تسلط بر داده‌ها برای بینش بهتر

بینش­های مدیر ارشد مالی
نویسنده: روزبه عقیلی

در این مقاله ما بررسی می­کنیم که چگونه مدیر ارشد مالی می­تواند برخی از مراحل مورد نیاز برای انطباق و برقراری قابلیت های پیشرفته­ی مدیریت داده را در سازمان خود اولویت بندی کند.

معرفی

دیر یا زود (اما احتمالاً زودتر) بسیاری از مدیران مالی به طور حتم با نیاز به انطباق، تعبیه و برقراری قابلیت­های پیشرفته مدیریت داده در سازمان­های خود روبرو می­شوند.

این نیاز به مدیریت موثرتر داده­ها – ارتقاء از هوش تجاری و معماری­های غیرپیشرفته – ممکن است به عنوان یک چالش رقابتی یا یک ضرورت استراتژیک برای ایجاد تحول دیجیتالی، و در واقع به یک اولویت اصلی تبدیل شود؛ و در بسیاری از موارد، این تحول به دلیل بیماری همه گیر کرونا سرعت هر چه بیشتری گرفته است. به عنوان مثال، در بررسی CFO Signals در سه ماهه سوم سال ۲۰۲۰، مدیران ارشد مالی گفتند که شرکت­های آن­ها در واکنش به آشفتگی­های محیط کلان، تغییرات استراتژیک شدیدی را در جهت سرعت بخشیدن به دیجیتال سازی تجارت و تعاملات مشتری از راه دور و بدون نیاز به حضور آن­ها انجام می­دهند، همراه با تمرکز بر هزینه­ها و بهره­وری.

هنوز هم، همان­طور که آن­ها همسویی استراتژی داده­های شرکت با استراتژی­های تجاری را ارزیابی می­کنند، مدیران ارشد مالی اغلب نمی­­توانند درک کنند که رشد اکوسیستم داده­ای شرکت چقدر پیچیده است. این ممکن است نتیجه­ی انباشته شدن “بدهی داده” باشد، نتیجه­ی تعداد زیاد سازش­های کوتاه مدت در دراز مدت. نتیجه می­تواند در کیفیت داده­ها، حاکمیت داده­ها، یا کمبود داده­های اصلی معتبر نشان داده شود. سپس “سونامی داده” وجود دارد که بسیاری از شرکت­ها با آن روبرو هستند. اکنون مشاغل از حجم بی­شماری از داده­ها که از منابع مختلف سرچشمه می گیرند استفاده می­کنند؛ از سیستم­های معاملاتی قدیمی گرفته تا اطلاعات جمع آوری شده توسط سنسورها، و این داده­ها با سرعت­های مختلف جمع آوری می­شوند. علاوه بر این، در یک شرکت، داد­ه­ها اغلب در محیط­های مختلف، از جمله مراکز داده داخلی و چندین سیستم ابری ذخیره، مدیریت و پردازش می شوند.

در گذشته، پرداختن به این مشکلات نیاز به پیاده سازی در مقیاسی بزرگ و برنامه­ریزی منابع سازمانی داشت؛ اما با برخی از ابزارهای موجود مانند یادگیری ماشین، پردازش زبان طبیعی و اتوماسیون هوشمند، مدیران ارشد مالی می­توانند بدون استفاده از یک سرمایه گذاری بزرگ، تاثیر به­سزایی روی ارزش­های شرکت خود بگذارند.

در این مقاله ما در مورد برخی از این مراحل بحث خواهیم کرد، همچنین سوالاتی را که رهبران امور مالی باید هنگام ارزیابی بلوغ مدیریت داده­های یک سازمان بپرسند، مطرح خواهیم کرد. به عنوان مثال، آیا به سادگی می­توانید امور مالی را در بخش­های عملیاتی و واحدها انجام دهید؟ و چه مدیرانی می­توانند برای بهبود ثبات و کیفیت داده­ها – ضمن دور زدن یک سرمایه گذاری در مقیاس بزرگ یا یک تلاطم بین شرکت­ها – اقدامات مناسب را انجام دهند؟ بازده اولیه این تلاش­های داده­ای زیاد است و می­تواند شامل کاهش ریسک داده­ها، ایجاد ارزش مستقیم تجارت – با استفاده از بینش­های حاصل از داده­ها برای افزایش درآمد، کاهش هزینه­ها و بهبود بهره­وری عملیاتی – و افزایش توانایی تصمیم­گیری مدیریت باشد.

 مدیریت دارایی ارزشمند “خارج از ترازنامه”

داده ها اغلب با نفت مقایسه می­شوند، ماده اولیه­ای با ارزش و بی­نظیر در اقتصاد دیجیتال. اما استخراج داده­ها به تنهایی یک مزیت رقابتی محسوب نمی شود. شرکت­ها باید درک مشترکی از داده­ها داشته باشند و بتوانند ساختار آن را بررسی کنند و عناصر مشترک آن را به منظور متمرکز کردن و امکان دسترسی بهتر جداسازی کنند.

مدیران ارشد مالی که احتمالاً تأثیر مدیریت اطلاعات نادرست را بیش از دیگران احساس می کنند، ممکن است بیشترین نگرانی را در اطمینان از یکپارچگی داده ها داشته باشند. از انطباق تا گزارشگری مالی تا تجزیه و تحلیل، ارزش افزوده رهبر مالی اغلب به ارائه اطلاعات مناسب در قالب دلخواه در زمان ایده آل بستگی دارد. سازگاری اطلاعات یا داده­ها در چندین سیستم زمان­بر است، انعطاف پذیری داده­ها را کاهش می­دهد و احتمالاً نیاز به مداخله دستی دارد. از دیدگاه M&A، هر معماری داده­ای باید به اندازه کافی مقیاس پذیر باشد تا بتواند به طور موثر با موجودیت­های دیگر ادغام شود.

تشخیص آسیب­ها و مشکلات داده­های شرکت با ارزیابی بلوغ مدیریت داده موجود آن آغاز می­شود. شاید اعضای عملکرد مالی بخواهند درآمد و سودآوری توسط مشتری را تجزیه و تحلیل کنند؛ یا شاید آن­ها تعجب کرده­اند که چرا این تجارت نمی­تواند به راحتی فروش، هزینه­ها و داده­های مشتریان خود را مطابقت دهد. ابزارهای پیشرفته جدید مدیریت داده سازمانی با قابلیت یادگیری ماشین و اتوماسیون­سازی هوشمند می توانند توانایی ارائه معماری یکپارچه و استاندارد برای داده­ها، اتحاد سیلوها، بهبود یکپارچگی داده­ها و ریشه­کن کردن ناکارآمدی­ها را تسریع کنند.

مسئولیت بهبود مدیریت داده­ها ممکن است در حیطه کاری مدیر ارشد مالی و یا مدیر ارشد عملیاتی قرار گیرد. به هر صورت، بخش فناوری اطلاعات نیز باید درگیر شود، همچنین مدیر عامل شرکت. در بعضی از صنایع (به عنوان مثال، خدمات مالی) بیش از صنایع دیگر (به عنوان مثال، علوم زندگی)، به استخدام درآوردن فردی به عنوان مدیر ارشد داده به یک امر عادی تبدیل شده است. چنین موقعیتی می­تواند برای ایجاد و نظارت بر یک هیئت حاکمه متشکل از ذی­نفعان از عملکردهای کلیدی، و پرورش یک دیدگاه عملکردی متقابل باشد.

اما مدیران ارشد مالی همچنان باید اطمینان داشته باشند که بین نتایج عمده و میزان بازگشت سرمایه­ی پیش­بینی شده هماهنگی مشخصی وجود دارد، و بتوانند در موضوعاتی که به امور مالی مرتبط می­شود نقش فعالی داشته باشند. توابع شرکت کننده باید در تهیه یک نقشه راه قوی و تعیین یک برنامه دقیق با نقاط عطفی که مربوط به نتایجی است که قبلا تعیین شده، همکاری کنند. با توجه به نقش مهمی که داده­ها در بیشتر مشاغل بازی می­کنند، ایجاد یا تغییر شکل قابلیت­های مدیریت احتمالاً باید در فازهای متعدد پیش برود. مانند هر تغییر در سطح شرکت، “برنده های سریع” می توانند پشتیبانی ایجاد کنند، میزان جنبش و حرکت را افزایش دهند و فرصت های ابتکاری برای پیگیری اعتبارات خود را فراهم کنند.

در حال حاضر، در برخی از صنایع، فناوری­های دیجیتال جنبه­های خاصی از نحوه عملکرد کسب و کار را تغییر شکل داده­اند؛ کاهش هزینه­های عملیاتی، تلاش و ریسک؛ در حالی که ارزش تحلیل و شفافیت داده­های مالی را افزایش می­دهد. قدم­هایی که شرکت­ها در زمینه عملکرد مالی برداشته­اند عبارتند از:

• برنامه ریزی مالی: برخی از شرکت­ها از مدل­های صفحه گسترده که با شهود تکمیل می شوند به مدل­های مبتنی بر تحلیل خودکار تغییر کاربری داده­اند. آن­ها همچنین برای کمک به رفع نیازهای ترکیب داده­های داخلی و خارجی، سیستم­های برنامه ریزی ابری را با دریاچه­های داده تلفیق کرده­اند. علاوه بر این، آن­ها از این فناوری برای دسته بندی داده­های سازگار و فرآیندهای تجمیع استفاده می­کنند.
• عملیات مالی: شرکت­ها سلسله مراتبی را ایجاد کرده­اند که می­توانند گزارش­های مدیریتی، مالی و نظارتی در حال تحول را کنترل کنند. آن­ها همچنین از جریان کارها و سازگاری خودکار به منظور افزایش ردیابی عملیات­ها و ساده­سازی استفاده کرده­اند. علاوه بر این، آن­ها از تجزیه و تحلیل پیشرفته با استفاده از یادگیری ماشین برای یافتن استثناها و شناسایی ریسک استفاده می­کنند.
• پشتیبانی تصمیم گیری: مشاغل نیازهای اطلاعاتی بین واحدهای تجاری، جغرافیایی و سیستم­های منبع را دسته بندی کرده اند. مدیریت همچنین با استفاده از یک مجموعه داده بزرگ یا محیط پردازش مبتنی بر فضای ابری، عملکرد سیستم را بهبود بخشیده و می­توان به داده­ها در هر مکانی که قرار داشته باشند دسترسی داشت. علاوه بر این، آن­ها گزارش­های تعاملی ایجاد کرده­اند که به کاربران امکان می­دهد چندین لایه اطلاعات را بررسی کنند.

هنگام اجرای چنین ابتکارات داده­ای – شامل ابزارها، سیاست­ها و رویه­های جدید – مدیران مالی باید به مدیریت سازمانی توجه زیادی داشته باشند. چشم انداز استراتژیک مدیریت باید به اولویت­های تاکتیکی تبدیل شود، در عین حال همه متوجه می­شوند که چگونه استفاده از بینش­ها باعث بهبود تجربه مشتری و کارمند می­شود. در غیر این صورت، فشار ناشی از کسانی که باید تغییرات را اعمال کنند می­تواند سرعت پیشرفت را کاهش دهد و منافع مورد انتظار تجاری را ارضاء نکند.

از داده­های اولیه به سمت بینش­های تجاری

شرکت­ها امروزه هر چه بیشتر به دنبال ابزارهای تجزیه و تحلیلی هستند که به دنبال آن بتوانند در زمان کم از داده­های جمع آوری شده ارزش بیشتری کسب کنند. برای بهبود کیفیت داده­ها و تقویت توانایی­های امور مالی، باید راه حل های سیستم­های موجود را در نظر گرفت و سپس با هدف استفاده از تکنیک­های جدید و پیشرفته­ی مدیریت داده مانند یادگیری ماشین و اتوماسیون هوشمند به جلو پیش رفت. با پاسخ به این پنج سوال می توانید پیشرفت کنید:

• برای راه اندازی تجارت به چه بینشی نیاز دارید؟ به عبارت دیگر، به چه سوالاتی نیاز دارید که پاسخ داده شوند و کدام معیارها می توانند به این سوالات پاسخ دهند؟ این ممکن است شامل نتایج مالی یا اطلاعات غیر مالی مربوط به کارمندان، مشتریان، محصولات و شرایط بازار باشد.
• کدام یک از ابزارهای مدیریت داده موجود می­تواند کمک کند؟ هدف نهایی این است که بتوانید داده­ها را از چندین منبع ترکیب کنید و آن­ها را به طور خودکار برای تأمین نیازهای تجاری تازه سازی (رفرش) کنید. اما در کوتاه مدت، ببینید چه چیزهایی را می­توانید از طریق ابزارهای پیشرفته مدیریت داده یا حتی به صورت دستی جمع آوری کنید. با حداکثر ۱۰ سوال تجاری شروع کنید تا بتوانید از نتایج مهم جواب­هایتان داشبورد و تجسم ایجاد کنید و روابط بین داده­ها را کشف کنید. هنگامی که شروع به خودکار کردن داده­های خود می­کنید، می­توانید اجزای بیشتری را لایه لایه کنید تا تصویر را هر چه بهتر ترسیم کنید.
• آیا تیم رهبری در یک جهت حرکت می­کند؟ همه طرف­های اصلی باید در مورد اندازه­گیری، نحوه تعریف، مالک آن، تولید و پاسخگویی به دستورالعمل تجاری توافق کنند. در شرکت­های با ساختار پیچیده، استفاده کردن از نظرات همه افراد کار ساده­ای نیست، اما صرف وقت برای انجام این کار بسیار مهم است.
• آیا اکوسیستم داده خود را شناسایی کرده­اید و درگیر آن شده­اید؟ همان­طور که شرکت به نقاط عطف خاصی می­رسد، مثلاً امکان بروزرسانی خودکار داده یا دستیابی به ابزارهای جدید برای تصمیم گیری مبتنی بر بینش، از این فرصت استفاده کنید تا مفاهیم را در یک بازار آزمایش کنید، یک نمونه اولیه ایجاد کنید و ایده خود را برای سنجش حمایت عمومی اجتماعی کنید. حتماً از افرادی که به این نوآوری روی خوش نشان می­دهند در شرکت خود استفاده کنید.
• آیا نیروی کار از تجهیزات مناسبی برخوردار است؟ یک اکوسیستم داده مبتنی بر فن­آوری­های دیجیتال نسل بعدی می تواند مهارت­ها و توانایی­های جدید یا پیشرفته نیروی کار مانند قصه­گویی با داده­ها، حل مسئله با استفاده از تجزیه و تحلیل پیشرفته و شراکت تجاری را طلب کند. راه­های ایجاد یا کسب استعدادی را که ممکن است لازم داشته باشید در نظر بگیرید. کارمندان به یک روش بدون مشکل برای استفاده از جریان داده، درک نحوه استفاده از آن و سپس عمل به آن نیاز دارند.

افزایش مداوم ارزش دارایی داده­ها

شرکت­های مسلح به این بینش­ها می­توانند فن­آوری­های جدید را به صورت مرحله­ای پیاده کنند و به جای سفارش دادن سرورها، در SaaS سرمایه گذاری کنند. در این مرحله، استفاده از دروس عملی زیر را در نظر بگیرید:

• کم شروع کنید. ایده­های خود را ابتدا در یک مکان با دامنه مشخص تعریف کنید.
• سریع شکست بخورید. اگر چیزی کار نمی­کند سریع شکست بخورید، آن را برطرف کنید و به سرعت حرکت کنید تا شتاب خود را از دست ندهید.
• روی مشتریان تمرکز کنید. در ابتدا کاربران نهایی را درگیر کنید تا اطمینان حاصل کنید که یک قابلیت جدید نیازهای آن­ها را برآورده می­کند و می­فهمند که این قابلیت چگونه تجربه آن­ها از سیستم را بهبود می­بخشد.
• روی راه­حل های جدید تمرکز کنید. یک استراتژی گسترده داشته باشید که مردم را به اتخاذ راه­حل جدید تشویق کند، همچنین کارمندی که می­تواند در مورد مزایای آن­ها شهادت دهد را تشویق کنید.

همچنین، در صورت امکان، شرکت­ها حتی می­توانند رویکردهای مختلف را در بازارهای مختلف آزمایش کنند و نتایج را برای قضاوت در مورد بهترین عملکرد در دراز مدت مقایسه کنند. بله، این کار هزینه­ی اضافه­ای دارد، و بله، ممکن است جدول زمانی شما را طولانی­تر کند؛ اما این هزینه­ی اندک در مقایسه با هزینه اجرای یک برنامه پیشرفته مدیریت داده و تجزیه و تحلیل شرکت ناچیز است.

در هر صورت، شرکت­ها تمایل دارند که فوراً شروع به کار کنند: حجم داده­ها سریعتر از سرعت بسیاری از مشاغلی که سعی در مدیریت آن دارند رشد می­کند. با کاهش این شکاف­ها می­توانند از نزدیکترین رقبای خود فاصله بگیرند و به جلو پیشرفت کنند.

منبع:

https://www2.deloitte.com/us/en/pages/finance/articles/cfo-insights-mastering-data-for-better-insights-and-competitive-advantage.html