داده‌محوری و تصمیم‌گیری بر اساس داده؛ راهنمای کاربردی برای مدیران کسب‌وکار

وقتی مدیر یک سازمان برای تصمیم‌گیری درباره افزایش بودجه بازاریابی، توسعه محصول، استخدام نیروی جدید یا اصلاح یک فرایند عملیاتی به اطلاعات مراجعه می‌کند، با یک پرسش اساسی روبه‌رو است: آیا داده‌های موجود واقعاً تصویر درستی از وضعیت کسب‌وکار ارائه می‌کنند؟

داده‌محوری و تصمیم‌گیری بر اساس داده رویکردی است که در آن اطلاعات معتبر و تحلیل نظام‌مند، بخش مهمی از مبنای تصمیم‌های سازمانی را تشکیل می‌دهند. در این رویکرد، تجربه مدیران و شناخت بازار کنار گذاشته نمی‌شود؛ بلکه با شواهد قابل بررسی ترکیب می‌شود تا تصمیم‌ها دقیق‌تر، قابل ارزیابی‌تر و متناسب با اهداف کسب‌وکار باشند.

برای مثال، کاهش فروش لزوماً به معنای ضعف تیم فروش نیست. ممکن است کاهش تقاضای بازار، افزایش زمان تحویل، کمبود موجودی یا افت نرخ تبدیل مشتریان عامل اصلی باشد. بدون بررسی داده‌های مرتبط، احتمال دارد سازمان منابع خود را صرف حل مسئله‌ای کند که علت واقعی افت عملکرد نیست.

در این مقاله، بررسی می‌کنیم داده‌محوری چه معنایی دارد، چگونه در ساختار مدیریتی و عملیاتی سازمان اجرا می‌شود، چه پیش‌نیازهایی دارد و چگونه می‌توان ارزش حاصل از آن را اندازه‌گیری کرد.

داده‌محوری چیست؟

داده‌محوری (Data-Driven Approach) رویکردی مدیریتی است که در آن داده‌های مرتبط با کسب‌وکار جمع‌آوری، اعتبارسنجی و تحلیل می‌شوند تا تصمیم‌ها با شواهد قابل اتکا پشتیبانی شوند.

تصمیم‌گیری داده‌محور (Data-Driven Decision-Making) فرایندی است که طی آن سازمان یک مسئله یا هدف را مشخص می‌کند، داده‌های مرتبط را بررسی می‌کند، گزینه‌های تصمیم‌گیری را می‌سنجد و پس از اجرای تصمیم، نتایج را با معیارهای مشخص ارزیابی می‌کند. این تعریف با رویکرد معرفی‌شده در منابع IBM درباره تصمیم‌گیری داده‌محور هم‌راستاست.

یک سازمان داده‌محور باید بتواند به چهار پرسش پاسخ دهد:

• چه اتفاقی افتاده است؟

• چرا این اتفاق افتاده است؟

• چه اقدامی می‌تواند وضعیت را بهبود دهد؟

• از کجا بفهمیم اقدام انجام‌شده مؤثر بوده است؟

پاسخ به این پرسش‌ها، داده را به بخشی از چرخه مدیریت عملکرد تبدیل می‌کند.

تفاوت تصمیم‌گیری داده‌محور با تصمیم‌گیری سنتی چیست؟

در تصمیم‌گیری سنتی، تجربه، شهود، سلسله‌مراتب سازمانی و برداشت مدیران ممکن است نقش غالب داشته باشند. در تصمیم‌گیری داده‌محور، این عوامل با اطلاعات قابل سنجش، تحلیل فرضیه‌ها و ارزیابی نتایج تکمیل می‌شوند.

تفاوت اصلی در حذف قضاوت انسانی نیست؛ در این است که مبنای تصمیم تا چه اندازه شفاف، قابل بررسی و قابل ارزیابی است.

تصمیم‌گیری داده‌محور همیشه سریع‌تر یا درست‌تر نیست. اگر اطلاعات ناقص باشند یا تحلیل بر فرض‌های اشتباه استوار شود، حتی یک گزارش دقیق و حرفه‌ای نیز می‌تواند تصمیم نامناسبی را توجیه کند.

چرا داده‌محوری برای کسب‌وکارها اهمیت دارد؟

اهمیت داده‌محوری زمانی مشخص می‌شود که تصمیم‌های سازمان مستقیماً بر هزینه، درآمد، کیفیت خدمات، تجربه مشتری و تخصیص منابع اثر می‌گذارند.

۱. شناسایی دقیق‌تر مسائل سازمان

در بسیاری از کسب‌وکارها، نشانه‌های یک مشکل با علت اصلی آن اشتباه گرفته می‌شوند. کاهش درآمد ممکن است نتیجه افت تعداد مشتریان، کاهش مبلغ متوسط خرید، افزایش لغو سفارش‌ها یا تأخیر در وصول مطالبات باشد.

تحلیل داده کمک می‌کند این عوامل از یکدیگر تفکیک شوند و اقدامات اصلاحی بر اساس علت‌های محتمل اولویت‌بندی شوند.

۲. استفاده مؤثرتر از منابع

بودجه، زمان و نیروی انسانی محدود هستند. سازمان باید بداند کدام فعالیت‌ها بیشترین ارزش را ایجاد می‌کنند و کدام فرایندها منابع را بدون بازده متناسب مصرف می‌کنند.

برای مثال، بررسی هزینه و زمان انجام فعالیت‌ها می‌تواند نشان دهد کدام فرایند اداری ظرفیت بیشتری برای خودکارسازی دارد. با این حال، تصمیم به خودکارسازی باید علاوه بر هزینه، ریسک خطا، کیفیت خدمت و هزینه نگهداری راهکار را نیز در نظر بگیرد.

۳. بهبود پیش‌بینی و برنامه‌ریزی

داده‌های تاریخی، در صورت برخورداری از کیفیت مناسب و نمایندگی کافی از شرایط آینده، می‌توانند به پیش‌بینی تقاضا، جریان نقدی، فروش یا نیاز به موجودی کمک کنند.

پیش‌بینی، نتیجه قطعی آینده نیست. تغییر رفتار مشتریان، شرایط اقتصادی، اختلال در زنجیره تأمین و سایر عوامل بیرونی می‌توانند دقت آن را کاهش دهند. به همین دلیل، بهتر است پیش‌بینی‌ها با سناریوهای مختلف و ارزیابی منظم خطا همراه باشند.

۴. افزایش شفافیت و پاسخ‌گویی

وقتی اهداف، شاخص‌ها و مسئولیت‌ها مشخص باشند، مدیران می‌توانند عملکرد را با معیارهای مشترک بررسی کنند. در این شرایط، گفت‌وگو درباره عملکرد از اختلاف برداشت‌ها به سمت بررسی شواهد و اقدام‌های اصلاحی حرکت می‌کند.

۵. ایجاد زمینه مناسب برای تحول دیجیتال

تحول دیجیتال زمانی ارزش عملیاتی پیدا می‌کند که فناوری به بهبود تصمیم‌ها و فرایندهای واقعی سازمان کمک کند. داده‌های قابل اتکا، امکان شناسایی گلوگاه‌ها، ارزیابی تغییرات و سنجش نتیجه سرمایه‌گذاری‌های فناوری را فراهم می‌کنند.

برای بررسی ارتباط این موضوع با تغییرات سازمانی، مقاله مراحل عملی اجرای تحول دیجیتال در سازمان می‌تواند محتوای مکمل مناسبی باشد. لینک نهایی باید پس از مشخص شدن نشانی واقعی صفحه در سایت قرار بگیرد.

انواع تحلیل داده در تصمیم‌گیری سازمانی

همه تصمیم‌ها به یک نوع تحلیل نیاز ندارند. انتخاب روش تحلیل باید بر اساس پرسش مدیریتی و نوع داده در دسترس انجام شود.

این چهار دسته، چارچوبی برای درک سطح تحلیل هستند و لزوماً مراحل اجباری یا مستقل از یکدیگر محسوب نمی‌شوند. برای مثال، یک مسئله می‌تواند با تحلیل توصیفی آغاز شود، با بررسی علت‌ها ادامه پیدا کند و سپس به پیش‌بینی یا پیشنهاد اقدام برسد.

نکته مدیریتی مهم این است که پیچیده‌ترین روش تحلیلی همیشه بهترین انتخاب نیست. اگر یک گزارش ساده بتواند به‌درستی به پرسش مدیر پاسخ دهد، استفاده از مدل پیش‌بینی پیچیده ممکن است هزینه و پیچیدگی غیرضروری ایجاد کند.

مراحل پیاده‌سازی داده‌محوری در سازمان

داده‌محوری زمانی قابل اجراست که به یک فرایند مشخص و قابل تکرار تبدیل شود. سازمان لازم نیست از ابتدا زیرساختی گسترده برای تمام واحدها ایجاد کند؛ می‌تواند با یک مسئله مهم و قابل اندازه‌گیری آغاز کند.

مرحله اول: تعریف مسئله کسب‌وکار

ابتدا باید مشخص شود سازمان چه مسئله‌ای را حل می‌کند یا به دنبال چه فرصتی است.

عبارت‌هایی مانند «می‌خواهیم از داده استفاده کنیم» هدف اجرایی روشنی نیستند. در مقابل، هدف‌هایی مانند «کاهش زمان رسیدگی به سفارش‌ها» یا «افزایش دقت پیش‌بینی جریان نقدی» امکان تعریف شاخص و ارزیابی نتیجه را فراهم می‌کنند.

در این مرحله مشخص کنید:

• مسئله فعلی چیست؟

• کدام تصمیم باید بهتر شود؟

• چه کسی مسئول تصمیم است؟

• نتیجه مطلوب چگونه سنجیده می‌شود؟

• محدودیت‌های زمانی، مالی و عملیاتی چیست؟

مرحله دوم: تعیین شاخص‌های کلیدی عملکرد

شاخص کلیدی عملکرد (KPI) معیاری است که میزان پیشرفت سازمان در دستیابی به یک هدف مشخص را نشان می‌دهد.

برای نمونه، اگر هدف کاهش تأخیر سفارش‌ها باشد، تعداد سفارش‌های معوق به‌تنهایی کافی نیست. بهتر است نسبت سفارش‌های تحویل‌شده در موعد مقرر، میانگین زمان تأخیر و میزان تأخیر در مراحل مختلف نیز بررسی شود.

هر شاخص باید تعریف مشخصی داشته باشد. اگر دو واحد، «فروش خالص» را به دو روش متفاوت محاسبه کنند، مقایسه گزارش‌های آن‌ها قابل اتکا نخواهد بود.

مرحله سوم: شناسایی منابع داده

پس از مشخص شدن مسئله و شاخص‌ها، باید معلوم شود اطلاعات مورد نیاز کجا نگهداری می‌شوند.

منابع متداول عبارت‌اند از:

• نرم‌افزارهای مالی و حسابداری

• سامانه‌های فروش و CRM

• نرم‌افزارهای سازمانی و ERP

• فایل‌های Excel و گزارش‌های دستی

• سامانه‌های انبار، تولید و خدمات

• بازخورد مشتریان و داده‌های پشتیبانی

در این مرحله، وجود داده کافی نیست؛ دسترسی مجاز، تناسب اطلاعات با مسئله، بازه زمانی، مالک داده و امکان به‌روزرسانی نیز باید بررسی شوند.

مرحله چهارم: ارزیابی و بهبود کیفیت داده

کیفیت پایین داده می‌تواند نتیجه تحلیل را مخدوش کند. پیش از ساخت داشبورد یا مدل تحلیلی، لازم است داده‌ها از نظر ویژگی‌های زیر بررسی شوند:

• دقت: آیا مقدار ثبت‌شده با واقعیت مطابقت دارد؟

• کامل بودن: آیا اطلاعات ضروری ثبت شده‌اند؟

• سازگاری: آیا یک مفهوم در سامانه‌های مختلف به شکل یکسان تعریف شده است؟

• به‌روز بودن: آیا اطلاعات در زمان مناسب در دسترس هستند؟

• اعتبار: آیا داده‌ها از قواعد تعریف‌شده پیروی می‌کنند؟

• یکتایی: آیا رکوردهای تکراری وجود دارند؟

این ابعاد با معیارهای متداول کیفیت داده در راهنمای حاکمیت داده Google Cloud هم‌خوان هستند.

مرحله پنجم: یکپارچه‌سازی داده‌ها

اگر اطلاعات سازمان در چند سامانه مستقل نگهداری شود، مدیران ممکن است برای پاسخ به یک پرسش ساده به چند گزارش جداگانه نیاز داشته باشند.

یکپارچه‌سازی داده، اطلاعات مرتبط را با حفظ معنای آن‌ها در دسترس تحلیل قرار می‌دهد. این کار می‌تواند از طریق API، فرایندهای انتقال و تبدیل داده (ETL/ELT)، انبار داده یا روش‌های متناسب با معماری موجود انجام شود.

انتخاب راهکار باید بر اساس حجم داده، تناوب به‌روزرسانی، هزینه نگهداری، امنیت و نیازهای عملیاتی انجام شود. ایجاد یک انبار داده بزرگ برای سازمانی که هنوز تعریف شاخص‌ها و مالکیت اطلاعات را مشخص نکرده است، لزوماً نقطه شروع مناسبی نیست.

برای شناخت جنبه‌های فنی این موضوع، مقاله «API و یکپارچه‌سازی نرم‌افزارهای سازمانی؛ راهنمای معماری، امنیت و اجرا» می‌تواند مکمل مناسبی باشد.

مرحله ششم: تحلیل و ارائه اطلاعات قابل استفاده

داده باید به شکلی ارائه شود که تصمیم‌گیرنده بتواند از آن استفاده کند. داشبورد مدیریتی یکی از ابزارهای این مرحله است، اما ارزش آن به انتخاب شاخص‌ها و وضوح پیام وابسته است.

یک داشبورد کاربردی معمولاً باید مشخص کند:

• وضعیت فعلی در مقایسه با هدف چیست؟

• روند شاخص در طول زمان چگونه تغییر کرده است؟

• کدام بخش یا واحد نیازمند بررسی است؟

• چه عواملی ممکن است تغییر مشاهده‌شده را توضیح دهند؟

• چه اقدامی باید بررسی یا اجرا شود؟

تعداد زیاد نمودارها الزاماً به تصمیم بهتر منجر نمی‌شود. بهتر است هر داشبورد با توجه به مسئولیت و سطح تصمیم‌گیری مخاطب طراحی شود.

مرحله هفتم: اجرای تصمیم و سنجش نتیجه

تحلیل زمانی ارزشمند است که به اقدام منتهی شود. پس از انتخاب اقدام، مسئول اجرا، زمان‌بندی، منابع مورد نیاز و شاخص ارزیابی باید مشخص باشند.

نتیجه اقدام را با وضعیت پیش از اجرا مقایسه کنید. در صورت امکان، تغییرات فصلی، شرایط بازار و عوامل دیگری را که هم‌زمان بر نتیجه اثر گذاشته‌اند نیز در نظر بگیرید.

اگر نتیجه مورد انتظار حاصل نشد، باید بررسی شود که آیا فرضیه اولیه اشتباه بوده، اقدام به‌درستی اجرا نشده یا داده‌های مورد استفاده برای تصمیم کافی نبوده‌اند.

این چرخه باید تکرار شود تا یادگیری حاصل از هر تصمیم، کیفیت تصمیم‌های بعدی را بهبود دهد.

نقش نرم‌افزارهای سازمانی و هوش تجاری در داده‌محوری

نرم‌افزارهای سازمانی می‌توانند ثبت، پردازش، یکپارچه‌سازی و تحلیل اطلاعات را تسهیل کنند؛ اما به‌کارگیری نرم‌افزار به‌تنهایی به معنای داده‌محور شدن سازمان نیست. ارزش فناوری زمانی ایجاد می‌شود که اطلاعات مناسب را در اختیار فرد مناسب قرار دهد و از تصمیم یا اقدام مشخصی پشتیبانی کند.

نرم‌افزارهای سازمانی چگونه به تصمیم‌گیری کمک می‌کنند؟

هر سامانه معمولاً بخشی از واقعیت عملیاتی سازمان را ثبت می‌کند:

• ERP: اطلاعات مرتبط با منابع، عملیات، مالی و فرایندهای سازمانی را در چارچوب قابلیت‌های پیاده‌سازی‌شده مدیریت می‌کند.

• CRM: اطلاعات ارتباط با مشتری، فرصت‌های فروش و تعاملات را برای تحلیل رفتار و عملکرد فروش فراهم می‌کند.

• نرم‌افزارهای مالی: اطلاعات درآمد، هزینه، مطالبات، بدهی‌ها و جریان‌های مالی را ثبت می‌کنند.

• سامانه‌های عملیاتی: اطلاعات تولید، موجودی، سفارش، تحویل یا خدمات را در اختیار سازمان قرار می‌دهند.

• ابزارهای هوش تجاری (BI): امکان ترکیب، تحلیل و نمایش داده‌ها در قالب گزارش‌ها و داشبوردهای مدیریتی را فراهم می‌کنند.

برای آشنایی بیشتر با نقش سامانه‌های یکپارچه، مقاله «ERP چیست و چگونه سازمان‌ها از آن بهره می‌برند؟» و مقاله «CRM و نقش آن در مدیریت روابط مشتری» از موضوعات مکمل این بحث هستند.

تفاوت نرم‌افزار عملیاتی با ابزار هوش تجاری چیست؟

این دو گروه جایگزین قطعی یکدیگر نیستند. بسیاری از سازمان‌ها به هر دو نیاز دارند و باید مشخص کنند اطلاعات چگونه از سامانه‌های عملیاتی به محیط تحلیل منتقل می‌شود.

داده‌محوری در بخش‌های مختلف سازمان چه کاربردی دارد؟

داده‌محوری زمانی به یک قابلیت سازمانی تبدیل می‌شود که از سطح واحد تحلیل یا فناوری اطلاعات فراتر برود و در تصمیم‌های روزمره بخش‌های مختلف به کار گرفته شود.

شاخص‌های جدول نمونه‌اند و نباید بدون توجه به مدل کسب‌وکار، تعریف عملیاتی و اهداف سازمان انتخاب شوند. برای مثال، کاهش نرخ خروج کارکنان در هر شرایطی معیار کافی برای موفقیت منابع انسانی نیست؛ کیفیت عملکرد، تناسب شغلی و دلایل خروج نیز اهمیت دارند.

سناریوی نمونه: چگونه داده‌محوری از یک مشکل واقعی شروع می‌شود؟

فرض کنید یک شرکت متوسط متوجه شده است که حاشیه سود آن در چند ماه اخیر کاهش یافته است. مدیران ابتدا احتمال می‌دهند افزایش هزینه‌های بازاریابی یا عملکرد تیم فروش علت اصلی باشد.

این یک سناریوی فرضی است که نشان می‌دهد چگونه می‌توان مسئله را به یک فرایند تحلیلی تبدیل کرد.

در این مثال، تحلیل ممکن است نشان دهد افزایش هزینه بازاریابی علت اصلی نیست و تغییر ترکیب فروش یا افزایش بهای تمام‌شده نقش بیشتری دارد. تا زمانی که داده‌ها بررسی نشده‌اند، هیچ‌یک از این علت‌ها را نباید قطعی فرض کرد.

نکته اصلی این است که تصمیم به‌جای واکنش سریع به یک نشانه، بر اساس بررسی چند علت احتمالی و ارزیابی نتیجه اقدام اتخاذ می‌شود.

چالش‌های اجرای داده‌محوری در سازمان

تبدیل داده به مبنای تصمیم‌گیری، علاوه بر ابزار فنی، به مدیریت کیفیت، مسئولیت‌پذیری و تغییر رویه‌های کاری نیاز دارد. مهم‌ترین موانع عبارت‌اند از:

۱. پراکندگی اطلاعات در سامانه‌های مختلف

وقتی هر واحد اطلاعات را در نرم‌افزار یا فایل جداگانه نگهداری می‌کند، تهیه گزارش مشترک دشوار می‌شود. تفاوت در شناسه‌ها، تعاریف و زمان به‌روزرسانی می‌تواند به گزارش‌های متناقض منجر شود.

راهکار مناسب، شناسایی منابع اصلی اطلاعات، استانداردسازی تعاریف و طراحی یکپارچگی متناسب با نیاز واقعی سازمان است.

۲. کیفیت پایین داده

اطلاعات ناقص، قدیمی، تکراری یا نادرست می‌توانند نتیجه تحلیل را منحرف کنند. به‌جای پاک‌سازی موردی پیش از هر گزارش، باید قواعد اعتبارسنجی و پایش کیفیت داده در فرایندهای ثبت و انتقال اطلاعات تعریف شوند.

۳. مقاومت در برابر تغییر

برخی مدیران یا کارکنان ممکن است گزارش‌ها و تجربه شخصی خود را معتبرتر از شاخص‌های جدید بدانند. این مسئله همیشه ناشی از مقاومت فردی نیست؛ گاهی تعریف شاخص‌ها روشن نیست یا کارکنان به روش محاسبه و منبع داده اعتماد ندارند.

مشارکت کاربران در تعریف شاخص‌ها، توضیح محدودیت تحلیل و استفاده از نتایج در تصمیم‌های واقعی، به پذیرش بهتر این رویکرد کمک می‌کند.

۴. تمرکز بر ابزار به‌جای مسئله

خرید ابزار BI، ساخت داشبوردهای متعدد یا اجرای پروژه‌های پیشرفته هوش مصنوعی بدون تعریف نیاز کسب‌وکار، ممکن است هزینه ایجاد کند اما مسئله اصلی را حل نکند.

پیش از انتخاب ابزار باید مشخص شود چه تصمیمی قرار است بهبود یابد، چه داده‌ای نیاز است و نتیجه موفقیت چگونه اندازه‌گیری می‌شود.

۵. کمبود مهارت تحلیلی

حتی زمانی که گزارش‌ها دقیق هستند، کاربران باید بتوانند تفاوت همبستگی و رابطه علت‌ومعلولی، محدودیت نمونه‌ها و احتمال خطا را درک کنند.

آموزش کاربران باید متناسب با نقش آن‌ها باشد؛ مدیران به تفسیر شاخص‌ها و ارزیابی گزینه‌ها نیاز دارند و تیم‌های فنی به مهارت‌های مربوط به کیفیت، یکپارچگی و تحلیل داده.

حاکمیت داده؛ چه کسی مسئول صحت و استفاده از اطلاعات است؟

حاکمیت داده (Data Governance) مجموعه‌ای از سیاست‌ها، نقش‌ها، استانداردها و کنترل‌هاست که تعیین می‌کند داده‌های سازمان چگونه تعریف، نگهداری، به‌اشتراک‌گذاری و استفاده شوند.

این مفهوم با مدیریت داده ارتباط نزدیک دارد، اما دقیقاً یکسان نیست. مدیریت داده فعالیت‌های گسترده‌تری مانند ذخیره‌سازی، انتقال و پردازش را شامل می‌شود؛ حاکمیت داده بر قواعد، مسئولیت‌ها و نظارت بر این فعالیت‌ها تمرکز دارد.

• مالک داده: مسئول تعریف نیازهای کسب‌وکار و قواعد مربوط به یک حوزه اطلاعاتی است.

• مسئول کیفیت داده: پیگیری می‌کند که اطلاعات با معیارهای تعیین‌شده مطابقت داشته باشند.

• تیم فناوری اطلاعات: زیرساخت، دسترسی، انتقال، نگهداری و کنترل‌های فنی را مدیریت می‌کند.

• کاربران مجاز: بر اساس نقش و نیاز کاری به اطلاعات دسترسی دارند.

در سازمان‌های کوچک ممکن است چند مسئولیت بر عهده یک فرد باشد. مهم این است که مسئولیت‌ها مبهم نمانند.

امنیت و حریم خصوصی در تصمیم‌گیری داده‌محور

افزایش دسترسی به داده نباید به معنای دسترسی آزاد همه کارکنان به تمام اطلاعات باشد. اطلاعات مالی، اطلاعات هویتی مشتریان و داده‌های منابع انسانی باید متناسب با حساسیت و هدف استفاده محافظت شوند.

کنترل دسترسی مبتنی بر نقش، ثبت رویدادهای دسترسی، حفاظت از داده هنگام انتقال و ذخیره‌سازی، تعیین دوره نگهداری و حذف اطلاعات غیرضروری از جمله اقداماتی هستند که باید با الزامات سازمان و قوانین قابل اعمال هماهنگ شوند.

همچنین، استفاده از داده برای تحلیل یا مدل‌سازی باید با هدف مشخص، دسترسی مجاز و کنترل ریسک‌های افشای اطلاعات انجام شود. داده‌محوری موفق، میان دسترس‌پذیری و حفاظت از اطلاعات تعادل برقرار می‌کند.

چگونه موفقیت برنامه داده‌محوری را اندازه‌گیری کنیم؟

برای ارزیابی موفقیت، نباید فقط تعداد داشبوردها، حجم داده‌های جمع‌آوری‌شده یا تعداد کاربران ابزارهای تحلیلی را اندازه گرفت. این معیارها میزان فعالیت را نشان می‌دهند، نه لزوماً ارزش حاصل از آن را.

بهتر است شاخص‌ها در سه سطح تعریف شوند.

مقادیر هدف باید بر اساس وضعیت اولیه سازمان، اهمیت مسئله و محدودیت‌های عملیاتی تعیین شوند؛ یک آستانه یکسان برای همه کسب‌وکارها مناسب نیست.

محاسبه بازگشت سرمایه (ROI) در پروژه‌های داده‌محور

بازگشت سرمایه نشان می‌دهد منافع مالی یک پروژه در مقایسه با هزینه‌های آن چگونه است. برای ارزیابی یک پروژه داده‌محور، می‌توان از رابطه زیر استفاده کرد:

هزینه کل پروژه می‌تواند شامل توسعه یا خرید نرم‌افزار، یکپارچه‌سازی، پاک‌سازی داده، آموزش، زیرساخت، نگهداری و نیروی انسانی باشد.

منافع نیز باید تا حد امکان بر اساس شواهد برآورد شوند؛ برای مثال، کاهش هزینه یک فرایند، کاهش دوباره‌کاری یا بهبود قابل انتساب در سودآوری. اگر منفعت مالی به‌طور معتبر قابل اندازه‌گیری نیست، بهتر است شاخص‌های عملیاتی و کیفی جداگانه گزارش شوند، نه اینکه ارزش مالی فرضی برای آن‌ها ساخته شود.

برای نسبت دادن بهبود به پروژه، مقایسه قبل و بعد باید اثر تغییرات هم‌زمان را نیز در نظر بگیرد. در غیر این صورت، ممکن است تمام بهبود مشاهده‌شده به پروژه داده‌محوری نسبت داده شود، در حالی که عوامل دیگری نیز در آن نقش داشته‌اند.

فرهنگ داده‌محور؛ فراتر از ابزار و فناوری

فرهنگ داده‌محور زمانی شکل می‌گیرد که استفاده از شواهد به بخشی از روال تصمیم‌گیری در سازمان تبدیل شود. در چنین محیطی، مدیران فقط نتیجه نهایی را مطالبه نمی‌کنند؛ بلکه درباره منبع اطلاعات، فرض‌های تحلیل، گزینه‌های جایگزین و نتیجه اقدامات نیز پرسش می‌کنند.

برای شکل‌گیری این فرهنگ، چند اقدام اهمیت ویژه دارد:

1. حمایت مدیریت ارشد: مدیران باید خودشان در تصمیم‌های مهم از شاخص‌ها و شواهد استفاده کنند.

2. دسترسی متناسب با مسئولیت: کارکنان باید بتوانند به اطلاعات مورد نیاز خود، با رعایت الزامات امنیتی، دسترسی داشته باشند.

3. تعریف مشترک شاخص‌ها: واحدهای مختلف باید درباره معنای شاخص‌ها و روش محاسبه آن‌ها توافق داشته باشند.

4. پذیرش بازنگری در تصمیم‌ها: اگر داده‌های جدید فرضیه قبلی را رد کنند، سازمان باید بتواند تصمیم خود را اصلاح کند.

5. یادگیری از نتایج: نتایج تصمیم‌ها باید ثبت و بررسی شوند تا تجربه سازمان به دانش قابل استفاده تبدیل شود.

داده‌محوری نباید به ابزاری برای نظارت افراطی بر کارکنان یا ارزیابی افراد با شاخص‌های ناقص تبدیل شود. معیارها باید متناسب با هدف، قابل توضیح و عادلانه باشند.

نقشه راه پیشنهادی برای شروع داده‌محوری

برای سازمانی که هنوز فرایند مشخصی برای تصمیم‌گیری مبتنی بر داده ندارد، شروع با یک پروژه محدود معمولاً امکان ارزیابی بهتر هزینه، پیچیدگی و ارزش را فراهم می‌کند.

این نقشه راه باید متناسب با اندازه سازمان، بلوغ داده‌ای، زیرساخت فعلی و حساسیت اطلاعات تنظیم شود. گاهی اصلاح فرایند ثبت اطلاعات از خرید یک ابزار جدید ارزش بیشتری دارد.

FAQ؛ سوالات متداول درباره داده‌محوری و تصمیم‌گیری بر اساس داده

۱. آیا تصمیم‌گیری داده‌محور به معنای کنار گذاشتن تجربه مدیران است؟

خیر. تجربه مدیریتی به شناسایی مسئله، تفسیر داده و ارزیابی شرایطی کمک می‌کند که در اطلاعات ثبت‌شده دیده نمی‌شوند. داده‌محوری تلاش می‌کند تجربه را با شواهد قابل بررسی ترکیب کند و از تصمیم‌گیری صرفاً بر اساس برداشت شخصی جلوگیری کند.

۲. آیا برای داده‌محور شدن سازمان باید حجم زیادی داده جمع‌آوری کنیم؟

خیر. ابتدا باید مسئله و اطلاعات مورد نیاز مشخص شوند. داده‌های محدود اما معتبر و مرتبط می‌توانند برای یک تصمیم مشخص مفیدتر از مجموعه‌ای بزرگ از اطلاعات نامرتبط باشند. جمع‌آوری داده اضافی نیز هزینه نگهداری و ریسک امنیتی ایجاد می‌کند.

۳. تفاوت داده‌محوری با هوش تجاری چیست؟

داده‌محوری یک رویکرد مدیریتی برای استفاده از شواهد در تصمیم‌گیری است. هوش تجاری مجموعه‌ای از روش‌ها و ابزارها برای گردآوری، تحلیل و ارائه اطلاعات کسب‌وکار است. هوش تجاری می‌تواند یکی از ابزارهای اجرای داده‌محوری باشد، اما جایگزین فرهنگ، فرایند و مسئولیت‌پذیری سازمانی نمی‌شود.

۴. چگونه می‌توان بدون بودجه زیاد، داده‌محوری را آغاز کرد؟

با یک مسئله محدود و مشخص شروع کنید. ابتدا گزارش‌ها و داده‌های موجود را ارزیابی کنید، تعریف شاخص‌ها را یکسان کنید و سپس در صورت نیاز از ابزارهای ساده تحلیل و مصورسازی استفاده کنید. سرمایه‌گذاری بیشتر باید بر اساس نتایج اولیه و نیازهای اثبات‌شده انجام شود.

۵. اگر داده‌های دو سامانه با یکدیگر تناقض داشته باشند، کدام را باید مبنا قرار داد؟

پاسخ به نوع داده و مالکیت آن بستگی دارد. سازمان باید برای هر حوزه، منبع معتبر و قواعد تطبیق را مشخص کند. برای مثال، سامانه ثبت سفارش ممکن است مرجع وضعیت سفارش باشد، در حالی که سامانه مالی مرجع ثبت نهایی تراکنش مالی است. در صورت وجود اختلاف، علت باید بررسی شود؛ انتخاب خودکار یکی از اعداد بدون شناخت منشأ اختلاف می‌تواند گمراه‌کننده باشد.

۶. چه زمانی سازمان به داشبورد مدیریتی یا انبار داده نیاز دارد؟

زمانی که گزارش‌های موجود پاسخ‌گوی نیاز تصمیم‌گیرندگان نیستند، ترکیب اطلاعات چند سامانه دشوار شده یا تهیه گزارش‌ها هزینه و زمان قابل توجهی می‌گیرد، بررسی این راهکارها منطقی است. انتخاب داشبورد یا انبار داده باید بر اساس پیچیدگی تحلیل، حجم اطلاعات، تناوب به‌روزرسانی، امنیت و هزینه نگهداری انجام شود.

۷. موفقیت داده‌محوری را چگونه اندازه‌گیری کنیم؟

موفقیت باید با توجه به هدف اولیه سنجیده شود. کاهش زمان تهیه گزارش، افزایش کیفیت داده و بهبود دسترسی به اطلاعات می‌توانند شاخص‌های میانی باشند؛ اما در نهایت باید بررسی کرد آیا تصمیم‌ها و نتایج کسب‌وکار نیز بهبود یافته‌اند یا خیر. این ارزیابی باید هزینه اجرای راهکار و عوامل بیرونی مؤثر بر نتیجه را هم در نظر بگیرد.

از اطلاعات پراکنده تا تصمیم‌های قابل اتکا

داده‌محوری لزوماً با خرید نرم‌افزار جدید یا ایجاد زیرساخت پیچیده آغاز نمی‌شود. نقطه شروع، شناخت یک مسئله واقعی، بررسی کیفیت اطلاعات موجود و تعریف شاخص‌هایی است که بتوانند به تصمیم‌گیری بهتر منجر شوند.

اگر سازمان شما با گزارش‌های پراکنده، سامانه‌های مستقل، دشواری تحلیل عملکرد یا نبود دید یکپارچه از اطلاعات مواجه است، می‌توانید بررسی را با شناسایی نیازهای اطلاعاتی و فرایندهای فعلی آغاز کنید.

گارنت (Garnet) در حوزه طراحی و توسعه نرم‌افزار و راهکارهای سازمانی فعالیت می‌کند. برای بررسی نیازهای نرم‌افزاری سازمان خود، می‌توانید از طریق وب‌سایت گارنت درباره راهکارهای متناسب با مسئله و فرایندهای کسب‌وکار اطلاعات بیشتری کسب کنید.