Duomenų raštingumo etapai
Dirbtinio intelekto belaukiant
Tikriausiai nesvarbu, kurioje industrijoje dirbate – tikrai esate girdėję bent vieną prezentaciją apie tai, kaip dirbtinis intelektas (DI) pakeis jūsų įmonę, rinką ar net visą ekonomiką. Nors dirbtinis intelektas yra itin efektyvus tam tikrose užduotyse, jis visiškai priklauso nuo duomenų, kuriais yra treniruojamas. Šiuo metu didžiausi DI kūrėjai, tokie kaip OpenAI ar Google, treniruoja savo modelius naudodami viešai prieinamą informaciją. Nors šie modeliai puikiai supranta tekstus ir generuoja turinį, jie dažniausiai neturi prieigos prie jūsų įmonės duomenų. Daugelis ekspertų prognozuoja, kad tikroji dirbtinio intelekto revoliucija prasidės tada, kai šie modeliai galės efektyviai pasinaudoti įmonių turimais duomenimis.
Nesvarbu, ar didmeninės, ar mažmeninės prekybos srityse, dirbtinis intelektas jau šiandien gali automatiškai surasti tinkamiausią produktą pagal kliento aprašymą bei sugeneruoti personalizuotą laišką klientui atsižvelgiant į kliento įmonės ypatumus. Tačiau, norint įgyvendinti net ir tokius sprendimus, įmonėms būtina pradėti galvoti apie savo organizacijos duomenų raštingumą – tai yra būtinas pirmas žingsnis, kuris leis organizacijoms sukurti ilgalaikį ir tvarų pranašumą prieš konkurentus.
Šiuolaikiniame verslo pasaulyje duomenų raštingumas tampa vienu iš pagrindinių konkurencinio pranašumo šaltinių. Įmonės turi gebėti rinkti, analizuoti ir interpretuoti duomenis, kad priimtų geresnius sprendimus. Lietuvoje, kaip ir kitose šalyse, mažos ir vidutinės įmonės vis labiau suvokia šio proceso svarbą. Pavyzdžiui, dirbant su dideliu verslo klientų kiekiu, įmonė privalo kaupti ir analizuoti duomenis apie savo klientus – tai leidžia geriau suprasti jų poreikius, potencialius pirkimus ir atrasti geriausius būdus, kaip suteikti vertę. Nors duomenų naudojimo privalumai yra aiškūs, Lietuvoje vis dar daug mažų ir vidutinių įmonių neišnaudoja šio resurso. Remiantis Lietuvos oficialiosios statistikos portalo duomenimis, 2023 metais vos 7,6% įmonių, turinčių nuo 10 iki 49 darbuotojų, naudojosi duomenų analizės programomis, o mažiau nei trečdalis (27,6%) naudojo klientų valdymo sistemas (CRM).
Duomenys organizacijoje
Duomenų svarba organizacijoje nėra nauja idėja, tačiau sparčiai vystantis DI technologijoms, mes vėl atsigręžiame į duomenų analitiką ir duomenų raštingumą įmonėse – tai tampa pamatu ilgalaikėms DI technologijoms. Nemažai įmonių vis dar labiau vertina intuiciją ir patirtį nei duomenimis pagrįstus sprendimus, tačiau pasaulinės tendencijos rodo, kad artimiausiu metu duomenų analitika turėtų pakeisti intuiciją sprendimų priėmimo procese. Gartner tyrimas prognozuoja, kad iki 2026 metų 65% įmonių priims verslo sprendimus remdamiesi duomenų analize. Skirtingai nei intuicija, duomenų analizė užtikrina, kad sprendimai būtų racionalūs, argumentuoti, pamatuoti ir nešališki.
Norint sukurti tvarų ir ilgalaikį duomenų analizės procesą, įmonė turi investuoti į duomenų infrastruktūrą ir skatinti duomenų raštingumą. Būtent duomenų raštingumas padeda formuoti tinkamą įmonės kultūrą, diegti patogius procesus bei ugdyti darbuotojus, kurie realiai gali interpretuoti ir pritaikyti iš duomenų analizės gautas įžvalgas. Kaip ir visi svarbūs pokyčiai organizacijose, šis procesas vyksta etapais: įmonė turi suprasti duomenų svarbą, investuoti į darbuotojų edukaciją, infrastruktūrą, atnaujinti duomenų valdymo bei pardavimo procesus. Tik įveikus šiuos etapus, komanda pajus tikrąją duomenų naudą ir bus pasirengusi žengti į dirbtinio intelekto bei veiklos automatizavimo erą. Toliau aptarsime etapus, kuriuos dažniausiai praeina įmonės šio proceso metu.
Įmonių duomenų raštingumo etapai
1 etapas: Duomenų ignoravimas
Įmonės savybės
- Duomenys nėra kaupiami
- Vadovai labiau vertina intuiciją ir patirtį
Galimi pokyčiai
- Pradėkite nuo duomenų vertės pristatymo ir sąmoningumo didinimo, kaip duomenys gali padėti priimant sprendimus. Išbandykite mokymus ar iniciatyvas, kuriose darbuotojai turėtų progą pamatyti duomenų naudą pardavimams,
- Išsikelkite minimalius bei nesudėtingai pamatuojamus tikslus savo darbuotojams ar įmonės veiklai – sekite bendrus pardavimų skaičius, bendravimą su klientu, klientų atsiliepimus,
- Naudokite paprastus įrankius dokumentuoti ir analizuoti procesą: Excel, klientų valdymo įrankius.
2 etapas: Duomenų svarbos suvokimas
Įmonės savybės
- Ribotas duomenų naudojimas veiklos analizei
- Pradedama suprasti duomenų nauda
- Naudojami primityvūs įrankiai: Excel, klientų valdymo įrankiai
Galimi pokyčiai
- Pristatykite ilgalaikius rodiklius ir tikslus kaip matuosite įmonės veiklą,
- Skatinkite diskusijas ir idėjas apie duomenų panaudojimą,
- Siūlykite duomenų analitikos mokymus,
- Inicijuokite platesnį duomenų rinkimą – sisteminkite informaciją apie parduodamus produktus, klientų įpročius, ypatybes bei pirkimo tendencijas.
3 etapas: Detali duomenų analizė
Įmonės savybės
- Struktūrizuotas duomenų rinkimas, valdymas,
- Naudojami ataskaitų kūrimo įrankiai (PowerBI, Tableau), tvarkingos duomenų bazės,
- Nuolatos atliekama klientų, produktų krepšelio analizė,
- Darbuotojai patys generuoja idėjas duomenų analitikai, pagrindiniai sprendimai atliekami pasitelkiant duomenų analizę.
Galimi pokyčiai
- Gilinkite savo duomenų bazę atverdami vis daugiau informacijos,
- Investuokite į infrastruktūra leidžiančia valdyti duomenis visos organizacijos mastu – kiekvienas vadybininkas prieina prie jam reikalingų duomenų,
- Investuokite į žmones galinčius dirbti su sudėtingesniais duomenų analitikos iššūkiais, statistinėmis analizėmis.
4 etapas: Duomenimis grįstas verslas
- Visi įmonės sprendimai yra grindžiami duomenimis,
- Visos komandos naudoja duomenis savo veikloje, įžvalgomis dalinasi su kitais,
- Kuriamos duomenų programos, kurios geba prognozuoti veiksmus į priekį, analizuoti klientų tendencijas bei modeliuoti ir įspėti apie galimas rizikas,
- Investuojama į mašininio mokymosi galimybes, dirbtinį intelektą.
Siekiant didinti duomenų raštingumą organizacijose, dažnai susiduriama su įvairiais iššūkiais. Vienas iš jų – pasipriešinimas pokyčiams. Darbuotojai nenoriai priima naujas technologijas ar darbo su duomenimis metodus. Taip pat, gali trūkti mokymo išteklių arba laiko, skirto duomenų analitikos įgūdžių tobulinimui. Kitas dažnas iššūkis – kokybiškų duomenų prieinamumas. Kai trūksta patikimų duomenų, tampa sudėtingiau priimti tikslius ir operatyvius sprendimus.
Šias problemas galima lengviau išspręsti naudojant sprendimus, kurie leidžia lengvai naršyti įmonės duomenų bazėje bei panaudoti duomenis automatizacijų kūrimui ar dirbtinio intelekto užduotims atlikti. Diegiant tokią programą, jūsų esami pardavimo procesai bus pergalvoti taip, kad duomenų analitika natūraliai taptų kasdienės veiklos dalis. Tokiu būdu darbuotojai aiškiai supranta, kaip ir kodėl duomenų analitika bus taikoma jų darbe.
Nepaisant iššūkių, tobulinant duomenų raštingumą atsiveria daugybė galimybių. Viena jų – geresnis klientų įžvalgų supratimas, leidžiantis personalizuoti paslaugas ir produktus. Taip pat, organizacijos gali ženkliai padidinti veiklos efektyvumą, sumažinant klaidų skaičių ir operacijų laiką. Galiausiai, aukštesnis duomenų raštingumo lygis suteikia galimybę greičiau ir efektyviau diegti naujoves, išnaudojant pažangius analitikos metodus bei prognozavimo modelius.