Analitykę danych tworzą ludzie: modele dojrzałości analitycznej*

Karol Król

W ostatnich latach można zaobserwować wzrost zainteresowania analityką danych, przede wszystkim z uwagi na korzyści biznesowe, jakie może przynieść. Obecnie większość organizacji zdaje sobie sprawę, że analityka danych może zapewnić istotną przewagę konkurencyjną. Dojrzała kultura analityczna umożliwia organizacjom skuteczne wykorzystanie danych w decyzjach biznesowych.

  • *Więcej na temat modeli dojrzałości analitycznej przeczytać można w artykule: Król, K., Zdonek, D. (2020). Analytics Maturity Models: An Overview. Information, 11(3), 142. DOI: 10.3390/info11030142, available at: www.mdpi.com/2078-2489/11/3/142

Coraz więcej podmiotów decyduje się na mierzenie i ocenę efektywności podejmowanych działań. Pozwala to optymalizować procesy biznesowe na podstawie zgromadzonych danych, a nie intuicji czy też domysłów. Ponadto umożliwia dynamiczne reagowanie na zmieniające się otoczenie. Coraz więcej organizacji chce rozwijać swoje strategie analityczne poza arkuszami kalkulacyjnymi lub prostymi pulpitami zarządzania (management dashboard). Rośnie liczba organizacji, które starają się budować szeroką kulturę analityczną, w której analiza danych będzie odgrywała istotną rolę w procesie decyzyjnym [Halper i Stodder 2014]. Jednocześnie jednak niewiele organizacji ma wystarczające zdolności analityczne, w tym zasoby infrastrukturalne i ludzkie oraz umiejętności efektywnego zarządzania nimi, aby sprostać współczesnym potrzebom analitycznym. Ponadto niewiele organizacji potrafi ocenić w jakim stopniu wykorzystuje analitykę danych lub odpowiedzieć na pytanie w jaki sposób zwiększyć efektywność procesów biznesowych w oparciu o analitykę. Rośnie liczba organizacji poszukujących metod oceny dojrzałości analitycznej, które pomogłyby ukierunkować rozwój kompetencji analitycznych i kultury analitycznej organizacji [Lahrmann i in. 2010].

Modele dojrzałości analitycznej

Wybrane modele oceny dojrzałości analitycznej są na tyle szczegółowo opisane, że możliwe jest ich zastosowanie w samodzielnej ocenie dojrzałości analitycznej organizacji. Ocena dojrzałości analitycznej przeprowadzana jest przeważnie w kilku płaszczyznach, obejmujących najczęściej: (1) ocenę infrastruktury technicznej, w tym sprzętu i oprogramowania oraz sposobu gromadzenia danych, (2) ocenę kwestii organizacyjnych, tzw. kultury analitycznej, stopnia wsparcia i demokratyzacji analityki, poziomu akceptacji dla kultury analitycznej w całym przedsiębiorstwie, a także (3) ocenę zasobów ludzkich, w tym kompetencji analitycznych kadry.

people

Pewnego rodzaju syntetycznym (obrazowym) wynikiem oceny dojrzałości analitycznej jest uplasowanie organizacji na ścieżce rozwoju analitycznego (kontinuum analityczne). Wiąże się to z odpowiednimi wnioskami oraz planem działań, które mają prowadzić do rozwoju analitycznego organizacji. Bywa jednak, że wynik oceny dojrzałości analitycznej jest dodatkowo prezentowany przy pomocy syntetycznych wskaźników np. AMQ lub DELTA Score [Król i Zdonek 2020]. To dobra praktyka, która sprawia, że ogólny wynik analizy jest bardziej zrozumiały. Wskaźniki i noty punktowe (noty końcowe) lepiej przemawiają do wyobraźni odbiorcy niż obszerne zestawienia tabelaryczne.

Większość modeli oceny dojrzałości analitycznej składa się z pięciu poziomów dojrzałości analitycznej (maturity levels), począwszy od organizacji nie wykorzystującej danych w ogóle lub jedynie gromadzącej dane (Analytically Impaired), skończywszy na organizacji analitycznej (Analytical Nirvana, Genius Analytics). Takie ukształtowanie ścieżki rozwoju analitycznego (kontinuum analitycznego) wynika m.in. z tzw. pięciostopniowej skali Likerta [Likert 1932, Bernard 2017].

Studium przypadku

Analiza ścieżki rozwoju analitycznego jedenastu modeli oceny dojrzałości analitycznej organizacji pozwoliła wypracować jeden spójny obraz organizacji na każdym z pięciu etapów dojrzałości analitycznej (ryc. 1) [Król i Zdonek 2020].

Na etapie pierwszym rozwoju kompetencji analitycznych organizacje skupione są na gromadzeniu danych i raportowaniu lub w ogóle nie prowadzą takich działań. W większości przypadków kadra zarządzająca może nie znać możliwości wynikających z zastosowania analityki danych lub być wręcz negatywnie nastawiona do tego typu działań. Organizacja taka jest opisywana jako opóźniona analitycznie, ucząca się lub nieświadoma możliwości i korzyści wynikających z analityki. Etap pierwszy jest etapem inicjacji, gdzie następuje „zarażenie” organizacji ideą analityki danych (ryc. 1).

analityka danych Rycina 1. Dojrzałość analityczna organizacji na każdym z pięciu etapów kontinuum analitycznego. Źródło: opracowanie własne.

Organizacja, która została „zarażona” ideą analityki danych dostrzega szanse i możliwości związane z analityką danych. Staje się zwolennikiem i ambasadorem analityki. Jest jednak wciąż na etapie poszukiwania i uczenia się. Przeważnie nie dysponuje odpowiednią infrastrukturą, oprogramowaniem oraz kadrą zdolną do rozwijania kompetencji analitycznych.

Organizacja na etapie trzecim (Acceleration) wykorzystuje analitykę danych do pozyskiwania przewagi konkurencyjnej. Rozwija się analitycznie – rozwój ten nabiera rozpędu, dynamiki. Czerpie inspiracje z analizy danych. Zwiększa kulturę analityczną organizacji, wzmacnia infrastrukturę analityczną oraz kompetencje analityczne pracowników. Zwiększa udział analityki danych w procesie decyzyjnym. W organizacji na etapie czwartym (Momentum, Impulse) analityka danych jest rozwijana i wdrażana w całej organizacji, a jej wdrożenie staje się priorytetem. Decyzje podejmowane są w oparciu o analizy danych. Analityka danych dostarcza inspiracji i natchnienia. Organizacja działa „w duchu analityki danych”, a działania analityczne są „teraźniejszością i przyszłością”. W piątym stadium rozwoju analitycznego (Ahead, On the front) organizacja jest dojrzała analitycznie i „uzależniona” od analityki danych. Charakteryzuje się wysoką kulturą analityczną oraz demokratyzacją analityki. Analityka danych wyznacza strategie i kierunki rozwoju. Jest źródłem innowacyjności.

Analityka danych to ludzie

Oprogramowanie analityczne daje coraz większe możliwości. Często jednak nie są one wykorzystywane z powodu braku umiejętności jego obsługi oraz zdolności do analizy danych i poprawnego wnioskowania. Tymczasem analitykę danych tworzą ludzie [Davenport, Harris, Shapiro 2010, Siegel 2018]. Częstym błędem popełnianym przez organizacje jest utożsamianie systemów analitycznych z narzędziami do analizy danych i pomijane rozwoju umiejętności analitycznych pracowników. Narzędzia powinny wyzwolić potencjał użytkownika. Jest to związane z demokratyzacją analityki danych, która polega na budowaniu środowiska analitycznego dostępnego dla każdego pracownika, przystępnego w sposobie użycia i pozbawionego ograniczeń. Demokratyzacja analityki polega na łamaniu barier związanych z wdrożeniem rozwiązań analitycznych.

wykres

Rosnący popyt na analityków sprawia, że mają oni coraz większe oczekiwania finansowe. Powoduje to, że wiele organizacji pracuje nad zwiększeniem kompetencji analitycznych zatrudnionych już pracowników [Zaraziński i Choroś 2018].

Wykorzystanie analityki danych w celu usprawnienia i automatyzacji procesów biznesowych kojarzy się z zastępowaniem ludzi przez maszyny i ograniczaniem zatrudnienia [Wiecka 2018]. Tymczasem wraz z rozwojem narzędzi analitycznych rosnąć będzie też liczba nowych zawodów i specjalizacji. Wykorzystanie danych, ich analiza i projektowanie nowych produktów tworzą szereg nowych miejsc pracy [Zaraziński i Choroś 2018]. Potwierdzają to wyniki badań ankietowych „Analytics as a Source of Business Innovation”, w których wzięło udział ponad 2500 respondentów z całego świata. Ankieta obejmowała pytania związane z podejściem przedsiębiorstw do automatyzacji i rozszerzania funkcjonalności procesów biznesowych wynikających z zastosowania analityki danych oraz związanych z tym wniosków i obserwacji. Badania pokazały, że znaczna część firm automatyzowała (36%) lub rozszerzała funkcjonalność (41%) procesów biznesowych z wykorzystaniem analityki. Jednocześnie 34% z nich zaobserwowała pojawianie się nowych zadań dla pracowników, a 16% odnotowało przypadki przypisywania ludziom zadań, które były wcześniej zautomatyzowane. Rosnąca kultura analityczna sprawia, że coraz więcej pracowników jest „uwolnionych” od żmudnych, rutynowych i powtarzalnych czynności, przez co mogą zająć się nowymi, twórczymi wyzwaniami [Ransbotham i Kiron 2017, Wiecka 2018].

chart

W raporcie z badań „Analytics as a Source of Business Innovation” firmy podzielono na trzy typy według ich dojrzałości analitycznej: (1) Analytical Innovators – firmy o silnej kulturze analitycznej, które podejmują decyzje głównie na podstawie danych; (2) Analytical Practitioners – firmy, które wykorzystują analitykę głównie do poprawy efektywności operacyjnej, rzadziej do tworzenia innowacyjnych rozwiązań; oraz (3) Analytically Challenged – firmy, dla których analityka stanowi wyzwanie, rozpoczynające przygodę z analityką, podejmujące większość decyzji na podstawie intuicji [Ransbotham i Kiron 2017]. Z kolei z badań Accenture wyłonił się swoisty pejzaż nowych zadań wynikających z interakcji człowieka z inteligentną maszyną. Nowe zadania mogą sprawić, że pojawią się nowe zawody i specjalizacje, takie jak: trenerzy – uczący maszyny lepszego rozumienia kontekstu i specyfiki poszczególnych zadań; interpretatorzy – wyjaśniający wyniki działania maszyn z ludzkiej i biznesowej perspektywy; czy też ewaluatorzy – optymalizujący działanie maszyn [Wilson, Daugherty, Morini-Bianzino 2017]. Nowe zawody związane z analityką danych to także np. dyrektor analityki – CAO (Chief Analytics Officer) lub Chief Digital Officer, Chief Data Officer (CDO), a także Chief Information Officer (CIO). CAO koncentruje się głównie na potrzebach biznesowych i sposobach ich zaspokojenia przy użyciu danych i analityki, rozwija kulturę analityczną organizacji. CDO koncentruje się głównie na zarządzaniu danymi, ich jakości i dostępności [Morgan 2017, Ransbotham i Kiron 2017].

Badania przeprowadzone przez IBM i Burning Glass oraz organizację Business-Higher Education Forum zdiagnozowały szybki wzrost liczby nowych miejsc pracy związanych z analityką danych. W 2015 roku w Stanach Zjednoczonych istniało około 2,35 mln. miejsc pracy związanych z BI&A. Według prognoz do 2020 roku zapotrzebowanie na analityków danych wzrośnie nawet o około 40%. Ponadto badania pokazały, że stanowiska pracy związane z analityką danych były lepiej opłacane [Miller i Hughes 2017]. Prognozuje się, że stanowiskami, których będzie przybywać najwięcej i które będą najtrudniejsze do obsadzenia (Top Analytical Occupations), generując przy tym wysokie koszty pracy, będą: Data Scientist, Data Engineer, Database Architects and Developers, Statistician, Chief Analytics Executives, Directors of Analytics/Data and Database Administrator [Miller i Hughes 2017].

Trudno jest oceniać dojrzałość analityczną organizacji nie oceniając kompetencji analitycznych jej pracowników. Przykładowo w modelu Delta Plus pracowników organizacji podzielono na cztery typy, związane z oceną ich kompetencji analitycznych: (1) analytical champions, (2) analytical professionals, data scientists, (3) analytical semiprofessionals oraz (4) analytical amateurs [Davenport 2018]. Analitycy powinni posiadać wiedzę biznesową oraz interdyscyplinarne umiejętności, w tym interpersonalne oraz kierowania zespołem.

Zadania i kompetencje analityka danych

Zapotrzebowanie na informacje od dawna było motorem napędzającym rozwój narzędzi analizy danych i systemów wspomagania decyzji. Obecnie praca menedżerów staje się coraz bardziej uzależniona od (info)technologii wpływających na trafność podejmowanych decyzji [Pawełoszek 2018]. Wraz z rozwojem nowych technologii zmienia się rola menadżera marketingu. Komunikacja z klientami, budowanie relacji, pozyskiwanie i analiza danych, a także pomiar efektywności prowadzonych działań wymagają zastosowania nowoczesnych technologii, co z kolei wymaga nowych kompetencji oraz stosowania innowacyjnych rozwiązań i narzędzi marketingowych. Od menedżerów marketingu oczekuje się umiejętności analitycznych, znajomości nowoczesnych rozwiązań informatycznych oraz narzędzi marketingowych, które umożliwiają pomiar efektywności prowadzonych działań [Johann i Jankowska 2014]. Ponadto „istotna jest także umiejętność postrzegania świata w sposób nieszablonowy, niezbędna do stawiania hipotez badawczych, szukania skojarzeń wzorców i zależności ukrytych w zbiorach danych” [Pawełoszek 2018, s. 92].

Efektywność pracy marketerów w coraz większym stopniu zależy od umiejętności analitycznych. Wszystko to sprawiło, że menedżer marketingu pełni często funkcję analityka.

Praca analityka polega w dużej mierze na wnioskowaniu, które jest procesem prowadzącym do ustalenia nowych faktów na podstawie zebranych informacji. Analityk powinien oprócz wiedzy eksperckiej posiadać przygotowanie infobrokerskie, obejmujące pozyskiwanie danych i informacji z różnych źródeł, a także przetwarzanie ich i prezentację w formie raportów, streszczeń, zestawień i baz danych [Bałos i in. 2016].

Potencjał analityczny

Sukcesywnie rośnie znaczenie weryfikacji pozyskanych danych bowiem „rosnąca ilość danych zwiększa możliwości w obszarze analiz i działań, ale jednocześnie może okazać się pułapką, prowadząc do paraliżu analitycznego” [Kaushik 2009, s. 38]. Aby móc opanować sztukę tworzenia trafnych raportów niezbędny jest tzw. potencjał analityczny, bowiem „analiza jest stanem ducha, opartym na pewnej filozofii inteligencji i rozwoju zdolności indywidualnych w ramach kolektywu, a jej opracowanie nie jest tylko efektem opanowania formułek i technik analitycznych” [Zajączkowski 2011, s. 63], ponadto „nie każdy posiada predyspozycje do postrzegania rzeczywistości w sposób analityczny i syntetyczny – trzeba mieć do tego talent, inteligencję i intuicję” [Batorowska 2017, s. 190]. Potencjał analityczny można zwiększyć jedynie w nieznacznym stopniu w trakcie kariery zawodowej, w przeciwieństwie do wiedzy i umiejętności, które powinny być ciągle rozwijane [Ledzion i Olejniczak 2014, s. 45].

analityka danych

Zadaniem analityka jest dostarczenie decydentom materiałów (w rożnej postaci), prezentacja nowych faktów, analiza ich znaczenia i przewidywanie konsekwencji. Oznacza to „wyposażenie decydenta w optymalny zasób wiedzy pozwalający mu na podjęcie racjonalnej, opartej na rzeczowych przesłankach decyzji” [Liedel i in. 2013, s. 19-20].

Reguła 10/90

Kiedy właściwi ludzie są na miejscu, na znaczeniu zyskuje utrzymanie motywacji w projektach wymagających zaangażowania i kreatywności [Davenport, Harris, Shapiro 2010, Davenport 2018]. W tym miejscu warto przytoczyć regułę 10/90 (The 10/90 Rule for Magnificent Web Analytics Success). Reguła ta została sformułowana przez Avinash Kaushika i znalazła uznanie w świecie [Kaushik 2007]. Według reguły 10/90 za sukces analityczny (efektywność wykorzystania narzędzi analitycznych) odpowiadają ludzie, choć sama zasada poświęcona jest kwestiom finansowania zadań analitycznych – 10% środków na analitykę internetową powinno być przeznaczane na zakup oprogramowania branżowego, natomiast 90% na zatrudnienie odpowiednich ludzi, którzy będą umieli z niego korzystać.

Oceny dojrzałości analitycznej: obserwacje

Na rynku usług analitycznych powstaje coraz więcej modeli oceny dojrzałości analitycznej i rośnie liczba podmiotów, które są zainteresowane wykonaniem takiej oceny. Wybrane modele przyjmują postać dedykowaną i spersonalizowaną – są przygotowywane z myślą o ocenie dojrzałości analitycznej podmiotów o określonym profilu działalności. Ocena dojrzałości analitycznej organizacji ma przeważnie charakter usługi komercyjnej, a prezentacja zalet modelu i analityki danych mają zachęcić do skorzystania z tejże usługi. Modele oceny dojrzałości analitycznej są tworzone w oparciu o ogólnodostępne schematy (frameworks) i wykorzystują listy kontrolne, często sporządzane w oparciu o subiektywne doświadczenia i obserwacje. Sama ocena jest przeprowadzana najczęściej w formie audytu.

W pełni udostępnione modele i schematy oceny dojrzałości analitycznej organizacji mają przeważnie uproszczoną formę, która sprowadza się do odpowiedzi na klika lub kilkanaście pytań kontrolnych. Na podstawie odpowiedzi generowany jest wynik ogólny. Pozwala on uplasować organizację na ścieżce rozwoju analitycznego. Uproszczone schematy oceny, a także self assessment tools mogą znaleźć zastosowanie w ocenie dojrzałości analitycznej niedużych podmiotów np. z sektora mikro i małych przedsiębiorstw. Tak pozyskany wynik ma jednak wartość przede wszystkim poglądową. Listy kontrolne wykorzystywane w zaawansowanych modelach komercyjnych nie są ogólnodostępne. Znajdują zastosowanie przeważnie w ocenie dojrzałości analityki korporacyjnej, gdzie niezbędne są badania na szerszą skalę. We wszystkich modelach bez wyjątku podkreślana jest rola trzech czynników, kluczowych dla rozwoju analitycznego organizacji – zasobów ludzkich, infrastruktury (sprzętu i oprogramowania) oraz odpowiedniej organizacji (zarządzania zasobami).

W przyszłości spodziewany jest wzrost liczby i dostępności nowych modeli oceny dojrzałości analitycznej, w szczególności spersonalizowanych, dedykowanych dla konkretnej branży lub działalności, a także wzrost liczby podmiotów zajmujących się wdrażaniem analityki danych w organizacjach. Można także prognozować, że w Internecie pojawi się więcej narzędzi samoobsługowych, umożliwiających samodzielną ocenę dojrzałości analitycznej organizacji, podobnie zresztą, jak miało to miejsce w przypadku narzędzi marketingowych, np. zautomatyzowanych audytów SEO, ogólnodostępnych w oknie przeglądarki internetowej. Jednak narzędzia takie dają wynik poglądowy, otwierający dyskusję i zachęcający do skorzystania z pełnej usługi, przeważnie świadczonej odpłatnie.

Źródła

  • Bałos, I., Cisek, S., Januszko-Szakiel, A. (2016). Wprowadzenie do infobrokeringu. Wybrane aspekty. W: S. Cisek, A. Januszko-Szakiel (red.), Zawód infobroker. Polski rynek informacji. (s. 13-28). Piaseczno: Wydawnictwo Nieoczywiste GAB Media.
  • Batorowska, H. (2017). Analityk w środowisku walki o dominację i przetrwanie. W: H. Batorowska (red.), Walka informacyjna: uwarunkowania, incydenty, wyzwania. (s. 181-197). Kraków: Uniwersytet Pedagogiczny im. Komisji Edukacji Narodowej.
  • Bernard, H. R. (2017). Research methods in anthropology: Qualitative and quantitative approaches. Rowman & Littlefield.
  • Davenport, T.H. (2018). DELTA Plus Model & Five Stages of Analytics Maturity: A Primer. Ebook. International Institute for Analytics: Portland, OR, USA.
  • Davenport, T.H., Harris, J., Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88(10), 52-58.
  • Davenport, T.H., Harris, J.G., Morison, R. (2010). Analytics at work: Smarter decisions, better results. Harvard Business School Publishing.
  • Halper, F., Stodder, D. (2014). TDWI Analytics Maturity Model Guide. Interpreting Your Assessment Score. TDWI Research. The Data Warehousing Institute.
  • Johann, M., Jankowska, M. (2014). Wyzwania dla menadżerów marketingu w obliczu rozwoju technologii IT. Kwartalnik Nauk o Przedsiębiorstwie, 3, 89-98.
  • Kaushik, A. (2007). Web Analytics: An Hour a Day. Wiley Publishing: Indianapolis, IN, USA.
  • Kaushik, A. (2009). Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową. Gliwice: Helion.
  • Król, K., Zdonek, D. (2020). Analytics Maturity Models: An Overview. Information, 11(3), 142. DOI: 10.3390/info11030142
  • Lahrmann, G., Marx, F., Winter, R., Wortmann, F., 2010, Business Intelligence Maturity Models: An Overview, [w:] A. D’Atri, M. Ferrara, J. George, P. Spagnoletti (red.), Information Technology and Innovation Trends in Organizations, Italian Chapter of AIS, Naples.
  • Ledzion, B., Olejniczak, K. (red.) (2014). Potencjał analityczny kadr administracji rządowej. Ekspertyza. Warszawa: Instytut Rozwoju Biznesu sp. Z o.o.
  • Liedel, K., Piasecka, P., Aleksandrowicz, T. R. (red.) (2013). Analiza informacji w zarządzaniu bezpieczeństwem. Warszawa: Difin.
  • Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, Vol. 22 Nr (140), 55. http://psycnet.apa.org/record/1933-01885-001
  • Miller, S., Hughes, D. (2017). The Quant Crunch: How the Demand for Data Science Skills is Disrupting the Job Market. Burning Glass Technologies: Boston, MA, USA.
  • Morgan, L. (2017). What A Chief Analytics Officer Really Does. InformationWeek, https://goo.gl/vZaBbx
  • Pawełoszek, I. (2018). Rola kreatywności w analityce biznesowej w kontekście analizy danych marketingowych. Studia i Prace Kolegium Zarządzania i Finansów, 162, 89-104.
  • Ransbotham, S., Kiron, D. (2017). Analytics as a Source of Business Innovation. The increased ability to innovate is producing a surge of benefits across industries. Research Report: Analytics as a source of business innovation. MIT Sloan Management Review.
  • Siegel, E. (2018). How to Implement Predictive Analytics in the Organization? (Jak wdrażać analitykę predykcyjną w organizacji?). Available online: https://goo.gl/wy36u6
  • Wiecka, A. (2018). Gospodarka Analityczna. Available online: https://goo.gl/FSrf4r
  • Wilson, H. J., Daugherty, P.R., Morini‑Bianzino, N. (2017). The Jobs That Artificial Intelligence Will Create. MIT Sloan Management Review, 58(4), 14-16.
  • Zajączkowski, W. (2011). Zrozumieć innych. Metoda analityczna w polityce zagranicznej. Warszawa: Krajowa Szkoła Administracji Publicznej.
  • Zaraziński, D., Choroś, P. (2018). Analityka jest sztuką przekuwania danych w najlepsze decyzje. http://bit.ly/2wxYKOM

2 Comments

  1. Pingback: Przewodnik TDWI: Trendy w analityce danych – Karol Król

  2. Pingback: Analityka 3.0: develop products, not PowerPoints or reports! – Karol Król

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *