کسب و کار دیگر بر اساس قوز انجام نمی شود. مشتری Domo چارلی هیسکوکس از SAB Miller ایده خوبی از نظر غالب داشت:
چالش در حال حاضر شناسایی فرصت ها برای به دست آوردن این “بهترین داده ها” است – چه کیفی یا کمی. در اینجا سه روند برتر و فرصت های تجاری در سال 2016 آورده شده است:
1. شکستن کد همکاری.
جلب همکاری کارکنان می تواند مشکل باشد. فراتر از مدیریت انگیزه های روانی، کسب و کارهای امروزی با ترکیبی گیج کننده از نرم افزار و خدمات کار می کنند، بنابراین منحنی های یادگیری و چالش های پذیرش وجود دارد.
همانطور که اطلاعات به طور فزاینده دیجیتالی می شود، یک مشکل رایج در همکاری این است که اغلب به داده های واقعی مورد نیاز برای تصمیم گیری بستگی ندارد.
به نوبه خود، همکاری به عنوان یک مأموریت حیاتی تلقی نمیشود، مانند کسی که روی دستهای از صفحات گسترده خمیده است و یک تجارت چند میلیارد دلاری را در حال انجام «کار واقعی» است. البته هدف این است که افراد مناسب با داده های مناسب در زمان مناسب کار کنند.
در هاروارد بیزینس ریویو، استاد مدیریت دانشگاه ویرجینیا، راب کراس، در مورد آنچه که هنگام ایجاد محصول کاری در سیلوها اتفاق می افتد، می نویسد:
تحقیقاتی که ما در بیش از 300 سازمان انجام دادهایم نشان میدهد که توزیع کار مشترک اغلب بسیار نابرابر است. در بیشتر موارد، 20 تا 35 درصد از همکاری های ارزش افزوده تنها از 3 تا 5 درصد کارمندان حاصل می شود.
او می گوید که دو کار وجود دارد که شرکت ها می توانند برای افزایش همکاری انجام دهند. بخش اول درک حجم کار و توزیع مجدد کار به طور یکنواخت است. توصیه دیگر این است که مردم را برای همکاری مؤثرتر “تشویق” کنید. مورد دوم جایی است که پیوند بزرگ با داده های بهتر وارد عمل می شود. اگر بتوانید از طریق دادهها و دسترسی بهتر، بازدهی بالای خود را بر روی مشکل کسبوکار مناسب متمرکز کنید، بازدهی وجود دارد.
اگر برخی از قابلیت های همکاری Domo را دیده باشید، واضح است که استراتژیست های محصول برخی از این سناریوها را در نظر گرفته اند. با قرار دادن دادهها در دست افراد تجاری، درک این موضوع که چگونه همکاری در یک سازمان باید تکامل یابد، بسیار آسانتر است.
2. بر نتایج عملکرد تأکید کنید.
تکثیر دادههای در دسترس نه تنها نحوه تصمیمگیری را تغییر میدهد، بلکه مدلهای تجاری را نیز تغییر میدهد. به گزارش اکونومیست جهان در سال 2016مدیران در خط مقدم این تغییر خواهند بود. لوسی کلاوی می نویسد: «بررسی دقیق مردم، قضاوت در مورد آنها و قضاوت در مورد عملکرد آنها – اکنون یا غیر ضروری تلقی می شود، یا به جای آن به ماشین ها واگذار می شود. اگر اینطور است، بررسی عملکرد سالانه شما ممکن است اولین چیزی باشد که از دست یک مدیر به مادربرد دستگاه منتقل می شود.
اما رسیدن به این سطح از اتوماسیون نیازمند یک رویکرد دقیق برای مدیریت داده است. این گزارش می گوید که نتایج همان چیزی است که اندازه گیری می شود.
«سیستمهای موجود با سیستمهای جدیدی جایگزین خواهند شد که بر اساس کیفیتهای مدرنتر ساخته شدهاند: سرعت و شفافیت. شرکتها دیگر نگران ورودیها (چگونگی انجام کارها) نیستند و فقط روی خروجیها (آنچه تولید میکنند) تمرکز خواهند کرد. آنها نسبت به داده ها وسواس پیدا می کنند و علاقه خود را نسبت به هر چیزی که قابل اندازه گیری نیست از دست می دهند.
اگرچه این ممکن است شدید به نظر برسد، اما تأکید بر نتایج قابل اندازهگیری، فضای کمی برای پنهان کردن افراد ضعیف باقی میگذارد – که برای روحیه و نتیجه خوب است.
3. ترکیب داده های اینترنت اشیا با بینش انسانی.
پیشبینی میشود که دادههای تولید شده توسط ماشینآلات صنعتی و سختافزار مرتبط با سرعتی باورنکردنی در نیم دهه آینده رشد کند. بر اساس گزارش دنیای دیجیتال EMC/IDC، داده های تولید شده توسط “اشیا” از دو درصد کل داده های گرفته شده در سال 2013 به 10 درصد در سال 2020 خواهد رسید. اکثر ما اکنون این تغییر را اینترنت اشیا (IoT) می نامیم. آنچه مطمئناً یک تغییر بزرگ خواهد بود، نحوه سازگاری سازمان ها است. رندی بین، مدیر عامل NewVantage Partners، در بررسی Sloan Management MIT نوشت که چگونه دادههای ماشین محور مفهوم زمان واقعی را ارتقا میدهند.
در دنیای اینترنت اشیا، فرآیندهای هوشمندی که توسط حسگرها و سایر دستگاههای هوشمند هدایت میشوند، میتوانند بهطور پیوسته نظارت، کنترل و تنظیم شوند تا در صورت نیاز مسیر را بهطور خودکار تصحیح کنند و در نتیجه کارایی را افزایش دهند. محیط های کاری پیچیده را می توان برای شناسایی خطرات و انجام اقدامات اصلاحی که منجر به کاهش ریسک و صرفه جویی در هزینه می شود، نظارت کرد.
یکی دیگر از مدیران نرم افزاری که اخیراً با آن صحبت کردیم، آن را در قالب شرایط تجاری بیان کرد.
زمانی که من با مشتریان در مورد پلتفرم اینترنت اشیا خود صحبت می کنم، موضوعی که بیش از همه آنها را هیجان زده می کند، تجزیه و تحلیل پیش بینی شکست با استفاده از یادگیری ماشین است. این ایده که آنها می دانند چه زمانی یک دارایی ماشینی قرار است از قبل با شکست مواجه شود، برای بسیاری از شرکت ها دگرگون کننده است. آنها می توانند آسانسور، لنت ترمز، ماشین آلات سنگین، هر چیزی که دارای قطعات متحرک باشد که قبل از شکستن فرسوده می شود را تعمیر کنند. بدون توقف.»
وقتی به این فکر می کنید که هوش ماشین محور را در زمان واقعی در دست رهبران کسب و کار باتجربه قرار دهید، اینجاست که همه چیز جالب می شود و می توان به نتایج جدیدی دست یافت.
در سال 2016 به دنبال چه چیزی باشید
پس این همه ما را با یک ماه در کتاب های سال 2016 باقی می گذارد؟ اگر یک ثابت وجود داشته باشد، این است که تکنولوژی اطراف ما به تکامل خود ادامه خواهد داد. با این تحول، سازمان های هوشمند سال 2016 را خواهند دید. به عنوان زمانی برای ایجاد زیرساخت داده (افراد، فرآیندها، ابزارها) مورد نیاز برای موقعیت خود برای آینده. پس از سال 2016، ذهنیت اول داده ها دیگر یک امر لوکس نخواهد بود.