fbpx

10 bước để xây dựng văn hóa ra quyết định dựa trên dữ liệu (data-driven culture)

Sự bùng nỗ dự liệu định lượng có khả năng thúc đẩy một kỷ nguyên mới của sự đổi mới và ra quyết định dựa trên các bằng chứng chắc chắn. Với mục tiêu kinh doanh tốt hơn và làm hài lòng khách hàng hơn, các công ty trong thập kỷ qua đã tích lũy dữ liệu, đầu tư vào công nghệ và trả tiền hậu hĩnh cho những nhân sự làm công tác phân tích dữ liệu. Tuy nhiên, đối với nhiều công ty, văn hóa định hướng dữ liệu (data-drive culture) vẫn khó nắm bắt và dữ liệu hiếm khi là cơ sở chung để ra quyết định.

Tại sao điều đó lại khó khăn?

Quá trình làm việc với nhiều khách hàng, trong nhiều lĩnh vực khác nhau cho thấy rằng, những trở ngại lớn nhất để tạo ra các doanh nghiệp dựa trên dữ liệu (data-driven business) không phải là các vấn đề kỹ thuật, mà là các vấn đề về văn hóa. Việc mô tả cách đưa dữ liệu vào quá trình ra quyết định thì đơn giản, nhưng việc biến điều này trở thành bình thường, thậm chí là tự động đối với nhân viên thì khó hơn nhiều – đó là một sự thay đổi trong tư duy. Vì vậy, chúng tôi đã chắt lọc 10 quy tắc để giúp tạo ra và duy trì một nền văn hóa ra quyết định dựa trên dữ liệu (data-driven)

1. Văn hóa ra quyết định dựa trên dữ liệu bắt đầu từ những nhà quản lý cấp cao

Các công ty có nền văn hóa định hướng dữ liệu (data-driven) mạnh mẽ thường có những nhà quản lý hàng đầu đặt kỳ vọng rằng các quyết định phải được gắn liền với dữ liệu – họ cho rằng điều này là bình thường, không phải mới hay ngoại lệ. Hãy xem qua các ví dụ. Tại một ngân hàng bán lẻ, các nhà lãnh đạo cấp cao cùng nhau sàng lọc bằng chứng từ các nghiên cứu thử nghiệm để quyết định ra mắt sản phẩm. Tại một công ty công nghệ hàng đầu, các giám đốc điều hành cấp cao dành 30 phút đầu trong cuộc họp để đọc các proposal về các đề xuất và các dữ kiện hỗ trợ, để họ có thể thực hiện các hành động dựa trên các “bằng chứng”. Những thông lệ này được truyền dần xuống, và nhân viên muốn được coi trọng phải giao tiếp với lãnh đạo cấp cao theo cách này. Những “điều lệ” được đặt ra bởi mốt số người đứng đầu có thể thúc đẩy sự thay đổi đáng kể trong toàn công ty.

2. Chọn các chỉ số (metric) một cách cẩn thận và thông minh

Các nhà lãnh đạo có thể tạo ra tác động mạnh mẽ đến hành vi của nhân viên bằng cách khéo léo xác định cần đo cái gì và những chỉ số (metric) nào mà nhân viên sẽ sử dụng. Ví dụ, một công ty cung cấp dịch vụ viễn thông muốn đảm bảo rằng họ cung cấp cho khách hàng trải nghiệm tốt nhất có thể. Nhưng bình thường họ chỉ thu thập dữ liệu thống kê về hiệu suất mạng (network performance), vì vậy họ biết rất ít về chất lượng dịch vụ và trải nghiệm của người dùng. Bằng cách tạo các chỉ số chi tiết về trải nghiệm người dùng, nhà điều hành có thể đưa ra các phân tích định lượng về những tác động đến người tiêu dùng khi nâng cấp mạng. Để làm được điều này, công ty cần chú ý nhiều hơn về nguồn gốc, việc thu thập và sử dụng dữ liệu, so với thông thường.

3. Đừng “cách ly” các nhà khoa học dữ liệu (data scientists)

Các nhà khoa học dữ liệu thường bị “tách biệt” trong một công ty, dẫn đến kết quả là họ và các nhà lãnh đạo doanh nghiệp biết quá ít về nhau. Phân tích dữ liệu không thể tồn tại hoặc cung cấp giá trị nếu nó hoạt động tách biệt với phần còn lại của doanh nghiệp. Những công ty đã giải quyết thành công thách thức này thường làm theo hai cách.

Chiến thuật đầu tiên là xóa bỏ ranh giới nào giữa doanh nghiệp và các nhà khoa học dữ liệu. Một số cách có thể làm là luân chuyển nhân viên qua lại giữa các chức năng, thiết kế các vai trò mới trong việc liên kết chức năng kinh doanh và khoa học dữ liệu. Cuối cùng, là tìm cách kết hợp kiến ​​thức kinh doanh và bí quyết kỹ thuật.

Một số công ty sử dụng một chiến thuật khác. Ngoài việc kéo khoa học dữ liệu đến gần hơn với doanh nghiệp, họ còn kéo doanh nghiệp theo hướng khoa học dữ liệu, chủ yếu bằng cách nhấn mạnh rằng nhân viên phải hiểu biết về lập trình và thông thạo về phân tích dữ liệu định lượng. Các nhà lãnh đạo cấp cao không cần phải tái sinh thành kỹ sư học máy, nhưng các nhà lãnh đạo của các tổ chức tập trung vào dữ liệu không thể không biết về dữ liệu.

4. “Dân chủ hóa” quyền truy cập dữ liệu

Cho đến nay, lời phàn nàn phổ biến nhất mà chúng tôi nghe được là mọi người ở các bộ phận khác nhau của doanh nghiệp phải vật lộn để có được ngay cả những dữ liệu cơ bản nhất. Thật kỳ lạ là tình trạng này vẫn tiếp diễn mặc dù có rất nhiều nỗ lực nhằm “dân chủ hóa” quyền truy cập dữ liệu trong các công ty. Thiếu thông tin thì các nhà phân tích không thể thực hiện được nhiều phân tích và văn hóa theo hướng dữ liệu không thể bắt rễ chứ nói gì đến việc phát triển mạnh mẽ.

Các công ty hàng đầu sử dụng một chiến lược đơn giản để giải quyết điều này. Thay vì triển khai các chương trình lớn nhưng chậm chạp để tổ chức lại tất cả dữ liệu của họ, họ cấp quyền truy rộng cho một số dữ liệu cơ bản. Ví dụ, một ngân hàng toàn cầu hàng đầu, đang cố gắng dự đoán tốt hơn nhu cầu tái cấp vốn cho vay, đã xây dựng một lớp dữ liệu tiêu chuẩn cho bộ phận marketing của mình, tập trung vào các biện pháp phù hợp nhất. Trong trường hợp này, đây là dữ liệu cốt lõi liên quan đến các điều khoản cho vay, số dư và thông tin tài sản, nguồn gốc các khoản vay. Yêu cầu những sáng kiến hay giải pháp dựa trên nguồn dữ liệu này có thể khuyến khích đáng kể việc sử dụng nó.

5. Định lượng những thứ không chắc chắn

Mọi người đều chấp nhận rằng sự chắc chắn tuyệt đối là không thể. Tuy nhiên, hầu hết các nhà quản lý vẫn tiếp tục hỏi đội ngũ của họ câu trả lời mà không có một thước đo độ tin cậy tương xứng. Họ đang thiếu một chỉ dẫn. Việc yêu cầu đội ngũ phải rõ ràng và định lượng về mức độ không chắc chắn sẽ tạo ra ba tác động mạnh mẽ.

Đầu tiên, nó buộc các nhà ra quyết định phải “đối mặt” với sự không chắc chắn: Dữ liệu có đáng tin cậy không? Có quá ít ví dụ cho một mô hình đáng tin cậy? Làm thế nào để các yếu tố có thể được kết hợp khi không có dữ liệu về nó, chẳng hạn như các động lực cạnh tranh mới nổi? Một nhà bán lẻ nhận thấy rằng sự suy giảm rõ ràng về tỷ lệ đổi quà từ các mô hình tiếp thị trực tiếp của họ là do dữ liệu địa chỉ ngày càng cũ. Việc cập nhật, cộng với quy trình làm mới dữ liệu đã khắc phục sự cố.

Thứ hai, các nhà phân tích hiểu sâu hơn về các mô hình của họ khi họ phải đánh giá một cách chặt chẽ sự không chắc chắn. Ví dụ, các mô hình rủi ro cốt lõi của một công ty bảo hiểm của Vương quốc Anh đã không thể điều chỉnh đầy đủ theo xu hướng thị trường. Vì vậy, họ đã xây dựng một hệ thống cảnh báo sớm để tính đến những xu hướng này và phát hiện những trường hợp mà có thể đã bị bỏ sót. Do đó, họ tránh được khoản lỗ do các yêu cầu bồi thường tăng đột biến.

Cuối cùng, sự nhấn mạnh vào việc hiểu sự không chắc chắn thúc đẩy các tổ chức chạy các thử nghiệm. “Ở hầu hết các nơi, “thử nghiệm và học hỏi” thực sự có nghĩa là “mày mò và hy vọng””, giám đốc một nhà bán lẻ nói. Tại công ty của ông, một nhóm các nhà phân tích định lượng đã kết hợp với các nhà quản lý để tiến hành các thử nghiệm đối với các ý tưởng của họ trước khi thực hiện các thay đổi rộng rãi.

6. Làm cho các “bằng chứng về ý tưởng” trở nên đơn giản và mạnh mẽ

Trong phân tích, số lượng những “ý tưởng hứa hẹn” thường nhiều hơn những “ý tưởng thực tế”. Thông thường, chỉ cho đến khi các công ty cố gắng đưa các bằng chứng về ý tưởng vào sản xuất thì sự khác biệt mới trở nên rõ ràng.

Một cách tiếp cận tốt hơn là thiết kế các bằng chứng về ý tưởng trong đó phần cốt lõi của ý tưởng là khả năng triển khai nó trong sản xuất. Một cách hay là bắt đầu chế tạo thứ gì đó ở cấp độ công nghiệp nhưng đơn giản trước, sau đó nâng cao mức độ tinh vi. Ví dụ, để triển khai các mô hình rủi ro mới trên một hệ thống máy tính lớn và phân tán, công ty bắt đầu bằng cách triển khai một quy trình cực kỳ cơ bản hoạt động từ đầu đến cuối: Một tập dữ liệu nhỏ được lưu chuyển chính xác từ các hệ thống nguồn và thông qua một mô hình đơn giản được truyền đến người dùng cuối. Khi điều đó đã được thực hiện và chắc rằng toàn bộ vẫn kết hợp với nhau, công ty có thể cải thiện từng thành phần một cách độc lập: Khối lượng dữ liệu lớn hơn, mô hình kỳ phức tạp hơn và hiệu suất tốt hơn.

7. Đào tạo chuyên sâu đúng lúc

Nhiều công ty đầu tư vào các nỗ lực đào tạo “tiếng vang lớn” (big bang) chỉ để nhân viên nhanh chóng quên những gì họ đã học, nếu họ chưa đưa nó vào sử dụng ngay. Vì vậy, các kỹ năng cơ bản, chẳng hạn như coding nên là một phần của đào tạo cơ bản. Sẽ hiệu quả hơn nếu đào tạo nhân viên về các ý tưởng và công cụ phân tích chuyên biệt ngay trước khi họ cần chúng.

8. Phân tích dữ liệu không chỉ hỗ trợ khách hàng, mà còn hỗ trợ nhân viên

Sẽ rất dễ quên rằng, việc thuần thục dữ liệu cũng sẽ giúp nhân viên hạnh phúc hơn. Việc trao quyền cho nhân viên xử lý dự liệu có thể làm được điều này. Nếu ý tưởng về việc học các kỹ năng mới sẽ giúp xử lý dữ liệu tốt hơn có thể được trình bày một cách ngắn gọn và lôi cuốn, thì nhân viên sẽ có hứng thú để kiên trì và cải tiến công việc của họ. Ngược lại, nếu chỉ nói về những mục tiêu trước mắt thì các việc “lặt vặt” có thể trở thành lựa chọn của họ.

9. Sẵn sàng đánh đổi sự linh hoạt để có được sự nhất quán

Nhiều công ty phụ thuộc vào tập dữ liệu có các “cấu trúc” khác nhau. Mỗi loại có thể từ các nguồn riêng, chỉ số đo lường và ngôn ngữ lập trình ưa thích của riêng mình. Trong doanh nghiệp, đây có thể là một thảm họa. Công ty có thể lãng phí thời gian để điều chỉnh các phiên bản khác nhau để trở nên thống nhất. Sự không nhất quán trong cách người lập mô hình thực hiện công việc của họ cũng dẫn đến hậu quả tương tự. Nếu các tiêu chuẩn và ngôn ngữ lập trình khác nhau, thì những người làm phân tích phải được đào tạo lại. Việc chia sẻ ý tưởng trong nội bộ cũng có thể rất khó khi mà luôn cần phải “phiên dịch” qua lại. Thay vào đó, các công ty nên chọn các chỉ số và ngôn ngữ lập trình thống nhất. Ví dụ, một ngân hàng lớn đã làm điều này, bằng cách nhấn mạnh rằng những nhân viên mới của họ trong lĩnh vực đầu tư và quản lý tài sản biết lập trình Python.

10. Tập thói quen giải thích các lựa chọn phân tích

Đối với hầu hết các vấn đề phân tích, hiếm khi có một cách tiếp cận đúng và duy nhất. Thay vào đó, các nhà khoa học dữ liệu phải đưa ra các lựa chọn với những đánh đổi khác nhau. Vì vậy, bạn nên hỏi các nhóm về cách họ tiếp cận vấn đề, những lựa chọn thay thế mà họ cân nhắc, những gì cần phải đánh đổi và tại sao họ chọn cách tiếp cận này, thay vì cách tiếp cận khác. Việc thực hiện điều này giúp các nhóm hiểu sâu hơn về các phương pháp tiếp cận và thúc đẩy họ cân nhắc một loạt các lựa chọn thay thế hoặc suy nghĩ lại các giả định cơ bản ban đầu. Ví dụ, ban đầu, một công ty dịch vụ tài chính toàn cầu cho rằng một mô hình máy học (machine-learning) thông thường để phát hiện gian lận không thể chạy đủ nhanh để sử dụng trong thực tiễn. Nhưng sau đó, họ nhận ra rằng mô hình có thể được tạo ra nhanh chóng với một vài chỉnh sửa đơn giản. Khi bắt đầu sử dụng mô hình này, công ty đã đạt được những cải tiến đáng kinh ngạc trong việc xác định chính xác gian lận.

Các công ty, các bộ phận và cá nhân – thường quay về với “thói quen”, bởi vì các lựa chọn thay thế có vẻ quá rủi ro. Dữ liệu có thể cung cấp một dạng bằng chứng để chứng minh các giả thuyết, mang lại cho các nhà quản lý sự tự tin để bước vào các lĩnh vực và quy trình mới mà không cần thực hiện một bước nhảy vọt. Nhưng chỉ “mong muốn” theo hướng dữ liệu thôi là không đủ. Để làm được điều đó, các công ty cần phát triển nền văn hóa mà tư duy này có thể phát triển. Các nhà lãnh đạo có thể thúc đẩy sự thay đổi này bằng cách thực hành các thói quen mới và tạo ra kỳ vọng về ý nghĩa thực sự của nó đối với các quyết định cơ bản trong dữ liệu.

Nguồn: David Waller, Harvard Business Review