استفاده از فریم ورک برای پیش‌بینی موفقیت پروژه big data 

تهیه‌کننده مقاله : تیم مارکتینگ

دسته بندی: مقالات HBR
10 دقیقه زمان مطالعه
1401/05/30
0 نظر

خلاصه مقاله:

موفقیت در یک پروژه big data به عوامل زیادی بستگی دارد. بیش از ۸۵ درصد پروژه‌های big data شکست می‌خورند و در بیشتر مواقع به این دلیل است که مدیران اجرایی نمی‌توانند ریسک‌های پروژه را در ابتدا به درستی ارزیابی کنند. به همین دلیل یک پروژه تحقیقاتی با بررسی هایی که در این زمینه انجام داده است برای حل این مشکل تعدادی دستورالعمل‌ و سوال پیشنهاد می‌دهد تا افراد قبل از راه‌اندازی یک پروژه بزرگ از خود بپرسند. این کار به آن‌ها کمک می‌کند تا امکان موفقیت پروژه خود را پیش‌بینی کنند. مشخص است که دسترسی داشتن به داده مناسب و کافی شرط مهمی برای پیشقدم شدن در رشد و تبدیل شدن به یک سازمان داده محور است. 

یکی از سوالات خیلی مهمی که مدیران اجرایی باید قبل از شروع پروژه یک بپرسند، این است که آیا می‌توانیم به داده‌هایی مهم و ارزشمنددسترسی داشته باشیم؟ اگر پاسخ مثبت است، بعد از آن باید پرسید آیا کارکنان می‌توانند از این داده‌ها برای ایجاد راهکار استفاده کنند؟ آیا تکنولوژی ما می‌تواند این راهکار را ارائه دهد؟ و در نهایت آیا راهکار ما با قوانین و اخلاقیات سازگار است؟ اگر راهکار شما غیرقانونی باشد، ارزشمند نیست. علاوه بر این، اگر کاربران راهکار شما را نامناسب بدانند ممکن است با واکنش شدید رسانه‌ای مواجه شوید. پیشنهاد می‌کنیم این رویکرد ساختاری را امتحان کنید تا بتوانید امکان موفقیت پروژه بعدی خود در حوزه big data را پیش‌بینی کنید.

پروژه‌های big data که در آن‌ها از داده‌ها برای بهینه‌سازی و توسعه کسب‌وکار استفاده می‌شوند برای اکثر مدیران مهم هستند. با این حال بسیاری از این پروژه‌ها به دلیل ارزیابی اشتباه ریسک‌ها شکست می‌خورند. ما به این نتیجه رسیدیم  که موفقیت در پروژه‌های حوزه داده تا حد زیادی به ۴ معیار مهم بستگی دارد. داده (Data)، اختیار عمل (Autonomy)، تکنولوژی (Technology) و مسئولیت پذیری (Accountability) که به اختصار می‌توان آن‌ها را D.A.T.A. نامید.

این نتایج از پروژه تحقیقاتی چهار ساله ما در مورد تجاری‌سازی big data حاصل شده است. 

اجزای اصلی مورد نیاز برای موفقیت در پروژه‌های big data در دو بعد قرار می گیرد. ‏

۱- ‏ تمرکز بر فعالیت‌ها

۲- تمرکز بر تحول

ایجاد پشتوانه دیجیتالی یا جلب حمایت افراد مانند ایجاد معماری IT  مناسب ضروری است. باید مطمئن شد که کارکنان نه تنها از داده‌ها استفاده می‌کنند بلکه استفاده مناسبی از آن‌ها دارند. این تفکر جمعی باید وجود داشته باشد تا کارکنان از ابزارهای مناسب در جای مناسب استفاده کنند. این تمرکز بر فعالیت‌ها و تحول ابعاد ماتریس D.A.T.A را درست می‌کنند.

در ادامه بخش‌ها و سؤالات کلیدی که مدیران باید هنگام فکر کردن به پروژه‌های big data بپرسند را بررسی می‌کنیم:

سوالات مربوط به D.A.T.A که باید بپرسید

جدولی که در ادامه خواهید دید، خلاصه‌ای از اجزای D.A.T.A، سوالات مرتبط، منطق پشت آن‌ها و همچنین مثال‌هایی را درباره آن ارائه می‌کنند. همچنین این جدول را نشان می‌دهد که چه جنبه‌های مختلفی که باید در پروژه‌های حوزه داده در نظر گرفته شوند و در ادامه ما یک طرح کلی از هر یک از این معیارها ارائه می‌دهیم.

داده‌: 

مشخص است که دسترسی به داده پیش شرط مهمی در پیشقدم شدن در رشد داده محور است  اگرچه باید در نظر گرفت که همه داده‌ها هم در دسترس، ارزشمند و منحصربفرد نیستند. تنها زمانی که این معیارها برآورده شوند، مدیران می توانند به بدست آوردن مزیت رقابتی بر اساس داده ها امیدوار باشند.

اپلیکیشن ردیابی تناسب اندام اجتماعی دانمارکی Endomondo را در نظر بگیرید. در سال ۲۰۱۵، شرکت آمریکایی پوشاک ورزشی Under Armor، این اپلیکیشن را به مبلغ ۸۵ میلیون دلار و در راستای تلاش برای ایجاد «بزرگ‌ترین جامعه دیجیتال سلامت و تناسب اندام در جهان» خرید. Endomondo، بیش از ۲۰ میلیون کاربر داشت که بیش از ۸۰٪ آن‌ها در خارج از آمریکا بودند. از این رو، Under Armor انتظار داشت که با خریدن این اپلیکیشن نه تنها داده‌هایی زیاد و باارزشی دسترسی پیدا می‌کرد  بلکه همانطور که در بیانیه مطبوعاتی اعلام شد، « رشد سریع و افزایش حضور بین‌المللی» را نیز به شرکت اضافه می‌شود. هزینه که Under Armor برای خریدن Endomondo پرداخت کرد، نشان‌دهنده اهمیت داده‌های آن است. می‌توان نتیجه گرفت که داده‌ها در مسیر تبدیل شدن به منبعی است که با ارزشی که در بازار ایجاد می‌کنند قابلیت‌های تجاری را افزایش می‌دهند. 

اختیار عمل: 

اختیار عمل یا تصمیم‌گیری غیر متمرکز به کارمندان این اجازه را می‌دهد که به تنهایی مسیر خود را برای پیدا کردن ایده‌ها و راهکارهای مبتنی بر داده شروع کنند. این کار یک گام ضروری در مرحله ایده پردازی است، مانند مسیری که آدم‌ها در شروع تحولات دیجیتالی و تلاش برای همگام شدن با آن برداشتند. در این راستا، سوالی که مدیران اجرایی باید بپرسند این است: ” آیا کارمندان به تنهایی می‌توانند از داده برای ایجاد راهکار استفاده کنند؟ برای در دست پیدا کردن له قابلیت‌های تجاری داده‌ها نیاز به مشارکت افراد زیادی از سطوح و بخش‌های مختلف است.

در این مسیر گوگل به عنوان یک بازیگر کلیدی ایفای نقش می‌کند. مدت‌هاست که گوگل به دلیل این که به کارکنان خود اجازه تصمیم‌گیری غیر متمرکز می‌هد و منابع اختصاصی را برای برداشتن گام در مسیر نوآوری در سراسر سازمان خود فراهم کرده است، شهرت دارد. 

در گوگل رویه‌ای به نام «زمان ۲۰٪» وجود دارد که به مهندسان خود اجازه می دهد ۲۰٪ زمان خود را بر روی پروژه‌ای که دوست دارند، سپری کنند. علاوه بر این گوگل منابع محاسباتی و داده‌های خود را برای پیشبرد این پروژه‌های« ۲۰ % » در اختیار مهندسان قرار می‌دهد.

یکی از پروژه‌هایی که در نتیجه سیاست زمانی ۲۰ % ایجاد شد و استفاده گسترده‌ای از انواع داده‌ها کرد “Google Now” بود (‏یک دستیار تلفن همراه که فعالانه اطلاعات را بر اساس عادات جستجو کاربران آن‌ها نشان می‌داد)‏. اگرچه Google Now دیگر وجود ندارد اما از کارکردهای زیرساختی آن هنوز هم استفاده می‌شود.

اختیار عمل نه تنها برای ایجاد و راه‌اندازی طرح‌های جدید مهم است، بلکه در یادگیری و تطبیق فرآیندهای موجود هم اهمیت دارد. در نتیجه کارکنان باید بتوانند از داده‌ها برای شروع، ایجاد و تطبیق راهکارهای خود استفاده کنند.

تکنولوژی:

 داشتن تکنولوژی هم مثل داده‌ها برای موفقیت ضروری است. تکنولوژی اولین گام مهم در مرحله اجرایی و همچنین یک جزء اساسی و زیربنایی در حوزه دیجیتال است. در اینجا سوالی که مدیران اجرایی باید بپرسند این است: ” آیا تکنولوژی ما می‌تواند راهکار مناسبی ارائه دهد؟” شما می‌توانید تمام داده‌ها و ایده‌های دنیا را داشته باشید اما اگر تکنولوژی شما تنها بتواند در حد یک پروتوتایپ، نسخه بتا یا MVP ارائه کند، در نهایت هیچ ارزش واقعی برای شرکت شما ایجاد نخواهد شد.

نمونه‌ای از اهمیت تکنولوژی در همکاری بلاکچینی بین Maersk و IBM نشان‌داده شده‌است. Maersk مدت‌ها بود که می‌خواست موانع اجرایی که تجارت جهانی با آن روبرو بود را ساده کند. با این حال، قبل از ظهور بلاک چین زیرساخت  فنی مناسبی برای این کار وجود نداشت، امکان ارائه راهکار مناسبی برای حل این مشکل وجود نداشت. از آن جایی که Maersk بدون شک قابلیت‌های بلاک چین مورد نیازش را در مجموعه خود نداشت، با IBM برای ایجاد یک پلتفرم تجارت جهانی و بلاکچین که Tradelens نامیده شد و در راستای به حداقل رساندن هزینه‌ها و افزایش شفافیت حمل و نقل جهانی طراحی شده است شریک شد.

به عبارت دیگر، با استفاده از تکنولوژی بلاک چین، Tradelens یک پلتفرم دیجیتال برای زنجیره تامین جهانی را شکل می‌دهد و اطلاعاتی را برای همه بازیگران حاضر در این صنعت فراهم می‌کند. در نتیجه برای ارائه هر راهکار مبتنی بر داده داشتن تکنولوژی کافی برای پیشبرد آن ضروری است.

مسئولیت پذیری

مسئولیت پذیری به در نظر گرفتن هنجارها و مجوزهای قانونی و اجتماعی برای ارائه راهکارهای داده‌ محور اشاره دارد. این کار یک گام مهم در مرحله اجرایی است و بخش مهمی از معیارهای انسانی را تحولات دیجیتال  را در بر می‌گیرد. سوالی که مدیران اجرایی در این مرحله باید بپرسند این است: “آیا راهکار ما مطابق با قوانین و اخلاقیات است؟” اگر راهکار شما برخلاف قانون باشد، ارزش زیادی ندارد. علاوه بر این اگر کاربران این راهکار  را نامناسب بدانند ممکن است با واکنش رسانه‌ای روبرو شوید.

یکی از موارد مشهور غفلت از مسئولیت پذیری را می توان در رسوایی Facebook و Cambridge Analytica مشاهده کرد. همانطور که در مستند نتفلیکس با عنوان “هک بزرگ” نشان‌داد.  Cambridge Analytica از داده‌های شخصی کاربران در فیس بوک برای شناسایی و هدف قرار دادن آن‌ها راستای “ترغیب” کاربران برای رای دادن به یک کاندیدای خاص در انتخابات ریاست‌جمهوری سال ۲۰۱۶ آمریکا استفاده کردند.

برداشتی که از سوء استفاده‌ از داده‌های شخصی انجام شد سوالاتی را از نقطه نظر حقوقی و اخلاقی ایجاد کرد. این پرونده پیامدهای شدیدی برای طرف‌های درگیر در ماجرا داشت و کاربران و قانون‌گذاران را نسبت به چالش‌های قانونی و اخلاقی جمع‌آوری و استفاده از داده‌ها آگاه‌تر کرد. در نتیجه، اگر راهکاری شما با قانون، اخلاق اجتماعی و هنجارها مطابقت نداشته باشد، نباید در دراز مدت از آن انتظار موفقیت داشت.

چه سوالاتی باید درباره D.A.T.A پرسیده شود؟

پرسیدن این سوالات به شما کمک می‌کند تا تصمیمات آگاهانه‌ای درباره پروژه های big data بگیرید. 

به پروژه big data بعدی خود امتیاز دهید

همانطور که احتمالا متوجه شده‌اید، پاسخ ها در جدول D.A.T.A بسیار ساده و  به صورت بله / خیر است و به این معناست که شما می‌توانید احتمال موفقیت پروژه big data بعدی خود را با شمارش پاسخ‌های خود به سوالات تعیین کنید. به عبارت دیگر، اگر شما به سه سوال “بله” و به یک سوال “نه” پاسخ دادید، امتیاز پروژه شما نمره ۳ است. 

از جدول زیر برای امتیازدهی به پروژه بعدی خود استفاده کنید. همانطور که از جدول پیداست برای اطمینان از موفقیت پروژه داده خود به نمره ۴ نیاز دارید. امتیاز ۳ به این معنی است که پروژه هنوز هم برای موفقیت نیاز به کار قابل توجهی دارد. چون برای موفقیت پروژه‌های big data داشتن هر چهار معیار ضروری هستند.

امتیاز دهی به پروژه big data

ٰشما می توانید با جمع کردن پاسخ های خود به سوالات مربوط به D.A.T.A، احتمال موفقیت پروژه big data  بعدی خود را تعیین کنید. هر پاسخ “بله” به این سوالات کلیدی یک امتیاز محسوب می‌شود. 

مثالی که در ادامه گفته می‌شود ضرورت وجود هر چهار معیار را نشان می‌دهد. فیس بوک داده‌های شخصی منحصر به فرد و ارزشمندی دارد، مانند داده‌های مربوط به وضعیت روابط شخصی کاربران. در واقع فیس‌بوک می‌تواند این پیش‌بینی را با دقت زیادی انجام دهد. حدس بزند که آیا رابطه مورد نظر دوام خواهد آورد یا خیر.

برای بررسی وضعیت این پروژه می‌توان موارد زیر را در نظر گرفت:

  • پروژه داده‌های منحصر به فرد و ارزشمند دارد.  (‏”بله” برای سوال ۱) 
  • کارمندان فیس بوک برای ارائه راهکار آزادی عمل دارند. (‏”بله” برای سوال ۲)‏، 
  • فیس بوک تکنولوژی ارائه چنین راه حلی را داشته دارد. (‏”بله” برای سوال ۳)‏،
  •  چنین راه حلی برای بیشتر مردم اخلاقی به نظر می‌رسد. (‏”نه” برای سوال ۴)‏.

بنابراین، چنین پروژه‌ای امتیاز ۳ را به خود اختصاص می‌دهد زیرا کار مهم و حساسی در زمینه مسئولیت پذیری برای موفقیت آن لازم است.

پروژه‌های big data مسلما به رویکردهای داده محور بیشتری برای پیش‌بینی موفقیت خود نیاز دارند. در حالی که انتظارات برای استفاده از big data خیلی زیاد است پس، تا ممکن است تاکنون بازدهی ضعیفی داشته‌اند. بخشی از مشکل به این دلیل است که مدیران اجرایی نمی‌دانند چگونه موفقیت پروژه‌های داده محور را پیش‌بینی کنند چون رویکرد و ساختارهای کمی برای انجام این کار وجود دارد. با کمک فریم ورک  D.A.T.A که ما معرفی کردیم، مدیران اجرایی می‌توانند در نهایت تصمیم‌گیری مبتنی بر داده‌ها را در پروژه‌های big data شروع کنند.

این مقاله ترجمه شده  Use This Framework to Predict the Success of Your Big Data Project از وبسایت HRB‌ است.

مشاهده فرصت‌های شغلی در آسا مشاهده فرصت‌های شغلی در آسا