در برخی موارد، عدم اعتماد به داده ها به دلیل عدم دقت واقعی نیست، بلکه به دلیل عدم دقت درک شده است. وقتی داده‌های جدیدی وارد می‌شوند، ممکن است با داده‌ها و باورهای از قبل موجود سازگار نباشد، که می‌تواند منجر به ناهماهنگی شناختی شود. وقتی افراد ناهماهنگی (ناهماهنگی) را به عنوان اطلاعات متناقض تجربه می کنند، انگیزه دارند که شواهد جدید را به عنوان اشتباه رد کنند تا اینکه داده ها یا نظر اصلی خود را زیر سوال ببرند. به جای اینکه به طور خودکار فرض کنید مشکل کیفیت داده دارید، ممکن است مشکل مدیریت تغییر داشته باشید.
چگونه بر بی اعتمادی به داده ها غلبه کنیم:
- ارزیابی کنید که آیا مسائل داده ای جدا، گسترده یا خیالی هستند
- شدت و فراوانی تناقضات داده ها را بررسی کنید
- با تیم فناوری اطلاعات کار کنید تا داده ها را در محدوده خطای قابل قبولی نگه دارید
- تیم ها را برای حفظ کیفیت داده ها مسئول نگه دارید و فرآیندهایی را برای کاهش خطاها اجرا کنید
- با نشان دادن صحت و مفید بودن داده ها، اعتماد به داده ها را بازیابی کنید
2. Data Daze
در حالی که سرگیجه داده ممکن است کمتر از فلج تجزیه و تحلیل یا بی اعتمادی به داده ها آشنا باشد، احتمالاً قبلاً خودتان آن را تجربه کرده اید یا دیده اید که دیگران مانع آن شده اند. با فراگیرتر شدن داده ها، زمانی که افراد از حجم انبوهی از داده هایی که در مقابل آنها قرار می گیرد، مرعوب یا غرق شوند، داده ها تحت تأثیر قرار می گیرند. اساساً، بیش از حد داده شکلی از اضافه بار اطلاعات است که زمانی که شخصی سعی می کند از معیارها/ابعاد، نمودارها، گزارش ها و غیره بیش از حد استفاده کند. در همان زمان هنگامی که چشمان مخاطبان شما در حین ارائه پر داده یا در حین تماشای یک داشبورد پیچیده خیره می‌شود، اغلب تأثیر شگفت‌انگیز داده‌ها را می‌بینید.
مغز انسان فقط می‌تواند اطلاعات زیادی را قبل از غرق شدن مصرف کند. در سال 1956، روانشناس جورج آ. میلر دریافت که اکثر مردم می توانند تنها 7 قطعه اطلاعات (+/- 2) را در یک زمان پردازش کنند. در سال 2004، روانشناس بری شوارتز پارادوکس انتخاب را معرفی کرد، که در آن داشتن انتخاب‌های بیشتر در واقع اضطراب ما را افزایش می‌دهد و مانع از توانایی ما در تصمیم‌گیری به عنوان مصرف‌کننده می‌شود. به همین ترتیب، هنگامی که افراد با داده های بیش از حد غرق می شوند، گیر می کنند و مطمئن نیستند که چگونه ادامه دهند – حتی قبل از اینکه هر گونه تحلیلی انجام شود.
اگر کمتر باشد بیشتر، ما قطعاً بدترین دشمنان خود در زمینه اشتراک گذاری و مصرف داده ها هستیم. به عنوان مثال، به جای تمرکز بر مجموعه محدودی از شاخص های کلیدی عملکرد (KPI)، بسیاری از سازمان ها مجموعه های بزرگی از KPI های احتمالی را جمع آوری می کنند. متأسفانه، وقتی هر معیار به عنوان مهم یا اولیه برچسب گذاری می شود، هدف و مزایای داشتن KPI را کمرنگ می کند. هنگامی که این اتفاق می افتد، به جای ایجاد یک سیگنال قوی برای بهبود عملکرد تجاری، نویز و سردرگمی ایجاد می کند.
در تلاش برای مفید بودن، تحلیلگران اغلب گزارش‌ها، اینفوگرافیک‌ها و داشبوردها را با اطلاعات و تجسم‌های آبدار فراوان بسته‌بندی می‌کنند. با این حال، آنها همیشه ایده روشنی از آنچه مردم مصرف کننده داده ها واقعاً نیاز دارند یا می خواهند، ندارند. پرتاب داده ها به دیوار برای دیدن اینکه چه چیزی می چسبد یک رویکرد مشکل ساز است که می تواند باعث از بین رفتن داده ها شود. در این شرایط، تحلیلگران نباید حدس بزنند که ذینفعان کسب و کار به چه چیزی نیاز دارند، و کاربران نهایی باید به وضوح آنچه را که می‌خواهند درک کنند و به دست آورند (که می‌تواند و خواهد شد) بیان کنند.
از آنجایی که سؤالات بعدی بر اساس داده ها مطرح می شود، اطلاعات اضافی اغلب به گزارش ها و داشبوردهای موجود اضافه می شود. با این حال، ارائه اطلاعات بیشتر به یک جایگزین آسان اما درهم و برهم برای مرتب‌سازی داده‌های موجود، حذف موارد غیر مرتبط و ارائه اطلاعات مناسب تبدیل می‌شود.
فقدان دانش یا آموزش نیز می تواند از طرق مختلف به مبهم سازی داده ها کمک کند. هنگامی که مردم نمی دانند چگونه داده ها را به طور موثر تجسم کنند یا داستانی قانع کننده با داده ها تعریف کنند، اطلاعاتی که به اشتراک می گذارند می تواند مردم را بیشتر گیج کند تا توانمند. همچنین، وقتی افرادی که داده‌ها را مصرف می‌کنند، تعاریف معیارها یا نحوه تفسیر اعداد را درک نمی‌کنند، دوباره با مانع دیگری برای پذیرش داده‌ها مواجه می‌شوید. هر دوی این عوامل کمک کننده را می توان از طریق آموزش و آموزش مناسب – هم برای افرادی که تولید می کنند و هم برای افرادی که داده ها را مصرف می کنند – بررسی کرد.
چگونه بر Data Daze غلبه کنیم
- KPIها و معیارهای پشتیبانی کننده خود را مجدداً بررسی کنید تا مطمئن شوید که با استراتژی شرکت شما همسو هستند
- KPIها و معیارهای حمایتی خود را یکپارچه و اصلاح کنید تا ارتباط و اثربخشی آنها را افزایش دهید
- مجموعه‌ای از معیارهای پشتیبانی را تحت KPI به صورت سلسله مراتبی یا موضوعی سازماندهی کنید
- داده ها را به لایه ها یا گروه های قابل هضم تری تقسیم کنید که می توانند توسط کاربران تجاری ایجاد شوند
- برای ساده‌سازی و بهبود تجسم داده‌ها و طرح‌بندی گزارش/داشبورد تلاش کنید
- به کارمندان آموزش دهید که چگونه داده ها را به درستی تجسم کنند، داستان های داده ایجاد کنند و داده ها را تفسیر کنند
3. تحلیل فلج
وقتی مردم به داده هایی فکر می کنند که مانع پیشرفت می شوند، اغلب به فلج تجزیه و تحلیل فکر می کنند. به طور معمول، فلج تجزیه و تحلیل زمانی رخ می دهد که فردی بیش از حد داده های خود را تجزیه و تحلیل کند یا در مورد آنها فکر کند و به بینش، تصمیم یا نتیجه کلیدی نرسد. اغلب تحلیلگران، دانشمندان داده و حتی رهبران تحلیلگر را آزار می‌دهد که به کاوش در اعداد ادامه می‌دهند اما در این فرآیند گم می‌شوند و نمی‌توانند چیزی ارزشمند را استخراج کنند. گاهی اوقات، مهم نیست که چقدر اعداد را کاوش و بررسی می کنیم، ممکن است چیزی روشنگر یا عملی را نشان ندهند.
به عنوان مثال، یک تحلیلگر در حال تجزیه و تحلیل یک برنامه بازاریابی ایمیلی است و برای یافتن چیزی معنادار در داده ها تلاش می کند. در حالی که او می خواست اطلاعات روشنگری ارائه دهد، سهامدار اصلی او – یک بازاریاب ایمیل با داده ها – در چند سال گذشته کار خوبی برای بهینه سازی برنامه ایمیل خود انجام داده بود. به جای ادامه تجزیه و تحلیل، تحلیلگر تصمیم گرفت یافته های موقت خود را با ذینفعان بررسی کند تا ببیند آیا دیدگاه ها یا سوالات دیگری را برمی انگیزد یا خیر. در پایان، یافته‌های جزئی 90 درصد از نتیجه نهایی را تشکیل می‌داد و برای پاسخ به بیشتر سؤالات تجاری او کافی بود، اگرچه به هیچ بینش یا توصیه‌ای منجر نشد. بخشی از مهارت در تجزیه و تحلیل داده ها این است که بدانیم چه زمانی باید به حفاری ادامه داد و چه زمانی ادامه داد. اخیراً این فرصت را داشتم که با مدیران بخش های مختلف در چندین سازمان مختلف مصاحبه کنم. در چندین مورد، یک مدیر اجرایی به نحوه مبارزه تیمش با «فلج تحلیل» اشاره کرد. در حالی که تیم‌های آنها ممکن است توسط داده‌ها بی‌حرکت شده باشند، فلجی که آنها تجربه کرده‌اند به وضوح قبل از اینکه تیم‌ها حتی سعی در کاوش یا کاوش عمیق داده‌هایشان داشته باشند، رخ داده است. آنها بیشتر از فلج تجزیه و تحلیل از اثرات سرگیجه داده رنج می برند.
اگرچه عبارت “فلج تجزیه و تحلیل” کاملاً شناخته شده است، این بیماری خارج از نقش های تحلیلی چندان رایج نیست. اکثر شرکت ها هنوز به سطحی از بلوغ داده نرسیده اند که تعداد قابل توجهی از کاربران تجاری به طور معمول تجزیه و تحلیل های خود را انجام دهند. با این حال، با استقبال شرکت‌ها از تجزیه و تحلیل سلف‌سرویس و تکامل مهارت‌های داده، این شکل از فلج داده‌ها بیشتر اتفاق می‌افتد زیرا توانایی کاوش داده‌ها غیرمتمرکزتر و دموکراتیک‌تر می‌شود.
چگونه بر فلج تجزیه و تحلیل غلبه کنیم:
- یک محدودیت زمانی تعیین کنید و پیشرفت خود را به دقت زیر نظر داشته باشید
- از مشکل عقب نشینی کنید و دوباره با دیدگاهی جدید تلاش کنید
- رویکرد تجزیه و تحلیل خود را با شخص دیگری به اشتراک بگذارید تا دیدگاه متفاوتی به دست آورید
- دوباره به سؤال(های) کسب و کار اصلی مراجعه کنید تا تلاش های خود را دوباره متمرکز کنید
- به اصول اولیه برگردید و روش ساده تری را برای تحلیل امتحان کنید
تبدیل شدن به یک شرکت مبتنی بر داده یک سفر است، نه یک مقصد. در نهایت، شرکت ها به همه رهبران و کارمندان خود نیاز دارند تا در این سفر به آنها بپیوندند، اما متأسفانه، برخی از افراد در این مسیر گم خواهند شد. برخی از افراد اعتماد خود را به داده ها از دست خواهند داد. دیگران از حجم اطلاعات به اشتراک گذاشته شده غرق خواهند شد. با این حال، برخی دیگر ممکن است به دنبال بینش در داده ها غوطه ور شوند و هرگز دوباره ظاهر نشوند. کاهش و غلبه بر این دام‌های فلج‌کننده برای هدایت اقدام و ارزش داده‌های شما ضروری است. هر چه افراد بیشتری بتوانند در این سفر داده شرکت کنند و در مسیر خود باقی بمانند، برای موفقیت بلندمدت شرکت داده شما بهتر خواهد بود.
** این مقاله در ابتدا در Forbes.com در 16 سپتامبر 2016 منتشر شد