Systemy pomiaru efektywności (ang. Performance Measurement Systems, PMS) powstały, aby ułatwić wdrożenie strategii biznesowych, monitorować i poprawiać alokację zasobów, umożliwić lepszą komunikację, zapewnić spójność między działaniami jej poszczególnych komórek organizacyjnych, a w konsekwencji wspomóc kierownictwo w poprawie efektywności całej organizacji. Cel ten miał być zrealizowany poprzez zbudowanie systemu mierników efektywności, zdolnego do dostarczenia kierownictwu kluczowych informacji dzięki usystematyzowanemu gromadzeniu, przetwarzaniu oraz analizie danych operacyjnych i strategicznych. Z tego też względu przez wiele dekad zastanawiano się, w jaki sposób zdefiniować mierniki efektywności i jakie ustalić dla nich wartości referencyjne, aby zapewnić ich zgodność z celami strategicznymi firmy, a także wskazać, w jaki sposób dzisiejsze decyzje wpłyną na przyszłą efektywność firmy. W rezultacie zbudowano różne systemy mierników efektywności, dashboardów oraz kart wyników wraz z powiązanymi celami do osiągnięcia i opartymi na nich systemami wynagradzania. Były one rozwijane centralnie, a następnie kaskadowane w dół organizacji.

Wpływ big data na rozwój systemów pomiaru efektywności przedsiębiorstw

Co zmieniło się w ostatnich latach?

Obecnie wiele firm dąży do zbudowania takiego właśnie systemu pomiaru efektywności. Jednakże uwarunkowania zewnętrzne zmieniają się, a zmiany przyspieszyły szczególnie w ostatnich latach, co wpłynęło na zmianę oczekiwań wobec systemów PMS. Po pierwsze, nastąpił ogromny rozwój nowych technologii w zakresie przesyłania i przetwarzania danych (szybkie połączenia internetowe, strumieniowe przesyłanie dźwięku oraz obrazu, zaawansowane systemy do analizy danych, media społecznościowe). Sprawił on, że firmy mają teraz dostęp do ogromnych i zróżnicowanych źródeł danych, jakiego nie miały nigdy wcześniej. Po drugie, ciągłe i skokowe zmiany w otoczeniu zewnętrznym sprawiają, że strategie i budżety coraz szybciej się dezaktualizują. Po trzecie, rośnie sieć podmiotów, które są zainteresowane funkcjonowaniem firmy – nie tylko akcjonariusze, ale również pracownicy, lokalne społeczności, rządy, organy i instytucje państwowe, banki, dostawcy, inwestorzy, partnerzy w sieci, do których należy dana firma. Po czwarte, rośnie stopień nasilenia walki konkurencyjnej ze względu na dążenie konkurentów do wykorzystania nowych technologii w celu osiągnięcia przewagi rynkowej.

Coraz częściej zatem zaczęły podnosić się głosy, że obecne podejście do projektowania i budowy systemów pomiaru efektywności staje się niewystarczające w otoczeniu biznesowym wyróżniającym się rosnącą złożonością, zmiennością i niepewnością. Dotychczasowe systemy pomiaru efektywności sprawdzają się bowiem w sytuacji, gdy problemy można jednoznacznie określić, a funkcjonowanie organizacji daje się zamodelować i przewidzieć z dużą dozą prawdopodobieństwa. Ich wadą staje się jednak to, że są sztywne, nie pozwalają na szybkie uczenie się organizacji i coraz częściej dostarczają nieadekwatnych do potrzeb, niedokładnych i nieaktualnych informacji. W rezultacie stają się obciążeniem, a nie wsparciem, szczególnie dla dynamicznych i szybko działających firm. Kwestionowane są również możliwości prognozowania przyszłych wyników przy wykorzystaniu obecnych rozwiązań.

To wszystko sprawia, że potrzebna jest zmiana myślenia na temat systemów pomiaru efektywności. Nowe wyzwanie to stworzenie systemu, który będzie bardziej dynamiczny i wrażliwy na zmiany w otoczeniu wewnętrznym i zewnętrznym, tj. będzie szybciej dostosowywał się do nowych okoliczności i niepewności, a także pozwoli na wykorzystanie rosnących zbiorów danych (określanych powszechnie jako big data) poprzez ich przetworzenie w informacje i wnioski przydatne w podejmowaniu decyzji. Jego nadrzędnym celem nie będzie sprawowanie kontroli poprzez optymalizację alokacji zasobów i prognozowanie wyników, ale wsparcie w lepszym poznaniu i zrozumieniu przyczyn pojawiających się problemów. Ma to pozwolić na podejmowanie właściwych działań przybliżających organizację do osiągnięcia zamierzonych celów strategicznych.

Nierzadko podkreśla się jeszcze jedną kwestię – te organizacje, które będą najszybsze i dokonają największych postępów w budowie nowych systemów pomiaru i zarządzania efektywnością przy wykorzystaniu big data mają szansę na zdobycie szczególnej przewagi konkurencyjnej. Pozostałe zaś ryzykują, że pozostaną w tyle z ograniczonymi możliwościami dotrzymania kroku konkurencji.

Wymagania wobec systemów pomiaru efektywności w erze big data

Powoli, po latach doświadczeń z dużymi zbiorami danych, zaczynają krystalizować się cechy charakterystyczne nowych systemów pomiaru efektywności, które będą opierały się na efektywnym wykorzystaniu big data. Przede wszystkim podstawowym wymaganiem jest to, aby umożliwić gromadzenie danych na temat efektywności z wielu różnych źródeł (np. dotyczących klientów, środowiska naturalnego, danych na temat rynku) bez względu na zastosowaną technologię, analizowane procesy, sposób ujęcia itd. Ma to służyć zapewnieniu różnorodności i wzbogacić wartość danych poprzez odkrycie nieznanych dotąd zależności, co możliwe będzie tylko po połączeniu kilku źródeł danych ze sobą.

Kolejnym wymogiem dla nowego systemu PMS jest autonomiczność. Należy ją rozumieć w ten sposób, że każda spółka w grupie kapitałowej, pion, segment czy dział powinny mieć swobodę w definiowaniu właściwych dla siebie zestawów mierników efektywności i systemu premiowania. Nie powinny one być ujednolicone dla wszystkich działów w myśl kaskadowania centralnego rozwiązania w dół organizacji. To znaczy, że każda jednostka w organizacji może w inny sposób przyczyniać się do jej sukcesu, np. jedne działy mogą redukować koszty firmy dzięki prowadzonym przez siebie pracom rozwojowym, inne zwiększając satysfakcję klientów, a inne jeszcze poprzez prostą redukcję kosztów. Nie oznacza to jednak, że organizacja na poziomie centrali nie może definiować wspólnych mierników dla wszystkich jednostek.

Istotnym wymogiem jest konieczność zapewnienia sprawnego dodania nowych, zmiany i usunięcia istniejących elementów w systemie pomiaru efektywności, np. dodanie nowych spółek, działów, produktów, źródeł danych, nowych typów użytkowników, mierników efektywności i innych elementów. Chodzi tu o możliwość stworzenia warunków, gdzie budowanie relacji między elementami systemu pomiaru i modelowanie danych odbywa się na bieżąco zgodnie z bieżącymi potrzebami, a nie jest sztywno zaplanowane i niezmienne w czasie.

Co można zyskać dzięki włączeniu big data do PMS?

Nadrzędną korzyścią z wdrożenia system pomiaru efektywności opartego na big data ma być poprawa procesu formułowania strategii biznesowej, lepsza komunikacja celów w organizacji oraz bardziej wszechstronna ocena efektywności. To z kolei będzie sprzyjało promowaniu dyskusji na temat efektywności obecnej strategii, podejmowaniu nowych inicjatyw w celu jej realizacji oraz identyfikacji zupełnie nowych kierunków dalszych działań. Dzięki temu kierownictwo firmy powinno znacznie lepiej zrozumieć swoje problemy biznesowe oraz pojawiające się okazje i zagrożenia.

Wśród wymiernych korzyści z usystematyzowanego podejścia do wykorzystania big data w systemach pomiaru efektywności, które uzyskiwane są przez najbardziej zaawansowane pod tym względem przedsiębiorstwa należy wymienić:

  1. zidentyfikowanie nowych źródeł przychodów,
  2. odkrycie nieznanych i nieoczywistych dotychczas sposobów redukcji kosztów,
  3. dywersyfikacja ryzyka prowadzonej działalności,
  4. zidentyfikowanie nowych sposobów budowania przewagi konkurencyjnej,
  5. zwiększona innowacyjność w obszarze produktów i usług, a także
  6. ciągłe dostosowanie modelu oraz procesów biznesowych do zmieniających się uwarunkowań zewnętrznych i wewnętrznych.

Nowy system pomiaru efektywności będzie w stanie odpowiedzieć na szereg różnych typów pytań, na co wskazała już firma badawcza Gartner w 2012 roku, w tym na:

  • pytania dotyczące przeszłości, które będą wymagały udzielenia odpowiedzi opisowej, typu: „co się stało”, „gdzie”, „jak wiele”, „jak często”, „jak ma się to do naszego planu”;
  • pytania mające na celu ustalić związek przyczynowo-skutkowy, typu „dlaczego to się stało” – do odpowiedzi na nie będą wykorzystywane narzędzia typu „drzewa analityczne”, funkcjonalności typu drill-down czy zaawansowane tabele przestawne;
  • pytania dotyczące prognoz na przyszłość i możliwych scenariuszy – do tego celu będzie wykorzystywana analityka predykcyjna (np. prognozowanie na podstawie szeregów czasowych, symulacje Monte Carlo);
  • pytania dotyczące rekomendowanych działań i spodziewanych wyników.

Potencjał korzyści, jakie można uzyskać dzięki wykorzystaniu big data we wsparciu procesów podejmowania decyzji, wyjaśnia, dlaczego tak wiele przedsiębiorstw na świecie dokonuje znaczących inwestycji w budowę nowych systemów pomiaru efektywności (w tym nowe technologie i procesy). Dzieje się tak, pomimo że organizacje te nie zawsze mają jasną wizję tego, w jaki konkretnie sposób chcą osiągnąć postawione cele, tzn. zamienić posiadane dane na wartościowe informacje. Należy jednak zaznaczyć, że szereg badań pokazuje, iż organizacje, które zdecydowały się zastosować usystematyzowane podejście do wykorzystania big data w procesach pomiaru i zarządzania efektywnością, osiągają znacznie lepsze wyniki niż firmy, które nie podejmują tego wysiłku.

Jak zbudować efektywny PMS, opierając się na big data?

W tradycyjnym ujęciu proces projektowania i budowy systemu pomiaru efektywności rozpoczyna się od stworzenia mapy strategii przez najwyższe kierownictwo firmy. Jej celem jest zapewnienie spójności z kluczowymi celami firmy oraz łatwiejsze zakomunikowanie strategii. Następnie kierownictwo zazwyczaj buduje zestaw mierników efektywności (KPI), które mają wspierać realizację przyjętej strategii i ocenę, czy zamierzenia strategiczne zostały osiągnięte. Mierniki efektywności są następnie kaskadowane w dół organizacji, gdzie wykorzystywane są do tworzenia systemów oceny i wynagradzania pracowników. W ten sposób osiąga się spójność działań i ich zgodność z przyjętą strategią w całej organizacji.

Wymogi stawiane obecnie systemom pomiaru efektywności w erze big data (zróżnicowanie i autonomiczność, zdolność uwzględnienia złożoności analizowanych zagadnień oraz dużego stopnia niepewności co do rozwoju przyszłych wydarzeń) sprawiają jednak, że proces ten musi zostać w pewnym zakresie zmieniony. Wciąż punktem wyjścia będzie mapa strategiczna, ale dalej zamiast przystąpić do budowania zestawu KPIs na poziomie centrali, należy zaangażować różne strony i menedżerów poszczególnych komórek w celu wspólnego wynegocjowania i zakomunikowania specyficznych dla nich celów do osiągnięcia oraz wzajemnych relacji między nimi. W ten sposób może powstać zestaw indywidualnych mierników na poziomie poszczególnych komórek, które nie będą wcale analizowane przez centralę w celu porównania efektywności tychże komórek. Zadaniem centrali będzie jednak zdefiniowanie wspólnych kryteriów oraz procesów oceny dla wszystkich jednostek. To z kolei prowadzi do przyjęcia efektywności całej organizacji jako wspólnego mianownika i uznania, że efektywność ta nie jest prostą sumą efektywności poszczególnych jednostek organizacyjnych czy zespołów, ale wynika ze złożonych interakcji między nimi.

Docelowy system pomiaru efektywności będzie składał się w takim przypadku z wielu połączonych ze sobą, ale jednocześnie zróżnicowanych i autonomicznych podsystemów, które mogą być osadzone w całkowicie odmiennych technologiach, procesach organizacyjnych, regionach geograficznych i podejściu do oceny efektywności. Taka koncepcja budowy systemu pomiaru efektywności określana jest jako „system systemów” i uznaje ona, że do poradzenia sobie z pomiarem i zarządzaniem efektywnością w warunkach dynamicznych zmian otoczenia i obecności big data potrzebne jest podejście holistyczne pozwalające menedżerom na sprawne poruszanie się wśród mnogości opcji różnych działań oraz ocenę ich wpływu nie tylko na efektywność pojedynczej jednostki biznesowej, ale całej organizacji. Wydaje się, że do realizacji tego celu niezbędne będzie częstsze korzystanie z narzędzi do modelowania finansowego i symulacji.

Stworzenie nowego podejścia do budowy systemu pomiaru efektywności będzie wymagało spełnienia szeregu wymogów i wprowadzenia odpowiednich zmian w organizacji, w tym:

  • wyboru i uporządkowania źródeł danych w celu zapewnienia ich kompletności, zróżnicowania, poprawności, dokładności i aktualności;
  • zbudowania systemów informatycznych zdolnych do gromadzenia, przetwarzania i analizy zebranych danych wraz z ustaleniem praw dostępu do danych;
  • wdrożenia procesu ciągłego bądź okresowego uzgodnienia systemów będących źródłem danych dla systemu pomiaru efektywności;
  • stworzenia polityki ładu korporacyjnego w obszarze danych (tzw. data governance) w celu określenia, kto jest odpowiedzialny za zdefiniowanie danych, ich tworzenie, weryfikację, czyszczenie oraz zatwierdzenie;
  • zrozumienia kluczowych czynników sukcesu prowadzonej działalności;
  • pozyskania umiejętności analitycznych niezbędnych do pracy z dużymi zbiorami danych;
  • stworzenia prostych i łatwych w obsłudze narzędzi dla osób podejmujących decyzje;
  • wdrożenia procesu podejmowania decyzji oraz alokacji zasobów, dopasowanego do wymogów współpracy różnych grup podmiotu oraz zarzucenia stałej kontroli na rzecz uczenia się organizacji oraz współpracy w celu poprawy efektywności;
  • zbudowania systemu oceny i wynagradzania pracowników, powiązanego z efektywnością całego systemu, nie tylko danego działu lub osoby (np. systemu premiowania opartego na zasadzie profit sharing).

W dotychczasowych wdrożeniach często podkreśla się, że wprowadzone zmiany nie odniosą zamierzonych skutków, jeżeli organizacja nie zapewni, że wnioski z przeprowadzonych analiz, opartych na big data zostaną przełożone na język biznesowy zrozumiały dla kierowników liniowych. Do tego potrzebne są osoby, które z jednej strony mają niezbędną wiedzę na temat wykorzystywanych systemów informatycznych, wymagań wobec danych oraz metod ich analizy (narzędzia statystyczne i ekonometryczne), a z drugiej strony rozumieją uwarunkowania biznesowe i potrafią wskazać, w jaki sposób wyciągnięte wnioski z analizy przekładają się na efektywność przedsiębiorstwa.

Istotną rolę w budowie systemu pomiaru efektywności będą mieli menedżerowie, których zadaniem nie tyle będzie nadzorowanie i kontrola wykonywania zadań, ale organizowanie i koordynowanie pracy zespołów. Będzie to wymagało nie tylko innego zestawu kompetencji, ale również większego zaangażowania w bieżącą działalność organizacji. Ich głównym celem będzie bowiem nie tyle maksymalizacja efektywności, co ciągła jej poprawa metodą prób i błędów, pilotażowego uruchomienia wybranych inicjatyw lub przeprowadzanie w ograniczonej skali eksperymentów biznesowych w celu weryfikacji i potwierdzenia efektywności podejmowanych działań. Nie należy również zapominać, że rolą menedżerów będzie również dokonanie wyboru, na jakich elementach i danych należy się koncentrować oraz przeciwdziałanie pokusie, aby wszystkie mierniki traktować na równi.

„Ciemna strona” big data

Pomimo wielu korzyści z wykorzystania big data w projektowaniu i budowie systemu pomiaru efektywności przedsiębiorstwa, należy uwagę zwrócić również na potencjalne zagrożenia, które się z nim wiążą. Duże zbiory danych są coraz bardziej powszechne, tak samo jak narzędzia służące do ich analizy. Niestety, organizacje często mają duży problem z tym, aby uzyskać wymierne korzyści z ich wykorzystania w biznesie, np. w postaci uzyskania przewagi nad konkurentem. Wynika to z kilku przyczyn.

Po pierwsze, dużą trudność stanowi wyciągnięcie istotnych i wartościowych z punktu widzenia firmy wniosków z analizy big data. Często bowiem przedsiębiorstwa koncentrują się na zbieraniu, czyszczeniu oraz przechowywaniu wszelkich możliwych zbiorów danych. Znacznie mniej wysiłku wkładane jest w to, aby zrozumieć, jakich informacji tak naprawdę te dane dostarczają i jaka jest ich faktyczna wartość w kontekście prowadzonej działalności i postawionych celów. Po drugie, organizacjom często brakuje ustrukturyzowanych, zintegrowanych (często dane są rozproszone w wielu różnych bazach danych) i dobrej jakości danych przydatnych w procesie podejmowania decyzji, a także umiejętności analitycznych do ich przetworzenia i wyciągnięcia właściwych wniosków. Po trzecie, w analizach często zapomina się, że big data może dostarczyć jedynie wsparcia w podjęciu decyzji i nie może zastąpić wizji, czym tak naprawdę firma ma się zajmować i co chce osiągnąć. Po czwarte, organizacje często próbują zbierać i analizować ogromne zestawy danych oraz liczbę mierników. To stwarza efekt przytłoczenia menedżerów ilością danych, co w konsekwencji nie pozwala im skoncentrować się na kwestiach naprawdę istotnych. Po piąte, firmy nierzadko rozpoczynają pracę z big data, nie będąc do tego w ogóle przygotowanym (słabe systemy IT, brak procedur w zakresie data governance i podejmowania decyzji, ograniczone umiejętności pracowników). Po szóste, trzeba pamiętać, że nawet najlepsze wnioski z przeprowadzonych analiz nie będą nic warte, jeżeli nie zostaną zaakceptowane przez menedżerów, którzy mają wdrożyć wynikające z nich rozwiązania. Często jednak się zdarza, że menedżerowie ci nie są angażowani w proces zbierania danych, analizy oraz podejmowania decyzji.

Wszystkie wskazane ograniczenia powodują, że relacja między big data a efektywnością systemów pomiaru efektywności i efektywności samych przedsiębiorstw nie jest jednoznaczna. Samo zgromadzenie dużych zbiorów danych, nabycie odpowiedniego oprogramowania i przeprowadzenie analiz nie wystarczy do uzyskania zadowalających efektów. Należy jednak zaznaczyć, że te organizacje, które nauczą się wykorzystywać big data do oceny efektywności i podejmowania decyzji, będę miały otwarte drzwi do znaczącego zwiększenia swojej efektywności, innowacyjności i w konsekwencji znacznej poprawy swojej pozycji konkurencyjnej, co powinno przełożyć się na uzyskanie realnej przewagi nad konkurentami rynkowymi.

Dotychczasowe systemy pomiaru efektywności sprawdzają się bowiem w sytuacji, gdy problemy można jednoznacznie określić, a funkcjonowanie organizacji daje się zamodelować i przewidzieć z dużą dozą prawdopodobieństwa. Ich wadą staje się jednak to, że są sztywne, nie pozwalają na szybkie uczenie się organizacji i coraz częściej dostarczają nieadekwatnych do potrzeb, niedokładnych i nieaktualnych informacji.

Podstawowym wymaganiem jest to, aby umożliwić gromadzenie danych na temat efektywności z wielu różnych źródeł (np. dotyczących klientów, środowiska naturalnego, danych na temat rynku) bez względu na zastosowaną technologię, analizowane procesy, sposób ujęcia itd. Ma to służyć zapewnieniu różnorodności i wzbogacić wartość danych poprzez odkrycie nieznanych dotąd zależności, co możliwe będzie tylko po połączeniu kilku źródeł danych ze sobą.

Istotnym wymogiem jest konieczność zapewnienia sprawnego dodania nowych, zmiany i usunięcia istniejących elementów w systemie pomiaru efektywności, np. dodanie nowych spółek, działów, produktów, źródeł danych, nowych typów użytkowników, mierników efektywności i innych elementów. Chodzi tu o możliwość stworzenia warunków, gdzie budowanie relacji między elementami systemu pomiaru i modelowanie danych odbywa się na bieżąco zgodnie z bieżącymi potrzebami, a nie jest sztywno zaplanowane i niezmienne w czasie.

Ulubione Drukuj

Zobacz również

Tylko on-line nr 26/2021

Przegląd systemów WMS

Przegląd systemów WMS

Magazyn staje się sercem łańcucha dostaw i dlatego jest centralnym punktem inwestycji sprzedawców detalicznych, producentów i dostawców usług logistycznych. System technologii magazynowej staje się coraz bardziej złożony, operatorzy łańcucha dostaw potrzebują bardziej wyrafinowanych systemów zarządzania, które mogą koordynować dużą liczbę indeksów, różnorodność inteligentnych urządzeń i systemów połączonych w ich obiektach. Z pomocą przychodzą systemy WMS.

Czytaj więcej
Tylko on-line nr 26/2021

Ataki hakerskie na dane firmowe: dlaczego nadal padamy ich ofiarą?

Ataki hakerskie na dane firmowe: dlaczego nadal padamy ich ofiarą?

Z roku na rok rośnie liczba i zakres ataków hakerskich. Niestety, kultura bezpieczeństwa w polskich firmach nie rośnie wraz z nimi. Jak przebiegają najczęstsze ataki hakerskie? Jak się przed nimi zabezpieczyć i dlaczego inwestycja w nawet najnowocześniejsze technologie to wciąż za mało?

Czytaj więcej

Przejdź do

Partnerzy

Reklama