Hvordan ledere blander data og intuisjon for å ta bedre avgjørelser

Dunder fremveksten av digital transformasjon de siste to tiårene, har løftet om data dukket opp. Uten tvil er data avgjørende for å forstå kundene dine, utvide virksomheten din og måle suksess, men det er ikke det eneste du trenger. Gode ​​beslutninger krever begge data og intuisjon.

Mange mennesker har kommet til den feilaktige troen på at data er konge og intuisjon er narren. Noen ganger ser det ut til at de to er engasjert i en dragkamp, ​​og forsikrer at ingen av dem kan regjere med den andres tilstedeværelse.

Dette kunne ikke vært lenger fra sannheten. Intuisjon spiller også en rolle i alle gode beslutninger. Når data og intuisjon samarbeider, skaper de en syklus av tilbakemeldinger som foredler og styrker mentale modeller. Intuisjon kan føre til det riktige spørsmålet å stille til dataene, med den resulterende historien som informerer om intuisjon. Intuisjon kan advare oss når data er ufullstendige eller har kvalitetsutfordringer. Mens data kan hjelpe oss å gjenkjenne når vi opererer fra skjevheter eller omstendighetene har endret seg.

Dette er viktig i en tid med økende usikkerhet, med nye forretningsutfordringer rundt hvert hjørne. Data kan gi en solid forståelse av fortiden, men når vi blir for fanget av nøyaktighet – i nøyaktighet, i å lage den perfekte datamodellen – kan vi gå glipp av det som skjer rett foran oss. Intuisjon kan hjelpe oss raskt å forstå retningsbestemthet, som kan ha like stor betydning for beslutningstaking som enhver kvantitativ figur. Når de brukes på riktig måte, kan intuisjon og data være dine to viktigste allierte for å oppnå seier mot usikkerhet.

Beslutninger i den virkelige verden

Vi snakket med Michael Nolting, seniordirektør for digitale tjenester og dataanalyse på Volkswagen, og Michael Sasaki, tidligere visepresident for Global Head of Customer Success and Support på Mitek, for å lære hvordan selskapene deres balanserer data med intuisjon for å ta beslutninger og drive forretningsresultater.

Tabell: Hvordan tas beslutninger i din bedrift?

Nolting: Vi har jobbet veldig hardt de siste årene for å gjøre bilproduksjonen vår datadrevet [hos Volkswagen]. Vi opprettet en plattform kalt Snowpark, som høstet alle dataene vi hadde fra våre testkjøringer og kunder. Vi analyserte om det var et gap i forhold til bilbruken.

Hvis vi forstår hvordan ekte kunder bruker bilene våre, kan vi bygge biler i henhold til deres behov og levere bedre produkter – i tillegg til å minimere den totale kostnaden.

Vi tar avgjørelser hos Volkswagen basert på magefølelser og data. Data er foretrukket og kan brukes til å gradvis optimalisere noe. Magen din er nødvendig for utforskning når du tar vanskelige beslutninger basert på ikke nok data (på grunn av mangel på data, for mange inputdimensjoner, for lav effektstørrelse eller for mye kontekstkunnskap som trengs). Kjernevirksomhet må flyttes så langt som mulig inn i datasonen.

For risikotaking trenger du et hierarki basert på hvor mye risiko du skal ta. Ledere på C-nivå må ta risiko.

Data fra vår MOIA-flåte (en delt mobilitetsløsning i Hamburg og Hannover), har blitt demokratisert. Den kan nås av alle hos Volkswagen med en konto.

Vårt mål er å internt demokratisere alle våre data. Vi bygger for tiden et enormt datavarehus i avdelingen min, der vi ønsker å gjøre det mulig for enhver bedrift [bruker] å importere og analysere data. Vi gjør hver bedrift [bruker] til en dataingeniør/dataforsker.

Sasaki: Å ta beslutninger [hos Mitek] krever samordning mellom interessenter. Til syvende og sist er det endelige beslutningstakere, og de er vanligvis de funksjonelle ekspertene som ender opp med å ta avgjørelsen. Men vi bruker mye tid på å møtes og sørge for at vi alle har den samme informasjonen og ser på de samme dataene, forstår dataene og er enige om definisjonene.

Tabell: Hvordan balanserer du data, intuisjon og erfaring når du tar beslutninger?

Nolting: Intuisjon er nødvendig for tungt belastede spørsmål når folk endelig må ta risiko og det ikke er nok data tilgjengelig på grunn av modellens/spørsmålets høye kompleksitet.

Vi er fortsatt i magesonen med en del av kjernevirksomheten vår og ønsker å flytte den steg for steg inn i datasonen for å bli et datadrevet selskap. Likevel vil innovasjonsprosjekter eller utforskning av nye forretningsmuligheter alltid forbli delvis i tarmsonen. Hva er utfordringen med tarmsonen, hvis kjernevirksomheten din fortsatt er der? I tarmsonen, hvis du vil svare på et spørsmål som har en høy risiko (les: millioner av dollar du kan tape), trenger du ledere i selskapet som er villige til å ta risikoen. I følge dette har vi selvfølgelig et hierarki. Basert på estimert risiko i euro har vi ulike ledelsesnivåer, som kan ta risikoen. Hvis risikoen er rundt millioner, trer C-nivå inn.

Sasaki: De er alle sammenflettet i tankene mine.

Data er superviktig. Med data begynner du å se en hybrid av data som informerer tarmen din. Du tar beslutninger basert på kundedata. Og det er den erfaringen du har med å jobbe med dataene, og det å se resultatene du har oppnådd med kunder hjelper deg virkelig til å komme til rett sted. Den erfaringen er superviktig å jobbe med dataene.

Så jeg vil ikke si at det er det ene eller det andre. Det er en hybrid av begge akkurat nå. Og begge deler er superviktige. Tarmen drives av dataene.

Tabell: Når vet du at du har nok data til å ta en avgjørelse?

Nolting: Du kan ikke si: "Har vi nok data?" eller "Har vi ikke nok data?" Dette handler mer om å koble sammen de riktige systemene og ha gode data. Spørsmålet er alltid mellom kvalitet og kvantitet.

Når bedrifter gjennomgår en datatransformasjon, er det store problemet datakvalitet i begynnelsen. Du må virkelig se på dataene om du kan jobbe med dem eller ikke. For enkelte dashbord trenger du salgsdata av høy kvalitet. Du trenger dataforvaltere.

For store effektstørrelser trenger du en liten mengde data (f.eks. fra små bilflåter). Vi ønsket å finne ut hvordan våre kommersielle kunder som [pakkefraktselskap] DPD bruker bilene sine i forhold til driverne av vår delte mobilitetsløsning, MOIA. Disse dataene kan samles inn fra en testflåte. Hvis vi ønsker å måle småeffektstørrelser, tar vi data fra vår store flåte.

Vi bruker også Tableau-dashboard for å hjelpe med å prioritere hvilke komponenter som produseres basert på mangelen på komponenter vi har. Ett dashbord forutsier rekkefølgen på komponentene vi trenger. Det er veldig komplisert – det er milliarder av kombinasjoner. Og så gjør vi beregningen og bestiller komponentene når vi har mangel. Dette resulterer i en optimal produksjonsprosess.

Sasaki: For fem til ti år siden var det mangel på data. Og nå er det så mye data. Å prøve å finne ut hvilke data som er viktige er egentlig nøkkelen og utfordringen. Fordi du kan se på data for å rettferdiggjøre nesten hver eneste avgjørelse du ønsker å ta. Og det er en fallgruve du kan falle i, der du har avgjørelsen du vil ta, og du ser etter dataene for å rettferdiggjøre det, slik at dataene virkelig avslører veien du må følge.

Så spørsmålet er, når vet du at du har nok data til å ta avgjørelsen?

Jeg vil si, vel, her er min kundesuksessopplevelse med kunderelaterte beslutninger. Du kan ta en titt på kundenes lyspunkter for å se hvilke data som var til stede for å oppnå ønsket resultat du leverte tidligere. Så vi ser mye på resultater som ble drevet, og deretter hvilke data som var virkelig viktige som virkelig drev den beslutningen. Så vi vil identifisere dem og virkelig skille dem fra hverandre.

Vi lener oss også mye på dataanalytikerteamet vårt. Hos Mitek finnes det mange forskjellige typer datateamoppsett. Det er desentralisert, hvor det er en dataanalytiker i forskjellige funksjoner – en i markedsføring, en i økonomi, en i kundesuksess. Du kan ha en sentralisert funksjon der det hele bare er ett lag. Men dataanalytikere jobber med alle forespørsler som kommer inn, uavhengig av hvilken funksjon som kommer inn fra.

Jeg opprettet og bygget ut en dataanalytikerrolle i kundesuksessteamet. Det var veldig viktig av et par grunner. Jeg mener en dataanalytiker må være en ekspert på dataanalyse, men også en funksjonell ekspert på hva de analyserer dataene for. Å ha en dataanalytiker i kundesuksessteamet er verdifullt for å forstå kundedataene. Jeg støtter meg på dataanalytikerne mine når de har tid til å hjelpe meg med å bestemme når vi har nok data til å ta en beslutning. Og det er en balansegang mellom å være unøyaktig og å være inaktiv.

Hva er mer kostbart - å ta feil avgjørelse, eller ikke ta noen handling i det hele tatt? Jeg vet ikke om du noen gang føler at du har nok data, men du kommer til et punkt hvor du er komfortabel nok til at du kan ringe basert på dataene.

Tabell: Det er lett å se på data og glemme at tallene representerer ekte, menneskelige kunder. Hvordan kan vi forsvare oss mot denne feilen?

Sasaki: Jeg er kundevendt; Jeg er ansvarlig for kunden og inntektene. Produktutviklingsteamet har sine egne mål, og det handler ikke alltid om det menneskelige nødvendigvis, eller kanskje de ikke forstår det, og det er ikke deres feil. Det er mitt ansvar som leder på den kundevendte siden, å sette et ansikt til det nummeret, det datapunktet.

Det er visse ting ledere kan gjøre for å prøve å sette et menneskelig ansikt på data. Vi har lansert mange programmer i selskapet vårt. Den ene er en lunsj-og-lære. Vi henter inn en kunde og kjøper lunsj til hele selskapet. Nå kan ingeniører høre fra kunden, og de kan relatere beregningene de ser på og kjører mot til et menneske, til et formål.

Tabell: Hvordan kan folk i tidlig karriere begynne å "trene" tarmen?

Nolting: Unge mennesker må lære å ha feil og ta risikoen ved å ta beslutninger. Dette er en kulturell ting som tyske bedrifter sliter med. Du kan trene opp magen din bare ved å skaffe deg erfaringer og gjøre feil – og så kan du gå opp for å ta risikoen for vanskeligere beslutninger i fremtiden. Hos Volkswagen har vi skapt et miljø med psykologisk sikkerhet, hvor feil er akseptert. For å oppnå dette må du ha riktig bedrifts- og datakultur.

Sasaki: [Hos Mitek] starter vi med erfaring med data. Ledere i teamet mitt har gjort kundesuksessansvarlige til dataanalytikere. Dataanalytikerne våre har levert verktøyene i Tableau for å gjøre kundesuksessansvarlige til dataanalytikere. Nå, hvis du ser på visningene i Tableau, over hele selskapet, er 70 % av visningene fra mine kundesuksessansvarlige.

Du kan ikke være redd for dataene. Du må ta alle muligheter som en opplevelse og få så mange erfaringer med data du kan, enten det er positivt eller negativt. Det kommer til å være veldig verdifullt for å stole på magen din. Bare gå inn der, forstå dataene, lek med dem, still spørsmål og få så mange opplevelser – positive eller negative – som du kan. Og det vil virkelig trene opp magen din.

Hvis du har data, kan du ikke argumentere mot det. Det er ingen bedre måte å jobbe med andre funksjoner og andre ledere og andre teammedlemmer på enn å ha dem til å ha dataene. Når du tar med dataene til samtalen, kan du justere veldig raskt. Du kan ta avgjørelser; du kan til og med overtale kunder. Det kommer til å være et datadrevet møte, det blir en datadrevet diskusjon. Møter og beslutninger skjer mye raskere fordi de bare er mer informert med data."

Er du klar til å lede med data?

Datadrevne ledere er bedre rustet til å tilpasse seg endringer, og de forstår nyansene i beslutningstaking i et forretningslandskap i rask bevegelse. De vet at data, forsterket av erfaring og intuisjon, er grunnleggende for suksess på tvers av deres organisasjoner. Besøk Tablå for ledere for å lære mer om hvordan data påvirker en ny type bedriftsledere, og hvordan Tableau kan makte din datatransformasjon.