کند، زیرا برای دستیابی به یک نتیجه واقعی، اغلب نیاز است که چندین بخش یا تیم با هم همکاری کنند.

۵. تعیین معیارهای مؤثر برای تیم‌ها

من به‌طور منظم از سوی رهبران تیم و مدیران مختلف برای کمک به تعیین معیارهایی برای پیگیری عملکرد تیم‌هایشان مورد درخواست قرار می‌گیرم. همیشه خوشحال می‌شوم که کسی برای کمک در این زمینه به من مراجعه می‌کند، اما این موضوع چیزی نیست که بتوانیم در یک ساعت با تعیین معیارهای مفید به آن برسیم.

در چنین مواقعی، برای من مفید است اگر شرکتی استراتژی سالانه روشنی با اهداف خاص و معیارهای موفقیت تعیین‌شده داشته باشد، زیرا این کار کل فرایند را آسان‌تر و سریع‌تر می‌کند. روش مورد علاقه من برای تعیین معیارهای درست برای تیم‌ها این است که کارگاهی با رهبران تیم، متخصصان کلیدی یا کل تیم‌ها (اگر خیلی بزرگ نباشند) برگزار کنم. ما در طول کارگاه سعی می‌کنیم به سه سؤال ظاهراً ساده پاسخ دهیم:

1. چرا تیم من در شرکت وجود دارد؟ (تعریف هدف تیم)

2. چطور می‌توانم متوجه شوم که تیم من به خوبی عمل می‌کند و به تحقق استراتژی شرکت کمک می‌کند؟

3. چه شاخص‌هایی به تیم اطلاع می‌دهند که کار خود را به درستی انجام می‌دهد و به تحقق استراتژی شرکت کمک می‌کند؟

تمام فرایند تعیین معیارهای تیم می‌تواند بدون داشتن استراتژی مشخص برای شرکت انجام شود، اما رهبر تیم (یا کل تیم) باید به‌طور دقیق به پاسخ اولین سؤال فکر کند. در دو سؤال باقی‌مانده باید تنها کلمات «استراتژی شرکت» را با «هدف تیم» جایگزین کنیم.

پاسخ به اولین سؤال معمولاً سخت‌ترین قسمت کارگاه است، زیرا تعریف هدف تیم در یک جمله ساده و قابل‌فهم کار آسانی نیست. همیشه به همکارانم می‌گویم که این جمله باید به‌گونه‌ای ساده باشد که بتوانند به دوستانشان در کافه یا والدینشان توضیح دهند چرا تیمشان برای شرکت مهم است. هدف مشخص شده کلید پاسخ دادن به دو سؤال دوم و سوم به‌راحتی است.

همان‌طور که ممکن است متوجه شده باشید، سؤال مربوط به معیارهای خاص آخر است. پیدا کردن معیارهای درست برای تیم که نشان دهد چگونه به تحقق استراتژی شرکتی یا هدف تیم کمک می‌کند، زمانی آسان‌تر است که پاسخ‌های دو سؤال اول را بدانیم.

اگر علاقه‌مند به هر بخش خاص از این مقاله هستید یا می‌خواهید نتایج کارگاه‌ها را با مثال‌های خاص از پاسخ‌ها و معیارهایی که در کارگاه‌ها با تیم‌های موفقیت مشتری یا محتوا به دست آوردیم، بیشتر توضیح دهم، لطفاً در کامنت‌ها به من اطلاع دهید. برای شما آرزوی موفقیت در ساختن شرکت‌هایی دارم که در آن داده‌ها و اطلاعات نقش مهمی در زندگی روزمره شرکت و تیم‌ها ایفا می‌کنند.

منبع

در پنل تخصصی با موضوع «حکمرانی داده‌ها و توسعه اکوسیستم بانکداری هوشمند» که در حاشیه یازدهمین نمایشگاه بانکداری نوین و نظام‌های پرداخت برگزار شد، نقش حکمرانی داده به عنوان یکی از پیش‌نیازهای اساسی توسعه سرویس‌های هوشمند مورد بحث قرار گرفت.

در بخشی از این پنل، علی‌گل‌زاده، مدیرعامل شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا)، در تشریح وضعیت پیش روی سیاست‌های حکمرانی داده در کسب‌وکارهای بزرگ و بانک‌های ایرانی اظهار کرد: «أساسا در بحث حکمرانی داده سه رکن مورد توجه قرار دارد؛ افراد، فرآیندها و فناوری؛ اما متاسفانه در چند سال اخیر بخش اعظم تمرکز کسب‌وکارهای بزرگ به توسعه بعد فناوری معطوف بوده و همین باعث شده در دو بعد دیگر، وضعیت آنچنان که باید مطلوب نباشد.»
 او در ادامه تاکید کرد: اکنون شرایط به‌صورتی است که هنوز در بسیاری سازمان‌ها، فرآیند مشخصی برای تعیین چگونگی تعریف سطوح دسترسی، اشتراک‌گذاری و مدیریت داده‌ها وجود ندارد.

 مدیرعامل داتا توجه به افراد، نقش‌ها و لزوم ارتقا سواد داده در سازمان را از ضرورت‌های اجرای درست سیاست‌های حکمرانی داده در سازمان‌ها دانست و افزود: «سازمان‌هایی که مایلند به تدریج به کارگیری هوش مصنوعی در مدیریت داده‌ها را در دستور کار خود قرار دهند، لازم است ابتدا بر این دو رکن تمرکز کنند و با تعریف فرآیندهای دقیق، برای چگونگی مدیریت و دسترسی داده‌ها، زمینه‌ساز به‌کارگیری فناوری‌های جدیدی جهت بهینگی بیشتر پیاده‌سازی این سیاست‌ها شوند.»

گل‌زاده با اشاره به برنامه داتا برای اجرای پروژه‌های مرتبط با هوش مصنوعی در مجموعه بانک تجارت گفت: «هر سیستم مبتنی بر هوش مصنوعی، پیش از هر چیز نیاز به دسترسی داشتن به داده‌های دقیق و باکیفیت دارد تا بتواند خروجی‌های معتبر و قابل‌‌اعتمادی ایجاد کند. در همین راستا از سال گذشته اجرای پروژه حکمرانی داده در بانک تجارت در اولویت داتا قرار گرفته است.»
وی با بیان اینکه در این مدت تلاش شده تا بهبود هر سه رکن به صورت همزمان به پیش برده شود، تصریح کرد: «بخش اول این پروژه نهایی و تحویل داده شده، اما همچنان درحال تکمیل هرچه بیشتر این پروژه هستیم.»

مدیرعامل شرکت داتا، تامین برخی قطعات مانند GPU  و همچنین یکپارچه‌سازی داده‌های سامانه‌های متعدد تحت مدیریت بانک که برای ارائه سرویس‌های آنلاین مورد استفاده قرار می‌گیرند را از جمله چالش‌های پیشبرد این پروژه خواند و افرود: «با تمام اینها کار با قدرت در حال پیشروی است و با تکمیل هرچه بیشتر این پروژه، تمرکز جدی ما به سمت تعریف سامانه‌های مبتنی بر هوش مصنوعی برای پاسخ به نیازهای مختلف بانک خواهد رفت.»

چگونه هوش مصنوعی می‌تواند ما را هوشمندتر کند، نه اینکه جایگزین ما شود.

موضوع اصلی شراکت شناختی این است: موضوع فقط داشتن ابزارهای بهتر نیست؛ بلکه تبدیل شدن به نوع متفاوتی از متفکر است. شراکت شناختی مفهوم هوش را بازتعریف می‌کند و بر این نکته تأکید دارد که توانایی‌های شناختی انسان و قابلیت‌های هوش مصنوعی مکمل یکدیگر هستند و یکدیگر را تقویت می‌کنند.

فراتر از روایت‌های معمول درباره هوش مصنوعی

تیترهای خبری اغلب چنین پیام‌هایی دارند:

• “هوش مصنوعی جایگزین کارگران خواهد شد.”

• “ChatGPT آزمون‌های پزشکی را پشت سر گذاشت.”

• “آیا مغزهای ما دیگر به کار نمی‌آید؟”

اما این روایت‌ها چیزی عمیق‌تر را نادیده می‌گیرند. در حالی که ما بحث درباره جایگزین شدن هوش مصنوعی با بسیاری از توانمندی‌های انسانی را دنبال می‌کنیم، فرصت شگرف دیگری را از دست داده و از یک نکته مهم غافل هستیم: اینکه هوش مصنوعی فقط توانایی‌های ما را تغییر نمی‌دهد؛ بلکه شیوه تفکر ما را نیز متحول می‌کند.

با این حال، باید به یک داستان هشداردهنده نیز توجه داشت. برخی معتقدند که اتکای بیش از حد به هوش مصنوعی ممکن است به رکود شناختی منجر شود. در چنین حالتی، هرچه بیشتر مسئولیت تفکر را به ماشین‌ها واگذار کنیم، کمتر در فرایندهای خلاقانه و تحلیلی که ما را به‌طور منحصربه‌فردی انسانی می‌کند، شرکت خواهیم کرد. این خطر بیشتر در زمانی بروز می‌کند که از هوش مصنوعی به‌طور منفعلانه استفاده کنیم، نه به‌طور هدفمند و آگاهانه.

پس موضوع فقط درباره جایگزینی یا حتی تکمیل کردن نیست؛ بلکه درباره تغییری بنیادی است. ما در آستانه عصری قرار داریم که درک هوش مصنوعی می‌تواند کلید ارتقای هوش انسانی باشد—البته به شرطی که با هوش مصنوعی به‌عنوان یک شریک فکری تعامل کنیم، نه به‌عنوان یک جایگزین.

با این حال، بیشتر سازمان‌ها و افراد در یک پارادایم قدیمی گیر کرده‌اند و به هوش مصنوعی یا به‌عنوان تهدیدی که باید از آن ترسید، یا به‌عنوان ابزاری برای استفاده نگاه می‌کنند. حقیقت بسیار هیجان‌انگیزتر و پیچیده‌تر است: هوش مصنوعی می‌تواند محرکی برای تفکر عمیق‌تر و گسترده‌تر باشد—اما فقط در صورتی که با آن به‌صورت آگاهانه و انتقادی برخورد کنیم.

به عصر شراکت شناختی خوش آمدید

چهار مرحله شراکت شناختی: درک، ترکیب، به‌کارگیری، و پالایش

چه می‌شود اگر بگوییم رابطه بین انسان و هوش مصنوعی یک بازی با حاصل جمع صفر نیست؛ بلکه یک شراکت انقلابی است که منتظر کشف شدن است؟ با این مفهوم جدید، یعنی هم‌افزایی عصبی (Neural Synergy)، آشنا شوید—چارچوبی نوین برای درک و تقویت هوش انسانی در عصر هوش مصنوعی.

این فقط در مورد استفاده از هوش مصنوعی به‌عنوان یک ابزار نیست. بلکه درباره درک نحوه تفکر، یادگیری و پردازش اطلاعات توسط هوش مصنوعی است و اینکه چگونه این بینش‌ها می‌توانند توانایی‌های شناختی ما را ارتقا دهند. درست همان‌طور که مطالعه فیزیک به ما کمک کرد قابلیت‌های فیزیکی خود را بهبود دهیم، درک هوش مصنوعی می‌تواند به ما کمک کند تا توانایی‌های ذهنی خود را به سطحی جدید برسانیم.

به آن به‌عنوان پردازش مشترک شناختی فکر کنید. همان‌طور که کامپیوتر شما از پردازنده‌های تخصصی برای انجام انواع مختلفی از وظایف استفاده می‌کند، مغز شما نیز می‌تواند یاد بگیرد که با سیستم‌های هوش مصنوعی در هماهنگی کار کند، به‌گونه‌ای که هر کدام کاری را که در آن بهترین هستند انجام دهند و نتیجه‌ای خلق کنند که فراتر از توانایی‌های هر یک به‌تنهایی باشد.

علم هم‌افزایی

ساختارهای پردازش موازی در شبکه‌های عصبی انسانی و مصنوعی

شواهد این پتانسیل هم‌افزا، در شباهت‌های شگفت‌انگیز بین شبکه‌های عصبی انسانی و مصنوعی نهفته است. یافته‌های تحقیقات اخیر این نکات را آشکار می‌کند:

معماری تشخیص الگو

هم سیستم‌های عصبی انسانی و هم مصنوعی در شناسایی الگوها از طریق ایجاد بازنمایی‌های سلسله‌مراتبی عملکرد فوق‌العاده‌ای دارند. مغز انسان اطلاعات را از طریق لایه‌های قشر بینایی پردازش می‌کند؛ در حالی که شبکه‌های یادگیری عمیق هوش مصنوعی به‌طور مستقل ساختارهای مشابهی را تکامل داده‌اند. با هم، این دو سیستم ورودی‌های ساده را به بینش‌های پیچیده و معنادار تبدیل می‌کنند.

به‌عنوان مثال، تصور کنید یک شرکت خرده‌فروشی از هوش مصنوعی برای تحلیل داده‌های خرید مشتریان استفاده می‌کند. این تحلیل، الگوهای پنهان را آشکار کرده و مشتریان را بر اساس ترجیحات و رفتارها به گروه‌های کوچک تقسیم می‌کند. سپس استراتژیست‌های بازاریابی از این بینش‌ها برای طراحی کمپین‌های سفارشی استفاده می‌کنند و از خلاقیت انسانی برای ایجاد ارتباط احساسی با مشتریان بهره می‌گیرند. مثلاً، هوش مصنوعی بخشی از مشتریان علاقه‌مند به محیط زیست را شناسایی می‌کند و بازاریابان کمپینی طراحی می‌کنند که بر تلاش‌های پایداری شرکت تأکید دارد.

مکانیزم‌های یادگیری

سیستم‌های عصبی انسانی و مصنوعی از طریق تکرار و بازخورد، فرآیندهای خود را بهبود می‌بخشند. هر دو به کمک ورودی‌های متنوع و به تدریج چالش‌برانگیز، کارایی و دقت خود را افزایش داده و توانایی سازگاری و رشد پیدا می‌کنند.

یکپارچه‌سازی حافظه

انسان‌ها و هوش مصنوعی، اطلاعات را به‌صورت توزیع‌شده ذخیره و بازیابی می‌کنند و برای سرعت و ارتباط بهینه‌سازی می‌کنند. ترکیب درک زمینه‌ای انسان با دقت هوش مصنوعی در بازیابی داده‌ها، امکان همکاری این دو سیستم را فراهم می‌کند تا بتوانند به کارایی و بینش عمیقتری دست یابند.

ساخت شراکت شناختی شما

کلید موفقیت در عصر هوش مصنوعی تنها استفاده از هوش مصنوعی نیست، بلکه ایجاد یک رابطه عمیق و همکارانه با آن است. این شراکت نیازمند دو توانایی اساسی است: درک نحوه عملکرد هر دو نوع هوش (سواد عصبی) و دانستن چگونگی ترکیب مؤثر آن‌ها (حکمت تقویت‌شده). بیایید بررسی کنیم که چگونه می‌توان این مهارت‌ها را توسعه داد.

سواد عصبی – درک هر دو نوع هوش

همان‌طور که سواد سنتی انقلابی در نحوه تفکر و ارتباط انسان‌ها ایجاد کرد، سواد عصبی نیز با پرورش درک عمیق‌تری از سیستم‌های عصبی انسانی و مصنوعی، امکانات جدیدی را فراهم می‌کند. توسعه سواد عصبی به افراد اجازه می‌دهد بین این دو جهان پل بزنند و توانایی‌های ذهنی‌ای را آزاد کنند که در عصر شراکت شناختی شکوفا می‌شوند.

مهارت در تشخیص الگوها

انسان‌ها و هوش مصنوعی هر دو در تشخیص الگوها بسیار توانمند هستند، اما روش‌های آن‌ها متفاوت است. سیستم‌های هوش مصنوعی حجم عظیمی از داده‌ها را پردازش کرده و از طریق دقت محاسباتی، روندها و همبستگی‌ها را شناسایی می‌کنند. با مطالعه نحوه عملکرد این سیستم‌ها—از طریق ابزارها، آموزش‌ها یا آزمایش—می‌توانید منطق پشت خروجی‌های آن‌ها را درک کنید.

همزمان، می‌توانید مهارت خود را در شناسایی الگوهای فکری شخصی‌تان تقویت کنید. به نحوه حل مسائل، تفسیر داده‌ها یا شناسایی روندها در ذهن خود توجه کنید. نقطه اوج این دو روش زمانی است که آن‌ها را ترکیب کنید: از هوش مصنوعی برای شناسایی الگوها در مقیاس وسیع استفاده کنید و بر شهود و خلاقیت خود برای معنا بخشیدن به آن‌ها تکیه کنید.

تقویت حافظه

هوش مصنوعی می‌تواند به‌عنوان امتداد حافظه کاری شما عمل کند و حجم گسترده‌ای از اطلاعات را به‌صورت سازمان‌یافته ذخیره و برای بازیابی سریع آماده کند. ابزارهایی مانند برنامه‌های یادداشت‌برداری دیجیتال یا سیستم‌های جستجوی مبتنی بر هوش مصنوعی، توانایی شما را برای به خاطر آوردن داده‌ها بهبود می‌دهند.

اما کلید ادغام مؤثر هوش مصنوعی با توانایی‌های شناختی شما در نحوه ترکیب این اطلاعات نهفته است. تمرین کنید تا بینش‌هایی که هوش مصنوعی ارائه می‌دهد را در چارچوب دانش فعلی خود ادغام کنید و مطمئن شوید که این اطلاعات فقط ذخیره نمی‌شوند بلکه عمیقاً درک می‌شوند. این ادغام عمدی به مرور زمان فرآیند بازیابی اطلاعات را روان‌تر و مؤثرتر می‌سازد.

بهینه‌سازی یادگیری

هم انسان‌ها و هم هوش مصنوعی از طریق بازخورد و تکرار یاد می‌گیرند، اما شیوه‌های آن‌ها منحصر به فرد است. سیستم‌های هوش مصنوعی مانند مدل‌های یادگیری ماشین، دقت خود را با استفاده از داده‌های آموزشی و تصحیح خطاها بهبود می‌بخشند. با درک این فرآیند، می‌توانید اصول مشابهی را در مسیر یادگیری خود به‌کار ببرید.

با چالش‌های کوچک شروع کنید، بازخورد جمع‌آوری کنید و روش خود را به‌صورت گام‌به‌گام اصلاح کنید. علاوه بر این، ایجاد یک چرخه بازخورد بین خود و هوش مصنوعی—که در آن شما از خروجی‌های آن یاد می‌گیرید و ورودی‌های آن را بهبود می‌بخشید—یک شراکت پویا ایجاد می‌کند که در آن هر دو سیستم به طور مداوم پیشرفت می‌کنند.

حکمت تقویت‌شده – کاربردهای عملی

حکمت تقویت‌شده بر ترکیب دقت محاسباتی هوش مصنوعی با خلاقیت و تفکر استراتژیک انسانی تمرکز دارد. این رویکرد استفاده از هوش مصنوعی به‌عنوان یک همکار واقعی است که نقاط قوت شناختی شما را تقویت می‌کند، نه فقط یک ابزار. در ادامه به نحوه عملی کردن این اصول می‌پردازیم:

تحقیق و تحلیل

هوش مصنوعی در پردازش و سازمان‌دهی حجم زیادی از اطلاعات عملکرد فوق‌العاده‌ای دارد، اما این خلاقیت انسانی است که داده‌های خام را به ایده‌های نوآورانه تبدیل می‌کند. ابتدا از ابزارهای هوش مصنوعی برای جمع‌آوری بینش‌های کلی استفاده کنید—چه در اسکن روندهای بازار، تحلیل رفتار مشتری، یا جمع‌آوری پژوهش‌ها. سپس از تجربه و شهود خود برای شناسایی ارتباطاتی استفاده کنید که ممکن است هوش مصنوعی نادیده گرفته باشد. این ادغام دو رویکرد، تضمین می‌کند که بینش‌ها هم جامع هستند و هم معنادار.

مثلا فرض کنید تیم توسعه محصول از هوش مصنوعی مولد برای ایده‌پردازی هزاران طراحی احتمالی برای یک ابزار جدید استفاده می‌کند. هوش مصنوعی با در نظر گرفتن روندهای بازار و بازخورد کاربران، مجموعه گسترده‌ای از گزینه‌ها را تولید می‌کند. سپس طراحان انسانی این مفاهیم را ارزیابی کرده و آن‌هایی را که با اهداف برند و عملکرد محصول همخوانی دارند، انتخاب و بهینه می‌کنند.

این شراکت، فرآیند خلاقیت را تسریع می‌کند و در عین حال اطمینان می‌دهد که طراحی‌های نهایی نوآورانه و کاربرمحور باقی می‌مانند.

حل مسئله

توانایی هوش مصنوعی در انجام محاسبات سنگین، آن را به یک هم‌پیمان قدرتمند در حل مسائل پیچیده تبدیل می‌کند. در حالی که هوش مصنوعی الگوها را تحلیل کرده و راه‌حل‌های بالقوه را شناسایی می‌کند، انسان‌ها می‌توانند انرژی خود را بر روی استراتژی‌های سطح بالاتر و خلاقیت متمرکز کنند. با ترکیب دقت هوش مصنوعی با قضاوت انسانی، این شراکت راه‌حل‌هایی تولید می‌کند که هم مؤثر و هم دقیق هستند.

به عنوان مثال، در حوزه بهداشت و درمان، ابزارهای تشخیصی مبتنی بر هوش مصنوعی داده‌های تصویربرداری بیمار را تحلیل کرده تا علائم اولیه شرایطی مانند سرطان را شناسایی کنند. این ابزارها با دقت بالایی مسائل بالقوه را برجسته می‌کنند، اما تخصص رادیولوژیست است که تشخیص را تأیید کرده و برنامه‌های درمانی را تعیین می‌کند. ترکیب توانایی‌های تحلیلی هوش مصنوعی با درک زمینه‌ای پزشک، دقت تشخیص را بهبود بخشیده و مراقبت از بیمار را ارتقاء می‌دهد.

یادگیری و توسعه

هوش مصنوعی می‌تواند با ایجاد چارچوب‌های دانش ساختاریافته، سازمان‌دهی منابع و ارائه بازخورد در زمان واقعی، فرآیند یادگیری را تسریع کند. با این حال، درک انسانی تضمین می‌کند که این دانش به طور معناداری به‌کار گرفته شود. تمرین مداوم تمرین متقاطع شناختی—تغییر میان وظایف با کمک هوش مصنوعی و چالش‌های صرفاً انسانی—به ایجاد رویکردی متعادل و قابل انطباق در یادگیری کمک می‌کند.

به عنوان مثال، یک حرفه‌ای ممکن است از هوش مصنوعی برای سازمان‌دهی یک برنامه مطالعه برای یک آزمون گواهینامه استفاده کند، شکاف‌های دانش را شناسایی کرده و منابع مرتبط را گردآوری کند. در حین پیشرفت، آن‌ها محتوای پیشنهادی هوش مصنوعی را با بینش‌های شخصی خود ادغام می‌کنند و درباره نحوه اعمال مطالب در حرفه خود تأمل می‌کنند. این تعامل بین ساختار ایجاد شده توسط هوش مصنوعی و ادغام انسانی، درک عمیق‌تر و عملی‌تری را ایجاد می‌کند.

رهبری انقلاب

آینده متعلق به کسانی است که می‌توانند هوش انسانی و مصنوعی را به‌طور مؤثر ادغام کنند. این تنها درباره سازگاری با عصر هوش مصنوعی نیست—بلکه درباره رهبری آن است. ما در آستانه عصر شراکت شناختی قرار داریم، جایی که موفقیت به میزان توانایی ما در درک و بهره‌گیری از هم‌افزایی عصبی (Neural Synergy) بستگی دارد. توسعه مهارت‌هایی مانند سواد عصبی و تمرین حکمت تقویت‌شده ضروری است، اما این تحول فراتر از افراد می‌رود—به عبارتی نیازمند بازاندیشی جمعی در زمینه آموزش و رهبری است.

بازاندیشی آموزش برای سواد عصبی

سیستم‌های آموزشی امروز ریشه در پارادایم‌های قدیمی دارند—پارادایم‌هایی که بر حفظیات و تفکر خطی تمرکز دارند. این رویکردها در عصری که هوش مصنوعی می‌تواند حجم عظیمی از داده‌ها را پردازش کرده و در عرض چند ثانیه بینش‌های پیچیده ارائه دهد، ناکافی هستند. برای موفقیت، باید به دانش‌آموزان آموزش دهیم که نه‌تنها از هوش مصنوعی استفاده کنند، بلکه با آن همکاری کنند.

سواد عصبی باید به یک مهارت پایه‌ای تبدیل شود، همانند خواندن و نوشتن، که امکانات جدیدی برای تفکر و حل مسئله ایجاد می‌کند. مدارس و دانشگاه‌ها باید:

1. تغییر از حفظیات به تفکر انتقادی
   دانش‌آموزان را مجهز کنند تا خروجی‌های هوش مصنوعی را مورد سؤال قرار دهند، اعتبار آن‌ها را ارزیابی کنند و آن‌ها را در تصمیم‌گیری‌های انسان‌محور ادغام کنند.
2. آموزش مهارت‌های تشخیص الگو
   به دانش‌آموزان یاد بدهند چگونه الگوهای معنادار را در داده‌ها و رفتارهای انسانی شناسایی کنند و از هوش مصنوعی به‌عنوان شتاب‌دهنده این فرآیند استفاده کنند.
3. پرورش مهارت‌های همکاری با هوش مصنوعی
   پروژه‌های عملی طراحی کنند که در آن دانش‌آموزان با سیستم‌های هوش مصنوعی تعامل داشته و قابلیت‌ها و محدودیت‌های آن را یاد بگیرند.

مثال عملی

تصور کنید یک پروژه علمی در مقطع راهنمایی تعریف شده که در آن دانش‌آموزان از هوش مصنوعی برای شبیه‌سازی سناریوهای تغییرات اقلیمی استفاده می‌کنند. آن‌ها پیش‌بینی‌های هوش مصنوعی را تحلیل می‌کنند، با تفکر انتقادی نتایج را تفسیر کرده و مداخلات انسانی قابل اجرا پیشنهاد می‌دهند.

این روش، نقاط قوت هر دو نوع شناخت انسانی و هوش مصنوعی را ترکیب کرده و نسل آینده‌ای پرورش می‌دهد که آماده رهبری عصر شراکت شناختی هستند.

رهبری در عصر شراکت شناختی

رهبران فردا باید در زمینه‌هایی برجسته شوند که برنامه‌های رهبری سنتی به‌ندرت به آن‌ها پرداخته‌اند. در حالی که مهارت‌های فنی ضروری هستند، آنچه سازمان‌ها و تیم‌های موفق را تعریف خواهد کرد، توانایی مدیریت و بهره‌گیری از همکاری انسان و هوش مصنوعی است.

برنامه‌های توسعه رهبری باید بر این موارد تأکید کنند:

1. تصمیم‌گیری آگاهانه از هوش مصنوعی
   رهبران باید یاد بگیرند چگونه بینش‌های تولیدشده توسط هوش مصنوعی را در استراتژی‌های خود گنجانده و در عین حال از انجام نظارت اخلاقی و انسان‌محور را اطمینان حاصل کنند.
2. همدلی و ارتباطات
   رهبران مؤثر باید فاصله بین سیستم‌های هوش مصنوعی و ذینفعان انسانی را پر کنند و خروجی‌های فنی را به بینش‌های قابل عمل و قابل درک تبدیل کنند.
3. یادگیری پویا و انطباق‌پذیری
   رهبری در عصر شراکت شناختی نیازمند تعهد به یادگیری مداوم است، پیشی گرفتن از پیشرفت‌های هوش مصنوعی و هدایت تیم‌ها در طول تغییرات تکنولوژیکی.

مثال عملی:
تصور کنید یک برنامه رهبری شرکتی تعریف شده که به مدیران اجرایی یاد می‌دهد چگونه از ابزارهای هوش مصنوعی برای تحلیل سناریوها استفاده کنند. سپس این رهبران تمرین می‌کنند تا نتایج را تفسیر کرده و آن‌ها را در استراتژی‌های سطح بالا ادغام کنند و دقت داده‌محور را با شهود انسانی ترکیب کنند. این مجموعه مهارت دوگانه، موفقیت رهبری در عصر هوش مصنوعی را تعریف خواهد کرد.

ایجاد بستری برای هم‌افزایی عصبی

برای پذیرش کامل عصر شراکت شناختی، نهادها باید با یکدیگر همکاری کرده تا جامعه را برای این تحول آماده کنند. برای تحقق این هدف لازم است به موارد زیر توجه شود:

1. ادغام بین‌رشته‌ای
   معرفی مفاهیم سواد هوش مصنوعی و هم‌افزایی عصبی در تمامی رشته‌های آکادمیک و حرفه‌ای.
2. اخلاق و مسئولیت‌پذیری
   گنجاندن ملاحظات اخلاقی در تمامی جنبه‌های آموزش همکاری با هوش مصنوعی، به‌منظور اطمینان از استفاده مسئولانه از این ابزارهای قدرتمند.
3. منابع یادگیری مادام‌العمر
   ارائه فرصت‌های آموزش مداوم و به‌روزرسانی مهارت‌ها برای حرفه‌ای‌ها در هر مرحله از مسیر شغلی‌شان.

بازاندیشی در آموزش و توسعه رهبری به ما کمک خواهد کرد تا جامعه‌ای بسازیم که در آن هوش انسانی و مصنوعی به‌طور هماهنگ کنار هم به ایفای نقش بپردازند. عصر شراکت شناختی فرصتی است برای بازتعریف هوش، نوآوری و همکاری. کسانی که این دیدگاه را بپذیرند نه‌تنها با عصر هوش مصنوعی سازگار می‌شوند، بلکه تحول آن را رهبری خواهند کرد.

سؤال این نیست که آیا هوش مصنوعی نحوه تفکر ما را تغییر خواهد داد یا نه، بلکه این است که آیا شما در خط مقدم این تغییر خواهید بود یا خیر؟ عصر شراکت شناختی آغاز شده است. آیا شما به این حرکت می‌پیوندید و به شکل‌دهی آینده‌ای کمک می‌کنید که در آن هوش انسانی و مصنوعی برای دستیابی به امور فوق‌العاده ترکیب شوند؟

گام‌های بعدی برای هم‌افزایی عصبی

عصر شراکت شناختی آغاز شده است و پذیرش هم‌افزایی عصبی نیازمند تلاش آگاهانه است. این گام‌ها به شما کمک خواهند کرد تا مهارت‌ها، نگرش‌ها و شبکه‌های لازم برای شکوفایی در دنیایی که در آن هوش انسانی و مصنوعی با هم همکاری می‌کنند، ایجاد کنید. چه تازه شروع کرده باشید یا با هوش مصنوعی آشنا باشید، در اینجا نحوه شروع سفر شما آورده شده است:

شروع سفر سواد عصبی

درک اصول اولیه نحوه عملکرد هوش مصنوعی و شبکه‌های عصبی برای همکاری ضروری است. سواد عصبی به شما کمک می‌کند تا نقاط قوت و محدودیت‌های هوش مصنوعی و همچنین الگوهای تفکر خود را شناسایی کنید.

1. مبانی شبکه‌های عصبی را مطالعه کنید
   منابعی مانند دوره‌های مقدماتی هوش مصنوعی، آموزش‌های یوتیوب یا مقالاتی که توضیح می‌دهند چگونه نورون‌های مصنوعی فرآیندهای مغزی انسان را شبیه‌سازی می‌کنند، را بررسی کنید. پلتفرم‌هایی مانند Coursera یا Khan Academy معرفی‌های عالی دارند.
2. تمرین تشخیص الگو در تفکر انسان و هوش مصنوعی
   از ابزارهای ساده مانند چت‌بات‌ها (مثلاً ChatGPT) یا تولیدکننده‌های تصویر برای مشاهده نحوه شناسایی الگوها توسط هوش مصنوعی استفاده کنید. این را با نحوه پردازش اطلاعات خود مقایسه کنید و شباهت‌ها و تفاوت‌ها را مشاهده کنید.
3. آزمایش همکاری انسان و هوش مصنوعی
   شروع به وارد کردن هوش مصنوعی در وظایف روزمره کنید—از ابزارهای هوش مصنوعی برای طوفان فکری ایده‌ها، تحلیل داده‌ها یا اتوماسیون وظایف تکراری استفاده کنید. به این فکر کنید که هوش مصنوعی چگونه تفکر شما را تکمیل می‌کند.

توسعه حکمت تقویت‌شده

حکمت تقویت‌شده در مورد بهره‌گیری از هوش مصنوعی برای بهبود تصمیم‌گیری و خلاقیت شماست، در حالی که کنترل فرآیند همچنان در دست شما است.

1. یک حوزه را برای اعمال شراکت شناختی انتخاب کنید
   یک حوزه در کار یا زندگی خود شناسایی کنید که هوش مصنوعی می‌تواند به آن کمک کند—مانند تحقیق، برنامه‌ریزی پروژه یا حل مسئله. از مقیاس کوچک شروع کرده و تأثیر آن را ارزیابی کنید.
2. ایجاد حلقه‌های بازخورد برای بهبود مداوم
   پس از استفاده از هوش مصنوعی برای یک وظیفه، خروجی آن را به‌طور انتقادی بررسی کنید. از خود بپرسید: چه چیزی خوب بود؟ چه چیزی را می‌توانم بهبود دهم؟ از این بینش‌ها برای تنظیم نحوه همکاری خود با هوش مصنوعی در آینده استفاده کنید.
3. بینش‌های خود را با دیگران به اشتراک بگذارید
   به انجمن‌های آنلاین بپیوندید، در وبینارها شرکت کنید یا در بحث‌هایی در مورد همکاری انسان و هوش مصنوعی مشارکت کنید. به اشتراک گذاشتن تجربیات باعث ساخت دانش جمعی و تقویت درک شما می‌شود.

پیوستن به حرکت

عصر شراکت شناختی بر پایه جامعه رشد خواهد کرد. این شامل ارتباط با دیگران، مشارکت در دانش و حمایت از استفاده اخلاقی از هوش مصنوعی است. با انجام این کار، شما می‌توانید به یک رهبر در شکل‌دهی به آینده همکاری انسان و هوش مصنوعی تبدیل شوید.

1. با دیگرانی که در حال بررسی هم‌افزایی عصبی هستند ارتباط برقرار کنید
   به جوامع آنلاین مانند گروه‌های LinkedIn مرتبط با هوش مصنوعی، کانال‌های Slack یا نشست‌های محلی بپیوندید که در آن‌ها می‌توانید چالش‌ها و ایده‌ها را بحث کنید.
2. در تولید دانش مشارکت کنید
   مقالات بنویسید، مطالعات موردی به اشتراک بگذارید یا در رویدادها شرکت کنید تا مستند کنید که چگونه از هوش مصنوعی برای تقویت تفکر انسانی استفاده می‌کنید.
3. به شکل‌دهی به آینده همکاری انسان و هوش مصنوعی کمک کنید
   از شیوه‌های اخلاقی استفاده از هوش مصنوعی در سازمان یا جامعه خود حمایت کنید. دیگران را الهام بخشید تا هوش مصنوعی را نه به‌عنوان جایگزین، بلکه به‌عنوان شریک در پیشرفت ببینند.

عصر شراکت شناختی فرصت ما برای بازتعریف هوش و رهبری در عصر هوش مصنوعی است. این گام‌ها تنها درباره درک هوش مصنوعی نیستند—بلکه درباره ساختن آینده‌ای هستند که در آن خلاقیت انسانی و دقت مصنوعی برای خلق چیزی فوق‌العاده با هم ترکیب می‌شوند.

آیا آماده‌اید که به طور عمیق‌تر به سواد عصبی، حکمت تقویت‌شده و شراکت شناختی پرداخته و این مفاهیم را بیشتر بررسی کنید؟ وبینار تعاملی یک‌ساعته ما بینش‌های عملی، مثال‌های کاربردی و ابزارهای لازم برای شروع به کارگیری این اصول را در اختیار شما قرار می‌دهد. برای یادگیری بیشتر در مورد چگونگی بهره‌برداری مؤثر از هوش مصنوعی و تقویت مهارت‌های شناختی خود با ما تماس بگیرید.

علاوه بر این، پیشنهادات آموزشی متنوعی داریم که به کمک آن‌ها افراد و تیم‌ها می‌توانند در عصر شراکت شناختی شکوفا شوند. از دوره‌های مقدماتی تا کارگاه‌های پیشرفته، ما در هر مرحله از راه شما را راهنمایی خواهیم کرد.

منبع

داده‌ها فقط اعداد نیستند؛ آن‌ها سیستم عصبی سازمان شما هستند. بیاموزید که چگونه نگاه کردن به داده‌ها به‌عنوان یک دارایی مهم فرهنگی، می‌تواند چابکی را افزایش دهد؛ نوآوری را به جلو ببرد و تصمیم‌گیری در لحظه را ممکن سازد. با استفاده از قدرت یک سیستم عصبی داده‌ای و پاسخگو، آینده سازمان خود را متحول کنید!

داده‌ها تنها برای استخراج بینش‌ها به کار نمی‌روند؛ آن‌ها پیوند دهنده‌ای هستند که می‌توانند خلاقیت، تاب‌آوری و سازگاری تیم شما را به یک ارگانیسم سازمانی پررونق تبدیل کنند.

در دنیای امروزی کسب‌وکار، داده‌ها به رگ حیات سازمان‌ها تبدیل شده‌اند. اما هنوز هم بسیاری از سازمان‌ها آن‌ها را صرفاً یک کالا می‌بینند که باید جمع‌آوری و تحلیل شوند؛ بدون آنکه به‌طور کامل در فرهنگ سازمانی جای بگیرند. حالا فرض کنید که داده‌ها را به‌طور متفاوتی ببینیم؛ به‌عنوان سیستم عصبی سازمان که امکان دستیابی به بینش‌های لحظه‌ای و واکنش سریع به تغییرات بازار را فراهم می‌کند. این دیدگاه نه تنها درک ما از نقش داده‌ها را تغییر می‌دهد، بلکه ضرورت یک تحول فرهنگی که داده‌ها را به‌عنوان دارایی اصلی بپذیرد، روشن می‌سازد.

اکثر ما حالا دیگر در جمع‌آوری داده‌ها استاد شده‌ایم؛ اما آیا توانسته‌ایم آن‌ها را به درستی حس کنیم؟ موفق‌ترین سازمان‌ها فقط داده‌های خود را تجزیه‌و‌تحلیل نمی‌کنند؛ آن‌ها حس ششمی برای آن دارند. در این مقاله، با استفاده از چارچوب‌های اثبات‌شده برای تحول فرهنگی مبتنی بر داده‌ها، می‌آموزید که چگونه این شهود سازمانی را پرورش دهید.

سیستم عصبی سازمانی: یک پارادایم جدید

تصور کنید که سازمان شما یک موجود زنده است. تغییرات بازار مانند محرک‌های محیطی عمل می‌کنند؛ در حالی که بازخورد مشتریان، ورودی‌های حسی هستند که تصمیمات استراتژیک شما را هدایت می‌کنند. در این تشبیه، داده‌ها به سیستم عصبی سازمان شما شباهت دارند؛ شبکه‌ای پیچیده که به شما کمک می‌کند تا به سیگنال‌های داخلی و خارجی پاسخ دهید. این فقط یک استعاره نیست؛ بلکه یک رویکرد انقلابی برای ساختاردهی و استفاده از داده‌ها در دنیای کسب‌وکار امروزی است.

درک سیستم عصبی سازمانی

همان‌طور که سیستم عصبی بدن ما به تغییرات محیطی پاسخ می‌دهد، سیستم عصبی داده‌های یک سازمان نیز واکنش‌ها به تغییرات بازار، رفتار مشتریان و چالش‌های عملیاتی را هماهنگ می‌کند. وقتی این سیستم به‌خوبی کار کند، سازمان می‌تواند به‌طور سریع و دقیق واکنش نشان دهد؛ درست مثل دستی که به‌طور غریزی از سطح داغ دور می‌شود. تفاوت بین موفقیت و شکست بسیاری از اوقات به این بستگی دارد که این سیستم چطور عمل می‌کند.

اجزای اصلی سیستم عصبی داده‌ها

سیستم عصبی داده‌های هر سازمان از چهار بخش اصلی تشکیل می‌شود که هرکدام نقش حیاتی در واکنش‌های سازمان دارند:

خطوط لوله داده‌ها (عصب‌ها): این خطوط لوله، اطلاعات را در سراسر سازمان منتقل می‌کنند و اطمینان می‌دهند که داده‌های صحیح به افراد درست و در زمان مناسب می‌رسد. به عنوان مثال، نتفلیکس از یک شبکه پیچیده تحویل محتوا استفاده می‌کند که به‌طور آنی داده‌های مربوط به مشاهده را در سازمان خود پخش می‌کند و همه چیز از توصیه‌های روزانه گرفته تا تصمیمات تولید بلندمدت را هدایت می‌کند.

رهبری و مدیریت (مغز): واحد رهبری، سیگنال‌های داده را تفسیر کرده و واکنش‌های سازمانی را هماهنگ می‌کند. در آمازون، این «مغز» میلیون‌ها داده را پردازش کرده و تصمیمات مهمی در زمینه قیمت‌گذاری پویا، تنظیم موجودی و تغییرات استراتژیک می‌گیرد. کلید موفقیت این است که فقط داده‌ها را جمع‌آوری نکنیم، بلکه توانایی تفسیر و اقدام بر اساس آن‌ها را نیز داشته باشیم.

روش‌های جمع‌آوری داده‌ها (گیرنده‌ها): این بخش‌ها اطلاعات محیطی را از طریق ابزارهای مختلف جمع‌آوری می‌کنند—از نظرسنجی‌های مشتری گرفته تا تجزیه‌و‌تحلیل‌های لحظه‌ای. زارا در این زمینه بسیار موفق است و داده‌های فروش و ترجیحات مشتریان را به صورت آنی جمع‌آوری کرده و به تصمیم‌گیرندگان منتقل می‌کند.

پاسخ‌های سازمانی (واکنش‌ها): این‌ها اقداماتی هستند که بر اساس داده‌های پردازش‌شده اتخاذ می‌شوند. پاسخ‌ها می‌توانند شامل تنظیمات خودکار، مانند تغییرات قیمت‌گذاری در آمازون، یا تغییرات استراتژیک مانند راه‌اندازی یک سری جدید در نتفلیکس بر اساس الگوهای مشاهده مشتریان باشد.

سازمان شما یک سیستم عصبی دارد؛ چه آن را بشناسید یا نه. مهم این است که این سیستم به‌طور مؤثر عمل می‌کند یا نیاز به تقویت دارد. با استفاده از ارزیابی فرهنگ داده‌ها، می‌توانید نقاط قوت و ضعف سیستم عصبی داده‌های خود را شناسایی کنید.

قدرت یک سیستم عصبی داده سالم

یک سیستم عصبی داده سالم و کارآمد، سه قابلیت حیاتی را ممکن می‌سازد:

تصمیم‌گیری در لحظه: نتفلیکس نمونه‌ای از این قابلیت است که با تجزیه‌و‌تحلیل تعاملات روزانه کاربران، به‌طور خودکار توصیه‌ها را تنظیم کرده و تصمیمات تولید را می‌گیرد.

سازگاری سریع با تغییرات بازار: سیستم چابک زارا به آن‌ها این امکان را می‌دهد که تنها در سه هفته از شناسایی روندها به تولید و عرضه محصولات جدید برسند. این رویکرد مبتنی بر داده به آن‌ها اجازه می‌دهد تا فرصت‌های بازار را سریع‌تر شناسایی کنند و از رقبا پیشی بگیرند.

حل مشکلات به‌صورت پیشگیرانه: سیستم پیچیده آمازون متغیرهای مختلف را رصد می‌کند و تأخیرهای احتمالی در تحویل را قبل از وقوع شناسایی می‌کند. این رویکرد پیش‌بینی‌کننده به سازمان اجازه می‌دهد که سریعاً واکنش نشان دهد.

وقتی سیستم عصبی دچار مشکل می‌شود

همان‌طور که سیستم عصبی بدن ممکن است دچار اختلال شود، سازمان‌ها نیز ممکن است با مشکلاتی در سیستم داده‌های خود روبه‌رو شوند:

سیلوهای داده (مسیرهای عصبی مسدود شده): وقتی بخش‌ها داده‌ها را به اشتراک نمی‌گذارند، جزایر اطلاعاتی ایجاد می‌شود که می‌تواند منجر به تصمیمات اشتباه شود.

پاسخ‌های کند (رفلکس‌های کند): سازمان‌هایی که تنها به گزارش‌های سه‌ماهه تکیه می‌کنند، مانند سیستم عصبی‌ای با رفلکس‌های کند عمل می‌کنند. این کار باعث می‌شود که رقبا سریع‌تر واکنش نشان دهند و بازار را از آن خود کنند.

اشتباه در تفسیر سیگنال‌ها: تفسیر نادرست داده‌ها می‌تواند منجر به تصمیمات غلط شود. برای مثال، یک شرکت خرده‌فروشی به اشتباه ترافیک فصلی کاهش یافته را به تجربه کاربری ضعیف مرتبط دانست؛ در حالی که این تغییر به دلایل دیگری بوده است.

مقاومت فرهنگی: گاهی اوقات کارکنان نسبت به استفاده از داده‌ها مقاومت می‌کنند، زیرا ممکن است از جایگزینی خود با اتوماسیون بترسند یا به داده‌ها اعتماد نداشته باشند. این می‌تواند نوآوری و همکاری را مختل کند.

تقویت سیستم عصبی داده‌ها

برای تقویت سیستم عصبی داده‌های سازمان، باید به‌طور هم‌زمان به جنبه‌های ساختاری و فرهنگی توجه کنید:

نقشه‌برداری از جریان اطلاعات: مسیرهایی که اطلاعات می‌توانند به‌طور آزاد در سازمان جریان یابند را شناسایی کنید و برای بهبود آن‌ها تلاش کنید.

سرمایه‌گذاری در سواد داده‌ها: کارکنان باید توانایی تجزیه‌و‌تحلیل داده‌ها را داشته باشند. آموزش‌ها باید به‌طور مداوم و متناسب با نیازهای مختلف نقش‌ها صورت گیرد.

توسعه پروتکل‌های شفاف: پروتکل‌هایی برای جمع‌آوری و تجزیه‌و‌تحلیل داده‌ها ایجاد کنید که کیفیت و دقت داده‌ها را تضمین کند.

ایجاد مکانیسم‌های بازخورد: سیستمی فراهم کنید که کارکنان بتوانند نظر خود را درباره استفاده از داده‌ها بیان کنند.

توسعه قابلیت‌های واکنش سریع: تیم‌های متنوعی برای پاسخگویی به تغییرات سریع در داده‌ها ایجاد کنید.

آینده سیستم‌های عصبی سازمانی

با پیشرفت هوش مصنوعی و یادگیری ماشین، سیستم‌های عصبی داده سازمان‌ها، پیچیده‌تر و کارآمدتر خواهند شد. در آینده‌ای نزدیک، سیستم‌ها قادر خواهند بود تغییرات را پیش‌بینی کنند؛ همان‌طور که سیستم عصبی بدنمان، ما را برای اتفاقات آینده آماده می‌کند.

سازمان‌هایی که در این عصر موفق خواهند بود، آن‌هایی هستند که سیستم عصبی داده‌ای قوی و پاسخگویی دارند. آن‌ها داده‌ها را به‌طور یکپارچه در عملیات روزمره خود به‌کار خواهند برد و سازمان‌هایی هوشمند و نوآور خواهند ساخت که قادر به سازگاری سریع هستند.

منبع

آیا با احساس غرق شدن در دریای داده‌ها روبرو شده‌اید؟ شما تنها نیستید. بسیاری از افراد در مواجهه با حجم عظیم اطلاعات دچار سردرگمی می‌شوند. اما اگر داده‌ها بتوانند به جای جایگزین کردن شهود شما، آن را تقویت کنند، چه؟ با استفاده از تصمیم‌گیری مبتنی بر داده‌ها، شما و سازمانتان می‌توانید تصمیماتی مطمئن‌تر و هوشمندانه‌تر بگیرید.

داده‌ها بدون شهود نابینا هستند و شهود بدون داده محدود است. آینده متعلق به کسانی است که بتوانند این دو را به‌خوبی در قطب‌نمای تصمیم‌گیری خود متعادل کنند.

چالش تصمیم‌گیری در میان انبوه داده‌ها

تصور کنید:

سارا، مدیر فروش، در دفتر خود نشسته و به ارقام عملکرد تیمش خیره شده است. فشار زیادی روی اوست و باید تصمیم بگیرد منابع را برای سه‌ماهه آینده چگونه تخصیص دهد تا به اهداف بلندپروازانه خود برسد.

مایک، توسعه‌دهنده محصول، میان اولویت‌های متناقض گیر کرده و نمی‌داند برای نسخه بعدی محصول روی چه ویژگی‌هایی تمرکز کند.

لیزا، مدیر منابع انسانی، با افزایش نرخ ترک شغل کارکنان دست و پنجه نرم می‌کند و با وجود تلاش‌های فراوان، راه‌حلی برای افزایش رضایت کارکنان پیدا نمی‌کند.

اگر تاکنون زیر فشار تصمیم‌گیری احساس سردرگمی کرده‌اید، بدانید که تنها نیستید. همه ما چنین شرایطی را تجربه کرده‌ایم. اما اگر راهی وجود داشت که بتوانید از مه غلیظ تردید عبور کنید و با اطمینان و شفافیت تصمیم بگیرید، چه؟

چرا نباید از داده‌ها ترسید؟

برای بسیاری از ما، کلمه “داده”، تصاویر صفحات گسترده پیچیده و الگوریتم‌های ترسناک را به ذهن می‌آورد. شاید یادآور روزهایی باشد که در ریاضی یا آمار مشکل داشتیم. اما حقیقت این است: داده‌ها چیزی جز اطلاعات نیستند و شما همین حالا هم از آنها استفاده می‌کنید.

وقتی پیش از انتخاب لباس، وضعیت هوا را بررسی می‌کنید، از داده استفاده می‌کنید. وقتی قبل از خرید محصول، نظرات دیگران را می‌خوانید، این هم داده است.

تصمیم‌گیری مبتنی بر داده‌ها به معنای جمع‌آوری اطلاعات مرتبط برای هدایت تصمیمات شماست، در حالی که همچنان به دانش و شهود خود ارزش می‌دهید.

برخی از دلایلی که باعث می‌شود باور کنید دلیلی برای ترس از داده‌ها وجود ندارد، در زیر ذکر شده‌اند:

ریاضیات پیچیده لازم نیست: ابزارهای مدرن وظایف سخت را انجام می‌دهند. وظیفه شما پرسیدن سوالات درست و تفسیر نتایج است.

نیاز نیست دانشمند داده باشید: مهارت‌های اولیه کار با داده برای همه قابل یادگیری است.

داده‌ها دانش شما را تکمیل می‌کنند: داده‌ها جایگزین تخصص شما نیستند؛ بلکه آن را تقویت می‌کنند.

شروع با داده‌های ساده: با اطلاعات پایه شروع کنید و به تدریج پیچیدگی را افزایش دهید.

کاهش عدم اطمینان: داشتن داده‌های قابل‌اعتماد استرس را کاهش داده و اعتماد به نفس شما را افزایش می‌دهد.

قدرت تصمیم‌گیری مبتنی بر داده‌ها را کشف کنید

پس چه می‌شد اگر می‌توانستید از این رویکرد روزمره به داده‌ها، بهره ببرید تا تصمیمات هوشمندانه‌تری در محل کار بگیرید؟

تصمیم‌گیری مبتنی بر داده‌ها به معنای غرق شدن در اعداد و ارقام نیست. بلکه درباره استفاده از اطلاعات مرتبط، برای هدایت انتخاب‌هایتان است؛ آن هم در حالی که همچنان به تجربه و شهود خود ارزش می‌دهید. تصور کنید در یک جلسه ایستاده‌اید و با اعتمادبه‌نفس تازه‌ای ایده‌های خود را ارائه می‌دهید، زیرا داده‌های محکم از شما پشتیبانی می‌کنند. خود را تصور کنید که شب‌ها بهتر می‌خوابید، بدون استرس و شک‌وتردید، زیرا می‌دانید تصمیماتتان بر اساس بهترین شواهد ممکن اتخاذ شده است. به رشد شغلی خود فکر کنید، زمانی که به فردی شناخته‌شده‌ای تبدیل می‌شوید که توانایی اتخاذ تصمیمات هوشمندانه و مبتنی بر شواهد را دارد.

اما نکته اصلی اینجاست: داده‌ها باید راهنمایی کنند، نه اینکه دیکته کنند. ما طرفدار یک رویکرد کاملاً مکانیکی نیستیم. بلکه معتقدیم باید به تعادلی برسیم که آن را تصمیم‌گیری مبتنی بر داده‌ها می‌نامیم.

تعادل بین شهود و بینش داده‌ها

داده‌ها می‌توانند نشان دهند که چه اتفاقی افتاده است، اما درک چرایی آن معمولاً به لمس انسانی نیاز دارد. اعداد روی صفحه نه اخلاق دارند، نه همدلی و نه خلاقیت. آن‌ها نمی‌توانند پیامدهای اخلاقی یک انتخاب را در نظر بگیرند، یک ایده نوآورانه را تصور کنند یا احساسات یک عضو تیم را که با تغییر دست‌وپنجه نرم می‌کند، درک کنند.

به لیزا، متخصص منابع انسانی، فکر کنید. او می‌توانست افزایش نرخ ترک کار کارکنان را ماه به ماه ببیند؛ اما تا زمانی که رویکرد تفکر سیستمی را به کار نگرفت و ارتباطات بین عوامل مختلف را بررسی نکرد، علت اصلی را درک نکرد: کمبود فرصت‌های توسعه حرفه‌ای. با در اختیار داشتن این بینش، او یک برنامه مربی‌گری راه‌اندازی کرد و طی شش ماه، نرخ ترک کار 25 درصد کاهش یافت. تفاوت ایجاد شده فقط به دلیل داده‌ها نبود؛ بلکه به دلیل درک جامع لیزا از سازمان و تمایل او برای شنیدن داستان‌های کارکنانش بود.

و سپس مایک، توسعه‌دهنده محصول. در ابتدا وسوسه شده بود که اولویت را به ویژگی‌های جدید و جذابی بدهد که به نظر می‌رسید همه درباره آن‌ها صحبت می‌کنند. اما وقتی بازخورد کاربران را با دقت بررسی کرد و اصول تفکر طراحی را به کار گرفت، متوجه شد که مشتریان بیشتر به سرعت و عملکرد اهمیت می‌دهند. تمرکز بر بهینه‌سازی این جنبه‌ها و انجام تکرارهایی بر اساس بازخورد کاربران باعث شد امتیازات رضایت مشتری 40 درصد افزایش یابد و تعداد ثبت‌نام‌های جدید دو برابر شود. این موفقیت فقط به دلیل داده‌ها نبود، بلکه نتیجه رویکرد انسان‌محور مایک در درک نیازهای واقعی مشتریانش بود.

و در مورد سارا، مدیر فروش، که با چندین سه‌ماهه ناامیدکننده مواجه بود. او به داده‌های تعامل با مشتریان مراجعه کرد و یک روند را شناسایی کرد: پیگیری‌های شخصی‌سازی‌شده طی 48 ساعت نرخ موفقیت در بستن قراردادها را به‌طور چشمگیری افزایش می‌دهد. او به سرعت جریان کاری تیم خود را بازطراحی کرد تا بر پیگیری‌های فوری تمرکز کنند و برای اولین بار در یک سال، توانستند اهداف خود را پشت سر بگذارند. موفقیت آن‌ها فقط به دلیل اعداد نبود، بلکه به دلیل توانایی سارا در اتصال نقاط، دیدن تصویر بزرگ‌تر و ایجاد محیطی مشارکتی بود که تیمش بتواند بیاموزد و با شرایط سازگار شود.

این داستان‌ها یک حقیقت ساده را نشان می‌دهند: داده‌ها قدرتمند هستند، اما وقتی با بینش انسانی، شهود و رویکردی مشارکتی برای حل مسئله ترکیب شوند، به ابزاری تحول‌آفرین تبدیل می‌شوند. هدف این نیست که قضاوت خود را با داده‌ها جایگزین کنید؛ بلکه قرار است آن را ارتقا دهید. داده‌ها را به‌عنوان قطب‌نمای خود استفاده کنید، اما به یاد داشته باشید که همچنان شما هدایت‌کننده مسیر هستید.

هدایت تصمیمات پیچیده کسب‌وکار

در دنیای واقعی، تصمیمات کسب‌وکاری به ندرت ساده هستند. این تصمیمات معمولاً شامل چندین ذی‌نفع، اولویت‌های متناقض و موجی از عوامل خارجی مانند شرایط بازار یا رویدادهای جهانی هستند. ممکن است همیشه تمام اطلاعات موردنیاز را در اختیار نداشته باشید و خطر پیامدهای غیرمنتظره همیشه وجود دارد.

اینجاست که تصمیم‌گیری مبتنی بر داده برجسته می‌شود. استفاده از داده‌ها در چارچوب تفکر سیستمی به شما این امکان را می‌دهد که:

• از نظرات و سیاست‌ها عبور کرده و بینش‌های عینی به دست آورید.
• الگوها و ارتباطاتی را که فوراً آشکار نیستند، شناسایی کنید.
• برای سناریوها و پیامدهای احتمالی برنامه‌ریزی کنید.
• یک چرخه بازخورد برای یادگیری و بهبود مستمر ایجاد کنید.
• بخش‌های مختلف را حول اهداف و معیارهای مشترک همسو کنید.

اما داده‌ها به تنهایی کافی نیستند. تخصص شما، درک شما از زمینه‌ها و توانایی شما در تطبیق سریع با شرایط برای معنا بخشیدن به داده‌ها ضروری است. ترکیب داده‌ها با اصول تفکر طراحی این امکان را فراهم می‌کند که:

• با کاربران نهایی تصمیمات خود همدلی کنید.
• مشکلات را دقیق‌تر و جامع‌تر تعریف کنید.
• راه‌حل‌های خلاقانه‌ای را که فراتر از گزینه‌های آشکار هستند، ایده‌پردازی کنید.
• ایده‌های خود را پیش از اجرا به‌طور آزمایشی اجرا کنید.
• بر اساس بازخورد و داده‌های جدید به اصلاح و بهبود ادامه دهید.

به یاد داشته باشید، هدف این نیست که پیچیدگی را از بین ببرید؛ بلکه این است که بتوانید آن را به شکلی مؤثرتر هدایت کنید. داده‌ها یک قطب‌نما ارائه می‌دهند، نه یک مسیر از پیش تعیین‌شده. تخصص، شهود و درک شما از زمینه‌ها همچنان برای تفسیر و به‌کارگیری بینش‌های داده‌ها ضروری است.

ایجاد فرهنگ تصمیم‌گیری مبتنی بر داده‌ها

ایجاد یک فرهنگ مبتنی بر داده به معنای استفاده از ابزارهای مناسب، تشویق به کنجکاوی و یادگیری مداوم در سازمان است. مراحل زیر می‌توانند به ایجاد این فرهنگ کمک کنند:

رهبری با الگو: استفاده از داده‌ها در تصمیمات خود را به نمایش بگذارید.

تشویق به کنجکاوی: محیطی ایجاد کنید که در آن پرسیدن سوال و به چالش کشیدن فرضیات بر اساس داده‌ها مورد استقبال قرار گیرد.

سرمایه‌گذاری در سواد داده: آموزش و منابع لازم را برای کارکنان فراهم کنید.

داده‌ها را قابل دسترس کنید: داده‌های مرتبط را در قالب‌های قابل فهم در اختیار افراد قرار دهید.

جشن گرفتن موفقیت‌های داده‌محور: نتایج مثبت تصمیم‌گیری مبتنی بر داده‌ها را برجسته کنید.

ترویج همکاری: تیم‌های متنوع را به مشارکت در پروژه‌های داده‌محور تشویق کنید.

این رویکرد سازمان را قادر می‌سازد تا تصمیم‌گیری هوشمندانه‌تر، هم‌راستایی بهتر و موفقیت‌های بلندمدت بیشتری داشته باشد.

منبع

فرهنگ داده چیزی نیست که بتوان آن را با رویکرد «صفر و یک» مورد بررسی قرار داد. اساسا میزان بلوغ فرهنگ داده‌ای سازمانها با گذر زمان تغییر کرده و در سطوح مختلفی قرار می‌گیرد. برای اینکه بتوانید سطح بلوغی را که اکنون سازمان شما در زمینه داده داراست، مورد ارزیابی قرار دهید، باید فرصت‌های رشد را شناسایی کنید و با تدوین استراتژی‌های هدفمند، به سمت ایجاد فرهنگ پاسخگویی و داده‌محوری حرکت کنید که به خلق ارزش‌های واقعی در سازمان می‌انجامد.

داشتن فرهنگ داده، اختیاری نیست؛ تفاوت میان رهبری تغییرات و هدف تغییرات واقع شدن است؛ فرق بین شکل دادن به آینده و واکنش به آن چیزی است که ناخواسته اتفاق افتاده و در معرض آن قرار گرفته‌اید.

سازمانها برای آنکه بتوانند در میدان رقابت باقی بمانند و نسبت به‌ تغییرات بازار پاسخ دهند، باید ایجاد یک فرهنگ داده‌ای قدرتمند را در اولویت قرار دهند. پذیرش داده به عنوان یک دارایی استراتژیک، دیگر یک انتخاب نیست. بلکه برای تحریک نوآوری و کمک به تصمیم‌گیری‌های آگاهانه، به یک ضرورت اجتناب‌ناپذیر تبدیل شده است. مفهوم «سطح بلوغ فرهنگ داده»، چارچوب ارزشمندی است که کمک می‌کند بتوان میزان مقبولیت و به‌کارگیری داده در بطن عملیات سازمان را مورد ارزیابی قرار داد.این چهارچوب نه تنها به طبقه‌بندی سازمانها بر اساس توانمندی‌های داده‌ای فعلی آنها می‌پردازد، بلکه مسیر ساختارمندی را برای بهبود هرچه بیشتر و تکامل تا تبدیل شدن به هویتی چابک و داده‌محور ایجاد می‌کند.

سطح بلوغ داده‌محوری چیست؟

سطح بلوغ داده‌محوری، معیاری است که در آن سازمان‌ها بر اساس میزان حرفه‌ای‌گری در به‌کارگیری داده برای تصمیم‌گیری و نوآوری‌های استراتژیک، دسته‌بندی می‌شوند. آگاهی از این سطوح سازمان‌ها را قادر می‌کند تا وضعیت فعلی سازمان را شناسایی کرده و با تعریف برخی اقدامات هدفمند، به سمت رشد گام برمی‌دارند. سه سطح در نظر گرفته شده برای دسته بندی میزان پختگی و بلوغ داده‌ای سازمان‌ها عبارتند از:

نوظهور

سازمان‌هایی را که در آغاز مسیر ماجراجویی برای حرکت به سمت ایجاد فرهنگ داده‌محوری هستند، باید در دسته نوظهور قرار داد. چنین سازمان‌هایی اساسا داده‌ها را جمع‌آوری می‌کنند اما در مسیر یکپارچه‌سازی آن‌ها برای به‌کارگیری در عملیات، با چالش‌های مختلفی روبه‌رو هستند. اصلی‌ترین مشخصه‌های سازمانهای این دسته در ادامه ذکر می‌شود.

• استفاده محدود از داده‌ها: درحالی که کار جمع‌آوری داده‌ها انجام می‌شود، اکثرا به دلیل فقدان اهداف روشن و یا استراتژی موثر، از آنها استفاده‌ای نمی‌شود. چنین سازمانهایی عموما در تعیین اینکه چه نوع داده‌هایی برای دستیابی به اهدافشان اهمیت دارد، با مشکلات زیادی دست و پنجه نرم می‌کنند.
• اقدامات گسسته و جزیره‌ای: بخش‌های مختلف سازمان عموما در سیلوهای جداگانه‌ای عمل می‌کنند و ارتباط بخش‌ها پیرامون بینش‌های داده‌ای و اینکه چنین بینش‌هایی چگونه می‌توانند به بهبود تصمیم‌گیری کمک کنند، در حداقل سطح ممکن قرار دارد. چنین گسستی می‌تواند باعث شود که بخش‌های مختلف دست به اقدامات تکراری بزنند و علاوه‌بر از دست دادن فرصت‌های موثر، از همکاری‌های سازنده نیز باز بمانند.
• فقدان حکمرانی رسمی: هیچ چارچوب مشخصی برای مدیریت داده وجود ندارد؛ نتیجه چنین وضعیتی، ناهمخوانی در اقدامات داده‌ای و ضعف کیفی نتایج حاصل شده است. بدون وجود یک حکمرانی مشخص، یکپارچگی داده‌ها با مشکل مواجه می‌شود و به این ترتیب اعتماد به تصمیمات داده‌محور تضعیف خواهد شد.

در حال توسعه

برخی سازمانها گام‌های بزرگی به سمت به‌کارگیری داده‌ها در فرآیندهای سازمانشان برداشته‌اند، اما به دلیل وجود موانع و چالش‌ها، هنوز کاملا نتوانسته‌اند یکپارچگی لازم را ایجاد کنند. چنین سازمانهایی را از نظر سطح بلوغ فرهنگ داده، در دسته سازمانهای «در حال توسعه»  قرار می‌دهند. اصلی‌ترین مشخصه‌های چنین سازمان‌هایی در ادامه آورده می‌شود.

• تعیین برخی اقدامات لازم: برخی از اقدامات پایه‌ای مرتبط با به‌کارگیری داده در سازمان (مانند ابزارهای تحلیلی ساده و یا گزارش‌های دوره‌ای) انجام شده است. اما در انجام چنین اقداماتی، تداوم لازم وجود ندارد و این امر باعث تزلزل به‌کارگیری داده در سازمان می‌شود.
• افزایش تعامل: کارکنان، خصوصا در تیم‌های خاص، شروع به تعامل بیشتر با داده‌ها کرده‌اند؛ اما این تعاملات هنوز به گستردگی کافی در سراسر سازمان نرسیده‌اند. این تعاملات محدود ممکن است اثرگذاری کلی بینش‌های داده‌ای را با مشکل مواجه کرده و آن را به تاخیر بیندازند.   
• مقاومت فرهنگی: ممکن است میزانی از مقاومت در برابر سازگاری با اقدامات داده‌محور در کارکنان بروز کند؛ خصوصا کارکنانی که با فرآیندهای سنتی تصمیم‌گیری خو گرفته‌اند و چنین تغییراتی برای آنها نامانوس است. غلبه به چنین مقاومتی برای توسعه بیشتر فرهنگ داده‌محوری ضروری است.

پیشرفته

سازمانهایی که میزان بلوغ فرهنگ داده‌ای آنها در سطح پیشرفته‌ای قرار دارد، اساسا توانسته‌اند داده را به خوبی در فرهنگ و عملیات خود به رسمیت بشناسند و یکپارچگی لازم را ایجاد کنند. اصلی‌ترین مشخصات سازمانهای این دسته در ادامه آورده شده‌اند.

یکپارچگی کامل داده با فرآیندهای سازمان: داده بخش اساسی فرآیندهای تصمیم‌گیری در سراسر سازمان است و استراتژی‌ها و عملیات را در هر سطحی تحت تاثیر قرار می‌دهد. یکپارچگی ایجاد شده این اطمینان را ایجاد می‌کند که تصمیمات تماما بر اساس بینش‌های داده‌ای معتبر انجام شوند.

فراگیری سواد داده در میان تمام اعضا: کارکنان در تمامی سطوح، مهارت‌های ضروری را برای تفسیر و بهره‌برداری موثر از داده‌ها می‌آموزند. گستردگی دارا بودن سواد داده در سراسر سازمان، باعث می‌شود که جو تصمیم‌گیری‌های آگاهانه و داده‌محور بر سازمان حاکم شود و توانمندسازی افراد برای استفاده از داده‌ها در هر نقشی در اولویت قرار بگیرد.

فرهنگ بهبود مداوم: سازمانها بر اساس بازخوردهای حاصل از موفقیت‌ها و شکست‌ها، اصلاح اقدامات داده‌ای را در اولویت قرار می‌دهند. این تعهد به بهبود مداوم، باعث شکل‌گیری فرهنگ داده‌ای پویا شده که باعث می‌شود سازمان به صورت مداوم بتواند خود را با نیازهای در حال تغییر و شرایط بازار تطبیق بدهد.

ابعاد بلوغ فرهنگ داده

هر کدام از سطوح تعریف‌شده برای بلوغ فرهنگ داده، می تواند در چندین بعد کلیدی مورد ارزیابی قرار بگیرد که این مساله به سازمانها  کمک می‌کند تا بتواند نواحی مشخصی که جای بهبود دارند شناسایی کنند.

دسترسی‌پذیری داده: دسترسی به داده‌های مرتبط با نقش‌های مختلف تا چه میزان برای کارکنان آسان است؟

سواد داده: وقتی پای تفسیر و استفاده از داده‌ها به میان می‌آید، کارکنان از چه میزان درک و توانمندی برخوردارند؟

تصمیم‌گیری آگاهانه و مبتنی بر داده: داده‌ها تا چه میزان با فرآیندهای تصمیم‌گیری یکپارچه شده‌اند؟

همکاری و ارتباط: همکاری تیم‌ها با یکدیگر تا چه اندازه موثر است و برای خلق بینش از داده‌ها استفاده می‌کنند؟

نوآوری و آزمایش: سازمان تا چه میزان از داده‌ برای خلق نوآوری و ترغیب به آزمایش استفاده می‌کند؟

ارزیابی بلوغ فرهنگ داده

برای آنکه بتوان میزان بلوغ فرهنگ داده را ارزیابی کرد، سازمان‌ها می‌توانند از یک ابزار ارزیابی ساختارمند استفاده کنند تا از طریق آن بتوان عملکردشان را در ابعاد شناخته شده مورد بررسی قرار داد. چنین ابزاری نه تنها به سازمانها کمک می‌کند که جایگاه فعلی‌شان را به دقت تشخیص داده و ارزیابی کنند، بلکه زمینه‌ای فراهم می‌کند تا بتوانند گام‌های ضروری برای بهبود سطح بلوغ‌شان را نیز تعیین کنند.

این روش‌های ارزیابی معمولا شامل مجموعه‌ای از سوالات هستند که اقدامات فعلی، میزان تعامل کارکنان با داده و میزان به‌کارگیری داده‌ها در فرآیندهای تصمیم‌گیری را مورد سنجش قرار می‌دهند. پس از پایان ارزیابی، سازمان‌ها می‌توانند امتیاز کسب شده در این ارزیابی را بسنجند و تعیین کنند که در میزان بلوغ، به کدامیک از سه دسته نوظهور، در حال توسعه و پیشرفته، تعلق دارند.

نتیجه‌گیری

درک و سنجش سطح بلوغ فرهنگ داده سازمان، از ضرورت‌های شناسایی فرصت‌های رشد و بهبود اقدامات داده‌ای سازمانهاست. با شناخت مشخصه‌های هر کدام از سطوح بلوغ و به‌کارگیری یک روش ارزیابی ساختارمند، سازمانها فرصتی پیدا می‌کنند تا دست به نوآوری‌های هدفمند بزنند و فرهنگی پاسخگو و داده‌محور را پایه‌گذاری کنند.

منبع

هوش تجاری بدون شک حالا دیگر به یکی از دارایی‌های غیرقابل‌ چشم‌پوشی سازمانها -چه کوچک و چه بزرگ- تبدیل شده است و همگی خواستار آنند که از هر ذره اطلاعات موجود، به‌گونه‌ای بهره‌برداری کنند که امکان پیش‌بینی احتمالات آتی فراهم شود و تصمیماتی بگیرند که به افزایش درآمد، بهبود کارایی و تسریع رشد کسب‌وکار می‌انجامد. اما با ترندهای متعدد هوش تجاری که در حال تغییر رویکردهای پیشین هستند، ایجاد تحولات اساسی در صنعت هوش تجاری (BI) مقدر است و حتی چالش‌های متعدد فضای کسب‌وکارها نیز که با همه‌گیری ویروس کرونا به اوج خود رسیدند، نمی‌توانند مانعی جدی در مسیر این تحول به وجود آورند.

این به معنای آنست که برای دستیابی به موفقیت‌های کسب‌وکاری آتی، باید همگام با آخرین پیشرفت‌های صنعت به پیش بروید. در این مقاله، به بررسی آخرین ترندهایی که در حال شکل دادن آینده صنعت هوش تجاری هستند خواهیم پرداخت.

هوش تجاری (BI) تمام ویژگی‌های یک راه‌حل نرم‌افزاری ضروری برای کسب‌وکارها با هر اندازه و نوع را دارد. با این حال، BI همیشه در دسترس همه کسب‌وکارها نبوده است. مدتی نه چندان دور، هوش تجاری گنجی بود که تنها برای شرکت‌های بزرگ با سرمایه‌های کلان برای خرید قدرت محاسباتی و مراکز جمع‌آوری داده‌های پیشرفته محفوظ بود.

خوشبختانه، فناوری‌هایی مانند رایانش ابری ابزارهای تحلیل داده مقرون به صرفه‌ای را ارائه کرده‌اند که کسب‌وکارهای کوچک را به انقلاب BI وارد کردند. پیشرفت‌های تکنولوژیکی مزایای BI را به نزدیکی شرکت‌های کوچک و متوسط رساند. ترس از دست دادن این مزایا بسیاری را به پیوستن به این حرکت ترغیب کرده است. بنابراین تعجب‌آور نیست که در سال ۲۰۱۸، کسب‌وکارهای کوچک با کمتر از ۱۰۰ کارمند بالاترین نرخ پذیرش BI را داشتند (فوربس).

با توجه به مزایای خود، BI نقش مرکزی در عملیات تجاری خواهد داشت، درست مانند اینترنت. به یاد داشته باشید که جریان داده‌های خام در حال افزایش است. در واقع، کارشناسان برآورد می‌کنند که تا سال ۲۰۲۵، هر ساله تقریباً ۱.۷۵ زتابایت داده تولید خواهد شد (سیگیت، ۲۰۱۹). بنابراین می‌توانیم با اطمینان بگوییم که پتانسیل این داده‌ها بی‌نهایت است. بنابراین، با افزایش حجم این داده‌ها، تقاضا برای ابزارهای BI که می‌توانند اطلاعات قابل العمل را جمع‌آوری، غربالگری، تحلیل و ارائه کنند نیز افزایش خواهد یافت.

نهایتاً، ارائه‌دهندگان بزرگ BI ابری در حال ساخت راه‌حل‌هایی برای برآورده کردن تقاضای رو به رشد ابزارهای پیشرفته BI هستند. طبق اظهار ۶۰٪ از پذیرندگان خدمات BI ابری، خدمات وب آمازون (AWS) بهترین ارائه‌دهنده است. دیگر ارائه‌دهندگان بزرگ ابری شامل مایکروسافت آژور (۴۳٪)، گوگل کلاود (۴۰٪) و IBM Bluemix (۱۲٪) هستند (فوربس، ۲۰۱۹).

مهم‌ترین ترندهای هوش تجاری

1. داستان‌سرایی

تحلیل داده یک چیز است و تفسیر آن برای بهره‌برداری با مقاصد تجاری موضوعی دیگر. بدون شک تحلیل‌های داده‌ای به کابران در کشف بینش‌های مختلف کمک می‌کنند و به‌کارگیری این بینش‌های برای بهبود تصمیم‌گیری در سازمان را باید هدف نهایی فرآیند هوش تجاری دانست.

با اینحال، فاصله حرف تا عمل برای پیاده‌سازی این بینش‌ها بسیار زیاد است و تحلیلگران باید چگونگی تبدیل و تغییر شکل داده‌ها به بینش‌ها را تشریح کنند. از چنین مهارتهایی با عنوان داستان‌سرایی داده‌ای یا Data Story telling یاد می‌شود.‌

در جهان داده‌محور امروز که کسب‌وکارها در حال پرورش فرهنگی برای به‌کارگیری حداکثری تحلیل‌های داده‌ای هستند، روزبه‌روز بر اهمیت داستان‌سرایی داده‌ای افزوده می‌شود و این قابلیت، به یکی از عناصر کلیدی و تعیین‌کننده این حوزه تبدیل شده است. داستان‌سرایی حالا به مثابه چاشنی داده‌های آماری وارد عمل می‌شود و روایت موردنیازی که برای عملیاتی کردن بینش‌ها مورد نیاز است را فراهم می‌کند.

حالا دیگر کسب‌وکارها دریافته‌اند که چنانچه تفسیر مناسبی از نمودارهای موجود در داشبوردهای مختلف ارائه نشود، این نمودارها به تنهایی ارزش چندانی ندارند. به همین دلیل، بسیاری از سازمانها تمام توان و انرژی خود را به کار گرفته‌اند تا با سازگار شدن با اصول داستان‌سرایی، بتوانند گفت و شنود حول داده‌ها را افزایش دهند. در کنار اینها، کمپین‌های ادبی متعددی نیز راه‌اندازی شده‌اند تا بستری فراهم کنند که هرکسی بتواند داده را درک کند و حول آنها مکالمات تحلیلی داشته باشد.

انتظار می‌رود که داستان‌سرایی با پیشروی تدریجی خودد، آینده هوش تجاری در سالهای پیش رو را شکل دهد. قابل ذکر است، این روند به تدریج روشی را که کسب و کارها از داده ها برای تعامل، آشنایی و امتحان ایده های جدید استفاده می کنند، تغییر خواهد داد. کسب‌وکارهای بیشتری از این رویکرد استفاده می‌کنند تا بینش‌ها را برای سناریوهای خود کاربردی‌تر کنند.

نکات کلیدی روند داستان سرایی

• در عصر مدرن، داستان سرایی داده‌ای نقش اصلی را در هوش تجاری ایفا کرده است.
• داستان‌سرایی داده‌ای، چگونگی تفسیر تحلیلگران و توضیح فرآیندهای تحلیلی را بازتعریف می‌کند.
• علاوه بر این، داستان‌سرایی داده‌ها در مرکز توجه بحث مصورسازی داده‌ها قرار گرفته است و تحلیلگران را قادر می‌سازد تا رویکرد گام به گام خود را برای هر نتیجه ای شرح دهند.

2. حکمرانی داده

بر اساس یکی از گزارش‌های پژوهشی حول هوش تجاری، مشخص شد که کسب‌وکارها اهمیت حکمرانی داده برای سازمانشان را 6.9 از 10 برآورد کرده‌اند (BARC، 2021). بدون شک، حکمرانی داده برای هر کسب‌وکاری که مایل است عائدی قابل‌توجهی از سرمایه‌گذاری‌هایش روی پروژه‌های هوش تجاری کسب کند، اهمیت قابل‌توجهی دارد. نکته جالب‌‌توجه آن است که اگرچه اکثر کسب‌وکارها چنان که باید حکمرانی داده را استانداردسازی نکرده‌اند، اما به هر ترتیب در حال پیاده‌سازی فرمی از آن را در سازمانشان هستند.

در هر حال بد نیست گریزی به این مساله داشته باشیم که حکمرانی داده حقیقتا چیست؟

حکمرانی داده فرآیندی است که طی آن، مجموعه اسنادی برای مدیریت دارایی‌های داده‌ای، شامل فرآیند، زیرساخت عملیاتی و معماری تنظیم می‌شوند. به بیان ساده‌تر، کار حکمرانی‌داده ایجاد بنیان‌های مستحکمی است که تمامی اقدامات مرتبط با مدیریت داده‌ها بتوانند بر بستر آن به انجام برسند. داشتن چنین چارچوب‌ها و زیرساخت‌هایی، شرکتها را قادر می‌سازد تا قدرت فناوری‌ها، فرآیندها و افراد مشمول در مدیریت دارایی‌های داده‌ای را مهار و کنترل کنند تا خروجی‌های حاصل از تحلیل‌های داده‌ای، کامل، امن، ارزشمند و قابل درک باشند.

این مساله سطح عملیاتی، استراتژیک و تاکتیکال سازمان را تحت تاثیر قرار می‌دهد. در نتیجه، بسیاری سازمانها برای آنکه بتوانند استفاده بهینه از داده‌ها را ممکن کند، برنامه‌های نهادی حکمرانی داده را در دستور کار قرار داده‌اند. اصرار بر القای اعتماد به رهبران کسب و کار و ارزشمند کردن هوش تجاری، از جمله دلایلی هستند که باعث شده‌اند که در مدت اخیر حاکمیت داده به یکی از ترندهای این حوزه تبدیل شود.

در کنار این موارد، تصویب قوانین حفاظت از داده‌های شخصی در اتحادیه اروپا (موسوم به GDPR) در سال 2018، مهر تاییدی بر این حقیقت است که حالا اجرا و پیاده‌سازی برنامه‌های حاکمیت داده، بیش از هر زمان دیگری برای کسب‌وکارها مهم خواهد بود. در ادامه تصویب قوانین GDPR، کسب‌وکارهایی که هنوز استفاده از برنامه‌های حاکمیت داده را در سازمان خود آغاز نکرده بودند مکلف شدند تا این اقدامات را تا سال 2021 به انجام برسانند. با تصویب قوانین دیگری مانند قانون حمایت از مصرف کنندگان کالیفرنیا، انتظار می‌رود به تدریج کشورهای بیشتری به فکر تکمیل قوانینشان در زمینه حفاظت از حریم خصوصی بپردازند. در کناراین مساله انتظار می‌رود که شرکتها نیز بودجه‌های بیشتری را به تامین امنیت داده‌ها برای اجتناب از قرار گرفتن در معرض جریمه‌های مرتبط با عدم رعایت قوانین، اختصاص بدهند. برخی معتقدند محدودیت‌هایی که با تصویب چنین قوانینی حول مساله داده‌های شخصی ایجاد می‌شود، ممکن است به بازگشت به تکنینک‌های بازاریابی سنتی و رشد دوباره سایت‌هایی منجر شود که در آن کاربران ملزم به ثبت‌نام و مشترک شدن می‌‌شوند.

3. ظهور دستیارهای هوشمند صوتی

با افزایش گرایش کسب‌وکارهای کوچک به استفاده از هوش تجاری، استفاده از دستیارهای دیجیتال بیش از پیش مورد تاکید قرار گرفته است. به خاطر داشته باشید که مالکان و کارکنان کسب‌وکارهای کوچک می‌بایست به گزارش‌های بنچمارک، نمودارهای گردش کار و داشبوردهای تصویری داده دسترسی داشته باشند.

به لطف هوش مصنوعی  پرردازش زبان طبیعی (NLP)، شرایط در حال بهبود است. ابزارهای مدرن هوش تجاری حالا به دستیارهای دیجیتالی مجهز شده‌اند که فرآیندهای هوش تجاری را ساده می‌کند. ظهور دستیارهای دیجیتالی که از طریق صوت فراخوانی می‌شوند، امید به تحول صنعت هوش تجاری را زنده کرده است. انتظار می‌رود که این دستیارهای جدید شروع به رونویسی اصوات و تبدیل آنها به داده‌های معتبری کنند که می‌توانند برای استخراج بینش مورد تحلیل قرار بگیرند.

4. ابر متصل

هرکسی در فضای کسب‌وکار می‌تواند به یک حقیقت گواهی دهد: اینکه تمامی ابزارهای کسب‌وکارها در حال حرکت به سمت قرارگیری بر بستر ابر هستند. از طرفی هوش تجاری ابری نیز در حال پیشتازی در حیطه کلان داده و تجزیه‌وتحلیل‌های داده‌ای است.چنین یپشرفتهایی به معنای آن است که آینده کسب‌وکارها را باید در ابر جست. به همین ترتیب، تمامی المانهای هوش تجاری، شامل مدل‌های داده‌ای، منابه داده، قدرت پردازش، ذخیره‌سازی و مدلهای تحلیلی همگی در حال انطباق هرچه بیشتر با فناوری‌های ابری هستند.

با این حساب به‌زودی کسب‌وکارها چاره‌ای جز پذیرش تجزیه‌وتحلیل‌های ابری نخواهند داشت. کار با سیستم‌های متفاوت ابری، سرعت پیچیدگی، ریسک و هزینه‌ را در یک قاب قرار می‌دهد و اجماع این فاکتورها باعث خواهد شد که ایجاد یک راهکار هوش تجاری که با نیاز همه کسب‌وکارها تطابق داشته باشد، دشوار شود.

اینجاست که استراتژی «ابر متصل» (connected cloud) وارد میدان می‌شود. استراتژی ابر متصل گزینه بینظیری است که باعث بهبود انعطاف‌پذیری و کاهش ریسک تحلیل‌ها می‌شود. به‌هرحال پیش از اینکه در این استراتژی سرمایه‌گذاری کنید، بهتر است به چالش‌هایی که اجرای این استراتژی ممکن است برای شما ایجاد کند نیز نیم‌نگاهی داشته باشید.

درگزارشی که توربونومیک سال 2021 منتشر کرد، بسیاری از کارشناسان آی‌تی، نسبت به آزادی بیشتری که به‌کارگیری رویکرد چندابری (multi cloud) ایجاد می‌کند، اظهار نگرانی کردند. 18 درصد از این کارشناسان اظهار کردند که تامین امنیت کاری در سطح پلتفرم یکی از جدی‌ترین موانع آنها در استقرار آزادانه چندین پلتفرم مختلف است. افزون‌براین، برخی کارشناسان این احساس را داشته‌اند که بسیاری از اپلیکیشن‌ها و مجموعه داده‌ها، کاملا توانایی پرتابل بودن را ندارند. با وجود چنین چالش‌هایی، انتظار می‌رود که ترندهای ابر متصل به توسعه و پیشرفت تدریجی خود ادامه دهند.

5. رشد هوش تجاری مشارکتی

هوش تجاری مشارکتی (Collaborative BI) را نمی‌توان یک ترند کاملا جدید به حساب آورد. به هر حال فضای دائما در حال تغییر کسب‌وکار که ترکیبی از مدیران و کارکنانی است که هر یک نیاز به نوع متفاوتی از تعامل دارند، باعث شده انگیزه‌های جدیدی به این ترند اضافه شود. هوش تجاری مشارکتی ترکیبی از ابزارهای هوش تجاری و نرم‌افزارهای مشارکتی، شامل وب 2 و فناوری‌های اجتماعی است تا بتوان فرآیند تصمیم‌گیری داده‌محور را تسهیل کرد.

این ترند پیرو نیاز به هم‌افزایی در محیط کسب‌وکاری ایجاد شده است. در واقع به کمک هوش تجاری اشتراکی، به‌اشتراک‌گذاری تحلیل‌ها و گزارش‌ها ساده می‌شود و با همین ترتیب، امکان تصمیم‌گیری‌های موثرتری فراهم می‌شود. به لطف هوش تجاری مشارکتی، حالا مردم در فرآیندهای تصمیم‌گیری دخیل می‌شوند و دیگر نیازی به نتیجه‌‌گیری در سطح فردی نخواهد بود. در عوض، تاکید هوش تجاری مشارکتی بر حل‌مساله اشتراکی است و این مساله کاربران را تشویق خواهد کرد که اطلاعات را تحلیل‌ کنند و برای دستیابی به، تحلیل‌های حاصل شده و ایده‌ها را از طریق ابزارهای وب 2 به اشتراک بگذارند. از اوایل سال 2020 کارشناسان پیش‌بینی کرده‌اند که احتمالا با شروع وب 3 و وب معنای، کسب‌وکارها قادر خواهند شد که از داده‌های سنسورها و اینترنت اشیا برای دستیابی به داده‌های عملیاتی استفاده کنند.

با توجه به مزایای هوش تجاری اشتراکی برای محیط کاری مدرن، انتظار می‌رود رشد محبوبیت این فناوری ادامه پیدا کند.

6. رابط‌های کاربری سلف‌سرویس هوش تجاری

تحلیل کلان‌داده فرآیند پیچیده‌ای است: فرآیندی که اساسا نیاز به مشارکت قابل‌توجه متخصصان داده دارد. خوشبختانه با ظهور هوش تجاری سلف‌سرویس (Self-service BI)، رویکرد جوامع به تحلیل‌های داده‌ای به سرعت در حال تغییر است. به‌کارگیری هوش تجاری سلف‌سرویس برای سالها یکی از خواسته‌های جدی کسب‌وکارها بوده است. کاربران کسب‌وکارها با پیچیدگی ابزارهای خشک تحلیل‌های هوش تجاری راحت نبودند. در کنار این مساله، هزینه‌های پاسخ به نیاز گردهم‌آوری متخصصان داده برای رسیدگی به این تحلیل‌ها نیز به صورت تورمی در حال افزایش بود. همین موضوعات اشتیاق دائمی به سلف‌سرویس بودن و انعطاف‌پذیری در تحلیل‌ها و گزارش‌دهی را بیش از پیش پررنگ کرده است.

اینجا بود که هوش تجاری سلف‌سرویس متولد شد. این فناوری اساسا با فعال بودن و پشتیبانی سریع در مواقعی که مورد نیاز باشد شناخته می‌شود. آمارها نشان می‌دهند که هوش تجاری سلف‌سرویس هنوز برای بسیاری از کسب‌وکارها، بالاترین اولویت را دارد (BARC، 2021). این سرویس امکانی برای کاربران کسب‌وکارها فراهم می‌کند که بتوانند تسک‌های هوش تجاری را به صورت مستقل و بدون نیاز به مداخله متخصصان داده و یا تیم‌های آی‌تی به انجام برسانند. بنابراین کاربران قادر خواهند بود بدون نیاز به داشتن مهارت تحلیلی و فنی خاص، از پس فیلتر کردن، مرتب‌سازی و تحلیل داده‌های اشتراکی بربیایند.

پیش‌بینی از آینده این فناوری آن است که با قدرت به پیشرفت و توسعه ادامه دهد: هوش تجاری سلف‌سرویس می‌تواند نسبت به متخصصان داده، تحلیل‌های بیشتری ارائه دهد و همین مساله به خوبی گویای دلیل اهمیت رو به رشد این فناوری است. هرچه کسب‌وکارها در مسیر برنامه‌ریزی برای استفاده بیشتر از هوش تجاری برای ترویج فرهنگ داده‌محوری ادامه می‌دهند، بر جذابیت هوش تجاری سلف‌سرویس افزوده خواهد شد.

7. امنیت اطلاعات

اهمیت داده برای کسب‌وکارها بارها مورد تاکید قرار گرفته است. مزایای داشتن داده های دقیق، قابل فهم و کامل فراتر محدود به بهبود فرآیند تصمیم‌گیری نیست و می‌تواند اثرات گسترده‌تری داشته باشد. با تمام مزیت‌های برشمرده شده، باید توجه داشت که رها کردن داده‌ها بدون مراقبت، می‌تواند همه این مزایا را کمرنگ کند و آسیب‌های قابل‌توجهی برجا بگذارد.

با نگاهی به اطراف، به خوبی می‌توان دریافت که شرکتهایی مانند تی‌موبایل، فیس‌بوک و مای‌هریتیج، چگونه از نشت داده‌هایشان ضربه خوردند. حملات سایبری به سادگی توانستند چنین شرکتهای بزرگی را به دردسر بیندازند و داده‌های میلیونها نفر از کاربرانشان را افشا کنند. اما این تنها آسیبی نبود که متوجه این شرکتها شد و با افشای این ضعف، ارزش این شرکتها سقوط کرد و اعتماد عمومی به این شرکتها نیز از بین رفت.

در عصر دیجیتال حاضر، میلیون‌ها حمله سایبری مشابه مترصد فرصتی هستند تا به وقوع بپیوندند. متاسفانه این حملات به نوع خاصی از کسب‌وکارها نیز محدود نیستند و ممکن است شرکتهای فعال در هر صنعت و با هر اندازه‌ای را هدف قرار دهند و شرکتهایی که لایه‌های امنیتی کافی تعبیه نکرده باشند؛ همیشه در معرض چنین آسیب‌هایی قرار خواهند داشت. تکرر بروز حملات سایبری به خوبی گویای اهمیتی است که موضوع امنیت سایبری دارد.

از سال 2019، روند رشد حملات سایبری شدت گرفته است و به همین ترتیب، تقاضای رو به افزایش کسب‌وکارها برای به‌کارگیری راهکارهای جامع امنیتی مشهود است. کاربران و مصرف‌کنندگان انواع خدمات، به خوبی به ارزش داده‌های شخصی خود واقف هستند و درباره به‌اشتراک‌گذاشتن آنها در فضای آنلاین تردید دارند. شرکتها در تلاش برای القای حس اعتماد و جمع‌آوری داده‌های مورد نیاز، اقدام به ترمیم تمامی نقاط ضعف و نقض‌های امنیتی می‌کنند. مانند حاکمیت داده، امنیت نیز این روزها به یکی از داغ ترین روندهای هوش تجاری در بخش‌های بهداشت و درمان و خدمات مالی تبدیل شده است.

8. هوش مصنوعی

طوفان هوش مصنوعی این روزها تمام ابعاد هر کسب‌وکاری را درنوردیده و هوش تجاری نیز از این مساله مستثنی نیست. پتانسیل‌های قابل‌توجه این فناوری، نویدبخش بهبود هوش انسان از طریق متحول کردن شیوه تعامل ما با تحلیل‌ها و داده‌های کسب‌وکاری است.

با این حال سوالی که مطرح می‌شود آن است که آیا آنچه اکنون از هوش مصنوعی در هوش تجاری مشاهده می‌شود، نهایت بهبودی است که ممکن است یا خیر؟ قطعا پاسخ خیر است.با این همه روی این این مساله اجماع‌نظر وجود دارد که هوش مصنوعی به مراتب سریع‌تر از انسان می‌تواند مقادیر عظیمی از داده را پردازش کند. در کنار اینها، این فناوری چشم انداز منحصربفردی از هوش تجاری را ارائه کرده کشف بینش‌هایی را که پیش از این ناشناخته و مدفون باقی مانده بودند، ممکن می‌کند.

افزون‌براین، توانایی تبیین ارتباط بیت‌های اطلاعات در سطح خرد و درک اینکه داده‌ها چگونه می‌توانند به تصمیمات واقعی کسب‌وکاری تبدیل شوند، جذاب‌تر از آنست که بتوان از آن چشم‌پوشی کرد. در نتیجه سازمانها در تلاش جدی برای در آغوش گرفتن تلاقی هوش مصنوعی و هوش تجاری هستند و کسی نمی‌خواهد از این موج عقب بماند.

البته، در این میان ریسک‌هایی نیز وجود دارد که باید کسب‌وکارها نسبت به آنها هوشیار باشند. مثلا، بسیاری از سیستم‌های هوش مصنوعی و یادگیری ماشین، اکنون قادر به نگاه عمیق به مسائل و درک علل رخدادها نیستند و توانایی درک فرآیند منطقی پشت هر اتفاق را ندارند. اما «نیاز»، مادر نوآوری است و همین نیاز به افزایش شفافیت در سیستم‌های مبتنی بر هوش مصنوعی و هوش تجاری، مقدمه‌ای بر توسعه «هوش مصنوعی توضیح‌پذیر» شده است.

هوش مصنوعی توضیح‌پذیر (Explainable AI) در واقع تمرینی برای درک و ارائه چشم اندازی واضح به سیستم‌های یادگیری ماشین است. با چنین پیشرفت‌هایی دیگر با درک ملموس اینکه هوش مصنوعی هر تصمیم را چگونه اتخاذ کرده است، فاصله چندانی وجود نخواهد داشت.

9. مدیریت کیفیت داده

این روزها داده‌ها به قدری اهمیت یافته‌اند که حیات و معاش کسب‌وکارها را باید در گرو این دارایی دانست. شرکتها به کمک داده‌ها می‌توانند انتظارات مشتریان را پیش‌بینی کنند، از رقبا اطلاعات به دست آورد، محصولات را به ‌گونه‌ای موثر مدیریت کنند و تصمیمات آگاهانه بگیرند. بدون شک کلان داده تاثیر چشمگیری روی خط سیر هر کسب‌وکاری دارد.

با این حال، باید به یک مساله توجه جدی داشت؛ چنانچه داده‌ها دقیق، به‌روز، پیوسته و کامل نباشند، ممکن است به اعتبار، سودآوری و ارزش شرکت ضربه بزنند. IBM در گزارشی تاکید کرد که تنها در آمریکا، کسب‌وکارها در اثر ضعف کیفی داده‌ها، هر ساله چیزی در حدود 3.1 تریلیون دلار از دست می‌دهند. ضعف کیفی داده‌ها که مدتها شرکتهای مختلف از همه اندازه را درگیر می‌کند و حالا که درهم‌تنیدگی منابع داده‌ای بیش از پیش شده است، این مشکل رو به وخامت گذاشته است.

حالا و تبدیل شدن مدیریت کیفی داده (DQM) به یکی از ترندهای دنیای فناوری را باید خبری خوش برای کسب‌وکارها دانست. مدیریت کیفی داده، فرآیند کامل و یکپارچه‌ای است که فناوری، پردازش، افراد مناسب و فرهنگ سازمان ترکیب می‌کند تا داده‌ای تحویل داده شود که نه تنها دقیق، بلکه مفید نیز باشد. از آن مهم‌تر، وقتی از کیفیت داده صحبت می‌شود، صرفا بحث خوب و بد نیست؛ بلکه درباره طیفی از شاخص‌ها صحبت می‌شود که باید برای سنجش سلامت داده‌های به کار رفته در تحلیل مورد بررسی قرار بگیرند.

مدیریت کیفی داده‌ها، با تامین داده‌های مناسب، زمینه استخراج بینش برای کسب‌وکار را فراهم می‌کند. از سوی دیگر چارچوب‌های حکمرانی داده را بهبود داده؛ باعث استاندارسازی داده‌ای در سطح سازمان می‌شود و این اطمینان را ایجاد می‌کند که داده‌های به‌کار رفته برای تحلیل‌ها بتوانند تصویر روشنی از وضعیت هر روز عملیات کسب‌وکار ارائه دهند. در تنیجه رهبران کسب‌وکارها می‌توانند با دقت بالاتری تصمیم‌گیری کنند و سازمان را به جلو پیش ببرند.

مدیریت کیفی داده یکی از داغ‌ترین ترندهای هوش تجاری در چند سال اخیر بوده است و امروزه هر کسب‌وکاری که خواهان توانمندی بالاتر در به‌کارگیری هوش تجاری باشد، خواستار اجرای فرآیندهای کیفیت داده است.

10. تحلیل‌های قابل اجرا در همه جا

تحلیل‌های قابل‌اجرا یکی دیگر از ترندهای داغ هوش تجاری سالهای اخیر بوده‌اند. به طور سنتی، داده‌ها و بینش‌های هوش تجاری در یک مکان واحد مصرف نمی‌شدند. با این حال، برای اینکه کسب‌وکارها بتوانند بر روی جریان‌ها و فرآیندهای کاری خود تسلط داشته باشند، دیگر علاقه‌ای به تحلیل داده‌ها در یک بخش و اقدام در بخش دیگر ندارند.

خوشبختانه، ابزارهای هوش تجاری مدرن به‌گونه‌ای توسعه یافته‌اند که داده‌های شرکتی را در مکانی قرار دهند که کاربران می‌خواهند اقدام کنند. این پلتفرم‌ها با فرآیندها و جریان‌های حیاتی کسب‌وکار ادغام می‌شوند و ویژگی‌هایی مانند آنالیزهای جاسازی‌شده، گسترش‌های داشبورد و APIها را شامل می‌شوند. در نتیجه، اکنون اجرای آنالیز قابل اقدام برای تسریع در فرآیند تصمیم‌گیری بسیار آسان شده است.

آنچه اتفاق می‌افتد این است که با این قابلیت‌ها، کاربران تجاری می‌توانند بر روی داده‌ها کار کرده، بینش‌های قابل اقدام استخراج کنند و همه این‌ها را در یک مکان پیاده‌سازی کنند. علاوه بر این، ابزارهای هوش تجاری مدرن دارای آنالیز موبایل هستند که توانایی‌های منحصر به فردی را در جایی که کاربر است ارائه می‌دهند. به‌علاوه، قرار دادن آنالیز قابل اقدام در زمینه‌های خاص، به سفارشی‌سازی بینش‌ها برای بخش خاص، کسب‌وکار یا صنعت کمک می‌کند. با اینکه این یکی از روندهای نوظهور در هوش تجاری است، اما محبوبیت آن در حال حاضر بسیار گسترده است.

11. داده‌کاوی

داده‌کاوی را باید ترند داغ دیگر هوش تجاری دانست. داده‌کاوی یک فرآیند کاری کاربرمحور برای جمع‌آوری داده از سیلوهای و دیتابیس‌های مختلف و سرهم کردن آنها در قالب یک منبع واحد برای ساده‌سازی تحلیل‌هاست.

اما چرا داده‌کاوی مهم است؟ راز خاصی در کار نیست؛ کسب‌وکارها به‌سادگی می‌توانند حسب الگوهای خرید مشتریان، مدیریت انبار، فیدبک مشتریان و … داده جمع‌آوری کنند. اما با وجود حجم عظیمی از داده‌های مختلف، هنوز بسیاری در استخراج ارزش واقعی از هر بیت اطلاعات ناکام هستند. چرا؟

این مساله به علت تطابق نامناسبی است که میان افرادی که داده‌های شرکتی را برای تحلیل آماده می‌کنند و افرادی که تحلیل‌ها را اجرا و از بینش‌ها استفاده می‌کنند، وجود دارد.

نکته جالب آن است که سیستم‌های داده‌کاوی به کسب‌وکارها برای دور زدن این مشکل کمک می‌کنند؛ در حقیقت بستری فراهم می‌شود تا افرادی که هیچ مهارتی در آی‌تی ندارند، به‌سادگی بتوانند به داده‌ها نفوذ و از آنها اطلاعات مورد نیاز را استخراج کنند. به این ترتیب، کاربران غیرمتخصص می‌توانند داده‌های شرکتی را کاوش کرده و بینش‌های قابل‌اجرایی برای تسریع تصمیم‌گیری آگاهانه بر اساس کاوش‌هایشان بدست آورند.

مهم‌تر از آن با داده‌کاوی، یافتن الگوهای خاص و ترندها در مجموعه‌های داده‌ای آسان است. با استفاده از ابزارهای مصورسازی داده، این فرآیند به امری، شهودی و جذاب که انتقال مفاهیم از طریق آن آسان است تبدیل می‌شود. روش مصورسازی داده‌ها به مراتب بهتر از گزارش‌های آماری معمول عمل می‌کند و کارایی فرآیند را به شدت بالا می‌برد.

هدف از به‌کارگیری مصورسازی داده‌ها آنست که مجموعه‌ای شامل نقشه گرمایی، جداول محوری و نقشه‌های ژئوگرافیکی گرد هم جمع‌آوری شوند. در نتیجه کسب‌وکارها قادر خواهند بود تا ارائه‌های گیراتری ایجاد کنند. انتظار می‌رود که ترند داده‌کاوی به عنوان یکی از داغ‌ترین ترندهای این حوه در سالهای پیش رو در نظر گرفته شود.

گام بعدی هوش تجاری؟؟؟

در این مقاله شماری از مهم‌ترین ترندهایی را که انتظار می‌رود آینده هوش تجاری در سالهای پیش رو را شکل دهند آورده شد. بسیار دشوار است که بخواهیم دقیقا مسیر و مقصد نهایی هوش تجاری را مشخص کنیم؛ اما با نیم‌نگاهی به این ترندها، دست کم می توانیم شماری در جریان شماری از مهم‌ترین و هیجان‌انگیزترین پیشرفتهای این حوزه قرار بگیریم.

اکنون فعالان صنایع فشار زیادی را برای پیاده‌سازی استراتژی هایی  مانند داستان‌سرایی، داده کاوی، مدیریت کیفی داده و هوش تجاری مشارکتی، متقبل هستند. از سوی دگیر، فناوری‌های نوظهوری مانند هوش مصنوعی و پردازش زبان طبیعی، نقش بسزایی در پیشرانی صنعت داده دارند. از همه مهم‌تر، حاکمیت داده و امنیت حالا به یکی از مهم‌ترین و حیاتی‌ترین بخشهای هوش تجاری تبدیل شده‌اند و ضرورت آن وجود دارد که مورد توجه جدی کسب‌وکارها قرار بگیرند.

حتی با وجود چالش‌هایی که همه‌گیری کرونا برای این صنعت ایجاد کرد، چشم‌انداز هوش تجاری به سرعت در حال توسعه و گسترش است.در نتیجه، کسب‌وکارها برای آنکه بتوانند در میدان رقابت فعال بمانند، باید ابزارهای قدرتمندی برای هوش تجاری اجرا و پیاده‌سازی کنند و هم‌پای ترندهای آن به پیش بروند.

منبع

سواد داده، آموزش ریاضی نیست که بتوان آن را پای تخته سیاه و با رویکردهای سنتی به مخاطبان آموزش داد. زیرا این روشهای معمولی با غفلت از برخی جزییات، می‌توانند برای کسب‌وکارها، خصوصا شرکتهای بزرگتر، میلیون‌ها دلار آب بخورند. شاید برایتان سوال باشد که چگونه؟ باید در پاسخ به این سوال به کاهش بهره‌وری و در نهایت از دست رفتن تعامل مشتریان اشاره کرد. سازمانهای پیشرو با تعریف برنامه‌های اختصاصی و شخصی‌سازی شده برای آموزش سواد داده، بهبود نرخ بهره‌وری را در دستور کار خود قرار می‌دهند. این برنامه‌ها به‌گونه‌ای طراحی می‌شوند که کاملا با نیاز هر واحد مشخص از سازمان مطابقت داشته باشند و با ذکر مثال‌های مرتبطی از کاربردهای این آموخته‌ها در دنیای واقعی، تلاش می‌کنند که سواد داده را در وجود کارکنانشان نهادینه کنند.

تصور کنید در فروشگاهی قدم می‌زنید و پرسنل فروشگاه، به تمامی مشتریان، فارغ از سن، اندازه، استایل و موقعیت، یک ست مشخص را برای پرو کردن پیشنهاد می‌دهند. یا تصور کنید در فرآیند آموزش یک زبان جدید، صرفا عبارات کلی به شما آموزش داده شود و هیچ عبارتی که ارتباطی با کار و زندگی روزانه شما داشته باشد، در برنامه قرار نگیرد؛ آیا چنین آموزش زبانی دردی از شما دوا خواهد کرد؟ یا حتی تصور کنید که بنا باشد با آموزش از روی دستورالعمل‌های یک کتاب و بدون لمس فرمان و گاز و ترمز و یا قرار گرفتن در شرایط ترافیک، رانندگی یاد بگیرید. آیا با این روش چیزی می‌آموزید؟

تمام مثال‌های ذکر شده، دقیقا به همان اتفاقی اشاره دارند که با تعریف یک برنامه آموزشی خشک و آکادمیک برای آموزش سواد داده به اعضای سازمان رخ می‌دهد؛ آن هم چیزی نیست جز «نیاموختن». هیچ‌گاه نمی‌توان انتظار داشت که یک برنامه آموزشی کلی که برای ارائه به همه تدوین شده باشد، بتواند برای همه بازدهی خوب داشته باشد. این غیرممکن است. مثل اینکه فارغ از مقصدی که افراد دارند، به همه یک نقشه دهید و از آنها بخواهید حرکت کنند!

تیم‌های فروش اساسا درصدد درک الگوهای رفتاری مشتریان هستند و با یک تیم مالی که درصدد تحلیل شاخص‌های ریسک است، رویکرد مشابهی ندارند. کما اینکه آموزش زبان فرانسوی برای سرآشپزی که قرار است در آن کشور آشپزی کند، با آموزش این زبان به کسی که قرار است جلسات تجاری بین‌المللی را مدیریت کند متفاوت است. زیرا هر یک دایره واژگان متفاوتی نیاز دارند و یک برنامه آموزشی مشخص و واحد، نمی‌تواند نتیجه چندان موفقیت‌آمیزی برای این دو دسته در پی داشته باشد .

زمانی که یک سازمان در یک برنامه عمومی آموزش سواد داده ثبت‌نام می‌کند، برای اعضای تمامی تیم‌ها، نیازها، اهداف و چالش‌های مشابهی در نظر گرفته می‌شود و آموزش سواد داده به همه آنها با رویکردی یکسان به پیش برده می‌شود. عواقب و خسارات دنبال کردن چنین رویکردی، به اتلاف بودجه صرف شده برای آموزش محدود نمی‌شود؛ زیرا زیان تمامی فرصت‌هایی که در اثر ناقص بودن سواد داده‌ای کارکنان مورد غفلت قرار می‌گیرند، فرآيندهای تصمیم‌گیری که به کندی پیش می‌روند و مزیتهای رقابتی که از دست می‌روند، همگی به حساب سازمان نوشته خواهد شد و به تدریج خود را در صورت وضعیت مالی شرکت نشان خواهد داد.

بر اساس نتایج بررسی‌های گارتنر، ضعف کیفی داده‌ها به صورت متوسط سالانه ۱۲.۹ میلیون دلار برای شرکتها آب می‌خورد؛ زیانی چشمگیر که اغلب به شکافهای سواد داده در تیم‌ها بازمی‌گردد. وقتی کارکنان سازمان فاقد مهارت مناسب برای درک، مدیریت و تفسیر صحیح داده‌ها باشند، کیفیت از دست می‌رود و نتیجه آن چیزی جز ناکارآمدی، خطا و از دست رفتن فرصت‌ها نخواهد بود. نکته ناراحت‌کننده دیگر آن است که پژوهش‌های انجام شده نشان می‌دهند که تنها ۲۴ درصد از تصمیم‌سازانی که در یک برنامه عمومی آموزش داده شرکت کرده‌اند، خود را در زمینه داده باسواد می‌دانند. اینها صرفا آمار نیستند. بازتابی از اتفاقاتی واقعی‌اند که سازمانها در دنیای واقعی هر روز با آنها مواجه می‌شوند. این درحالی است که به طور کلی جهان به سمت داده‌محوری در حرکت است و داشتن سواد داده به ضرورتی اجتناب‌ناپذیر برای تضمین کیفی داده‌ها و حفظ مزیت رقابتی تبدیل شده است.

هزینه‌های پنهانی که احتمالا به آنها توجه نکرده‌اید

هزینه‌ای که اجرای یک برنامه آموزشی عمومی ارتقا سواد داده برای سازمان به دنبال دارد، بیش از هزینه‌ای است که صرف برگزاری این دوره شده و برای درک هزینه‌های اصلی، باید پیامدهای محدود شدن به این برنامه عمومی را در نظر داشت. شماری از هزینه‌های معمولی که در چنین شرایطی مورد غفلت قرار می‌گیرند عبارتند از:

بهره‌وری نامناسب: وقتی کارکنان نتوانند برای انجام وظایف روزانه‌شان با آن برنامه آموزشی عمومی ارتقا سواد داده ارتباط برقرار کنند، بخش زیادی از زمان ارزشمندشان را برای برگردان مفاهیم به برنامه‌های عملی و قابل‌اجرا صرف خواهند کرد. بررسی‌های یک مرکز بهداشت و درمان نشان داد که پرستارهای بخش‌ها، چیزی در حدود یک ساعت از زمان شیفتشان را برای برگردان مفاهیمی که با محوریت صنعت خرده‌فروشی به آنها آموزش داده شده بودند، صرف می‌کنند تا بتوانند آن مفاهیم را با نیازهای بخش بهداشت و درمان و بیماران سازگار کنند؛ زمانی که می‌توانست صرف نگهداری بهتر از بیماران شود، اما با یک غفلت از بین رفته است.

از دست رفتن فرصت‌ها: برنامه‌های آموزشی عمومی، اساسا در پرداختن به چالش‌های خاص یک صنعت ناکام می‌مانند و منجر به غفلت از برخی بینش‌ها و از دست رفتن فرصت‌های ناب خواهند شد. زمانی که تیم یک کسب‌وکار تولیدی، بر اساس برنامه‌ای که برای یک صنعت خرده‌فروشی تدوین شده آموزش ببیند، در درک الگوهای اساسی تولید داده توفیقی پیدا نخواهد کرد. وقتی تحلیلگران مالی گرفتار این سناریوهای آموزشی عمومی می‌شوند، از برخی شاخص‌های اساسی و مهم ارزیابی ریسک که در صنعت مالی اهمیت زیادی دارد غافل می‌مانند و از این طریق فرصت‌های زیادی را از دست می‌دهند.

عدم تعامل کارکنان: شاید یکی از بدترین هزینه‌های محدود کردن سازمان به یک برنامه عمومی آموزش سواد داده را باید در اثر منفی آن بر انگیزه و شوق کارکنان دید. وقتی کارکنان حس کنند که آموزش‌ها و راهکارهای ارائه شده به قدر کافی به کارشان مرتبط نیست، از تعامل و همراهی سازنده دست می‌کشند. برخی گزارش‌های ارائه شده از سوی سازمانها پس از برگزاری دوره‌های عمومی ارتقا سواد داده نشان داد که احتمالا بیش از ۴۵ درصد کارکنان، در برابر اقدامات و نوآوری‌های آتی سازمان در زمینه داده مقاومت خواهند داشت و این مساله به شکل‌گیری فرهنگ مقاومت در برابر تصمیم‌گیری داده‌‌محور خواهد انجامید.

اتلاف زمان ناشی از ضعف سواد داده

زمانی که نقش‌های سازمان با سواد به‌کارگیری بهینه داده‌ها عجین نشده باشد، کارفرما با پدیده‌ای مواجه خواهد شد که از آن با عنوان «مالیات زمانی» (time tax) یاد می‌شود. این عبارت به زمان بیشتری اشاره دارد که کارکنان فاقد مهارت کافی و یا اعتمادبه‌نفس، برای حل چالش‌ها و مسائل مرتبط با داده‌ها صرف خواهند کرد و در نهایت به افت بهره‌وری می‌انجامد. در ادامه به بررسی چگونگی اثرگذاری اجرای یک برنامه آموزشی ضعیف برای سواد داده می‌پردازیم و تشریح می‌شود که چگونه جایگزینی چنین برنامه‌ای با یک برنامه اختصاصی و به اصطلاح «تن‌دوخت» (Tailored) می‌تواند به کاهش چنین پیامدهایی بینجامد:

به تنگنا افتادن فرآيند آماده‌سازی داده: به‌طور معمول، متخصصان داده چیزی در حدود ۵۰ تا ۸۰ درصد از زمان خود را صرف آماده‌سازی (از پاکسازی و سازماندهی تا ساختاربندی) داده‌ها می‌کنند. اینکه اعضای سازمان به میزان کافی در زمینه سواد داده ماهر باشند، باعث بهبود کیفیت داده‌ها می‌شود و متخصصان داده را قادر می‌سازد بتوانند به جای درگیر شدن با ساماندهی داده، بخش اعظم تمرکز خود را روی تحلیل داده بگذارند. برنامه‌های تن‌دوخت و اختصاصی ارتقا سواد داده، باعث می‌شود کارکنان غیرفنی بتوانند امور مرتبط با داده را با کیفیت بهتری انجام دهند و از این طریق، پیامدها کاهش یابد.

اضافه بار ناشی از نیاز به صحت‌سنجی: به طور معمول، متخصصان داده بیش از ۴۰ درصد زمان کلی فرآیند تحلیل داده را صرف صحت‌سنجی داده‌ها می‌کنند تا مطمئن شوند داده‌های موجود برای انجام تحلیل و ارزیابی و انجام یک تصمیم‌گیری داده‌محور به میزان کافی معتبرند. بدون وجود سیستمی که ارتقا سواد داده در سازمان را تضمین کرده باشد، مدیریت گسسته داده‌ها و درک اشتباه استانداردهای داده‌ای در سراسر سازمان، بار کاری سازمان برای انجام یک تحلیل را افزایش می‌دهد. این درحالی است که وجود یک برنامه ارتقا داده که با داشتن تناسب حداکثری، با جان سازمان عجین شده باشد، به اعضای تیمهای مختلف کمک می‌کند که نقش‌های داده‌ای‌شان را به درستی درک کنند و با به‌کارگیری اصول مناسب در کارشان، نیاز به صحت‌سنجی‌های داده‌ای را به حداقل برسانند.

افت کارایی تیم‌های فروش: نبود اطلاعات تماس مناسب و دقیق در تیم‌های فروش و یا نواقص دیگری که در داده‌های مرتبط با این تیم ممکن است وجود داشته باشد، بهره ‌وری اعضای این تیم‌ها را حدود ۲۷ درصد کاهش می‌دهد. ارتقا سواد داده تیم‌های فروش به معنی آموزش اعضای تیم فروش برای وارد کردن، مدیریت و تفسیر درست داده‌های فروش از طریق ابزارهای مرتبط و مناسب است تا بتوان عملیات اجرایی را با سهولت بیشتری پیش برد و ریسک از دست رفتن فرصت‌ها را به حداقل رساند.

بدون داشتن برنامه سواد داده‌ای که مختص نقش‌های یک سازمان و صنعت مشخص تعریف شده باشد، مسائل و مشکلات زیادی که کمی پیشتر درباره آنها صحبت کردیم بر دوش کارکنان سازمان قرار می‌گیرد و در کنار افت بهره‌وری آنها، باعث غفلت از فرصت‌های ناب می‌شود. یک برنامه آموزشی اختصاصی و تن‌دوخت برای ارتقا سواد داده، این اطمینان را ایجاد می‌کند که هر یک از کارکنان سازمان، بتوانند با کارایی حداکثری به درک، اداره و تفسیر داده‌ها بپردازند و با صرفه‌‌جویی ایجاد شده در زمان و انرژی، باعث بهبود کلی عملکرد و کارایی سازمان شوند.

ماتریس زیر نشان می‌دهد که چگونه اجرای یک برنامه آموزشی اختصاصی برای ارتقا سواد داده، می‌تواند به صورت همزمان برای سازمان و کارکنانش ارزش‌آفرینی کند. این مزیت از طریق توازنی که میان بهره‌وری عملیاتی کوتاه‌مدت و مزایای استراتژیک بلند‌مدت ایجاد می‌شود به دست می‌آید.

اثرات دومینویی منفی برنامه های عمومی ارتقا سواد داده

• پیامدهایی که ضعف در تدوین و اجرای برنامه‌های آموزشی ارتقا سواد داده می‌تواند ایجاد کند:
• استفاده از دومین حدس برای تفسیر داده‌ها، چرخه تصمیم‌گیری را در حدود ۴۳ درصد طولانیتر می‌کند.
• زمانی که تیم‌ها از درک مشترکی درباره داده‌ها برخوردار نباشند، همکاری‌های بین‌تیمی به شدت دشوار خواهد شد.
• با چسبیدن کارکنان به روش‌های تجربی که آنها را به پاسخ مطلوب و مورد انتظارشان می‌رساند، در مقایسه با استفاده از بینیش‌های داده‌ای، روح نوآوری را در سازمان از بین می‌برد.
• زمانی که رقبا با چابکی بیشتر و استفاده بهتر از داده‌ها، زودتر از شما دست به کار می‌شوند، مزیت‌های رقابتی بسیاری در سازمان از بین خواهد رفت.

چرا برنامه‌های آموزشی عمومی ارتقا سواد داده جذاب به نظر می‌رسند؟ (درحالی که در حقیقت اینطور نیستند)

مشخص است که چرا ممکن است مدیران سازمان ترجیح دهند که سراغ قفسه بروند و یک برنامه آموزشی عمومی و حاضر و آماده را انتخاب کنند؛ این برنامه‌ها اساسا چندان گران نیستند و اجرای آنها به سرعت انجام می‌شود. با این‌حال این توهم صرفه‌جویی در هزینه از طریق انتخاب یک برنامه عمومی، به طرز دردناکی باعث خطا و زیان می‌شود. زیرا اکثر سازمانها مجبور به هزینه دوباره می‌شوند؛ یکبار برای اجرای یک برنامه عمومی و درک ناکارآمدی آن؛ و بار دوم رفتن به سمت اجرای یک برنامه اختصاصی و بهینه که می‌تواند کارایی لازم را داشته‌باشد و شکاف ایجاد شده را پر کند.

اعداد اطلاعات جالبی دارند. درحالی که معمولا هزینه‌های اجرای یک برنامه آموزشی عمومی ۳۰ درصد پایین‌تر است،در نهایت سازمانها مجبور می‌شوند در بلندمدت، هزینه‌کردی دو الی سه برابری داشته باشند.

غفلت از چگونگی پیشرفت فرآیند آموزش در بزرگسالان

شکست برنامه‌های عمومی ارتقا سواد داده، تنها به ضعف محتوایی برنمی‌گردد و مشکلات بنیادی‌تری مانند غفلت از چگونگی طی شدن فرآیند آموزش در بزرگسالان نیز در آن مشاهده می‌شود. برخلاف کودکان، که فرآیند جذب اطلاعات در آنها از طریق نظریه‌ها و مفاهیم فشرده انجام می‌شود، بزرگسالان برای آموزش به بستری زمینه‌ای برای موضوع، ارتباط میان مفاهیم و آگاهی از فرصتهای کاربردی فوری برای آن آموزه‌ها نیاز دارند.

این مساله به‌خوبی گویای آن است که چرا برنامه‌های عمومی، چنین بازده پایینی دارند و مثلا زمانی که یک متخصص بازاریابی نتواند آن آموزه‌ها را با داده‌های کمپین‌هایش مرتبط سازد، یا زمانی که یک کارشناس اجرایی بخش بهداشت و درمان نتواند آن مفاهیم فشرده را به مسائل بیمار ارتباط دهد، قید تعامل با آن آموزش‌ها را زده و مسیر همیشگی آزمون و خطا و استفاده از تجربیات معمول خود را طی خواهد کرد. همین درک اشتباه از فرآیند آموزش در بزرگسالان، در ادامه به چالشی واقعی برای سازمانها تبدیل می‌شود.  

در نهایت یک برنامه اختصاصی و موفقیت‌آمیز آموزش سواد داده، به زبان خود سازمانتان با شما صحبت خواهد کرد. با چنین برنامه‌ای، تیم‌ فروش باید از داده‌های شبیه‌سازی شده فروش که آینه‌ای از داده‌های واقعی مورد استفاده سازمان هستند، بیاموزد. تیم عملیات شما باید با شاخص‌هایی که بازتابی از فرآیندهای واقعی هستند، کار کنند. تیم مالی‌تان باید از شاخص‌های مالی مدل شده روی ترندهای واقعی استفاده کند. با استفاده از چنین شبیه‌سازی‌های داده‌ای که رندوم و واقعی‌سازی‌شده که تصویری از داده‌های دنیای واقعی هستند، تیم‌های سازمان می‌توانند بدون حواس‌پرتی و ریسک‌های دنیای واقعی، از داده‌ها بیاموزند و بتوانند وظایف و نقش‌هایشان را با این خواسته‌های نوآورانه همراستا کنند.

منبع