कैसे नेता बेहतर निर्णय लेने के लिए डेटा और अंतर्ज्ञान को मिश्रित करते हैं

Dपिछले दो दशकों में डिजिटल परिवर्तन के उदय के दौरान, डेटा का वादा बड़ा हो गया है। इसमें कोई संदेह नहीं है कि डेटा आपके ग्राहकों को समझने, आपके व्यवसाय को बढ़ाने और सफलता को मापने के लिए आवश्यक है, लेकिन यह केवल एक चीज नहीं है जिसकी आपको आवश्यकता है। अच्छे फैसलों के लिए दोनों डेटा की आवश्यकता होती है और सहज बोध।

बहुत से लोग गलत धारणा पर आ गए हैं कि डेटा राजा है और अंतर्ज्ञान विदूषक है। कई बार ऐसा लगता है कि दोनों रस्साकशी में लगे हुए हैं, यह आश्वासन देते हुए कि दोनों में से कोई भी दूसरे की उपस्थिति के साथ शासन नहीं कर सकता है।

यह सच से आगे नहीं हो सकता। अंतर्ज्ञान भी सभी अच्छे निर्णयों में एक भूमिका निभाता है। जब डेटा और अंतर्ज्ञान की भागीदारी होती है, तो वे प्रतिक्रिया का एक चक्र बनाते हैं जो मानसिक मॉडल को परिष्कृत और मजबूत करता है। अंतर्ज्ञान डेटा के बारे में पूछने के लिए सही प्रश्न का कारण बन सकता है, जिसके परिणामस्वरूप कहानी अंतर्ज्ञान को सूचित करती है। जब डेटा अधूरा होता है या गुणवत्ता की चुनौतियाँ होती हैं तो अंतर्ज्ञान हमें चेतावनी दे सकता है। जबकि डेटा हमें यह पहचानने में मदद कर सकता है कि कब हम पक्षपात से काम कर रहे हैं या परिस्थितियां बदल गई हैं।

यह बढ़ती अनिश्चितता के युग में मायने रखता है, हर कोने में नई व्यावसायिक चुनौतियों के साथ। डेटा अतीत की एक ठोस समझ दे सकता है, लेकिन जब हम सटीकता में बहुत अधिक फंस जाते हैं - सटीकता में, सही डेटा मॉडल को तैयार करने में - हम ठीक हमारे सामने क्या हो रहा है, उसे याद कर सकते हैं। अंतर्ज्ञान हमें जल्दी से दिशात्मकता का बोध कराने में मदद कर सकता है, जो किसी भी मात्रात्मक आंकड़े के रूप में निर्णय लेने के लिए उतना ही प्रभावशाली हो सकता है। जब उचित रूप से उपयोग किया जाता है, तो अनिश्चितता के खिलाफ जीत हासिल करने में अंतर्ज्ञान और डेटा आपके दो मुख्य सहयोगी हो सकते हैं।

वास्तविक दुनिया में निर्णय लेना

हमने डिजिटल सर्विसेज और डेटा एनालिटिक्स के वरिष्ठ निदेशक माइकल नोल्टिंग से बात की वॉल्क्सवेज़न, और माइकल सासाकी, ग्लोबल हेड ऑफ कस्टमर सक्सेस एंड सपोर्ट के पूर्व उपाध्यक्ष MITEK, यह जानने के लिए कि कैसे उनकी कंपनियां निर्णय लेने और व्यावसायिक परिणामों को चलाने के लिए अंतर्ज्ञान के साथ डेटा को संतुलित करती हैं।

झांकी: आपकी कंपनी में निर्णय कैसे लिए जाते हैं?

नोल्टिंग: हमने अपनी कार उत्पादन डेटा-संचालित [वोक्सवैगन में] बनाने के लिए पिछले वर्षों में वास्तव में कड़ी मेहनत की है। हमने स्नोपार्क नामक एक प्लेटफॉर्म बनाया, जिसने हमारे टेस्ट ड्राइव और ग्राहकों से प्राप्त सभी डेटा को एकत्र किया। हमने विश्लेषण किया कि क्या कार के उपयोग के संदर्भ में कोई अंतर था।

यदि हम समझते हैं कि वास्तविक ग्राहक हमारी कारों का उपयोग कैसे करते हैं, तो हम उनकी जरूरतों के अनुसार कारों का निर्माण कर सकते हैं और बेहतर उत्पाद प्रदान कर सकते हैं-साथ ही समग्र लागत को कम कर सकते हैं।

हम वोक्सवैगन में आंत [भावनाओं] और डेटा के आधार पर निर्णय लेते हैं। डेटा को प्राथमिकता दी जाती है और इसका उपयोग धीरे-धीरे किसी चीज़ को अनुकूलित करने के लिए किया जा सकता है। अन्वेषण के लिए आपकी आंत की आवश्यकता होती है, जब आप पर्याप्त डेटा नहीं (डेटा की कमी के कारण, बहुत अधिक इनपुट आयाम, बहुत कम प्रभाव आकार, या बहुत अधिक संदर्भ ज्ञान की आवश्यकता के कारण) के आधार पर कठोर निर्णय लेते हैं। मुख्य व्यवसाय को जहाँ तक संभव हो डेटा ज़ोन में ले जाना होगा।

जोखिम लेने के लिए, आपको लेने के लिए जोखिम की मात्रा के आधार पर पदानुक्रम की आवश्यकता होती है। सी-स्तर के नेताओं को जोखिम उठाना पड़ता है।

हमारे एमओआईए बेड़े (हैम्बर्ग और हनोवर में एक साझा गतिशीलता समाधान) से डेटा का लोकतांत्रीकरण किया गया है। इसे वोक्सवैगन में कोई भी एक खाते के साथ एक्सेस कर सकता है।

हमारा लक्ष्य अपने सभी डेटा का आंतरिक रूप से लोकतंत्रीकरण करना है। वर्तमान में हम अपने विभाग में एक विशाल डेटा वेयरहाउस बना रहे हैं, जहाँ हम प्रत्येक व्यवसाय [उपयोगकर्ता] को डेटा आयात और विश्लेषण करने में सक्षम बनाना चाहते हैं। हम प्रत्येक व्यवसाय [उपयोगकर्ता] को डेटा इंजीनियर/डेटा वैज्ञानिक बनाते हैं।

सासाकी: [माइटेक में] निर्णय लेने के लिए हितधारकों के बीच संरेखण की आवश्यकता होती है। अंततः, अंतिम निर्णय लेने वाले होते हैं, और वे आम तौर पर कार्यात्मक विशेषज्ञ होते हैं जो निर्णय लेने का अंत करते हैं। लेकिन हम मिलने और यह सुनिश्चित करने में बहुत समय लगाते हैं कि हम सभी के पास एक जैसी जानकारी है और एक ही डेटा को देख रहे हैं, डेटा को समझते हैं और परिभाषाओं पर सहमत हैं।

झांकी: निर्णय लेते समय आप डेटा, अंतर्ज्ञान और अनुभव को कैसे संतुलित करते हैं?

नोल्टिंग: भारी-भरकम प्रश्नों के लिए अंतर्ज्ञान की आवश्यकता होती है जब लोगों को अंततः जोखिम उठाना पड़ता है और मॉडल/प्रश्न की उच्च जटिलता के कारण पर्याप्त डेटा उपलब्ध नहीं होता है।

हम अभी भी अपने मुख्य व्यवसाय के हिस्से के साथ आंत क्षेत्र में हैं और डेटा-संचालित कंपनी बनने के लिए इसे डेटा क्षेत्र में कदम से कदम बढ़ाना चाहते हैं। फिर भी, नवाचार परियोजनाएं या नए व्यावसायिक अवसरों की खोज हमेशा आंत क्षेत्र में आंशिक रूप से रहेगी। गट जोन के साथ क्या चुनौती है, अगर आपका मुख्य व्यवसाय अभी भी है? गट जोन में, यदि आप एक प्रश्न का उत्तर देना चाहते हैं, जिसमें उच्च जोखिम है (पढ़ें: लाखों डॉलर आप खो सकते हैं) आपको कंपनी के प्रबंधकों की आवश्यकता है जो जोखिम लेने को तैयार हैं। इसके अनुसार, हमारे पास निश्चित रूप से एक पदानुक्रम है। यूरो में अनुमानित जोखिम के आधार पर, हमारे पास अलग-अलग प्रबंधन स्तर हैं, जो जोखिम उठा सकते हैं। यदि जोखिम लगभग लाखों का है, तो सी-लेवल आ जाता है।

सासाकी: वे सभी मेरे दिमाग में आपस में जुड़े हुए हैं।

डेटा अति महत्वपूर्ण है। डेटा के साथ, आप अपने पेट को सूचित करने वाले डेटा का एक संकर देखना शुरू करते हैं। आप ग्राहक डेटा के आधार पर निर्णय ले रहे हैं। और वह अनुभव है कि आप डेटा के साथ काम कर रहे हैं, और ग्राहकों के साथ किए गए परिणामों को देखकर वास्तव में आपको सही जगह पर पहुंचने में मदद मिलती है। डेटा के साथ काम करने का यह अनुभव बेहद महत्वपूर्ण है।

इसलिए मैं यह नहीं कहूंगा कि यह एक या दूसरा है। यह अभी दोनों का एक संकर है। और दोनों अति महत्वपूर्ण हैं। पेट डेटा द्वारा संचालित होता है।

झांकी: आपको कब पता चलता है कि आपके पास निर्णय लेने के लिए पर्याप्त डेटा है?

नोल्टिंग: आप यह नहीं कह सकते, "क्या हमारे पास पर्याप्त डेटा है?" या "क्या हमारे पास पर्याप्त डेटा नहीं है?" यह सही सिस्टम को जोड़ने और अच्छा डेटा रखने के बारे में अधिक है। प्रश्न हमेशा गुणवत्ता और मात्रा के बीच होता है।

जब कंपनियां डेटा परिवर्तन से गुजरती हैं, तो शुरुआत में बड़ा मुद्दा डेटा गुणवत्ता का होता है। यदि आप इसके साथ काम कर सकते हैं या नहीं, तो आपको वास्तव में डेटा पर गौर करना होगा। कुछ डैशबोर्ड के लिए, आपको उच्च गुणवत्ता वाले बिक्री डेटा की आवश्यकता होती है। आपको डेटा स्टीवर्ड चाहिए।

बड़े प्रभाव आकारों के लिए, आपको थोड़ी मात्रा में डेटा की आवश्यकता होती है (उदाहरण के लिए, छोटी कार फ़्लीट से)। हम यह पता लगाना चाहते थे कि [पार्सल शिपिंग कंपनी] डीपीडी जैसे हमारे वाणिज्यिक ग्राहक हमारे साझा गतिशीलता समाधान, एमओआईए के ड्राइवरों की तुलना में अपनी कारों का उपयोग कैसे करते हैं। यह डेटा एक परीक्षण बेड़े से एकत्र किया जा सकता है। यदि हम छोटे-प्रभाव वाले आकारों को मापना चाहते हैं, तो हम अपने बड़े बेड़े से डेटा लेते हैं।

हमारे पास मौजूद घटकों की कमी के आधार पर कौन से घटकों का उत्पादन किया जाता है, इसे प्राथमिकता देने में मदद के लिए हम झांकी डैशबोर्ड का भी उपयोग करते हैं। एक डैशबोर्ड उन घटकों के ऑर्डर की भविष्यवाणी करता है जिनकी हमें आवश्यकता होती है। यह वास्तव में जटिल है—इसमें अरबों संयोजन हैं। और फिर हम गणना करते हैं और जब हमारे पास कमी होती है तो घटकों को ऑर्डर करते हैं। इसका परिणाम एक इष्टतम उत्पादन प्रक्रिया में होता है।

सासाकी: पांच से दस साल पहले आंकड़ों की कमी थी। और अब इतना डेटा है। यह पता लगाने की कोशिश करना कि कौन सा डेटा महत्वपूर्ण है वास्तव में कुंजी और चुनौती है। क्योंकि आप अपने द्वारा लिए गए लगभग हर एक निर्णय को सही ठहराने के लिए डेटा को देख सकते हैं। और यह एक जाल है जिसमें आप गिर सकते हैं, जहां आपके पास वह निर्णय है जो आप करना चाहते हैं, और आप इसे सही ठहराने के लिए डेटा की तलाश करते हैं, ताकि डेटा वास्तव में उस पथ को प्रकट कर रहे हैं जिसका आपको अनुसरण करने की आवश्यकता है।

तो सवाल यह है कि आप कब जानते हैं कि निर्णय लेने के लिए आपके पास पर्याप्त डेटा है?

मैं कहूंगा, ठीक है, यहाँ ग्राहक से संबंधित निर्णयों के साथ मेरे ग्राहक की सफलता का अनुभव है। आप अतीत में आपके द्वारा दिए गए वांछित परिणाम को चलाने के लिए कौन सा डेटा मौजूद था, यह देखने के लिए ग्राहक उज्ज्वल स्थानों पर एक नज़र डाल सकते हैं। इसलिए हम उन परिणामों पर बहुत कुछ देखते हैं जो प्रेरित थे, और फिर कौन सा डेटा वास्तव में महत्वपूर्ण था जिसने वास्तव में उस निर्णय को प्रभावित किया। तो हम उनकी पहचान करेंगे और वास्तव में उन्हें अलग करेंगे।

हम अपनी डेटा एनालिस्ट टीम पर भी बहुत निर्भर हैं। माइटेक में, विभिन्न प्रकार के डेटा टीम सेटअप हैं। वहाँ विकेंद्रीकृत है, जहाँ विभिन्न कार्यों में एक डेटा विश्लेषक है - एक विपणन में, एक वित्त में, एक ग्राहक सफलता में। आपके पास एक केंद्रीकृत कार्य हो सकता है जहां वह सब सिर्फ एक टीम है। लेकिन डेटा विश्लेषक आने वाले किसी भी अनुरोध पर काम करते हैं, चाहे वह किसी भी फ़ंक्शन से आता हो।

मैंने ग्राहक सफलता टीम में एक डेटा विश्लेषक की भूमिका बनाई और तैयार की। यह कुछ कारणों से अति महत्वपूर्ण था। मेरा मानना ​​​​है कि एक डेटा विश्लेषक को डेटा विश्लेषण में विशेषज्ञ होने की आवश्यकता है, लेकिन यह भी एक कार्यात्मक विशेषज्ञ है कि वे डेटा का विश्लेषण किस लिए कर रहे हैं। ग्राहक डेटा को समझने के लिए ग्राहक सफलता टीम पर डेटा विश्लेषक होना मूल्यवान है। मैं अपने डेटा विश्लेषकों पर भरोसा करता हूं जब उनके पास निर्णय लेने में मेरी सहायता करने का समय होता है जब हमारे पास निर्णय लेने के लिए पर्याप्त डेटा होता है। और यह गलत और निष्क्रिय होने के बीच एक संतुलन साधना है।

कौन सा अधिक महंगा है - गलत निर्णय लेना, या कोई कार्रवाई नहीं करना? मुझे नहीं पता कि क्या आपको कभी ऐसा लगता है कि आपके पास पर्याप्त डेटा है, लेकिन आप एक ऐसे बिंदु पर पहुंच जाते हैं जहां आप पर्याप्त रूप से सहज हो जाते हैं कि आप डेटा के आधार पर कॉल कर सकते हैं।

झांकी: डेटा को देखना आसान है और संख्याओं को भूल जाना वास्तविक, मानव ग्राहकों का प्रतिनिधित्व करता है। हम इस गलती से कैसे बचाव कर सकते हैं?

सासाकी: मैं ग्राहक का सामना कर रहा हूँ; मैं ग्राहक और राजस्व के लिए जिम्मेदार हूं। उत्पाद विकास टीम के अपने लक्ष्य हैं, और यह हमेशा मानव के बारे में जरूरी नहीं है, या शायद वे इसे नहीं समझते हैं, और यह उनकी गलती नहीं है। ग्राहक-सामना करने वाले पक्ष के एक नेता के रूप में यह मेरी जिम्मेदारी है कि मैं उस संख्या, उस डेटा बिंदु पर एक चेहरा रखूं।

डेटा पर मानवीय चेहरा डालने की कोशिश करने के लिए नेता कुछ चीजें कर सकते हैं। हमने अपनी कंपनी में बहुत सारे प्रोग्राम लॉन्च किए हैं। एक लंच-एंड-लर्न है। हम एक ग्राहक लाएंगे और पूरी कंपनी के लिए लंच खरीदेंगे। अब इंजीनियर ग्राहक से सुन सकते हैं और वे उन मेट्रिक्स को संबंधित कर सकते हैं जो वे देख रहे हैं और एक इंसान की ओर एक उद्देश्य के लिए ड्राइव कर रहे हैं।

झांकी: शुरुआती करियर के लोग अपनी आंत को "ट्रेन" कैसे शुरू कर सकते हैं?

नोल्टिंग: युवाओं को असफलताओं को सीखना चाहिए और निर्णय लेने का जोखिम उठाना चाहिए। यह एक सांस्कृतिक चीज है जिससे जर्मन कंपनियां संघर्ष करती हैं। आप अनुभव प्राप्त करके और गलतियाँ करके ही अपने आंत को प्रशिक्षित कर सकते हैं - और फिर आप भविष्य में कठिन निर्णय लेने का जोखिम उठा सकते हैं। वोक्सवैगन में, हमने मनोवैज्ञानिक सुरक्षा का माहौल तैयार किया है, जहां विफलताओं को स्वीकार किया जाता है। इसे प्राप्त करने के लिए, आपके पास सही उद्यम और डेटा संस्कृति होनी चाहिए।

सासाकी: [माइटेक में] हम डेटा के अनुभव के साथ शुरुआत करते हैं। मेरी टीम के नेताओं ने ग्राहक सफलता प्रबंधकों को डेटा विश्लेषकों में बदल दिया है। हमारे डेटा विश्लेषकों ने ग्राहक सफलता प्रबंधकों को डेटा विश्लेषकों में बदलने के लिए झांकी में उपकरण प्रदान किए हैं। अब, यदि आप पूरी कंपनी में झांकी के विचारों को देखें, तो 70% विचार मेरे ग्राहक सफलता प्रबंधकों के हैं।

आप डेटा से डर नहीं सकते। आपको हर अवसर को एक अनुभव के रूप में लेना है और डेटा के साथ जितना संभव हो उतना अनुभव प्राप्त करना है, चाहे वह सकारात्मक हो या नकारात्मक। यह आपके आंत पर भरोसा करने के लिए वास्तव में मूल्यवान होने जा रहा है। बस वहां पहुंचें, डेटा को समझें, उसके साथ खेलें, प्रश्न पूछें, और अधिक से अधिक अनुभव प्राप्त करें—सकारात्मक या नकारात्मक—जो आप कर सकते हैं। और वह वास्तव में आपके आंत को प्रशिक्षित करेगा।

यदि आपके पास डेटा है, तो आप इसके खिलाफ बहस नहीं कर सकते। डेटा रखने के अलावा अन्य कार्यों और अन्य नेताओं और टीम के अन्य सदस्यों के साथ काम करने का कोई बेहतर तरीका नहीं है। जब आप डेटा को बातचीत में लाते हैं, तो आप वास्तव में जल्दी से संरेखित कर सकते हैं। आप निर्णय ले सकते हैं; आप ग्राहकों को मना भी सकते हैं। यह डेटा-संचालित बैठक होने जा रही है, यह डेटा-संचालित चर्चा होने जा रही है। बैठकें और निर्णय बहुत तेजी से होते हैं क्योंकि वे डेटा के बारे में अधिक सूचित होते हैं।"

क्या आप डेटा के साथ नेतृत्व करने के लिए तैयार हैं?

डेटा-संचालित नेता परिवर्तन के अनुकूल होने के लिए बेहतर ढंग से सुसज्जित हैं, और वे तेजी से बढ़ते व्यापार परिदृश्य में निर्णय लेने की बारीकियों को समझते हैं। वे जानते हैं कि डेटा, अनुभव और अंतर्ज्ञान द्वारा संवर्धित, उनके संगठनों में सफलता के लिए मौलिक है। मिलने जाना पदाधिकारियों के लिए झांकी इस बारे में अधिक जानने के लिए कि कैसे डेटा व्यापार जगत के नेताओं की एक नई नस्ल को प्रभावित कर रहा है, और झांकी कैसे शक्ति प्रदान कर सकती है तुंहारे डेटा परिवर्तन.