Biznes lepiej odnajduje się w cyfrach. Wskaźniki giełdowe, ratingi, oceny roczne, KPI… W cyfry ubieramy nawet pojęcia, które kiedyś określaliśmy skalą miękką, opisową. Skutkiem jest powódź danych, których nie sposób pojąć. A co dopiero poprawnie zinterpretować, zrozumieć i mądrze wykorzystać. Zatrzymajmy się na moment – czas otrzeźwieć.

Mierzymy customer experience, prezentujemy wyniki finansowe, dane ESG, liczymy ślad węglowy. I choć te dane są dziś podstawą to ich posiadanie, a świadome wykorzystanie to dwie różne kwestie. Being data-driven is not the same as being insight-driven.

Co to jest insight?

Słowo „insight” znaczy tyle co wnikliwość, wgląd, rozeznanie, umiejętność zrozumienia ludzi, kontekstów, sytuacji. Jego znaczenie związane jest z prowadzeniem obserwacji i dokonywaniem spostrzeżeń.

Insight- vs data-driven

Organizacja skupiona na użyciu danych (ang. data-driven organization) skupia się głównie na zbieraniu ich w dużych ilościach. Natomiast organizacja kierująca się wnioskami czyli insightami (ang. insight-driven organization) idzie krok dalej tzn. interpretuje i kontekstualizuje dane. W ten sposób identyfikuje wzorce, wyszukuje trendy i przygotowuje prognozy, które potem używa w budowaniu strategii biznesowej oraz planowaniu operacyjnym.

NewVantage Partners w 2022 przeprowadziło badanie z udziałem kadry C-level 94 dużych firm, które dowodzi, że 97% organizacji inwestuje w inicjatywy związane ze zbieraniem danych, ale tylko co czwarta uważa, że osiągnęła status organizacji tzw. insight-driven.

Pierwotny cel danych

W naukach ścisłych dane to znane wartości w rozwiązywaniu fizycznych czy matematycznych zadań; to fakty i liczby, na których można się oprzeć w wywodach. Dane to konkret, niedwuznaczny, wyraźnie określony. 1 to 1, a 2+2*4= 10. W codziennym użyciu dane to informacje używane do wnioskowania.

Wyzwanie

Pułapką naszych czasów jest nadmiar danych, który rodzi ryzyko danych niepełnych lub o wątpliwej wiarygodności.

Dane pozbawione kontekstu lub osadzone niewłaściwie mogą prowadzić do błędnej interpretacji, manipulacji, a w konsekwencji do nieprawdziwych wniosków i złych decyzji.

Prosty przykład: Anna schudła 3kg w zeszłym tygodniu. Mamy dane: -3kg w 7 dni. I teraz pytanie: To dobrze czy źle, że schudła 3kg w tydzień? Jaka jest odpowiednia reakcja? Trudno stwierdzić, bo nie mam punktu odniesienia, nie znamy trendu, okoliczności. Po prostu nie znamy konktekstu.

Dodajmy zatem kontekst:

  • Scenariusz 1: Anna ma nowotwór. Jest po chemioterapii.
  • Scenariusz 2: Anna zaczęła dbać o siebie. Zmieniła dietę i od niedawna chodzi regularnie na basen.
  • Scenariusz 3: Anna jest judoczką i przygotowuje się do mistrzostw.
  • Scenariusz 4: Anna ma sprawę rozwodową pod koniec miesiąca. Jest kłębkiem nerwów.
  • Scenariusz 5: Anna jest w ciąży.
  • Scenariusz 6: Anna w weekend wychodzi za mąż. Utrata wagi spowodowała, że suknia ślubna źle leży.

Anna schudła 3kg w zeszłym tygodniu. To dobrze czy źle, że schudła 3kg w tydzień? Jaka jest odpowiednia reakcja?

Dopiero dane osadzone w kontekście tworzą wartość, bo na ich podstawie można podjąć trafne decyzje i wprowadzić celowe zmiany. Dane bez kontekstu to tylko cyfry.

Ten prosty przykład pokazuje jak ważne jest poznanie okoliczności przed interpretacją danych. W kontekście biznesowym jest podobnie. Wyniki finansowe, rotacja pracowników, satysfakcja klientów… Świadoma, mądrze zarządzana organizacja wie jak przekuć dane w celowe działanie. Bez zadbania o kontekst to może być strzał w kolano bądź kulą w płot.

Rozwiązanie

Mądre podejmowanie decyzji bazuje na prostej logice: Identyfikacja danych > Pozyskanie danych > Czyszczenie/weryfikacja danych > Badanie kontekstu > Interpretacja danych > Wyciąganie wniosków > Podejmowanie decyzji > Wdrażanie zmian

Model Value LoopTM to sprawdzony sposób na zapewnienie danym wiarygodności. To wentyl bezpieczeństwa, który chroni przed ryzykiem błędnej interpretacji danych. Siła modelu tkwi w zapewnieniu danym właściwego kontekstu. Kontekst zapewnia rozmowa czyli dialog z interesariuszami. Łącząc dane z rozmową unikamy ryzyka błędnej interpretacji bądź wykorzystania danych na potrzeby z góry ustalonych założeń.

Value LoopTM składa się z 4 etapów:

  1. Data – zbieramy istniejące dane, fakty, identyfikujemy dane, których brakuje bądź są niepełne
  2. Conversation – poprzez wystandaryzowany proces dialogu odkrywamy różne perspektywy i zależności
  3. Analysis – posiadając już kontekst jesteśmy w stanie poprawnie zinterpretować informacje
  4. Synthesis – łączymy posiadaną już wiedzę i tworzymy spersonalizowane rekomendacje

Model autorstwa dr Łukasza Smolarka powstał na bazie jego dokonań naukowych i praktyki biznesowej. Z powodzeniem wykorzystywany jest w strategicznych projektach z zakresu zrównoważonego rozwoju, ESG oraz CX prowadząc do trwałej doskonałości w biznesie.

Więcej o modelu Value LoopTM i jego fundamentach znajdziesz TUTAJ.