Đo lường Dữ liệu lớn: Ví dụ về các KPI

Tìm hiểu cách liên kết các sáng kiến dữ liệu lớn với chiến lược của tổ chức của bạn và xác nhận những nỗ lực của bạn với Chỉ số Hiệu suất Chính.

Các chủ đề chính của bài viết:

• Dữ liệu lớn là gì?
• Thách thức của Dữ liệu lớn
• Các KPI và Dữ liệu lớn
• Tập trung vào Dữ liệu lớn
• Làm cho Dữ liệu lớn có thể đo lường
• Tự động hóa với BSC Designer

Sơ đồ quy trình dữ liệu lớn với các chỉ số hiệu suất được liên kết. Nguồn: Thẻ điểm Dữ liệu lớn.

Cuối năm là thời điểm tốt để nói về xu hướng mới nổi: xe tự lái, trí tuệ nhân tạo, thực tế ảo và Internet vạn vật. Những xu hướng này sẽ ảnh hưởng thế nào đến doanh nghiệp của bạn? Làm thế nào để bạn có thể tính đến khả năng tác động của những ý tưởng thay đổi cuộc chơi này? Tất cả các xu hướng đã đề cập đều xứng đáng được phân tích chi tiết, nhưng có một xu hướng dường như kết nối với tất cả các xu hướng khác. Tôi đang nói về Dữ liệu lớn. AI sẽ cần nó, xe tự lái dựa trên nó, và tất nhiên, nó đã được nhiều doanh nghiệp sử dụng.

Tại BSC Designer, chúng tôi đã nói rất nhiều về KPI và chiến lược. Trong bài viết này, tôi đề xuất thảo luận về cách một chiến lược được mô tả rõ ràng và các KPI được thiết kế riêng có thể giúp tập trung vào các nỗ lực dữ liệu lớn. Dưới đây là kế hoạch cho bài viết này:

• Dữ liệu lớn. Nó là gì? Những thách thức chính là gì?
• Các KPI cho dữ liệu lớn. 4 cấp độ KPI và đạt được liên kết chiến lược.
• Kế hoạch hành động. Triển khai có thể đo lường của dữ liệu lớn.

Dữ liệu lớn là gì?

Dữ liệu lớn là về việc phân tích các tập dữ liệu lớn, không có cấu trúc.

Dữ liệu lớn có thể được đặc trưng bởi 3 chữ V:

• Khối lượng. Các tập dữ liệu được cho là lớn. Có một số ước tính rằng nó nên ít nhất là 10 GB hoặc 1 TB, nhưng có lẽ tiêu chí tốt hơn sẽ là nói rằng dữ liệu lớn là thứ cần được phân phối (về mặt lưu trữ hoặc tính toán). Nếu bạn phải chuyển sang Hadoop hoặc khung tương tự, thì nó đang trở nên lớn.
• Đa dạng. Nghĩ về các nguồn dữ liệu có cấu trúc và không có cấu trúc khác nhau. Nó có thể được khai thác từ văn bản, video, dữ liệu bán hàng, mạng xã hội, dự báo thời tiết, hoặc bất cứ điều gì có ý nghĩa trong bối cảnh của bạn.
• Vận tốc. Khối lượng lớn của dữ liệu là kết quả của việc tạo ra dữ liệu nhanh chóng. Nghĩ về hàng ngàn phần tử của máy bay đang được giám sát liên tục¹, hoặc về dòng chảy liên tục của các bình luận trên mạng xã hội, hoặc về dữ liệu thời gian thực mà các thiết bị đeo cung cấp.

Thường thì (lấy IBM² hoặc EY³ làm ví dụ), còn có một chữ “V” thứ tư đại diện cho “Tính xác thực”:

• Tính xác thực. Khi chúng ta nói về dữ liệu, chúng ta luôn phải đối mặt với một mức độ không chắc chắn nhất định. Dữ liệu được thu thập như thế nào? Chúng ta đã phân tích tất cả các yếu tố chưa? Nó có bị thao túng không? Chúng ta có thể tin tưởng những con số đó không?

Dữ liệu được sử dụng như thế nào?

Dữ liệu lớn được sử dụng cho một loạt các phân tích dự đoán và hành vi. Các tổ chức áp dụng dữ liệu lớn để giảm chi phí, hiểu rõ hơn nhu cầu của khách hàng và giảm thiểu rủi ro. Hãy nghĩ về một doanh nghiệp sử dụng dữ liệu lớn để cung cấp trải nghiệm được tùy chỉnh riêng cho khách hàng; hãy nghĩ về việc kiểm tra gian lận của một nhà cung cấp thương mại điện tử.

Ở đầu bài viết, tôi đã đề cập đến một số xu hướng mới nổi – dữ liệu lớn có liên quan đến tất cả chúng. Để tìm hiểu thêm về việc sử dụng thực tế của dữ liệu lớn, tôi khuyên bạn nên tiếp tục với “7 Công ty Tuyệt vời Thực sự Hiểu về Dữ liệu Lớn⁴” của chuyên gia quốc tế được công nhận Bernard Marr.

Những thách thức chính của Dữ liệu lớn

Tầm nhìn được mô tả về dữ liệu lớn nghe có vẻ rất tham vọng. Vậy tại sao các công ty lại chậm chạp trong việc áp dụng xu hướng mới này? Những thách thức chính của dữ liệu lớn là gì?

Khám phá dữ liệu không còn là thách thức chính nữa

Vào cuối tháng Mười, tôi đã phát biểu tại một hội nghị do SCIP⁵ (Các Chuyên gia Tình báo Chiến lược và Cạnh tranh) tổ chức. Các thành viên của tổ chức này xử lý dữ liệu lớn trong lĩnh vực tình báo thị trường. Chủ đề chính của hội nghị không phải là khám phá một số dữ liệu CI/BI như người ta có thể mong đợi, mà là liên kết nỗ lực tình báo doanh nghiệp với chiến lược của tổ chức. Nói cách khác, khi một công ty biết được những câu hỏi mà họ muốn đặt ra, phần còn lại tương đối dễ dàng (xem các khảo sát dưới đây để biết thêm dữ liệu).

Nếu khám phá dữ liệu không còn là vấn đề nữa, thì thách thức chính là gì?

Thách thức 1. Tập trung vào dữ liệu lớn

Thách thức chính là tập trung dữ liệu lớn vào những điều quan trọng, và sau đó chuyển giao nó vào tay đúng người. Nói cách khác, cần có ai đó trong tổ chức bắt đầu đặt ra những câu hỏi đúng đắn.

Để minh họa ý tưởng này, hãy xem xét câu chuyện về Target⁶ được lên trang nhất vào năm 2012. Nhà bán lẻ này đã thành công trong việc sử dụng dữ liệu phân tích khách hàng để dự đoán rằng một số khách hàng của họ đang mang thai. Hãy xem xét câu chuyện này (không tính đến phần liên quan đến quyền riêng tư) và xem điều gì thực sự đã xảy ra. Andrew Pole, một nhà thống kê làm việc cho Target, không chỉ cung cấp tất cả dữ liệu có thể, mà anh ta nhận được một nhiệm vụ rất cụ thể từ các đồng nghiệp trong bộ phận tiếp thị – xác định những khách hàng mang thai trong tam cá nguyệt thứ hai của họ.

Có một sự tập trung và có một giá trị kinh doanh lớn liên quan đến sự tập trung này, vì các bậc cha mẹ mới có xu hướng thay đổi thói quen mua sắm và mua mọi thứ tại cùng một cửa hàng bán lẻ. Không chỉ đơn thuần là chơi đùa với dữ liệu, mà là tìm kiếm dữ liệu có thể giúp trả lời một câu hỏi rất cụ thể.

Thách thức 2. Liên kết với chiến lược kinh doanh

Dữ liệu lớn sẽ tạo ra thay đổi lớn khi nó cung cấp giá trị kinh doanh cụ thể. Nói cách khác, cần phải rõ ràng cách mà các sáng kiến dữ liệu lớn đang hỗ trợ chiến lược của công ty. NewVantage Partners trong Khảo sát Điều hành Dữ liệu Lớn của họ đã hỏi các người trả lời về các trở ngại văn hóa đối với việc áp dụng Dữ liệu Lớn trong kinh doanh. 42,6% người trả lời đã chọn câu trả lời “Liên kết tổ chức không đủ.” Các lựa chọn khác bao gồm thiếu sự áp dụng, thiếu chiến lược dữ liệu rõ ràng, và thiếu tầm nhìn chung.

Quay trở lại trường hợp của Target, họ đã thành công trong việc giải quyết hai thành phần quan trọng:

1. Dữ liệu lớn tập trung vào một truy vấn cụ thể: Một nhà khoa học dữ liệu đã được yêu cầu xác định khách hàng mang thai trong tam cá nguyệt thứ hai.
2. Liên kết với chiến lược kinh doanh: Có một giá trị kinh doanh rõ ràng cho dữ liệu – các gia đình có trẻ sơ sinh trở thành khách hàng của một cửa hàng bán lẻ trong thời gian dài.

Thách thức 3. Bảo mật và quyền riêng tư dữ liệu

Thách thức này chưa được sử dụng rộng rãi, nhưng tôi nghĩ rằng bất kỳ ai cũng thấy rõ rằng việc thu thập và phân tích dữ liệu phải mang tính đạo đức và hợp pháp. Quy định Bảo vệ Dữ liệu Chung (GDPR) đã có hiệu lực từ ngày 25 tháng 5 năm 2018 ở châu Âu và có các quy định tương tự ở các quốc gia khác. Các công ty cần nghiêm túc hơn trong việc tuân thủ chính sách dữ liệu khi xử lý dữ liệu cá nhân.

Hãy thảo luận về các KPI trong bối cảnh dữ liệu lớn.

Các KPI và Dữ liệu lớn

Dữ liệu lớn có thay thế các KPI không? Không hẳn. Dữ liệu lớn sẽ cung cấp năng lượng cho KPI với những thông tin chính xác và cập nhật hơn.

Hãy lấy NPS (Điểm số Khách hàng Trung thành) làm ví dụ:

• NPS hiện tại. NPS (Điểm số Khách hàng Trung thành) được tính toán như thế nào trong tổ chức của bạn hôm nay? Có lẽ bạn thực hiện một số khảo sát khách hàng hàng quý. Do đó, chỉ số này bị trễ về mặt thời gian. Nếu có điều gì xảy ra với doanh nghiệp của bạn, NPS sẽ phản ánh điều đó vài tháng sau.
• NPS được hỗ trợ bởi dữ liệu lớn. Giờ đây, hãy tưởng tượng rằng bạn sử dụng một công cụ dữ liệu lớn nào đó phân tích cảm xúc của khách hàng theo thời gian thực (xem tham khảo Heedbook bên dưới). Trong trường hợp này, NPS của bạn sẽ trở thành một KPI thời gian thực. Về cơ bản, bạn sẽ có thể thấy phản ứng của một khách hàng cụ thể đối với một đề nghị cụ thể và cách tiếp cận bán hàng cụ thể.

Trong một số trường hợp, bạn sẽ quan tâm đến việc đào sâu hơn vào dữ liệu và tìm đến các tình huống cụ thể, và trong một số trường hợp, bạn sẽ cần xem dữ liệu tổng hợp cho tuần, tháng hoặc năm.

Các KPI cho Dữ liệu lớn

Trong trường hợp dữ liệu lớn, chúng ta đang nói về các khoản đầu tư đáng kể vào các công cụ và kiến trúc mới, vì vậy việc giám sát những sáng kiến đó bằng một số dữ liệu cụ thể là hợp lý. Các sáng kiến dữ liệu lớn cũng cần được định lượng và đo lường. Chúng ta có thể làm điều này trên nhiều cấp độ khác nhau.

Cấp độ 1. Các chỉ số 3-V

3V (Khối lượng, Đa dạng, Tốc độ) của dữ liệu lớn có thể dễ dàng định lượng:

• Khối lượng của dữ liệu tự nó là một thước đo (GB, TB, v.v.)
• Đa dạng có thể được định lượng là số lượng các loại nguồn dữ liệu khác nhau
• Tốc độ được định nghĩa bởi khối lượng dữ liệu được tạo ra/phân tích trong mỗi khoảng thời gian

V thứ tư – Độ tin cậy có thể khó định lượng hơn. Bạn sẽ cần xác định điều gì mà nhóm của bạn coi là dữ liệu chính xác và điều đó phụ thuộc vào ngữ cảnh. Ví dụ, đối với xe hơi động cơ đốt trong, việc đo tốc độ hiện tại với mức sai số +-5 km/h có thể được coi là dữ liệu chính xác, trong khi đối với xe điện, điều đó không chấp nhận được. Xác định 1-2 chỉ số để đưa ra ý tưởng về độ chính xác của dữ liệu trong trường hợp của bạn.

Các chỉ số 3-V có hữu ích không? Điều đó phụ thuộc vào ngữ cảnh của bạn. Hãy lấy ví dụ về xe tự lái của Google. Chiếc xe tạo ra 1GB dữ liệu cảm biến mỗi giây⁷. Con số đó trông ấn tượng! Chúng ta có thể ước tính dữ liệu lớn đến mức nào, nhưng những con số đó sẽ không giúp chúng ta giải quyết 3 thách thức đã đề cập trước đó.

Hệ thống phân cấp của các KPI để đo lường hiệu suất Dữ liệu lớn. Nguồn: Thẻ điểm Dữ liệu lớn.

Cấp độ 2. Các chỉ số quy trình dữ liệu lớn

Hãy chuyển sang cấp độ trừu tượng tiếp theo và xem xét quy trình dữ liệu lớn. Mô hình đơn giản hóa như sau:

• Truy vấn
• Thu thập
• Phân tích
• Báo cáo

Các chỉ số hữu ích nhất trong trường hợp này liên quan đến thời gian:

• Tần suất thu thập dữ liệu
• Thời gian cần thiết để dữ liệu sẵn sàng cho phân tích
• Thời gian cần thiết để dữ liệu được báo cáo dưới dạng các KPI

Các tiêu chuẩn cho thời gian phụ thuộc vào bối cảnh kinh doanh của bạn. Ví dụ:

• Xe tự lái cần thu thập và phân tích dữ liệu theo thời gian thực, và từng mili giây khác biệt cũng quan trọng, nhưng
• Trong trường hợp của các nhà quản lý NPS có thể quan tâm đến việc xem xét dữ liệu tổng hợp hàng tuần

Về mặt hiệu suất quy trình, chúng ta có thể theo dõi:

• Tỷ lệ chuyển đổi từ truy vấn sang báo cáo, %. Trong trường hợp này, trước tiên chúng ta phải xác định khái niệm truy vấn đủ điều kiện, sau đó theo dõi tỷ lệ phần trăm của các truy vấn đủ điều kiện mà các nhà khoa học dữ liệu của chúng ta có thể trả lời
• Khả năng thu thập dữ liệu. Mức độ chính xác của dữ liệu mà chúng ta thu thập (các ý tưởng được thảo luận ở trên trong Độ xác thực). Đối với một số công ty, những khả năng này xác định lợi thế cạnh tranh bền vững của họ.

Các chỉ số từ cấp độ này cho chúng ta một ý tưởng tốt hơn về hiệu suất của dữ liệu lớn, nhưng vẫn chưa có manh mối nào về tác động của dữ liệu lớn đến các mục tiêu kinh doanh thực tế.

Cấp độ 3. Các KPI chỉ số trễ. Các KPI để xác nhận thành công của dữ liệu lớn.

Một câu hỏi khác là làm thế nào để xác nhận thành công của các sáng kiến dữ liệu lớn trong công ty. Một mặt có những khoản đầu tư đáng kể vào cơ sở hạ tầng, mặt khác dữ liệu lớn nên mang lại giá trị bằng cách cung cấp các thông tin kinh doanh. Làm thế nào chúng ta có thể đo lường giá trị của những thông tin này?

Trong trường hợp này, chúng ta cần theo dõi những cải tiến có thể ghi nhận từ việc sử dụng dữ liệu lớn:

• Chúng ta đã học được bài học gì từ dữ liệu lớn? Những tiết kiệm chi phí nào đã đạt được sau khi triển khai những ý tưởng đó?
• Tỷ lệ giữ chân khách hàng đã thay đổi như thế nào nhờ cung cấp trải nghiệm được tùy chỉnh? Giá trị vòng đời khách hàng đang thay đổi như thế nào?
• Dữ liệu lớn có giúp dịch vụ khách hàng hiệu quả hơn không? Tỷ lệ giải quyết cuộc gọi đầu tiên đã thay đổi như thế nào?
• Quy trình tuyển dụng đã thay đổi như thế nào sau khi bắt đầu sử dụng dữ liệu lớn? Chỉ số thời gian đạt hiệu suất trong HR đã thay đổi như thế nào?

Như bạn có thể thấy, ở cấp độ này chúng ta sử dụng các KPI cổ điển mà chúng ta đã sử dụng trước đây. Điều chúng ta đang cố gắng làm là ghi nhận một số cải tiến nhất định vào việc triển khai dữ liệu lớn.

Cách tiếp cận này có thể thiên vị:

• Chúng ta có xu hướng đếm những thay đổi tích cực như những thành tựu của mình và
• Chúng ta thấy những thay đổi tiêu cực như những biến động bình thường luôn xảy ra.

Giải pháp là hướng đến những mục tiêu lớn hơn và cụ thể hơn.

Nhiều tổ chức bỏ qua phần đo lường này và chỉ đơn giản là mua “một số dữ liệu lớn.” Theo báo cáo ⁸ của Capgemini Consulting, 67% các công ty được phỏng vấn không có tiêu chí rõ ràng để đo lường thành công của các sáng kiến dữ liệu lớn của họ. Xét đến số lượng đầu tư, các công ty nên có hệ thống hơn trong việc định nghĩa các mục tiêu và tiêu chí thành công của việc triển khai dữ liệu lớn.

Một ví dụ về sơ đồ quy trình dữ liệu lớn với các chỉ số hiệu suất được liên kết. Nguồn: Big Data Scorecard.

Cấp độ 4. Các KPI dẫn dắt. Đảm bảo thành công cho dữ liệu lớn.

Bây giờ chúng ta đã biết cách đo lường phần kết quả của các sáng kiến dữ liệu lớn, nhưng còn phần dẫn dắt thì sao? Chúng ta nên làm gì để đảm bảo việc triển khai dữ liệu lớn thành công?

Phần khó khăn của dữ liệu lớn khá rõ ràng, chúng ta có thể đo lường nó bằng các chỉ số chung như:

• Quỹ đầu tư vào các sáng kiến dữ liệu lớn
• Thời gian dành cho các sáng kiến dữ liệu lớn

Tập trung vào Mục tiêu Kinh doanh Dữ liệu Lớn

Đây là một kịch bản thực tế: một công ty đã đầu tư hàng triệu đô la vào cơ sở hạ tầng, công cụ và thu thập dữ liệu lớn với cụm Hadoop, và không có điều gì đo lường được xảy ra. Đó chính là điều chúng ta đã nói đến trong thách thức 1: Dữ liệu lớn không phải là AI, nó không thể nói, và đội ngũ của bạn cần học cách đặt câu hỏi. Vậy chúng ta có thể đo lường vai trò của đội ngũ như thế nào?

Dưới đây là một số ý tưởng để bắt đầu:

• Hiệu quả đào tạo dữ liệu lớn. Đảm bảo rằng các thành viên chủ chốt trong đội ngũ của bạn đã được đào tạo về dữ liệu lớn. Họ không nhất thiết phải trở thành các nhà khoa học dữ liệu, nhưng họ cần biết những câu hỏi nào họ có thể đặt ra và cách để hình thành những câu hỏi đó. Các chỉ số trong trường hợp này sẽ liên quan đến hiệu quả đào tạo⁹.
• % mục tiêu chiến lược với các sáng kiến dữ liệu lớn. Chúng ta có thể theo dõi số lượng truy vấn dữ liệu lớn được hình thành bởi mỗi đội, nhưng cách tiếp cận này sẽ rất hình thức và ít hữu ích. Một lựa chọn tốt hơn là theo dõi sự liên kết giữa các mục tiêu và truy vấn dữ liệu lớn. Yêu cầu đội ngũ của bạn xem xét các mục tiêu chiến lược của họ và sau đó thảo luận về dữ liệu nào họ có thể cần để đưa ra quyết định tốt hơn trong bối cảnh của những mục tiêu đó.

Dữ liệu lớn giúp hình thành các mục tiêu kinh doanh mới

Quá trình kết hợp ngữ cảnh kinh doanh và dữ liệu lớn là hai chiều. Đôi khi chúng ta có một thách thức cụ thể trong đầu và sau đó tìm kiếm các công cụ dữ liệu lớn cụ thể (như trong trường hợp với Target), đôi khi chúng ta tìm thấy một công cụ thú vị và sau đó cố gắng kết hợp nó với các mục tiêu của mình. Đây là một số ví dụ:

• Một ai đó trong nhóm của bạn đã tìm thấy Heedbook¹⁰, một dịch vụ phân tích cảm xúc của khách hàng trong thời gian thực. Dịch vụ này được xây dựng trên nền tảng Microsoft Azure và có sẵn trên đám mây. Nhóm dịch vụ khách hàng của bạn có thể nảy ra ý tưởng sử dụng dịch vụ này để tính toán NPS của họ tốt hơn.
• Nhân viên IT của bạn đang gặp thách thức trong việc tìm kiếm phần mềm DLP (ngăn ngừa mất dữ liệu). Họ đã tìm thấy SearchInform¹¹ không chỉ có thể phân tích các liên lạc và tệp tin được truyền, mà còn có thể thực thi các chính sách an ninh cụ thể. Chiến lược IT của tổ chức bạn có thể được cập nhật bằng cách tính đến khả năng của công cụ DLP này.

Trong bất kỳ trường hợp nào, việc kết hợp các mục tiêu kinh doanh cụ thể với các yêu cầu cho dữ liệu lớn là một ý tưởng hay.

Kế hoạch Hành động. Làm cho Dữ liệu Lớn trở nên Đo lường được.

Hãy cùng xây dựng một số điểm rút ra từ bài viết này. Tôi thích thực hiện điều đó dưới dạng một kế hoạch hành động.

1. Xem xét dữ liệu lớn. Hiện tại dữ liệu được thu thập như thế nào, bạn có khả năng thu thập dữ liệu nào (sử dụng các chỉ số quy trình dữ liệu lớn làm khung).
2. Làm bài tập về nhà của bạn. Đưa ra chiến lược của bạn trên sơ đồ chiến lược và chuyển giao cho các đơn vị kinh doanh. Xem xét các KPI hiện tại của bạn.
3. Cải thiện khả năng. Lập kế hoạch các sáng kiến để giải quyết khả năng của đội ngũ về dữ liệu lớn. Các thành viên chủ chốt nên hiểu những câu hỏi họ có thể đặt ra, và cách để xây dựng các câu hỏi đó.
4. Tập trung nỗ lực vào dữ liệu lớn. Xem xét sơ đồ chiến lược của bạn, tìm ra những cơ hội nơi mà dữ liệu lớn có thể hỗ trợ các mục tiêu kinh doanh. Xây dựng các truy vấn dữ liệu lớn.
5. Triển khai. Phân tích những thông tin chi tiết được cung cấp bởi dữ liệu lớn, phản ánh chúng dưới dạng các KPI khi cần thiết.

Hướng dẫn ngắn cho người dùng phần mềm BSC Designer

Là người dùng BSC Designer, bạn có một phần mềm mạnh mẽ sẽ tự động hóa nhiều khía cạnh về liên kết chiến lược và KPIs được thảo luận trong bài viết này:

• Liên kết chiến lược và tập trung vào dữ liệu lớn. Tạo một sơ đồ chiến lược để trình bày các mục tiêu kinh doanh của bạn; liên kết KPIs với các mục tiêu trên sơ đồ. Nếu bạn chưa có sơ đồ chiến lược, hãy sử dụng trợ lý sơ đồ chiến lược để bắt đầu.

• Đảm bảo rằng đội ngũ có khả năng về dữ liệu lớn. Sử dụng thẻ điểm đào tạo (bạn có thể bắt đầu với ví dụ này) để đảm bảo rằng đội ngũ của bạn có khả năng cần thiết để làm việc với dữ liệu lớn.
• Cung cấp sức mạnh cho KPIs bằng dữ liệu lớn. Theo dõi các chỉ số hiệu suất cho các sáng kiến dữ liệu lớn; sử dụng RESTFul API để nhập báo cáo dữ liệu lớn thời gian thực vào các chỉ số.

Nếu bạn chưa phải là người dùng, bạn có thể bắt đầu với gói miễn phí của BSC Designer, có sẵn trực tuyến.

Sử dụng Mẫu Thẻ điểm Dữ liệu lớn

BSC Designer giúp các tổ chức thực hiện chiến lược phức tạp của họ:

1. Đăng ký gói miễn phí trên nền tảng.
2. Sử dụng mẫu Thẻ điểm Dữ liệu lớn làm điểm khởi đầu. Bạn sẽ tìm thấy nó trong Mới > Thẻ điểm mới > Nhiều mẫu hơn.
3. Tuân theo Hệ thống Thực hiện Chiến lược của chúng tôi để liên kết các bên liên quan và tham vọng chiến lược thành một chiến lược toàn diện.

Bắt đầu ngay hôm nay và xem BSC Designer có thể đơn giản hóa việc thực hiện chiến lược của bạn như thế nào!

Alexis Savkín

Alexis Savkin là một Kiến trúc sư Chiến lược và là người sáng lập BSC Designer, một nền tảng phần mềm thực thi chiến lược với Thẻ điểm cân bằng là cốt lõi. Ông hỗ trợ các tổ chức chuyển đổi chiến lược thành các mục tiêu có thể đo lường, KPI và các Sáng kiến. Alexis là người tạo ra Strategy Execution Canvas, tác giả của hơn 100 bài viết về chiến lược và đo lường hiệu suất, đồng thời là diễn giả thường xuyên.