Dữ liệu xấu đang làm giảm năng suất của nhóm của bạn

Get real time updates directly on you device, subscribe now.

Về nguyên tắc, các công nghệ mới giúp các công ty tăng năng suất: Hệ thống hậu cần đảm bảo rằng họ có đúng số lượng những thứ họ cần, hệ thống vận hành giúp tự động hóa sản xuất và phân phối hàng hóa và dịch vụ, và hệ thống hỗ trợ ra quyết định mang lại những phân tích và dự báo mà các nhà quản lý cần đưa ra quyết định tốt hơn cho dấu vân tay của họ. Hơn nữa, trong đại dịch, nhiều công ty đã gấp rút số hóa nhanh hơn nữa. Năng suất nên được tăng vọt. Thật không may, nó đã không xảy ra.

Mặc dù có nhiều cách giải thích khác nhau, tôi tin rằng có một cách giải thích cơ bản cho việc tăng năng suất thấp và thậm chí quan trọng hơn là một cách để thúc đẩy chúng: Công nghệ kỹ thuật số được thúc đẩy bởi dữ liệu và quá nhiều dữ liệu đơn giản là không tốt, làm mất đi khả năng đạt được năng suất. Các công nghệ mới đã phát triển nhanh chóng, nhưng việc quản lý dữ liệu không theo kịp, làm tăng thêm chi phí và trở ngại lớn. Chìa khóa để tăng năng suất nằm ở việc loại bỏ nguyên nhân gốc rễ của dữ liệu xấu.

Điều gì làm cho dữ liệu “tốt” hay “xấu”?

Theo định nghĩa, dữ liệu có chất lượng cao nếu nó được phù hợp với mục đích sử dụng của nó trong các hoạt động, ra quyết định, lập kế hoạch và khoa học dữ liệu. Có rất nhiều định nghĩa này. Mỗi mục đích sử dụng đi kèm với các yêu cầu riêng và việc không đáp ứng được các yêu cầu đó sẽ kéo giảm năng suất. Để minh họa, hãy xem xét ba kịch bản.

Trong kịch bản một, một nhân viên bán hàng phụ thuộc vào dữ liệu khách hàng tiềm năng từ bộ phận tiếp thị để làm công việc của họ. Cần có tương đối ít dữ liệu (khoảng 20 yếu tố dữ liệu), nhưng bản ghi phải đầy đủ và chính xác. Như vậy, khi các tên Liên lạc thiếu, hoặc sai nhưng dễ phát hiện thì nhân viên bán hàng phải tìm lại hoặc sửa lại. Điều này là khó, tốt nhất là mất thời gian đáng kể. Tệ hơn nữa, nếu họ không phát hiện ra lỗi, họ có thể mất cơ hội bán hàng. Cả năng suất thấp hơn. Và lưu ý rằng tôi có thể thay thế “khách hàng tiềm năng dữ liệu và Bán hàng” với “bán hàng dữ liệu và Hoạt động,” “đơn đặt hàng đã xử lý dữ liệu với Quản lý hàng tồn kho và Tài chính,” hoặc bất kỳ cách nào trong số hàng trăm cách mà một bộ phận phụ thuộc vào dữ liệu từ bộ phận khác.

Trong kịch bản hai, người quản lý cần biết công ty đã có bao nhiêu khách hàng mới trong quý trước để đặt ngân sách. Họ sử dụng dữ liệu từ cả hệ thống Tài chính và Quản lý quan hệ khách hàng, bởi vì cả hai đều không mang lại câu trả lời mà mọi người đều tin tưởng. Các vấn đề khác phát sinh do Bộ phận bán hàng cấp tín dụng cho một khách hàng mới khi thỏa thuận đầu tiên được ký kết, trong khi Bộ phận tài chính đợi cho đến khi hóa đơn đầu tiên được thanh toán. Hầu hết các quý con số đều “đủ gần”, nhưng khi chênh lệch lớn, người quản lý phải yêu cầu nhân viên tìm hiểu kỹ cả hai hệ thống để phân loại. Ngay cả khi đó, “câu trả lời” không bao giờ được tin tưởng hoàn toàn, vì vậy, trên thực tế, ngân sách mới dựa trên phỏng đoán nhiều hơn là dữ liệu. Nhiều tiền bị lãng phí hơn khi ngân sách quá cao và cơ hội bị mất khi quá thấp. Một lần nữa, trong khi các chi tiết khác nhau, bản chất của kịch bản này diễn ra nhiều lần mỗi ngày.

Kịch bản thứ ba liên quan đến việc phát triển một thuật toán để cải thiện khả năng giữ chân khách hàng bằng trí tuệ nhân tạo. Tập dữ liệu huấn luyện phải chính xác hợp lý và các nguồn dữ liệu khác nhau phải phù hợp. Nếu không, các nhà khoa học dữ liệu phải dành thời gian sắp xếp dữ liệu thành hình. Hơn nữa, những nguồn này phải không có sai lệch, điều này có thể đặc biệt phức tạp, với những sai lệch chỉ tự bộc lộ khi thuật toán mới được sử dụng. Cuối cùng, có các yêu cầu dữ liệu bổ sung khi thuật toán đi vào hoạt động. Mặc dù chi phí giải quyết tất cả những vấn đề này có thể là đáng kể, nhưng chi phí cơ hội bị mất thậm chí còn quan trọng hơn. Dữ liệu xấu khiến việc tận dụng lợi thế của trí tuệ nhân tạo và chuyển đổi kỹ thuật số trở nên khó khăn hơn, khiến các công ty không đạt được năng suất tiềm năng.

Các công ty không nắm bắt các chi phí này trong hệ thống kế toán của họ. May mắn thay, có thể thu được các ước tính đủ tốt để bắt đầu bằng cách áp dụng “quy tắc 10”: chi phí để hoàn thành một đơn vị công việc cao gấp 10 lần khi dữ liệu bị sai sót theo bất kỳ cách nào cũng như khi dữ liệu là tốt. Trên thực tế, điều này có nghĩa là nếu dữ liệu phù hợp với 90% công việc của bạn, thì việc hoàn thành 10% còn lại sẽ tốn kém hơn do tất cả các trở ngại được thêm vào. (90 x 1 = 90, 10 x 10 = 100.) Người ta có thể xem các chi phí gia tăng này theo nhiều cách khác nhau:

  • chi phí cho công việc “không mang lại giá trị gia tăng” (không có khách hàng có hiểu biết nào trả nhiều tiền hơn vì bạn phải sửa dữ liệu sai),
  • chi phí phát sinh trong nhà máy sản xuất dữ liệu ẩn (“ẩn,” vì hệ thống kế toán không nắm bắt được chi phí; “nhà máy dữ liệu,” vì mọi người đang làm việc lại dữ liệu),
  • chi phí của sự kém hiệu quả,
  • “năng suất đạt được” hoặc
  • có lẽ ngược lại, quy mô của cơ hội để cải thiện chất lượng và tăng năng suất.

Người quản lý hoặc công ty không cần phải loại bỏ hoàn toàn các lỗi. Thậm chí bằng cách cắt giảm một nửa tỷ lệ lỗi, họ giảm đáng kể chi phí và tăng năng suất.

Dữ liệu chất lượng thấp khiến bạn tốn bao nhiêu tiền?

Như quy tắc 10 cho thấy rõ ràng, càng thấp các chất lượng dữ liệu, năng suất càng thấp và thuế càng cao. Nhưng làm thế nào các nhà lãnh đạo có thể biết — hoặc ước tính — khi họ đang xử lý dữ liệu có chất lượng thấp?

Khi tôi dẫn dắt các buổi giáo dục điều hành, tôi yêu cầu những người tham dự thực hiện một bài tập mà tôi gọi là “Phương pháp Chiều Thứ Sáu”, trong đó họ kiểm tra một mẫu dữ liệu trong 100 đơn vị công việc cuối cùng của họ. Sử dụng bảng tính, họ xem lại các yếu tố dữ liệu cho từng đơn vị công việc và tìm lỗi, đánh dấu từng ô nơi họ tìm thấy lỗi. Sau đó, họ đếm xem họ có bao nhiêu đơn vị không mắc lỗi, cung cấp điểm chất lượng dữ liệu trên thang điểm 0-100. (Ví dụ: nếu bạn có 85 đơn vị với dữ liệu không có lỗi, bạn sẽ đạt điểm 85.) Cuối cùng, để hoàn thành bài tập, họ áp dụng quy tắc 10 và ước tính thuế cho khu vực của họ.

Hãy để tôi cung cấp hai điểm nổi bật từ các phiên này:

  • Chỉ 8% báo cáo điểm DQ từ 90 trở lên.
  • Hầu hết các điểm trong phạm vi 40 đến 80, với điểm trung bình là 61. Ở mức đó, thuế cao hơn 3,5 lần so với tổng chi phí nếu tất cả dữ liệu đều tốt. Tương tự như vậy, năng suất giảm xuống chưa đến một phần tư so với trước đây.

Chắc chắn rằng, mọi công ty đều khác nhau và cơ hội của họ để giảm chi phí dữ liệu xấu và cải thiện năng suất cũng vậy. Nhưng nó rất quan trọng, ngay cả đối với những công ty ít sử dụng dữ liệu nhất. Và đối với một số người, nó có thể đại diện cho cơ hội tốt nhất duy nhất của họ để cải thiện hiệu suất tổng thể.

Công ty có thể làm gì

Vậy các công ty nên theo đuổi việc nâng cao tiêu chuẩn chất lượng dữ liệu như thế nào? Tôi thấy rằng có quá nhiều người đơn giản chấp nhận thuế liên quan đến chất lượng dữ liệu thấp chỉ như một chi phí kinh doanh khác. Nhưng đây là sự lãng phí, thuần túy và đơn giản. Các nhà lãnh đạo cần nhận ra cơ hội cải tiến và hành động.

Đầu tiên, hãy sử dụng ngôn ngữ có thể tập hợp mọi người lại một cách tốt nhất và giúp họ hiểu được vấn đề. Tôi đã sử dụng “thuế” ở đây, nhưng “công việc không tạo ra giá trị gia tăng”, “nhà máy sản xuất dữ liệu ẩn” hoặc “cơ hội” có thể cộng hưởng với những từ khác.

Thứ hai, phát triển hồ sơ chất lượng dữ liệu của họ, bằng cách đo lường chất lượng dữ liệu trên toàn bộ các bộ phận, chức năng và nhiệm vụ, bằng cách sử dụng Phép đo Chiều Thứ Sáu được nêu ở trên.

Thứ ba, không ngừng tấn công các nguồn thuế chất lượng dữ liệu. Tạo dữ liệu chính xác ngay lần đầu tiên là cách tốt nhất, nhanh nhất để làm như vậy. Điều này có nghĩa là loại bỏ các nguyên nhân gốc rễ của lỗi. Tôi đã giúp các công ty làm điều này trong một thời gian rất dài và có hai nguyên nhân gốc rễ thường gặp nhất liên quan đến:

  1. Những người tạo dữ liệu đơn giản là không biết rằng những người khác có yêu cầu đối với dữ liệu của họ và
  2. Khách hàng dữ liệu (những nạn nhân của dữ liệu xấu) theo phản xạ hành động để sửa dữ liệu xấu, vô tình phải chịu thuế.

Cả hai đều tương đối dễ giải quyết: Data khách hàng phải có thói quen tìm kiếm những người sáng tạo và giải thích các yêu cầu về chất lượng của họ. người tạo dữ liệungược lại, phải hiểu những yêu cầu này và tìm và loại bỏ nguyên nhân gốc rễ của những thất bại để đáp ứng chúng. Nếu điều này nghe giống như quản lý chất lượng kiểu “kiểu cũ”, thì đúng là như vậy. Quan trọng nhất, nó có hiệu quả đáng kinh ngạc.

Cuối cùng, hãy bỏ qua cuộc nói chuyện “chất lượng dữ liệu thật nhàm chán”, bởi vì nó đơn giản là không đúng sự thật. Theo kinh nghiệm của tôi, hầu hết mọi người thích vai trò mới của họ với tư cách là người tạo dữ liệu và khách hàng dữ liệu và họ chắc chắn đánh giá cao việc dành ít thời gian hơn để giải quyết các vấn đề dữ liệu thông thường. Bắt đầu ở những lĩnh vực mà các nhà quản lý có tư duy cởi mở và đặt mục tiêu ban đầu là giảm một nửa tỷ lệ sai sót trong sáu tháng. Huấn luyện mọi người, giúp họ thực hiện một hoặc hai cải tiến, sau đó thả lỏng họ. Di chuyển đến khu vực tiếp theo, xây dựng động lực khi bạn đi.

Năng suất không cần, thực sự không được, trì trệ. Nhiều người sẽ thấy mối liên hệ giữa năng suất và chất lượng là phản trực giác, nhưng cơ hội to lớn nằm ở đó. Dữ liệu xấu cản trở năng suất. Đã đến lúc làm cho nó biến mất.

Thế giới bản tin | Vina Aspire News
Vina Aspire – Vững bảo mật, trọn niềm tin

Nguồn : https://hbr.org/2022/11/bad-data-is-sapping-your-teams-productivity

Get real time updates directly on you device, subscribe now.

Để lại một câu trả lời

Địa chỉ email của bạn sẽ không được công bố.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More

Privacy & Cookies Policy
may lam kem nguyen lieu lam kem - nguyen lieu lam yogurt bột lm kem may ao thun may ba lo theo yeu cau san xuat moc khoa gia re may o thun quảng co dịch vụ bốc xếp Sản xuất đồ bộ