Liderler Daha İyi Kararlar Vermek İçin Verileri ve Sezgileri Nasıl Karıştırır?

DSon yirmi yılda dijital dönüşümün yükselişinde, veri vaadi büyük göründü. Müşterilerinizi anlamak, işinizi büyütmek ve başarıyı ölçmek için veriler kuşkusuz gereklidir, ancak ihtiyacınız olan tek şey bu değildir. İyi kararlar her iki veriyi de gerektirir ve sezgi.

Birçok insan, verilerin kral olduğu ve sezginin soytarı olduğu gibi yanlış bir inanca ulaştı. Bazen ikisinin, diğerinin varlığıyla hüküm süremeyeceğini garanti eden bir çekişme içinde olduğu görülüyor.

Bu gerçeklerden daha fazla olamazdı. Sezgi ayrıca tüm iyi kararlarda rol oynar. Veriler ve sezgi ortak olduğunda, zihinsel modelleri iyileştiren ve güçlendiren bir geri bildirim döngüsü yaratırlar. Sezgi, sezgiyi bilgilendiren sonuçta ortaya çıkan hikaye ile verilere sorulacak doğru soruya yol açabilir. Sezgi, veriler eksik olduğunda veya kalite sorunları olduğunda bizi uyarabilir. Veriler, ne zaman önyargılardan hareket ettiğimizi veya koşulların ne zaman değiştiğini anlamamıza yardımcı olabilir.

Bu, her köşede yeni iş zorluklarıyla artan bir belirsizlik çağında önemlidir. Veriler, geçmişe dair sağlam bir anlayış sağlayabilir, ancak kesinliğe -doğruluğa, mükemmel veri modelini oluşturmaya - kendimizi kaptırdığımızda, gözümüzün önünde olup bitenleri gözden kaçırabiliriz. Sezgi, herhangi bir nicel rakam kadar karar vermede etkili olabilecek yönlülüğü hızlı bir şekilde anlamamıza yardımcı olabilir. Uygun şekilde kullanıldığında, sezgi ve veriler, belirsizliğe karşı zafer elde etmede iki ana müttefikiniz olabilir.

Gerçek dünyada karar verme

Dijital Hizmetler ve Veri Analitiği Kıdemli Direktörü Michael Nolting ile konuştuk. Volkswagenve Global Müşteri Başarısı ve Desteğinden Sorumlu Eski Başkan Yardımcısı Michael Sasaki Mitek, şirketlerinin kararlar almak ve iş sonuçlarını yönlendirmek için verileri sezgiyle nasıl dengelediğini öğrenmek.

Tablo: Şirketinizde kararlar nasıl alınır?

Hayır. [Volkswagen'de] araba üretimimizi veriye dayalı hale getirmek için son yıllarda gerçekten çok çalıştık. Test sürüşlerimizden ve müşterilerimizden aldığımız tüm verileri toplayan Snowpark adlı bir platform oluşturduk. Araç kullanımı açısından bir boşluk olup olmadığını inceledik.

Gerçek müşterilerin arabalarımızı nasıl kullandığını anlarsak, onların ihtiyaçlarına göre otomobiller yapabilir, daha iyi ürünler sunabilir ve toplam maliyeti en aza indirebiliriz.

Volkswagen'de içgüdüsel [duygulara] ve verilere dayalı kararlar alırız. Veriler tercih edilir ve bir şeyi kademeli olarak optimize etmek için kullanılabilir. Yetersiz veriye dayalı olarak zor kararlar verdiğinizde (veri eksikliği, çok fazla girdi boyutu, çok düşük etki boyutu veya çok fazla bağlam bilgisi gerekmesi nedeniyle) keşif için içgüdülerinize ihtiyaç vardır. Temel iş, mümkün olduğunca veri bölgesine taşınmalıdır.

Risk almak için, alınacak risk miktarına dayalı bir hiyerarşiye ihtiyacınız var. C seviyesindeki liderler risk almak zorundadır.

MOIA filomuzdan (Hamburg ve Hannover'de paylaşılan bir mobilite çözümü) gelen veriler demokratikleştirildi. Volkswagen'de hesabı olan herkes tarafından erişilebilir.

Amacımız, tüm verilerimizi dahili olarak demokratikleştirmektir. Şu anda departmanımda devasa bir veri ambarı inşa ediyoruz ve burada her işletmenin [kullanıcı] verileri içe aktarıp analiz etmesini sağlamak istiyoruz. Her işletmeyi [kullanıcıyı] bir veri mühendisi/veri bilimcisi yapıyoruz.

Sasaki: [Mitek'te] karar vermek, paydaşlar arasında uyumu gerektirir. Nihayetinde nihai karar vericiler vardır ve bunlar genellikle nihai kararı veren işlevsel uzmanlardır. Ancak, hepimizin aynı bilgilere sahip olduğundan ve aynı verilere baktığımızdan, verileri anladığımızdan ve tanımlar üzerinde anlaştığımızdan emin olmak için çok zaman harcıyoruz.

Tableau: Karar verirken verileri, sezgileri ve deneyimi nasıl dengelersiniz?

Hayır. İnsanlar nihayet risk almak zorunda kaldığında ve modelin/sorunun yüksek karmaşıklığı nedeniyle yeterli veri bulunmadığında, ağır yüklü sorular için sezgi gereklidir.

Hâlâ temel işimizden bir pay alma noktasındayız ve veri odaklı bir şirket olmak için bunu adım adım veri alanına taşımak istiyoruz. Bununla birlikte, inovasyon projeleri veya yeni iş fırsatları keşfetmek her zaman kısmen içgüdüsel bölgede kalacaktır. Ana işiniz hala oradaysa, bağırsak bölgesiyle ilgili zorluk nedir? Bağırsak bölgesinde, yüksek riskli bir soruyu yanıtlamak istiyorsanız (okuyun: kaybedebileceğiniz milyonlarca dolar), risk almaya istekli şirket yöneticilerine ihtiyacınız var. Buna göre elbette bir hiyerarşimiz var. Avro cinsinden tahmini riske dayalı olarak, riskleri alabilen farklı yönetim seviyelerine sahibiz. Risk milyonlarla ilgiliyse, C seviyesi devreye girer.

Sasaki: Hepsi kafamda iç içe.

Veriler çok önemlidir. Verilerle, içgüdülerinizi bilgilendiren bir veri melezi görmeye başlarsınız. Müşteri verilerine dayalı kararlar alıyorsunuz. Ve bu, verilerle çalışırken sahip olduğunuz deneyimdir ve müşterilerle sağladığınız sonuçları görmek, sizi doğru yere götürmenize gerçekten yardımcı olur. Bu deneyim, verilerle çalışırken çok önemlidir.

Yani biri ya da diğeri diyemem. Şu anda ikisinin bir melezi. Ve ikisi de çok önemli. Bağırsak veriler tarafından yönlendirilir.

Tablo: Karar vermek için yeterli veriye sahip olduğunuzu ne zaman anlarsınız?

Hayır. “Elimizde yeterli veri var mı?” diyemezsiniz. veya "Yeterli veriye sahip değil miyiz?" Bu daha çok doğru sistemleri bağlamak ve iyi verilere sahip olmakla ilgilidir. Soru her zaman nitelik ve nicelik arasındadır.

Şirketler bir veri dönüşümü geçirdiğinde, en büyük sorun başlangıçta veri kalitesidir. Verilerle çalışıp çalışamayacağınıza gerçekten bakmalısınız. Belirli panolar için yüksek kaliteli satış verilerine ihtiyacınız vardır. Veri görevlilerine ihtiyacınız var.

Büyük etki boyutları için az miktarda veriye ihtiyacınız vardır (örneğin, küçük araba filolarından). [paket nakliye şirketi] DPD gibi ticari müşterilerimizin araçlarını MOIA paylaşımlı mobilite çözümümüzün sürücülerine kıyasla nasıl kullandıklarını öğrenmek istedik. Bu veriler bir test filosundan toplanabilir. Küçük etki boyutlarını ölçmek istiyorsak, büyük filomuzdan veri alırız.

Ayrıca, sahip olduğumuz bileşen eksikliğine göre hangi bileşenlerin üretileceğini önceliklendirmeye yardımcı olması için Tableau panolarını kullanıyoruz. Bir pano, ihtiyacımız olan bileşenlerin sırasını tahmin eder. Gerçekten karmaşık - milyarlarca kombinasyon var. Ve sonra hesaplamayı yaparız ve bir eksikliğimiz olduğunda bileşenleri sipariş ederiz. Bu, optimum bir üretim süreci ile sonuçlanır.

Sasaki: Beş ila on yıl önce, veri eksikliği vardı. Ve şimdi çok fazla veri var. Hangi verilerin önemli olduğunu anlamaya çalışmak gerçekten anahtar ve zorluktur. Çünkü, vermek istediğiniz hemen hemen her kararı gerekçelendirmek için verilere bakabilirsiniz. Ve bu, vermek istediğiniz karara sahip olduğunuz ve bunu doğrulamak için verileri aradığınız, böylece verilerin izlemeniz gereken yolu gerçekten ortaya çıkardığı durumlarda düşebileceğiniz bir tuzaktır.

Öyleyse soru şu ki, karar vermek için yeterli veriye sahip olduğunuzu ne zaman anlarsınız?

Müşteriyle ilgili kararlarla ilgili müşteri başarısı deneyimim şöyle diyebilirim. Geçmişte sağladığınız istenen sonucu elde etmek için hangi verilerin mevcut olduğunu görmek için müşteri parlak noktalarına göz atabilirsiniz. Bu nedenle, yönlendirilen sonuçlara ve ardından bu kararı gerçekten yönlendiren hangi verilerin gerçekten önemli olduğuna çok bakarız. Bu yüzden bunları tanımlayacağız ve gerçekten ayıracağız.

Veri analisti ekibimize de çok güveniyoruz. Mitek'te birçok farklı türde veri ekibi kurulumu vardır. Biri pazarlamada, biri finansta, biri de müşteri başarısında olmak üzere farklı işlevlerde bir veri analistinin olduğu merkezi olmayan yönetim vardır. Hepsinin tek bir ekipten oluştuğu merkezi bir işleve sahip olabilirsiniz. Ancak veri analistleri, hangi işlevden geldiğine bakılmaksızın gelen tüm istekler üzerinde çalışır.

Müşteri başarı ekibinde bir veri analisti rolü oluşturdum ve oluşturdum. Bu birkaç nedenden dolayı çok önemliydi. Bir veri analistinin veri analizinde uzman olması gerektiğine inanıyorum, aynı zamanda verileri ne için analiz ettikleri konusunda da işlevsel bir uzman olması gerekiyor. Müşteri başarı ekibinde bir veri analistinin olması, müşteri verilerini anlamak için değerlidir. Karar vermek için yeterli veriye sahip olduğumuzda karar vermeme yardımcı olmaları için zamanları olduğunda veri analistlerime güveniyorum. Ve bu, hatalı olmakla etkin olmamak arasında dengeleyici bir eylemdir.

Hangisi daha maliyetli; yanlış karar vermek mi yoksa hiç önlem almamak mı? Yeterli veriye sahip olduğunuzu hiç hissettiniz mi bilmiyorum ama verilere dayalı bir arama yapabilecek kadar rahat olduğunuz bir noktaya geliyorsunuz.

Tablo: Verilere bakıp sayıların gerçek, insan müşterileri temsil ettiğini unutmak kolaydır. Bu hataya karşı nasıl savunabiliriz?

Sasaki: Ben müşteriyle karşı karşıyayım; Ben müşteriden ve gelirden sorumluyum. Ürün geliştirme ekibinin kendi hedefleri vardır ve bu her zaman mutlaka insanla ilgili değildir veya belki bunu anlamıyorlar ve bu onların suçu değil. Müşteriyle yüz yüze olan tarafta bir lider olarak, o sayıya, o veri noktasına bir yüz koymak benim sorumluluğum.

Verilere bir insan yüzü eklemek için liderlerin yapabileceği bazı şeyler var. Şirketimizde birçok program başlattık. Biri öğle yemeği ve öğren. Bir müşteri getireceğiz ve tüm şirket için öğle yemeği ısmarlayacağız. Artık mühendisler müşteriden haber alabiliyor ve baktıkları ve bir insana, bir amaca doğru ilerledikleri metrikleri ilişkilendirebiliyorlar.

Tableau: Erken kariyer insanları içgüdülerini "eğitmeye" nasıl başlayabilir?

Nolting: Gençler başarısızlık yaşamayı ve karar verme riskini almayı öğrenmeli. Bu, Alman şirketlerinin mücadele ettiği kültürel bir şey. İçgüdülerinizi yalnızca deneyimler kazanarak ve hatalar yaparak eğitebilirsiniz ve ardından gelecekte daha zor kararlar alma riskini almak için adım atabilirsiniz. Volkswagen'de başarısızlıkların kabul edildiği bir psikolojik güvenlik ortamı yarattık. Bunu başarmak için doğru kurum ve veri kültürüne sahip olmanız gerekir.

Sasaki: [Mitek'te] verilerle ilgili deneyimle başlıyoruz. Ekibimdeki liderler, müşteri başarı yöneticilerini veri analistlerine dönüştürdü. Veri analistlerimiz, müşteri başarısı yöneticilerini veri analistlerine dönüştürmek için Tableau'daki araçları sağladı. Şimdi, şirket genelinde Tableau'daki görüşlere bakarsanız, görüşlerin %70'i müşteri başarı yöneticilerimden geliyor.

Verilerden korkamazsınız. Olumlu ya da olumsuz, her fırsatı bir deneyim olarak değerlendirmeli ve verilerle olabildiğince çok deneyim edinmelisiniz. Sezginize güvenmek için bu gerçekten değerli olacak. Sadece oraya girin, verileri anlayın, verilerle oynayın, sorular sorun ve olumlu ya da olumsuz olabildiğince çok deneyim kazanın. Ve bu gerçekten bağırsaklarınızı eğitecek.

Verileriniz varsa, buna karşı çıkamazsınız. Diğer işlevlerle, diğer liderlerle ve diğer ekip üyeleriyle çalışmanın, verilere sahip olmalarını sağlamaktan daha iyi bir yolu yoktur. Verileri konuşmaya getirdiğinizde, gerçekten hızlı bir şekilde uyum sağlayabilirsiniz. Kararlar verebilirsiniz; müşterileri bile ikna edebilirsiniz. Veri odaklı bir toplantı olacak, veri odaklı bir tartışma olacak. Toplantılar ve kararlar çok daha hızlı gerçekleşiyor çünkü verilerle daha fazla bilgi sahibi oluyorlar.”

Verilerle liderlik etmeye hazır mısınız?

Veriye dayalı liderler, değişime uyum sağlamak için daha donanımlıdır ve hızlı hareket eden bir iş ortamında karar vermenin nüanslarını anlarlar. Deneyim ve sezgiyle zenginleştirilmiş verilerin kuruluşlarında başarı için temel olduğunu biliyorlar. Ziyaret etmek Yöneticiler için Tablo verilerin yeni nesil iş liderlerini nasıl etkilediği ve Tableau'nun nasıl güç sağlayabileceği hakkında daha fazla bilgi edinmek için senin veri dönüşümü.