W najbliższych latach rozwój gospodarczy będziemy zawdzięczać głównie sztucznej inteligencji, uczeniu maszynowemu oraz wszechobecnemu Big Data. Jednak wciąż słychać głosy, że wdrożenie rozwiązań opartych na tej technologii kończy się rozczarowaniem i brakiem zwrotów z inwestycji. Czym jest więc era Big Data? Szansą na rozwój i przełomowe innowacje czy raczej wyzwaniem ekonomicznym i organizacyjnym, które trzeba umieć pokonać? Jakie są bariery na drodze do sukcesu Big Data? Przeanalizujmy je.

Jeżeli przyjrzymy się temu, jak działa klasyczny cykl funkcjonowania każdej organizacji, zaobserwujemy, że najczęściej stosuje się jedynie pierwszy krok – analizę opisową, odpowiadającą na pytanie „Co i dlaczego się wydarzyło?”, opartą na danych wewnętrznych. W mniejszym stopniu organizacje stosują następnie metody analizy predykcyjnej, odpowiadając na pytanie „Co i z jakim prawdopodobieństwem wydarzy się w przyszłości?”, szukając odpowiedzi na pytanie „Co z tego wynika i jaką decyzję podjąć?” oraz wskazując konkretne działania „Co możemy zrobić, aby zapobiec niekorzystnym zjawiskom?” (Rysunek 1).

Mówiąc o projektach Big Data, już na początku warto odróżnić duże korporacje od sektora małych i średnich przedsiębiorstw (MŚP).

Duże korporacje są znacznie bardziej innowacyjne, mają możliwości finansowe niezbędne do zakupu i rozwoju zaawansowanych narzędzi analitycznych oraz informatycznych, w tym niezbędne do inwestycji w obszar bezpieczeństwa, nie mają natomiast szybkiej ścieżki decyzyjnej, którymi dysponują MiŚP. W każdym z tych sektorów przyczyny niepowodzeń projektów Big Data mają więc inne podłoże.

Duże korporacje – wyzwania dla projektów Big Data

W dużych przedsiębiorstwach bariery i wyzwania dla projektów Big Data wynikają głównie z wewnętrznych uwarunkowań. Wymieńmy i przeanalizujmy najważniejsze.

Bariery organizacyjne

Bariera 1. Silosowość i brak szybkiej ścieżki podejmowania decyzji

Jej skutkiem jest trudność w zrozumieniu i całościowej ocenie sytuacji oraz trudność w przeprowadzeniu odpowiedniej analizy predykcyjnej, uwzględniającej wszystkie możliwe czynniki w organizacji. Podział funkcjonalny oraz specjalistyczny powoduje, że menedżerowie i pracownicy poszczególnych jednostek patrzą na cele stronniczo. Ponadto mają szczątkowe, a nie całościowe informacje o organizacji. W rezultacie analiza może mieć niekompletny charakter i skutkować błędnymi decyzjami.

Bariera 2. Ograniczone zrozumienie przez menedżerów wyższego szczebla wartości, jakie wnoszą narzędzia analityczne

Kadra zarządzająca często ma trudność w postawieniu odpowiednich hipotez z użyciem odpowiednio dopasowanych metod analitycznych. Częstym problemem jest też opieranie decyzji biznesowych na doświadczeniu i wiedzy eksperckiej zamiast na wynikach analiz dostarczonych przez narzędzia. Ścieżka kariery menedżerów wyższego szczebla częściej wymaga wykazania się inteligencją emocjonalną i umiejętnościami miękkimi niż twardymi. Skutkuje to nieprawidłową oceną wyników lub preferencją wyboru działań opartych na własnej wiedzy, mimo że analizy i fakty sugerują inny kierunek działań.

Bariera 3. Skomplikowany świat wewnętrznych systemów informatycznych

Wiele dużych organizacji wykazuje trudność w integracji i spójności danych wewnętrznych oraz ma ograniczone możliwości gromadzenia i zapisywania danych, które dotyczą wszystkich wydarzeń, co uniemożliwia ich analizę.

Systemy informatyczne są często standardowe i budowane w sposób pozwalający na dopasowanie ich do wielu różnych modeli organizacyjnych. Dają więc ograniczone możliwości konfiguracji narzędzi informatycznych do konkretnych potrzeb przedsiębiorstwa. Szanse biznesowe są zatem dostosowywane do możliwości systemów informatycznych, a nie odwrotnie.

Bariery biznesowe

Bariera 4. Ograniczone definiowanie oczekiwanej wartości ekonomicznej projektów Big Data

Brak wiedzy na temat wartości ekonomicznej projektów Big Data powoduje trudności w postawieniu celów biznesowych oraz problemy z określeniem obszaru, w którym projekty te wniosą największą wartość biznesową. Tymczasem podjęcie decyzji o przeprowadzeniu projektu Big Data powinno opierać się na precyzyjnej ocenie jego wartości dodanej. Jeśli pomijany jest etap stawiania wymiernych celów biznesowych, prowadzi to do nieprawidłowej oceny, czy projekt ostatecznie skończył się powodzeniem, czy nie.

Bariera 5. Częsty brak stawiania klarownych celów pośrednich

Skutkuje to trudnością w uzyskaniu zaangażowania organizacji na długim dystansie oraz utrzymaniu stałego finansowania projektu. Biorąc pod uwagę czas niezbędny na realizację projektu Big Data, brak oczekiwanych korzyści w krótszych odcinkach czasowych może powodować ograniczone zrozumienie osiąganych postępów, a z czasem – utratę zaangażowania kadry menedżerskiej lub finansowania wewnętrznego.

Bariera 6. Ograniczone określenie obszarów odpowiedzialności i miar sukcesu

Należy też dodać – ograniczona spójność celów poszczególnych jednostek organizacyjnych. Dzieje się tak, jeśli – pomimo potrzeby określenia wymiernych czynników sukcesu w krótkiej i dłuższej perspektywie trwania projektu – wielozadaniowość oraz przykładanie różnych wag w systemach oceny poszczególnych jednostek powodują brak spójności oraz brak odpowiedniej oceny wkładu tych jednostek w prowadzony projekt.

Bariery planistyczne

Bariera 7. Planowanie top-down, a nie bottom-up

Jego skutkiem jest brak silnej korelacji pomiędzy zaplanowanym wynikiem finansowym a możliwościami rynkowymi, a także nieefektywny podział budżetu. Procesy planistyczne często wychodzą od celów, które zarząd określa na podstawie własnych aspiracji oraz oczekiwań interesariuszy. Narzucone odgórnie cele finansowe mogą powodować nieodpowiedni podział budżetu, prowadząc do realizacji projektu Big Data w obszarach, które mają mniejszy potencjał biznesowy.

Bariera 8. Brak analityki predykcyjnej w procesach planistycznych

Błędem jest oparcie procesu planowania finansowego tylko na analizie opisowej oraz ograniczanie korelacji pomiędzy projektami Big Data a potrzebami organizacji do „tu i teraz”, jak to często dzieje się w procesach planistycznych. Dopiero wykorzystując moc analityki predykcyjnej, która przewiduje wyniki organizacji na poziomie mikro, można wskazać obszary, gdzie oczekiwania inwestorów i interesariuszy mogą być spełnione po wprowadzeniu zmian do dotychczasowych praktyk.

Bariera 9. Brak zaplanowania procesów testowania

Ograniczona tolerancja na zaplanowanie błędów oraz brak budżetu na niezbędne działania testowe stanowią częsty problem korporacji. Tymczasem rozwój organizacji w dużym stopniu opiera się na testowaniu nowych praktyk, które wymagają szczegółowego zaplanowania. Jeśli tego zabraknie, wyniki projektów Big Data mogą mieć ograniczone skutki ze względu na zredukowane możliwości operacjonalizacji i wdrożenia do istniejących praktyk biznesowych.

Duże korporacje – studium przypadków

Klasycznym przykładem projektów Big Data w sektorze finansowym jest wdrożenie projektów segmentacji klientów oraz budowy działań (ang. next-best-action) wobec poszczególnych grup segmentacyjnych, co powinno przynieść oczekiwany skutek biznesowy.

Na przykład w branży windykacyjnej ocena prawdopodobieństwa spłaty zadłużenia oraz wyznaczenie optymalnej sekwencji działań (strategia kontaktu) wobec dłużnika, skierowanej na osiągnięcie odpowiedniego poziomu spłaty zadłużenia, jest krytyczna i wymaga zaplanowania na poziomie mikrosegmentów. Oszacowanie prawdopodobieństwa i poziomu spłaty może wskazać precyzyjnie obszary oraz segmenty dłużników, gdzie wzbogacenie danych (Big Data) jest niezbędne, aby osiągać lepsze wyniki w przyszłości. W branży bankowej lub ubezpieczeniowej taka segmentacja oraz wyznaczenie optymalnych strategii kontaktu może wspierać osiągnięcie odpowiedniego poziomu uproduktowienia oraz lojalności klienta.

Duże korporacje – rekomendacje

W XXI w. budowa długofalowej przewagi konkurencyjnej każdej organizacji zależy od czynnika, który ma część wspólną z terminem Big Data. Jest nim budowa strategicznej zdolności analitycznej (ang. strategic analytical capability) organizacji. Produkty oraz procesy operacyjne są łatwo kopiowane przez konkurencję ze względu na postęp technologiczny, natomiast wewnętrzna organizacja przetwarzania i analizy danych w celu podjęcia optymalnych decyzji biznesowych stanowi długotrwałą przewagę konkurencyjną, niemożliwą do skopiowania.

MŚP – wyzwania dla projektów Big Data

W sektorze MŚP bariery i wyzwania wynikają głównie z przyczyn wewnętrznych: braku odpowiednich zasobów, braku narzędzi niezbędnych do technicznego gromadzenia oraz nieprawidłowego przetwarzania danych.

Wyzwaniem dla MŚP jest gromadzenie dużego wolumenu danych z różnych dostępnych źródeł czy integrowanie różnorodnych typów danych. Organizacje te mają także częste problemy z jakością i dostępnością danych oraz procesowaniem i przetwarzaniem danych na czas (ang. real-time analytics). Dużą trudność sprawia im budowa i monitoring modeli predykcyjnych oraz prezentacja i wizualizacja danych na czas.

Wszystko to ogranicza możliwości rozwoju wielu przedsiębiorstw w sektorze MŚP. Nawet pokonanie tych barier nie rozwiązuje kwestii ograniczonego budżetu oraz problemu małego zrozumienia wartości ekonomicznej zastosowania narzędzi analitycznych.

MŚP – studium przypadków

Małe i średnie instytucje finansowe (np. sektor SKOK, sektor bankowości spółdzielczej), firmy pożyczkowe, leasingowe czy faktoringowe stoją przed dużym wyzwaniem – jak zbudować korzystne wyniki finansowe zgodnie z bezpieczną polityką oceny ryzyka kredytowego swoich klientów, zachowując przy tym wysoki poziom sprzedaży. W tym przypadku projekty Big Data obejmują procesy wzbogacenia istniejących danych w celu szybkiej i skutecznej oceny ryzyka kredytowego.

Mówiąc fachowym językiem, obszar analityczny i ryzyka kredytowego musi obejmować budowę i monitoring kart scoringowych oraz modeli predykcyjnych, modelu LGD (loss-given-default), modelu zarządzania ceną i rentownością, w tym oceny nie tylko ryzyka klienta (opartego na PD – probability of default), ale również ryzyka transakcji (model COR – cost-of-risk) przy jednoczesnym wyznaczeniu limitu transakcji i całkowitego zaangażowania klienta.

Organizacja musi zostać wyposażona w automatyczne narzędzia raportowe, pozwalające na szybki monitoring i wdrażanie zmian. Wszystkie te elementy budują unikatowy zestaw narzędzi i kompetencji, które zapewnią długotrwały wzrost finansowy i satysfakcję klientów.

W ramach Systemu 12-S typową strategię sukcesu można opisać w następujący sposób:

  • zapewnić pozytywną selekcję klientów podczas procesu sprzedaży,
  • zapewnić wysoki poziom obsługi i satysfakcji dla pozyskanych klientów, utrzymując wzrost lojalnej docelowej grupy klientów,
  • wdrożyć politykę cenową wspierającą procesy akwizycji i sprzedaży,
  • wdrożyć produkt, który buduje szybkość operacyjną organizacji,
  • zapewnić dynamiczne zmiany biznesowe i legislacyjne, które stworzą szanse dla rozwoju organizacji, będąc jednocześnie barierą dla konkurencji.

MŚP – rekomendacje

Pokonanie wyzwań w sektorze MiŚP wymaga skupienia się na osiągnięciu skali w wykorzystaniu narzędzi analitycznych, z jednoczesnym położeniem nacisku na stworzenie zautomatyzowanych procesów i narzędzi do gromadzenia, przetwarzania oraz analizy danych. Jeśli przedsiębiorstwo z sektora MiŚP nie ma zdolności do budowy takich narzędzi i procesów, kluczowa staje się rola zewnętrznych organizacji, w tym instytucji naukowych i uczelni. Do nich należy stworzenie rozwiązań, które mogą być wykorzystane przez przedsiębiorstwa MiŚP na skalę masową.

Podsumowanie

Na drodze do wdrożenia rozwiązań analitycznych i prowadzenia projektów Big Data organizacje muszą pokonać wiele barier, których nie wolno bagatelizować. Niezależnie od zaawansowania organizacji najważniejszym czynnikiem jest budowa strategicznej zdolności analitycznej, w której analiza i wykorzystanie zaawansowanych metod analitycznych są w centrum wszystkich procesów decyzyjnych i operacyjnych.

Ulubione Print

Also check

On-line only no. 19/2019

Narzędzia IT SAP w analizie finansowej

MC_63_79.jpg

Wyobraźmy sobie przedsiębiorstwo z oddziałami na całym świecie. Do tej pory do raportowania danych używano w nim narzędzia, którego kontrolowanie było utrudnione, a czasem wręcz niemożliwe. Na podstawie wprowadzanych do systemu danych obliczano m.in. rentowność firmy i premie dla danego oddziału. W takim przypadku podatność na manipulacje przy danych jest ogromna i stanowi realne zagrożenie. Aby je zminimalizować, potrzeba pełnej integracji systemów. Tylko one są w stanie zniwelować ryzyko ludzkiej pomyłki, nadużyć i opóźnień.

Read more

Analityka wspierająca kulturę etycznego biznesu. Case study z obszaru windykacji

INFO_19_19.jpg

Wszyscy interesariusze funkcjonujący na rynku windykacyjnym zainteresowani są stabilnością tej branży oraz jej funkcjonowaniem opartym na fundamentach zapewniających etykę oraz rozwój gospodarczy. Jak to osiągnąć?

Read more

Jak środowisko Power BI łączy się z Excelem?

INFO_19_14.jpg

Jednym z wyróżników Power BI jest współpraca z całym środowiskiem Microsoftu. Użytkowników programu Excel szczególnie zaś interesuje, w jaki sposób można pracować wymiennie w obu narzędziach (pamiętaj: Excel nigdy nie umiera). W artykule przedstawiono najważniejsze sposoby powiązania obu środowisk.

Read more

Current issue

Go to

Partners

Reklama