การวัดข้อมูลขนาดใหญ่: ตัวอย่างของ KPIs

เรียนรู้วิธีการปรับโครงการบิ๊กดาต้าให้สอดคล้องกับยุทธศาสตร์ขององค์กรของคุณ และตรวจสอบความพยายามของคุณด้วยตัวชี้วัดผลงานหลัก (Key Performance Indicators)

หัวข้อสำคัญของบทความ:

• บิ๊กดาต้าคืออะไร?
• ความท้าทายของบิ๊กดาต้า
• KPIs และบิ๊กดาต้า
• เน้นบิ๊กดาต้า
• ทำให้บิ๊กดาต้าวัดผลได้
• อัตโนมัติด้วย BSC Designer

แผนที่กระบวนการบิ๊กดาต้าพร้อมตัวชี้วัดผลงานที่สอดคล้อง. ที่มา: สกอร์การ์ดบิ๊กดาต้า.

สิ้นปีเป็นเวลาที่ดีในการพูดคุยเกี่ยวกับแนวโน้มที่เกิดขึ้นใหม่: รถยนต์ขับเคลื่อนด้วยตนเอง, ปัญญาประดิษฐ์, ความจริงเสมือน, และอินเทอร์เน็ตของทุกสิ่ง แนวโน้มเหล่านี้จะมีผลกระทบอย่างไรต่อธุรกิจของคุณ? คุณจะคำนึงถึงผลกระทบที่อาจเกิดขึ้นจากแนวคิดที่เปลี่ยนแปลงเกมนี้ได้อย่างไร? แนวโน้มทั้งหมดที่กล่าวมานั้นสมควรได้รับการวิเคราะห์อย่างละเอียด แต่มีหนึ่งสิ่งที่ดูเหมือนจะเชื่อมโยงกับทั้งหมด นั่นคือ บิ๊กดาต้า เอไอจะต้องการมัน รถยนต์ขับเคลื่อนด้วยตนเองก็มีพื้นฐานจากมัน และแน่นอนว่ามันถูกใช้โดยธุรกิจหลายแห่งแล้ว

ที่ BSC Designer เราได้พูดคุยกันมากเกี่ยวกับ KPIs และยุทธศาสตร์ ในบทความนี้ฉันเสนอให้สนทนาเกี่ยวกับวิธียุทธศาสตร์ที่อธิบายไว้อย่างดีและ KPIs ที่ออกแบบมาเฉพาะสามารถช่วยเน้นความพยายามในบิ๊กดาต้าได้อย่างไร นี่คือแผนของเราสำหรับบทความนี้:

• บิ๊กดาต้า มันคืออะไร? ความท้าทายหลักคืออะไร?
• KPIs สำหรับบิ๊กดาต้า 4 ระดับของ KPIs และการบรรลุความสอดคล้องเชิงกลยุทธ์
• แผนปฏิบัติการ การดำเนินบิ๊กดาต้าที่สามารถวัดผลได้

บิ๊กดาต้าคืออะไร?

บิ๊กดาต้าคือการวิเคราะห์ชุดข้อมูลขนาดใหญ่ที่ไม่มีโครงสร้าง

บิ๊กดาต้าสามารถถูกระบุได้ด้วย 3 วี:

• ปริมาณ (Volume) ชุดข้อมูลควรจะมีขนาดใหญ่ มีการประมาณว่าควรมีอย่างน้อย 10 GB หรือ 1 TB แต่เกณฑ์ที่ดีกว่าน่าจะเป็นการบอกว่าบิ๊กดาต้าคือสิ่งที่จำเป็นต้องกระจาย (ในแง่ของการจัดเก็บหรือการคำนวณ) ถ้าคุณต้องเปลี่ยนไปใช้ Hadoop หรือเฟรมเวิร์คคล้ายๆ กัน นั่นแสดงว่ามันเริ่มใหญ่ขึ้นแล้ว
• ความหลากหลาย (Variety) คิดถึงแหล่งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างที่แตกต่างกัน มันสามารถถูกขุดจากข้อความ วิดีโอ ข้อมูลการขาย โซเชียลมีเดีย การพยากรณ์อากาศ หรืออะไรก็ตามที่มีความหมายในบริบทของคุณ
• ความรวดเร็ว (Velocity) ปริมาณข้อมูลที่มากเป็นผลมาจากการสร้างข้อมูลอย่างรวดเร็ว คิดถึงองค์ประกอบของเครื่องบินหลายพันชิ้นที่ถูกตรวจสอบอย่างต่อเนื่อง¹, หรือเกี่ยวกับการไหลของความคิดเห็นในโซเชียลมีเดียอย่างต่อเนื่อง, หรือข้อมูลที่เป็นเรียลไทม์ที่อุปกรณ์สวมใส่ให้

บ่อยครั้ง (เช่น IBM² หรือ EY³ เป็นตัวอย่าง), มี “วี” ที่สี่ที่หมายถึง “ความน่าเชื่อถือ (Veracity):”

• ความน่าเชื่อถือ (Veracity) เมื่อเราพูดถึงข้อมูล เรามักจะจัดการกับระดับความไม่แน่นอนบางระดับ ข้อมูลได้มาอย่างไร? เราได้วิเคราะห์ทุกปัจจัยหรือไม่? มันถูกดัดแปลงหรือไม่? เราเชื่อถือตัวเลขเหล่านั้นได้หรือไม่?

ข้อมูลถูกใช้อย่างไร?

ข้อมูลขนาดใหญ่ถูกนำมาใช้สำหรับการวิเคราะห์เชิงพยากรณ์และพฤติกรรมในหลายด้าน องค์กรต่างๆ ใช้ข้อมูลขนาดใหญ่เพื่อลดต้นทุน เข้าใจความต้องการของลูกค้าได้ดีขึ้น และลดความเสี่ยง ลองคิดถึงธุรกิจที่ใช้ข้อมูลขนาดใหญ่เพื่อมอบประสบการณ์ที่ปรับแต่งเฉพาะสำหรับลูกค้า ลองคิดถึงการตรวจสอบการฉ้อโกงของผู้ให้บริการอีคอมเมิร์ซ

ในตอนต้นของบทความฉันได้กล่าวถึงแนวโน้มที่เกิดขึ้นใหม่บางประการ – ข้อมูลขนาดใหญ่มีส่วนเกี่ยวข้องในทุกๆ ด้าน เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการใช้ข้อมูลขนาดใหญ่ในทางปฏิบัติ ฉันขอแนะนำให้คุณติดตามอ่าน “7 Amazing Companies That Really Get Big Data⁴” โดยผู้เชี่ยวชาญที่ได้รับการยอมรับในระดับสากล Bernard Marr

ความท้าทายหลักของข้อมูลขนาดใหญ่

วิสัยทัศน์ของข้อมูลขนาดใหญ่ที่ได้อธิบายไว้นั้นฟังดูทะเยอทะยานมาก ทำไมบริษัทต่างๆ จึงค่อยๆ ยอมรับแนวโน้มใหม่นี้? อะไรคือความท้าทายหลักของข้อมูลขนาดใหญ่?

การทำเหมืองข้อมูลไม่ใช่ความท้าทายหลักอีกต่อไป

ต่อมาในเดือนตุลาคม, ฉันได้พูดในงานประชุมที่จัดโดย SCIP⁵ (Strategic and Competitive Intelligence Professionals). สมาชิกขององค์กรนี้จัดการกับข้อมูลขนาดใหญ่ในด้านข่าวกรองทางการตลาด ธีมหลักของการประชุมไม่ได้เกี่ยวกับการทำเหมืองข้อมูล CI/BI อย่างที่คาดคิด แต่เป็นเรื่องของการทำให้ความพยายามในการวิเคราะห์ธุรกิจสอดคล้องกับยุทธศาสตร์ขององค์กร กล่าวอีกนัยหนึ่ง เมื่อบริษัททราบคำถามที่ต้องการถาม ที่เหลือก็จะค่อนข้างง่าย (ดูแบบสำรวจด้านล่างสำหรับข้อมูลเพิ่มเติม)

หากการทำเหมืองข้อมูลไม่เป็นปัญหาอีกต่อไป แล้วความท้าทายหลักคืออะไร?

ความท้าทายที่ 1. มุ่งเน้นข้อมูลขนาดใหญ่

ความท้าทายหลักคือการมุ่งเน้นข้อมูลขนาดใหญ่ไปยังสิ่งที่สำคัญ และส่งมอบข้อมูลนั้นไปยังมือที่เหมาะสม กล่าวอีกนัยหนึ่ง ควรมีบุคคลในองค์กรที่เริ่มตั้งคำถามที่ถูกต้อง

เพื่อแสดงให้เห็นแนวคิดนี้ มาดูเรื่องราวของ Target ⁶ ซึ่งเคยพาดหัวข่าวในปี 2012 ร้านค้าปลีกนี้ใช้ข้อมูลการวิเคราะห์ผู้ซื้ออย่างสำเร็จในการทำนายว่าลูกค้าบางรายกำลังตั้งครรภ์ มาดูเรื่องราวนี้ (โดยไม่คำนึงถึงส่วนที่เกี่ยวข้องกับความเป็นส่วนตัว) และดูว่าเกิดอะไรขึ้นจริง ๆ แอนดรูว์ โพล นักสถิติที่ทำงานให้กับ Target ไม่ได้เพียงแค่ส่งมอบข้อมูลทั้งหมดที่เป็นไปได้ เขาได้รับภารกิจเฉพาะจากเพื่อนร่วมงานในฝ่ายการตลาด – ระบุผู้ซื้อที่ตั้งครรภ์ในไตรมาสที่สอง

มีการมุ่งเน้นและมีมูลค่าทางธุรกิจที่ยิ่งใหญ่ที่เกี่ยวข้องกับการมุ่งเน้นนี้ เนื่องจากผู้ปกครองใหม่มักจะเปลี่ยนนิสัยการซื้อของและซื้อทุกอย่างที่ร้านค้าปลีกเดียว มันไม่ได้เกี่ยวกับแค่การเล่นกับข้อมูล แต่มันเกี่ยวกับการค้นหาข้อมูลที่จะช่วยตอบคำถามที่เฉพาะเจาะจงมาก

ความท้าทาย 2. ความสอดคล้องกับยุทธศาสตร์ทางธุรกิจ

ข้อมูลขนาดใหญ่จะเปลี่ยนเกมเมื่อมันให้คุณค่าทางธุรกิจที่จับต้องได้ กล่าวอีกนัยหนึ่ง ควรจะชัดเจนว่าการริเริ่มใช้ข้อมูลขนาดใหญ่สนับสนุนยุทธศาสตร์ของบริษัทอย่างไร NewVantage Partners ในการสำรวจผู้บริหารด้านข้อมูลขนาดใหญ่ ได้สอบถามผู้ตอบแบบสอบถามเกี่ยวกับอุปสรรคทางวัฒนธรรมในการนำข้อมูลขนาดใหญ่มาใช้ในธุรกิจ 42.6% ของผู้ตอบแบบสอบถามเลือกคำตอบว่า “ความสอดคล้องขององค์กรไม่เพียงพอ” ตัวเลือกอื่น ๆ รวมถึงการขาดการนำไปใช้ การขาดยุทธศาสตร์ข้อมูลที่สอดคล้องกัน และการขาดวิสัยทัศน์ร่วมกัน

กลับมาที่กรณีของ Target พวกเขาประสบความสำเร็จในการจัดการสององค์ประกอบสำคัญ:

1. ข้อมูลขนาดใหญ่ที่มุ่งเน้นไปที่คำถามเฉพาะ: นักวิทยาศาสตร์ข้อมูลถูกขอให้ระบุผู้ซื้อที่กำลังตั้งครรภ์ในไตรมาสที่สอง
2. ความสอดคล้องกับยุทธศาสตร์ทางธุรกิจ: มีคุณค่าทางธุรกิจที่ชัดเจนสำหรับข้อมูล – ครอบครัวที่มีเด็กเกิดใหม่จะกลายเป็นลูกค้าของร้านค้าปลีกหนึ่งแห่งเป็นเวลานาน

ความท้าทาย 3. ความปลอดภัยและความเป็นส่วนตัวของข้อมูล

ความท้าทายนี้ยังไม่เป็นที่ใช้กันอย่างแพร่หลาย แต่ฉันคิดว่าเป็นที่ชัดเจนสำหรับใครก็ตามว่าการเก็บรวบรวมข้อมูลและการวิเคราะห์ต้องมีจริยธรรมและถูกกฎหมาย กฎระเบียบทั่วไปเกี่ยวกับการคุ้มครองข้อมูล (GDPR) ได้เริ่มบังคับใช้ตั้งแต่วันที่ 25 พฤษภาคม 2018 ในยุโรป และมีข้อบังคับที่คล้ายกันในประเทศอื่น ๆ บริษัทต่าง ๆ จำเป็นต้องให้ความสำคัญมากขึ้นในการปฏิบัติตามนโยบายข้อมูลเมื่อดำเนินการข้อมูลส่วนบุคคล

มาพูดคุยเกี่ยวกับ KPIs ในบริบทของบิ๊กดาต้ากันเถอะ

KPIs และบิ๊กดาต้า

บิ๊กดาต้าจะมาแทนที่ KPIs หรือไม่? ไม่เชิง บิ๊กดาต้าจะช่วยเสริมพลังให้ KPIs ด้วยข้อมูลเชิงลึกที่แม่นยำและทันสมัยยิ่งขึ้น

มาดูตัวอย่างของ NPS (Net Promoter Score):

• NPS ในปัจจุบัน. ในวันนี้ NPS (Net Promoter Score) คำนวณในองค์กรของคุณอย่างไร? เป็นไปได้ว่าคุณทำการสำรวจลูกค้าในทุกไตรมาส ดังนั้น ตัวชี้วัดนี้จึงล่าช้าในด้านเวลา หากมีบางอย่างเกิดขึ้นกับธุรกิจของคุณ NPS จะสะท้อนให้เห็นหลังจากนั้นไม่กี่เดือน
• NPS ที่ขับเคลื่อนด้วยบิ๊กดาต้า. ตอนนี้ ลองจินตนาการว่าคุณใช้เครื่องมือบิ๊กดาต้าที่วิเคราะห์อารมณ์ของลูกค้าแบบเรียลไทม์ (ดูอ้างอิงจาก Heedbook ด้านล่าง) ในกรณีนี้ NPS ของคุณจะกลายเป็น KPI แบบเรียลไทม์ โดยพื้นฐานแล้ว คุณจะสามารถเห็นปฏิกิริยาของลูกค้ารายบุคคลต่อข้อเสนอเฉพาะและต่อวิธีการขายเฉพาะ

ในบางกรณี คุณอาจสนใจที่จะเจาะลึกลงไปในข้อมูลและเจาะจงไปยังสถานการณ์เฉพาะ และในบางกรณีคุณอาจต้องการดูข้อมูลรวมสำหรับสัปดาห์ เดือน หรือปี

KPI สำหรับข้อมูลขนาดใหญ่

ในกรณีของข้อมูลขนาดใหญ่ เรากำลังพูดถึงการลงทุนที่สำคัญในเครื่องมือและสถาปัตยกรรมใหม่ ดังนั้นจึงเป็นเรื่องสมเหตุสมผลที่จะติดตามโครงการเหล่านั้นด้วยข้อมูลเชิงประจักษ์ โครงการข้อมูลขนาดใหญ่ควรถูกหาปริมาณและวัดผลได้ เราสามารถทำได้ในหลายระดับที่แตกต่างกัน

ระดับที่ 1. ตัวชี้วัด 3-V

3Vs (ปริมาณ, ความหลากหลาย, ความเร็ว) ของข้อมูลขนาดใหญ่สามารถวัดได้ง่าย:

• ปริมาณของข้อมูลเป็นตัวชี้วัดในตัวเอง (GB, TB, เป็นต้น)
• ความหลากหลายสามารถวัดได้จากจำนวนของประเภทแหล่งข้อมูลที่แตกต่างกัน
• ความเร็วถูกกำหนดโดยปริมาณของข้อมูลที่สร้าง/วิเคราะห์ต่อช่วงเวลา

V ที่สี่ – ความถูกต้องอาจจะยากที่จะวัด คุณจะต้องกำหนดว่าทีมของคุณถือว่าเป็นข้อมูลที่ถูกต้องตามบริบทอย่างไร ตัวอย่างเช่น สำหรับรถยนต์เครื่องยนต์สันดาป การวัดความเร็วปัจจุบันด้วยระดับข้อผิดพลาด +-5 กม./ชม. อาจถือว่าเป็นข้อมูลที่ถูกต้อง ในขณะที่สำหรับรถยนต์ไฟฟ้านั้นไม่สามารถยอมรับได้ กำหนดตัวชี้วัด 1-2 ตัวที่ให้แนวคิดเกี่ยวกับความถูกต้องของข้อมูลในกรณีของคุณ

ตัวชี้วัด 3-V มีประโยชน์หรือไม่? ขึ้นอยู่กับบริบทของคุณ ลองยกตัวอย่างรถยนต์ขับเคลื่อนอัตโนมัติของ Google รถยนต์ผลิตข้อมูลเซ็นเซอร์ 1GB ต่อวินาที ⁷ ตัวเลขนั้นดูน่าประทับใจ! เราสามารถประมาณขนาดของข้อมูลขนาดใหญ่ได้ แต่ตัวเลขเหล่านั้นจะไม่ช่วยเราในการแก้ปัญหา 3 ข้อที่กล่าวถึงก่อนหน้านี้

ลำดับชั้นของ KPIs สำหรับวัดผลการดำเนินงานของข้อมูลขนาดใหญ่. ที่มา: สกอร์การ์ดข้อมูลขนาดใหญ่.

ระดับ 2. กระบวนการตัวชี้วัดบิ๊กดาต้า

มาทำความเข้าใจในระดับการนามธรรมถัดไปและดูที่กระบวนการบิ๊กดาต้า โมเดลที่ถูกทำให้เรียบง่ายประกอบด้วย:

• การสืบค้น
• การเก็บรวบรวม
• การวิเคราะห์
• การรายงาน

ตัวชี้วัดที่มีประโยชน์ที่สุดในกรณีนี้เกี่ยวข้องกับเวลา:

• ความถี่ในการเก็บรวบรวมข้อมูล
• เวลาที่ต้องใช้เพื่อให้ข้อมูลพร้อมสำหรับการวิเคราะห์
• เวลาที่ต้องใช้เพื่อให้รายงานข้อมูลในรูปแบบ KPIs

เกณฑ์มาตรฐาน สำหรับการวัดเวลาขึ้นอยู่กับบริบทของธุรกิจของคุณ ตัวอย่างเช่น:

• รถยนต์ขับเคลื่อนด้วยตนเองต้องเก็บรวบรวมและวิเคราะห์ข้อมูลแบบเรียลไทม์ และความต่างในระดับมิลลิวินาทีมีความสำคัญ
• ในกรณีของผู้จัดการ NPS อาจสนใจในการตรวจสอบข้อมูลรวมในรายสัปดาห์

ในแง่ของประสิทธิภาพของกระบวนการ เราสามารถติดตาม:

• อัตราการแปลงจากการสืบค้นเป็นรายงาน, % ในกรณีนี้เราต้องกำหนดแนวคิดของการสืบค้นที่มีคุณสมบัติครบถ้วนก่อน และจากนั้นติดตามเปอร์เซ็นต์ของการสืบค้นที่มีคุณสมบัติครบถ้วนที่นักวิทยาศาสตร์ข้อมูลของเราสามารถตอบได้
• ความสามารถในการจับข้อมูล ระดับความแม่นยำของข้อมูลที่เราจับได้ (แนวคิดที่กล่าวถึงข้างต้นในเรื่องความถูกต้อง) สำหรับบางบริษัท ความสามารถเหล่านี้กำหนดให้เป็น ข้อได้เปรียบในการแข่งขันที่ยั่งยืน ของพวกเขา

ตัวชี้วัดจากระดับนี้ให้เราเข้าใจถึงประสิทธิภาพของบิ๊กดาต้าได้ดีขึ้น แต่เรายังไม่มีเบาะแสเกี่ยวกับผลกระทบของบิ๊กดาต้าต่อเป้าหมายทางธุรกิจที่แท้จริง

ระดับที่ 3. KPIs ล่าช้า. KPIs เพื่อยืนยันความสำเร็จของ big data.

อีกคำถามหนึ่งคือจะยืนยันความสำเร็จของโครงการ big data ในบริษัทได้อย่างไร ในด้านหนึ่งมีการลงทุนที่สำคัญในโครงสร้างพื้นฐาน ในขณะที่อีกด้านหนึ่ง big data ควรจะคืนทุนในรูปแบบของข้อมูลเชิงลึกทางธุรกิจ เราจะวัดมูลค่าดอลลาร์ของข้อมูลเชิงลึกเหล่านั้นได้อย่างไร?

ในกรณีนี้เราจำเป็นต้องติดตามการปรับปรุงที่สามารถให้เครดิตจากการใช้ big data:

• เราได้เรียนรู้อะไรจาก big data? มี การประหยัดต้นทุน อะไรเกิดขึ้นหลังจากการนำแนวคิดเหล่านั้นไปใช้?
• อัตราการรักษาลูกค้าเปลี่ยนแปลงอย่างไรเนื่องจากการมอบประสบการณ์ที่ปรับแต่งให้? มูลค่าตลอดชีพของลูกค้า เปลี่ยนแปลง อย่างไร?
• big data ช่วยให้การบริการลูกค้ามีประสิทธิภาพมากขึ้นหรือไม่? อัตราการแก้ปัญหาครั้งแรก เปลี่ยนแปลง อย่างไร?
• กระบวนการจ้างงานเปลี่ยนแปลงอย่างไรหลังจากเริ่มใช้ big data? เมตริกด้านเวลาในการทำงานของ HR เปลี่ยนแปลง อย่างไร?

อย่างที่คุณเห็นในระดับนี้เราจะใช้ KPIs แบบคลาสสิคที่เราเคยใช้มาก่อน สิ่งที่เราพยายามทำคือให้เครดิตการปรับปรุงบางอย่างจากการนำ big data ไปใช้

วิธีการนี้อาจมี ความลำเอียง:

• เรามักนับการเปลี่ยนแปลงในทางบวกเป็นความสำเร็จของเราและ
• เรามองการเปลี่ยนแปลงในทางลบเป็นความผันผวนปกติที่เกิดขึ้นเสมอ

ทางแก้คือการตั้งเป้าหมายที่ใหญ่กว่าและจับต้องได้มากขึ้น

หลายองค์กรข้ามส่วนการวัดนี้และเพียงแค่ซื้อ “some big data” ตามรายงาน⁸ โดย Capgemini Consulting พบว่า 67% ของบริษัทที่สัมภาษณ์ไม่มีเกณฑ์ที่ชัดเจนในการวัดความสำเร็จของโครงการ big data ของพวกเขา เมื่อพิจารณาถึงจำนวนเงินลงทุน บริษัทควรมีระบบระเบียบมากขึ้นในการกำหนดเป้าหมายและเกณฑ์ความสำเร็จของการนำ big data ไปใช้

ตัวอย่างของแผนที่กระบวนการ big data พร้อมตัวชี้วัดผลการดำเนินงานที่สอดคล้องกัน. ที่มา: สกอร์การ์ด Big Data.

ระดับ 4. KPIs นำหน้า การรับรองความสำเร็จของข้อมูลขนาดใหญ่

ตอนนี้เรารู้แล้วว่าจะวัดผลลัพธ์ของโครงการข้อมูลขนาดใหญ่อย่างไร แต่ส่วนที่นำหน้าล่ะ? เราควรทำอย่างไรเพื่อให้แน่ใจว่าการดำเนินโครงการข้อมูลขนาดใหญ่ประสบความสำเร็จ?

ส่วนที่ยากของข้อมูลขนาดใหญ่นั้นค่อนข้างจับต้องได้ เราสามารถวัดได้ด้วยตัวชี้วัดทั่วไปเช่น:

• เงินทุนที่ลงทุนในโครงการข้อมูลขนาดใหญ่
• เวลาที่ใช้ในโครงการข้อมูลขนาดใหญ่

โฟกัสเป้าหมายธุรกิจด้วยบิ๊กดาต้า

นี่คือสถานการณ์จริง: บริษัทได้ลงทุนหลายล้านดอลลาร์ในด้านโครงสร้างพื้นฐาน เครื่องมือ และการเก็บรวบรวมบิ๊กดาต้าด้วยคลัสเตอร์ Hadoop แต่ไม่มีสิ่งที่วัดผลได้เกิดขึ้น นั่นคือสิ่งที่เรากล่าวถึงในความท้าทายที่ 1: บิ๊กดาต้าไม่ใช่เอไอ มันไม่สามารถพูดได้ และทีมของคุณจำเป็นต้องเรียนรู้ที่จะถามคำถาม แล้วเราจะวัดบทบาทของทีมได้อย่างไร?

นี่คือแนวคิดบางประการในการเริ่มต้น:

• ประสิทธิผลของการฝึกอบรมบิ๊กดาต้า ตรวจสอบให้แน่ใจว่าสมาชิกหลักของทีมคุณได้รับการฝึกอบรมบางอย่างเกี่ยวกับบิ๊กดาต้า พวกเขาไม่จำเป็นต้องกลายเป็นนักวิทยาศาสตร์ข้อมูล แต่พวกเขาจำเป็นต้องรู้ว่าพวกเขาสามารถถามคำถามอะไรได้บ้างและจะสร้างคำถามเหล่านั้นอย่างไร เมตริกในกรณีนี้จะเกี่ยวข้องกับประสิทธิผลของการฝึกอบรม⁹.
• % ของเป้าหมายยุทธศาสตร์ที่มีโครงการบิ๊กดาต้า เราสามารถติดตามจำนวนคำค้นหาบิ๊กดาต้าที่แต่ละทีมสร้างขึ้นได้ แต่วิธีนี้จะเป็นทางการมากและมีประโยชน์น้อยกว่า ตัวเลือกที่ดีกว่าคือการติดตามความสอดคล้องระหว่างเป้าหมายและคำค้นหาบิ๊กดาต้า ขอให้ทีมของคุณพิจารณาเป้าหมายยุทธศาสตร์ของพวกเขาแล้วอภิปรายว่าพวกเขาอาจต้องใช้ข้อมูลอะไรบ้างเพื่อ ตัดสินใจที่ดีขึ้น ในบริบทของเป้าหมายเหล่านั้น

ข้อมูลขนาดใหญ่ช่วยในการกำหนดเป้าหมายธุรกิจใหม่

กระบวนการจับคู่บริบททางธุรกิจกับข้อมูลขนาดใหญ่เป็นแบบสองทิศทาง บางครั้งเรามีความท้าทายเฉพาะในใจแล้วจึงมองหาเครื่องมือข้อมูลขนาดใหญ่เฉพาะ (เช่นในกรณีของ Target) บางครั้งเราพบเครื่องมือที่น่าสนใจแล้วพยายามจับคู่กับเป้าหมายของเรา นี่คือตัวอย่างบางส่วน:

• มีคนในทีมของคุณพบ Heedbook¹⁰ ซึ่งเป็นบริการที่วิเคราะห์อารมณ์ของลูกค้าแบบเรียลไทม์ บริการนี้สร้างขึ้นบนแพลตฟอร์ม Azure ของ Microsoft และมีให้บริการในระบบคลาวด์ ทีมบริการลูกค้าของคุณอาจมีไอเดียที่จะใช้บริการนี้เพื่อคำนวณ NPS ได้ดีขึ้น
• บุคลากร IT ของคุณถูกท้าทายให้หาซอฟต์แวร์ DLP (การป้องกันการสูญเสียข้อมูล) พวกเขาพบ SearchInform¹¹ ซึ่งไม่เพียงแต่สามารถวิเคราะห์การสื่อสารและไฟล์ที่ส่งได้ แต่ยังบังคับใช้นโยบายความปลอดภัยเฉพาะได้ ยุทธศาสตร์ IT ขององค์กรของคุณสามารถอัปเดตได้โดยคำนึงถึงความสามารถของเครื่องมือ DLP

ไม่ว่าในกรณีใด การจับคู่เป้าหมายธุรกิจเฉพาะกับข้อกำหนดสำหรับข้อมูลขนาดใหญ่เป็นความคิดที่ดี

แผนปฏิบัติการ ทำให้บิ๊กดาต้าวัดผลได้

มาสรุปบทเรียนจากบทความนี้กันเถอะ ฉันขอทำในรูปแบบของแผนปฏิบัติการ

1. ทบทวนบิ๊กดาต้า ข้อมูลถูกเก็บรวบรวมอย่างไรในปัจจุบัน มีความสามารถในการเก็บข้อมูลอย่างไร (ใช้ตัวชี้วัดกระบวนการบิ๊กดาต้าเป็นกรอบการทำงาน)
2. ทำการบ้านของคุณ มีการกำหนดยุทธศาสตร์บนแผนที่ยุทธศาสตร์และถ่ายทอดเป้าหมายสู่ระดับปฏิบัติในหน่วยธุรกิจแล้วหรือไม่ ตรวจสอบตัวชี้วัดผลงานหลัก (KPIs) ปัจจุบันของคุณ
3. พัฒนาความสามารถ วางแผนโครงการเพื่อเสริมสร้างความสามารถของทีมในด้านบิ๊กดาต้า สมาชิกสำคัญควรเข้าใจคำถามที่พวกเขาสามารถถามได้และวิธีการกำหนดคำถามเหล่านั้น
4. มุ่งเน้นความพยายามด้านบิ๊กดาต้า ตรวจสอบแผนที่ยุทธศาสตร์ของคุณ ค้นหาโอกาสที่บิ๊กดาต้าสามารถสนับสนุนเป้าหมายทางธุรกิจ กำหนดคำถามบิ๊กดาต้า
5. การดำเนินการ วิเคราะห์ข้อมูลเชิงลึกที่ได้จากบิ๊กดาต้า และสะท้อนข้อมูลเหล่านั้นในรูปแบบของตัวชี้วัดผลงานหลัก (KPIs) ที่จำเป็น

คู่มือสั้นๆ สำหรับผู้ใช้ซอฟต์แวร์ BSC Designer

ในฐานะผู้ใช้ BSC Designer คุณมีซอฟต์แวร์ที่ทรงพลังซึ่งจะช่วยให้หลายๆ ด้านของความสอดคล้องเชิงกลยุทธ์และ KPIs ที่กล่าวถึงในบทความนี้เป็นไปโดยอัตโนมัติ:

• ความสอดคล้องเชิงกลยุทธ์และการมุ่งเน้นข้อมูลขนาดใหญ่ สร้างแผนที่ยุทธศาสตร์เพื่อนำเสนอเป้าหมายทางธุรกิจของคุณ; จัดแนว KPIs ให้สอดคล้องกับเป้าหมายบนแผนที่ หากคุณยังไม่มีแผนที่ยุทธศาสตร์ สามารถใช้ตัวช่วยสร้างแผนที่ยุทธศาสตร์เพื่อเริ่มต้นได้

• การรับรองว่าทีมมีความสามารถในการจัดการข้อมูลขนาดใหญ่ ใช้สกอร์การ์ดการฝึกอบรม (คุณสามารถเริ่มต้นด้วยตัวอย่างนี้) เพื่อให้แน่ใจว่าทีมของคุณมีความสามารถที่จำเป็นในการทำงานกับข้อมูลขนาดใหญ่
• การเพิ่มพลังให้ KPIs ด้วยข้อมูลขนาดใหญ่ ติดตามตัวชี้วัดผลการดำเนินงานสำหรับโครงการข้อมูลขนาดใหญ่; ใช้ RESTFul API เพื่อนำเข้ารายงานข้อมูลขนาดใหญ่แบบเรียลไทม์เข้าสู่ตัวชี้วัด

หากคุณยังไม่ใช่ผู้ใช้ คุณสามารถเริ่มต้นด้วย แพ็กเกจฟรี ของ BSC Designer ซึ่งมีให้ใช้งานออนไลน์

ใช้แม่แบบ สกอร์การ์ดข้อมูลขนาดใหญ่

BSC Designer ช่วยให้องค์กรนำกลยุทธ์ที่ซับซ้อนไปใช้:

1. สมัคร แพ็กเกจฟรีบนแพลตฟอร์ม
2. ใช้แม่แบบ สกอร์การ์ดข้อมูลขนาดใหญ่ เป็นจุดเริ่มต้น คุณจะพบแม่แบบนี้ที่ ใหม่ > สกอร์การ์ดใหม่ > แม่แบบเพิ่มเติม
3. ปฏิบัติตาม ระบบการดำเนินกลยุทธ์ ของเราเพื่อสอดคล้องผู้มีส่วนได้ส่วนเสียและความทะเยอทะยานเชิงกลยุทธ์ให้เป็นกลยุทธ์ที่ครอบคลุม

เริ่มต้นวันนี้และดูว่า BSC Designer ช่วยให้การดำเนินกลยุทธ์ของคุณง่ายขึ้นได้อย่างไร!

Alexis Savkín

Alexis Savkín เป็นผู้ก่อตั้ง BSC Designer ซอฟต์แวร์ด้านการดำเนินกลยุทธ์และการบริหารจัดการผลการดำเนินงานที่เชื่อมโยงวัตถุประสงค์ KPI โครงการ ความเสี่ยง และข้อมูลผลการดำเนินงานเข้าด้วยกัน ด้วยประสบการณ์มากกว่า 20 ปี ผลงานของเขามุ่งเน้นที่สถาปัตยกรรมการดำเนินกลยุทธ์ — วิธีที่องค์กรผสานกลยุทธ์ การวัดผล ความเป็นเจ้าของ ความเสี่ยง และกระบวนการทบทวนให้เป็นระบบการดำเนินงานที่สอดคล้องกัน เขาได้สร้าง Strategy Execution Canvas และระบบ KPI 10 ขั้นตอน และเป็นผู้เขียนหนังสือ 2 เล่มและบทความมากกว่า 100 บทความเกี่ยวกับกลยุทธ์และการบริหารจัดการผลการดำเนินงาน ติดต่อ Alexis ได้ทาง LinkedIn.