Mnoho podniků se potýká s problémem, jak z datové analýzy získat maximální ekonomický užitek. Podle výzkumné společnosti Gartner jen asi pětina analytických výstupů přispívá ke tvorbě obchodní hodnoty.
Připravit analytický projekt nebo založit analytické oddělení je jedna věc, ale získat z analytických výstupů reálný užitek něco zcela jiného. Vzhledem k narušení národních ekonomik po celém světě se vlivem pandemie COVID-19 ocitne návratnost investic do analytiky a datové vědy pod drobnohledem podnikových ekonomů.
„Nejde o analýzu. Nejde ani o získané poznatky. Jde o dopad. Pokud analýza nepřináší obchodní užitek, je to jen ztráta času,“ říká Mike Onders, ředitel pro data, informatiku a podnikovou architekturu banky KeyBank z Clevelandu v Ohiu.
Nemilosrdné posuzování podle ekonomického užitku je klíčové, stejně jako schopnost rychle prokázat, že analýza může mít dostatečně velký reálný pozitivní přínos.
„V praxi postupujeme od konce, tedy od specifických přínosů, kterých chceme dosáhnout,“ říká Shri Santhanam, výkonný viceprezident a ředitel pro globální analýzy a AI ve společnosti Experian, která poskytuje hodnocení úvěrových rizik. „K cíli obvykle vede strojové učení a umělá inteligence, ale o co skutečně jde, tedy výsledek pro naše zákazníky, jsou kvalitnější výstupy.“
Hlavní překážky
Největší brzdou návratnosti investic do datové analytiky bývají institucionální překážky, říká Brian Hopkins, viceprezident a vedoucí analytik výzkumné společnosti Forrester Research.
„Problém, který pozorujeme, spočívá v tom, že datové strategie CIO předpokládají řadu změn na úrovni podniku. Avšak o definicích dat, prioritách, uplatňování politik ochrany soukromí a dalších záležitostech rozhodují organizační struktury mimo IT. To znamená, že CIO nemá pod kontrolou řadu aspektů, ale ponese je jako náklad.“
Podle Hopkinse v mnoha podnicích požadují technické řešení k získávání užitečných informací z dat od svého IT oddělení, ale nevidí širší kontext. Bez ohledu na výši rozpočtu na nové technologie je možné, že budou muset investovat dvakrát více do obecnějších změn uvnitř podniku.
„Mnoho takových organizací, které mají dalekosáhlou vizi využití dat a kde pořízení potřebných technologických řešení padlo na CIO, nutně pozná, že náklady datové strategie jsou podstatně vyšší než výdaje na IT a zahrnují množství změn v podniku včetně procesních změn, změn aplikací, organizačních změn, změn v motivaci,“ říká Hopkins.
Nejprve musejí informatici navázat partnerství s obchodní stranou podniku. Vedení však musí takové partnerství vhodným způsobem podporovat a motivovat k němu. „Musíte podněcovat podnikové manažery, aby se starali o data a o to, jak dobře jejich data mohou využívat ostatní jednotky podniku,“ říká Hopkins. „To není něco, co by většina IT manažerů dokázala změnit mávnutím kouzelného proutku.“
Čtyři předpoklady úspěchu
Zeptali jsme se IT ředitelů, jaké mají zkušenosti se zaváděním analytických řešení a souvisejících změn ve svých podnicích. Jejich zkušenosti je možné zařadit do čtyř skupin.
1. Odpovědnost za datové analýzy
KeyBank tuto otázku vyřešila tím, že přiměla obchodní manažery k úzké spolupráci s týmy analytiků a svěřila jim odpovědnost za přínosy analytických projektů, které požadují. U každého projektu banka sestaví jednostránkový popis projektu, jeho očekávaných výsledků v čase a metrik pro jejich vyhodnocení. Stanovena je odpovědnost za vedení projektu, analýzu, řízení rizik a technologie, uveden je také sponzor za příslušnou obchodní jednotku. Byznysový sponzor musí každé dva měsíce předložit zprávu dokládající, jak analýza ovlivnila ekonomické výsledky jako opodstatnění další existence projektu.
Datový tým společnosti Experian také u analytických projektů spoléhá na úzkou spolupráci s byznysem včetně důrazu na „vyjasnění kvantifikovatelných obchodních přínosů“. Filozofie firmy však umožňuje flexibilnější přístup k datové analýze s postupným rozvojem. „Začínáme vlastním obchodním problémem a postupně řešíme různá omezení, experimentujeme a hledáme další možnosti využití,“ říká Shri Santhanam.
2. Rozšiřování kvalifikace jako předpoklad úspěchu
Základním předpokladem úspěchu spolupráce IT a byznysu je kulturní změna. Byznysoví experti musejí být nejen obeznámení s příslušnými procesy a technologiemi souvisejícími s využitím dat, ale také pomáhat zaplnit mezery v oblastech, kde na trhu práce panuje nedostatek.
Poskytovatel výrobních služeb Jabil vzdělává své zaměstnance a manažery v tom, jak využít analýzu dat pro obchodní účely. V situaci, kdy společnost nemohla sehnat datové vědce, založila program vzdělávání v datové vědě, aby na dolování dat mohli pracovat i jiní zaměstnanci.
Získat pro myšlenku většího využití datové analýzy obchodní manažery a vyšší vedení bylo náročné, ale ukázalo se to jako jeden z nejvýznamnějších faktorů, které přispěly k úspěchu firmy na tomto poli. Skupina manažerů prošla dvoudenním vzdělávacím programem, který jim pomohl pochopit důležitost využití dat a vedl k tomu, že sami začali vyhledávat obchodní problémy, které by bylo možné řešit s pomocí datové analýzy.
„Začali jsme mezi manažery získávat skutečnou podporu, když viděli, že problémy lze tímto způsobem skutečně řešit a že i oni by ve svých jednotkách mohli dosahovat lepších výsledků,“ říká Gary Cantrell, CIO společnosti Jabil. „Získat prvotní podporu nejvyššího vedení nás stálo značné úsilí a trvalo tři roky, než jsme přesvědčili manažery o užitečnosti analýzy dat. Pomohlo, že jsme jim ukázali reálné výsledky a obchodní přínosy.“
3. Odstranění bariér a propojení dat
Historicky zavedené postupy práce s daty mohou brzdit jejich analytické využití. Hlavním viníkem jsou izolované ostrovy dat.
Agrochemická a farmaceutická společnost Bayer Crop Science se v posledních letech snaží uplatnit strojové učení a umělou inteligenci ve všech aspektech své činnosti. Zaměřuje se především na tzv. precizní zemědělství. Michelle Lacy, která je hlavním stratégem využití dat ve výzkumu a vývoji divize rostlinných biotechnologií Bayer Crop Science, říká, že se firma řídí principy FAIR – souborem základních pravidel pro zacházení s vědeckými daty. Právě ty jí pomohly uskutečnit datově orientovanou transformaci a zbourat bariéry mezi jednotlivými oblastmi dat.
Těmito principy jsou dohledatelnost, dostupnost, interoperabilita a recyklace. To znamená, že uživatel by měl být schopný snadno nalézt data, která potřebuje k rozhodování, a mít k nim přístup, kdy potřebuje (při zachování pravidel kybernetické bezpečnosti), data by měla být interoperabilní a opakovaně využitelná.
Data, která shromáždí jedna skupina, jsou mnohdy užitečná i pro práci jiných týmů. Aby je však bylo možné efektivně využít, musejí jednotlivé skupiny vědět, že taková data existují a kde je nalézt, a data musejí být kompatibilní.
4. Důvěra
Stejně jako u jiných transformací závisí přeměna na datově orientovanou organizaci na důvěře: ve členy týmů, v nové procesy a v pozitivní dopad poznatků získaných z dat.
Ve společnosti Experian stojí každý projekt strojového učení a umělé inteligence na „čtyřech pilířích“. Těmi jsou výsledky, škálovatelnost, uplatnění a důvěra. U bank problematika důvěry historicky omezovala využití analytických modelů.
„V řadě případů banka pracovala s poměrně jednoduchým logickým regresním modelem, protože složitější a méně průhledné modely znamenají míru rizika, které je pro silně regulované banky již nepřijatelné. Pozorujeme však, že regulatorní rámce i banky samotné postupně uznávají přínos složitějších algoritmů a náročnějších postupů a zodpovědně zavádějí vysvětlitelné rámce AI,“ říká Shri Santhanam a dodává, že má-li být analýza dat přínosem, vyžaduje všechny níže uvedené čtyři pilíře. A současně je třeba neustále sledovat obchodní cíl.
