Kāpēc uzņēmumi joprojām pieņem lēmumus, balstoties uz datiem, kuriem līdz galam neuzticas?

Vienā no mūsu projektiem katra sistēma atsevišķi šķita uzrādām pareizus datus. ERP sistēma rādīja vienu ainu, citas uzņēmuma sistēmas - citu. Katrs skaitlis atsevišķi izskatījās ticams, līdz datus salīdzinājām.

Tad kļuva skaidrs, ka būtiskākais jautājums ir: kurai datu versijai uzticēties, pieņemot lēmumu?

Tas ir daudz svarīgāk par vienkāršu jautājumu, cik daudz datu uzņēmuma rīcībā ir.

Kāpēc “mums ir dati” nenozīmē “mēs varam tiem uzticēties”?

Uzņēmumiem jau ir plašs datu apjoms, kas nepieciešams ikdienas lēmumu pieņemšanai: pasūtījumu vēsture, krājumu atlikumi, klientu informācija, finanšu dati un gadiem uzkrāta informācija par uzņēmuma darbību.

Izaicinājums bieži slēpjas citur.

Uzticama informācija var atrasties blakus datiem, par kuru kvalitāti ir zināmas šaubas, taču sistēma abiem piešķir vienādu uzticamības līmeni.

Piemēram, CRM sistēmā klienta vārds un adrese var būt pilnīgi precīzi, bet lauks “pēdējā saziņa ar klientu” var neatspoguļot realitāti, jo pēc sistēmas izmaiņām kāda nodaļa šo informāciju vairs regulāri neatjauno.

Kad abi dati nonāk pārskatā vai modelī, tie izskatās vienlīdz uzticami.

Datu kvalitāte ne vienmēr raksturo visu datu kopumu. Tā var būt atšķirīga konkrētam laukam, procesam vai biznesa notikumam.

Kur patiesībā glabājas zināšanas par to, kuriem datiem var uzticēties?

Bieži vien - pie konkrēta cilvēka, nevis sistēmā.

Kāds operāciju vadības darbinieks zina, ka konkrēts lauks kopš sistēmas migrācijas vairs netiek atjaunināts pareizi. Kāds finanšu speciālists katru mēnesi pārbauda vienu konkrētu rādītāju, jo iepriekš ir pieredzējis, ka tas mēdz mainīties.

Šīs zināšanas var būt ļoti precīzas un vērtīgas.

Taču, ja tās paliek tikai pie cilvēka, kurš zina šo datu vēsturi, tās reti nonāk pārskatā, prognozē vai modelī, kas izmanto tos pašus datus.

Tādējādi uzņēmumā vienlaikus var pastāvēt divas realitātes: darbinieks zina, ka konkrētie dati nav uzticami, kamēr sistēma tos joprojām uztver kā uzticamus.

Uzņēmumi šādās situācijās bieži sāk veidot papildu Excel tabulas, manuāli koriģē rādītājus, ievieš neformālus noteikumus vai paļaujas uz atsevišķu darbinieku pieredzi.

Lēmumi tiek pieņemti.

Taču neuzticēšanās datiem pārceļas ārpus sistēmām.

Kā pirms lēmuma pieņemšanas pārbaudīt, vai konkrētajiem datiem var uzticēties?

Tam nav nepieciešama visu uzņēmuma datu pilnīga pārbaude.

Daudz vērtīgāka ir konkrēta pārbaude: jāpārbauda tie dati, no kuriem ir atkarīgs konkrētais lēmums.

Piemēram:

Kad šis lauks pēdējo reizi tika atjaunināts?
Cik konsekventi tas tiek aizpildīts?
Vai tas sakrīt ar citu avotu, kas fiksē to pašu biznesa notikumu?
Vai ir mainījies process, kura rezultātā šie dati tiek iegūti?
Vai uzņēmumā ir cilvēks, kurš zina, kāpēc konkrētais rādītājs varētu būt neuzticams?

Īpaši vērtīga var būt salīdzināšana ar neatkarīgu datu avotu.

Krājumu prognozi var salīdzināt ar faktiskajiem noliktavas skenēšanas datiem.

Informāciju par pēdējo saziņu ar klientu var pārbaudīt pret faktiski nosūtītajiem e-pastiem vai citiem saziņas ierakstiem.

Procesa izpildes statusu var salīdzināt ar faktiskajiem notikumiem, kas procesa laikā ir fiksēti citās sistēmās.

Tieši šādu pieeju izmanto arī procesu analītika jeb process mining - tā analizē procesu izpildes laikā uzkrātos notikumu datus un ļauj salīdzināt sistēmās fiksēto informāciju ar faktisko procesa norisi.

Tās vērtība slēpjas iespējā pārbaudīt pierādījumus, nevis vienkārši pieņemt sistēmas sniegto informāciju par patiesu.

Kas mainās, ja datu uzticamība kļūst par daļu no lēmuma pieņemšanas?

Jautājums mainās no:

“Vai mūsu dati ir kvalitatīvi?”

uz:

“Vai šiem konkrētajiem datiem varam uzticēties, pieņemot šo konkrēto lēmumu?”

Dažādiem datiem var būt atšķirīgs uzticamības līmenis.

Uzņēmumam ir svarīgi zināt, kuri dati ir uzticami, kuriem nepieciešama papildu pārbaude un kuri lēmumi ir no tiem atkarīgi.

Tas kļūst vēl būtiskāk, kad lēmumu pieņemšanā iesaistās AI.

AI sistēma var apstrādāt ievērojami lielāku informācijas apjomu, nekā cilvēks spētu manuāli pārskatīt. Tāpēc arvien lielāka nozīme ir ne tikai datu kvalitātei, bet arī to kontekstam.

Ja lēmumu pieņemšanas procesā nonāk apšaubāmi dati, sistēma var izdarīto secinājumu konsekventi izmantot atkal un atkal.

Rezultātā apšaubāmi dati var radīt ļoti pārliecinošus lēmumus.