#7: Dane i wpływ na strategie — jak zbilansować intuicję i pragmatyczne podejście?
Myśl, rób i waliduj
Cześć,
z danymi i ze strategią jest jak z Yeti — każdy wie co to, kilka osób twierdzi, że widziało na własne oczy, w praktyce jak wchodzisz w szczegóły to okazuje się, że zasadniczo nikt na dobrą sprawę czegoś takiego nie odnotował. Dotknięcie tych obszarów to wejście na bardzo grząski grunt, gdzie znajdziesz masę ludzi zajmujących się tematem: konsultantów biznesowych, coachów, dyrektorów marketingu, szefów sprzedaży itd. Tak na dobrą sprawę gdy mowa o tytułowym pragmatyzmie to wchodzi nawet w ten zestaw porządny terapeuta, który pomaga przezwyciężyć swoje ego w sytuacji, gdy jednak to konkurencja zrobiła coś zdecydowanie lepiej, a początkowe założenia bazujące na rzetelnych danych i twardych liczbach spaliły na panewce, a z dotychczasową koncepcją zostałeś/aś jak Himilsbach z angielskim.
Ogromne niespójności w szczególności widać, gdy debata o zastosowaniu danych sprowadza się do obszaru technologicznego — tutaj pożywkę mają dostawcy różnych rozwiązań (i firmy wdrażające narzędzia) prezentujący mocno technokratyczną wersję rzeczywistości, a to wszystko w imię zrealizowanego celu sprzedażowego i zapewnienia często poczucia spokoju. Nie biję tutaj w żadne konkretne rozwiązanie, gdyż wiele rozwiązań, jak np. polski Livespace czy estoński Pipedrive w większości firm sprawdzą się doskonale do np. nadzoru sprzedaży. Co więcej, nie chcę sugerować, że to wszystko przez złą technologię, która często zbyt spłyca problemy , a raczej przez to, dlaczego też m.in. rozwój AI w chwili obecnej mimo iż imponujący, przypomina politykę niż faktyczny awans cywilizacyjny — adopcję i adaptację.
Bez odpowiedniej egzekucji i przygotowania się na zmiany możesz mieć najlepszy stos technologiczny oraz świetny dokument z opisaną strategią (co, jak życie również pokazuje, nie należy do często spotykanych rzeczy), ale to Ci nie pomoże. Co więcej, cała problematyka leży w tym, że wszystko bazuje na szeroko ujętym rachunku prawdopodobieństwa i szacowaniu ryzyka i to, że cokolwiek pożądanego (lub uznane za niezbędne do realizacji celu) zrobisz, nie jest gwarantem czegokolwiek. Pytanie zatem rodzi się następujące: jak wyważyć to, co robię i przy okazji nie zwariować?
Dzisiaj będzie treściwie o tym:
O co chodzi ze strategią, jak ją spróbować zdefiniować i potencjalne problemy
Rozumienie informacji, czyli o zarządzaniu, kontekście i o tym, jak to wpływa na dane i końcowe wnioski (+ sceptyzm wobec KPI, OKR i pochodnych)
Dlaczego w interpretowaniu danych musisz rozumieć warstwę techniczną, nawet jak jesteś biznesem i nie chcesz się tym interesować?
Jak możesz zauważyć po trochę długawym wstępie i spisie treści, staram się tworzyć wysoce jakościowe treści — częściowo one mają charakter publicystyczny, częściowo opracowań technicznych. Jeśli nie jesteś na pokładzie mojego newslettera, zachęcam Cię do zapisania się; co prawda, nie będziesz się ze mną zawsze zgadzać, ale poznasz ciekawy punkt widzenia i masz pewność, że nie uznaję kompromisów, jeśli chodzi o jakość :)
O co chodzi ze strategią, jak ją spróbować zdefiniować i potencjalne problemy
Temat bardzo szeroki i powstało na ten temat masa książek, jak i tak samo masa ludzi (zdecydowanie lepszych ode mnie) zajmuje się tym tematem, toteż nie będę wymądrzał się zbędnie i opiszę to w dość zgrabny sposób.
Czym jest właściwie strategia? Nie ma na to jednej spójnej definicji. Sam termin strategia pochodzi od starożytnego, greckiego słowa strategos, oznaczającego dowódcę wojskowego. Sama popularyzacja podejścia strategicznego zaczęła się według podań od popularyzacji dzieła Sun Zi, który napisał Sztukę wojny około 500 p.n.e., co jest uważane za jedno z najwcześniejszych dzieł o strategii (zresztą do dzisiaj bardzo popularna pozycja). Współcześnie, odnosząc do realiów biznesowych, ogólna definicja może brzmieć mniej więcej w takim stylu: Strategia to plan działania organizacji, mający na celu osiągnięcie określonej wizji, misji lub celów, poprzez efektywne wykorzystanie zasobów w zmieniającym się otoczeniu konkurencyjnym.
Cały sęk tego, czym jest strategia, w mojej opinii leży w tym, że ludzie nie określają sobie co jest strategią, przez co każde działanie ubierają w to niezwykle pojemne pojęcie. W finalnym rezultacie każdy plan i podejście do realizacji czegokolwiek jest strategią często bez niezbędnych ku temu elementów i sensownej walidacji swoich założeń. Nie jest trudno wywnioskować, że nakładając na to naszą naturę do ulegania błędom poznawczym, ludzkie ego i inne, życiowe problemy, można w wyjątkowo łatwy i brutalny sposób popłynąć w swoich celach i odnieść porażkę.
Istotne jest zrozumienie tutaj, że strategia powinna być długoterminowa. Krótkoterminowe działanie opisane jak powyżej to najczęściej taktyka — rozdzielenie tego na tym etapie jest w mojej opinii kluczowe: wtedy można przejść do tego, z czego powinna składać się docelowa strategia.
Bazując na analizach Harvard Business Review i McKinsey, kluczowe elementy skutecznej strategii biznesowej obejmują:
Jasna wizja i misja zgodna z celami wzrostu.
Analiza rynku i konkurencji dla zrozumienia otoczenia biznesowego.
Podejmowanie decyzji w oparciu o dane, traktując je jako strategiczny zasób.
Skupienie na doświadczeniu pracowników i rozwoju talentów.
Zdolność adaptacji do nowych technologii i zmian rynkowych.
Strategiczne budżetowanie i alokacja zasobów.
Czyli jak doskonale możesz zauważyć — dotyka to nie tylko samego planu na to, co należy zrobić, ale jednocześnie sposobów egzekucji przy dostępnych zasobach. Nie da się w tak szerokim otoczeniu jednoznacznie i bezwględnie podejmować decyzji, toteż decyzje i odpowiedzialność za nie bazują w ramach rachunku prawdopodobieństwa i analizy ryzyka każdorazowo obranego kierunku: najlepiej cyklicznie. Tutaj w szczególności pomagają dane, a konkretniej ich zastosowanie w konkretnej sytuacji (bo jak też wiadomo, dane bez kontekstu to tylko nieme cyfry):
Jasna wizja i misja zgodna z celami wzrostu — postęp w realizacji celu trzeba pomiarować;
Analiza rynku i konkurencji dla zrozumienia otoczenia biznesowego — konkurent na rynku zajmuje swój stosowny segment, który najczęściej jest pułapem finansowym, ale nie tylko;
Skupienie na doświadczeniu pracowników i rozwoju talentów — satysfakcja w organizacjach jest mierzona najczęściej NPSami, ale również i poziomem rotacji;
Zdolność adaptacji do nowych technologii i zmian rynkowych — zmiana rynkowa jest niczym innym jak przemodelowaniem gospodarczym, a ekonomia mimo iż nauka głównie nauka humanistyczna to posługuje się metodami matematycznymi;
Strategiczne budżetowanie i alokacja zasobów — głównie finanse, tłumaczy samo za siebie.
Innymi słowy: nawet jak chcesz, to od danych nie uciekniesz. Warto więc nie być data-driven (swoją drogą uważam to określenie za najlepszy majstersztyk marketingowy zaraz po utworzeniu konceptu BRICS i braniu go w pełni na poważnie) tylko z nazwy, a zacząć sensownie gospodarować swoimi zasobami oraz nie popadać we fałszywą technokrację (jak np. przy próbie automatyzowania wszystkiego, co popadnie) i twierdzić, że wdrożenie jakiegokolwiek narzędzia to analityka.
Dane to zasób, analityka to narzędzie, strategia to rezultat całego procesu czynności związany z obróbką danych, taktyka to konkretne posunięcia, a do tego dochodzi jeszcze egzekucja. Stan idealny jest wtedy, kiedy wszystko się zgadza: z doświadczenia wiem, że zazwyczaj jak się coś psuje, to absolutnie wszystko na raz i równocześnie.
Rozumienie informacji, czyli o zarządzaniu, kontekście i o tym, jak to wpływa na dane i końcowe wnioski (+ sceptyzm wobec KPI, OKR i pochodnych)
Gdy już masz strategię i taktyki realizacji konkretnych rzeczy i przechodzisz do egzekucji to warto wiedzieć w jaki sposób zarządzać informacjami w organizacji. Nie da się tego zrobić bez kontekstu — sama strategia i konkretna taktyka już go nadaje, także dobrze przeprowadzony proces strategiczny (jako esencję i początek zainteresowania tematem polecam kształtuje kierunek mierzalności konkretnych elementów i preferowanej, docelowej struktury danych (+ korekty).
Jako dobry punkt wyjścia polecam ten wpis który pokazuje w jaki sposób można przeprowadzić taki warsztat:
Oprócz tego (co nie będzie zaskoczeniem dla osób zapoznanych z tematem strategii) polecę IMHO obowiązkową pozycję książkową: Good Strategy Bad Strategy: The Difference and Why It Matters (a tutaj wersja dla ludzi preferujących polskie tłumaczenie). Ta lektura pozwoli Ci zdecydowanie uszeregować to, co dzisiaj ode mnie przeczytasz i zdecydowanie pogłębić temat (acz zapewniam, że mejl nie powstał na bazie książki :P).
Z tego miejsca przejdę do czegoś, o czym mogłeś/aś prawdopodobnie słyszeć: OKR, KPI i inne metodyki służące do pomiaru efektów oraz wynikami. Z założenia brzmią one rewelacyjnie, gdyż uspójniają sposób pomiaru i formę interpretowania postępu w realizacji nałożonych celi. W praktyce często powstaje pewna dychotomia.
OKR, czyli Objectives and Key Results, to metodyka zarządzania łącząca cele organizacji z mierzalnymi rezultatami. Składa się z ambitnych, jakościowych celów (Objectives) oraz mierzalnych wskaźników (Key Results) określających, czy cel został osiągnięty. OKR ustala się zazwyczaj na kwartał lub rok, a ich transparentność dla całej organizacji jest kluczowa. Z kolei KPI, czyli Key Performance Indicators, to kluczowe wskaźniki efektywności mierzące skuteczność organizacji w osiąganiu celów operacyjnych. Są one często specyficzne dla danej branży lub funkcji, używane do monitorowania bieżącej wydajności i powiązane z długoterminowymi celami strategicznymi.
Choć obie metodyki służą do pomiaru wyników, różnią się w kilku istotnych aspektach. OKR skupiają się na ambitnych, transformacyjnych celach, podczas gdy KPI koncentrują się na monitorowaniu bieżącej wydajności. OKR są zazwyczaj krótkoterminowe i elastyczne, mogące się zmieniać w zależności od potrzeb, natomiast KPI są często długoterminowe i względnie stałe. OKR zachęcają do ustalania trudnych do osiągnięcia celów, podczas gdy KPI zazwyczaj mają realistyczne, osiągalne progi. Struktura OKR jest jasno określona: cel jakościowy i mierzalne rezultaty, a KPI to pojedyncze metryki, często bez szerszego kontekstu. OKR są używane do kierowania zmianami i innowacjami, a KPI służą do monitorowania i utrzymywania wydajności operacyjnej.
O tym powstało już sporo treści od bardziej doświadczonych ludzi ode mnie, toteż pozwolę sobie użyć cytatów — poniżej rzecz o OKRach:
Jak omówił Grove, OKR-y mają pomóc zespołom w ustaleniu tempa, priorytetyzacji pracy i skupieniu się na tym, co ważne. [...] Ale pamiętaj, OKR to hipoteza - KR-y to mniejsze wyniki, z których składają się większe cele. OKR-y powinny być proste, wspierając zdolność do szybkiej oceny, czy sprawdzają się jako hipotezy, czy powinny zostać zrewidowane. Powinno to nastąpić, gdy tylko pojawi się nowa wiedza. Często jednak OKR-y stają się ogromną, zagnieżdżoną strukturą, do której wraca się w jakimś absurdalnym, ustalonym cyklu (na przykład kwartalnym). [...] Zwinne OKR-y byłyby fajne. Moglibyśmy nazwać to 'OKRA'. Problem polega na tym, że jeśli uczysz się, jak osiągać docelowe wyniki, jak powinieneś, to po prostu ucz się, jak osiągać docelowe wyniki... cały dodatkowy bagaż struktury OKR nie jest nawet potrzebny.
KR-y mają tendencję do skupiania się na wyjściu (listach prac do wykonania), a nie na wynikach (różnicy, jaką ta praca ma zrobić). [...] Tworzenie jednoznacznych miar rezultatów jest jednak trudne, więc ludzie mają tendencję do skupiania się zamiast tego na listach zadań. Listy zadań są łatwe. Ale kiedy to się dzieje, uwaga przesuwa się na proporcję osiągniętych KR-ów (lub, co dziwne, na oceniony stopień, w jakim zostały osiągnięte). [...] Gdy uwaga wszystkich jest mocno skupiona na tym, nikt tak naprawdę nie śledzi, czy wskaźniki tych wyników wyższego poziomu (celów) są poruszane, czy nie.
Wszyscy wiedzą, że zasada nr 1 dotycząca OKR-ów mówi, że NIE MOGĄ być one powiązane z ocenami pracowniczymi. No jasne. W końcu mają to być ambitne cele. Jeśli powiążesz oceny pracowników z nimi, to... Tak. Możesz je wtedy nazwać luźnymi celami. To prawo Goodharta. [...] Jeśli OKR-y są powiązane z twoją oceną wyników, to jak to będzie wyglądać dla ciebie, zależy od rozmów, które przeprowadzisz ze swoim menedżerem. [...] Pamiętaj, OKR-y mają dotyczyć skupienia i ciągłego doskonalenia. Mają wykorzystywać ambitne cele jako katalizator wzrostu, co znowu działa tylko wtedy, gdy nie są powiązane z ocenami pracowniczymi.
— przetłumaczone cytaty z OKRs and OKRA autorstwa Charles’a Lambdin’a w newsletterze The Lateral Lens
A tu trochę o KPIach:
KPI pomagają menedżerom produktu, programistom i interesariuszom monitorować i oceniać sukces produktu. Umożliwiają podejmowanie decyzji opartych na danych i pomagają identyfikować obszary wymagające poprawy. Śledząc KPI, zespoły mogą dokonywać świadomych korekt swoich strategii i priorytetyzować wysiłki zgodne z celami produktu.
Przy tworzeniu lub opracowywaniu KPI musisz rozważyć, jak ten KPI odnosi się do konkretnego wyniku biznesowego lub celu. KPI muszą być dostosowane do twojej sytuacji biznesowej i powinny być opracowane tak, aby pomóc ci osiągnąć twoje cele.
Jaka jest ta jedna metryka, która ma największe znaczenie dla sukcesu twojej firmy i wokół której możesz zjednoczyć swój zespół? [...] Gdy zidentyfikujesz tę 'najważniejszą' metrykę, możesz wokół niej ustalić kryteria sukcesu, monitorować ją, zrozumieć, co napędza jej zmiany, obsesyjnie popychać ją we właściwym kierunku – i właściwie oceniać i zarządzać kondycją swojego produktu.
— przetłumaczone cytaty z 29/36 : 📊 Everything about Product KPIs w newsletterze Product Mindset’s Newsletter
Warto zauważyć, że OKR i KPI nie wykluczają się wzajemnie. Wiele organizacji skutecznie łączy obie metodyki, używając KPI do monitorowania bieżącej wydajności, a OKR do napędzania wzrostu i innowacji. Jednakże, w praktyce implementacja tych metod może prowadzić do pewnych wyzwań i dylematów, szczególnie w kontekście zarządzania informacjami w organizacji i dostosowywania ich do szerszej strategii biznesowej.
Jednym z kluczowych dylematów jest balansowanie między krótkoterminową efektywnością a długoterminową innowacją. KPI często skłaniają do optymalizacji bieżących procesów, podczas gdy OKR zachęcają do podejmowania ryzyka i eksperymentowania. To może prowadzić do konfliktu priorytetów, gdzie menedżerowie muszą decydować, czy skupić się na poprawie wskaźników KPI, czy na realizacji ambitnych celów OKR.
Innym wyzwaniem jest potencjalne przeciążenie informacyjne. Próba jednoczesnego śledzenia wielu KPI i OKR może prowadzić do nadmiaru danych, utrudniając wyciąganie jasnych wniosków i podejmowanie decyzji. Organizacje muszą znaleźć złoty środek między kompleksowością a przejrzystością systemów pomiarowych.
Wyzwaniem jest także dostosowanie cykli raportowania i rewizji. OKR są zazwyczaj ustalane i oceniane w dłuższych okresach, podczas gdy KPI często wymagają częstszego monitorowania. Synchronizacja tych różnych rytmów może być trudna i wymaga elastycznego podejścia do zarządzania informacjami.
Wreszcie, pojawia się kwestia adaptacji do zmieniających się warunków rynkowych. Sztywne trzymanie się ustalonych KPI może ograniczać zdolność organizacji do szybkiego reagowania na zmiany, podczas gdy zbyt częste modyfikowanie OKR może prowadzić do utraty długoterminowej wizji.
Także jak widzisz, jest to znacznie szersza sprawa niż implementacja zwykłego CRMa, czy innego ERPa.
Dlaczego w interpretowaniu danych musisz rozumieć warstwę techniczną, nawet jak jesteś biznesem i nie chcesz się tym interesować?
Wprowadzę tutaj kolejny defetyzm względem obecnie panującego dyskursu i sparafrazuję cytat z mojego poprzedniego newslettera:
Mianowicie: jestem tego zdania, że rozwój ANI (ang. Artificial Narrow Intelligence; celowo tu nie wspominam o AGI, tj. Artificial General Intelligence, gdyż to jest koncept nadal teoretyczny i nieprzewidywalny, nie mówiąc o tym, czy w ogóle możliwy) zwiększy, co jest oczywiste, zapotrzebowanie na dane, ale jednocześnie zwiększy próg wejścia w realizacji analiz i wymusi jeszcze większą interdyscyplinarność (co się łączy ze wspomnianym w cytacie paradoksem Jevonsona).
Tak na dobrą sprawę nawet na obecnym etapie ma tak to na dobrą sprawę miejsce. Przykładem namacalnym z podwórka marketingu jest Google Analytics 4 i funkcjonalność modelowania behawioralnego. Modelowanie behawioralne w Google Analytics 4 (GA4) to zaawansowana funkcja wykorzystująca uczenie maszynowe do analizy zachowań użytkowników i przewidywania ich przyszłych działań. Proces ten opiera się na zbieraniu i analizie danych o interakcjach użytkowników z witryną lub aplikacją, takich jak czas spędzony na stronie, kliknięcia, przewijanie, czy ścieżki nawigacji. GA4 wykorzystuje te informacje do tworzenia modeli predykcyjnych, które mogą przewidywać prawdopodobieństwo określonych działań użytkownika, na przykład dokonania zakupu czy porzucenia koszyka, ale nawet i liczby wejść na strony internetowe. Modele te są stale aktualizowane w oparciu o nowe dane, co pozwala na ciągłe doskonalenie szacunków (co jest ważne: dane surowe do samodzielnej obróbki jesteś w stanie uzyskać z BigQuery, gdyż te podane już przez panel analityczny są już po przeprocesowaniu).
Kolejny przykład poruszałem już na blogu we wątku dotyczącym prognozowania danych:
Mianowicie, jeśli taki model ANI zostanie stworzony do prognozowania wyników, to trzeba będzie nie dość, że poznać założenia predykcji, to jeszcze móc je walidować i dostrajać względem wyników. To, co jest pewne to to, że nie przewidzisz przyszłości i przy np. budowie modeli ekonometrycznych przewidujących scenariusze ekonomiczne potrafią zmieniać się założenia. W dodatku same algorytmy potrafią się zdezaktualizować i na ich miejsce wejść nowe odpowiedniki, potrafiące np. wyzbyć się anomalii i innego szumu informacyjnego: trzeba wiedzieć, kiedy je użyć. To, w jaki sposób je użyć i co potem dane liczby znaczą zależy właśnie ściśle od tej technicznej części.
To wszystko
Będę wdzięczny za informację zwrotną o tym, czy taka formuła newslettera podoba się. W razie pytań odpisz na tego mejla — chętnie odpowiem i pomogę.
Do przeczytania
Kacper
Dzięki Kacper za ten wpis. Testowałem jakieś 6 miesięcy wraz ze porą grupą managerów OKRy. Jeśli chodzi o KPI to myślę że są w krwioobiegu biznesu na stałe i jako podstawa. Myślę że niezłym pomysłem jest mieszanie technik i dopasowywanie szczegółów do obecnej sytuacji czyli strategii. Chce przez to powiedzieć że w niektórych organizacjach i ich momentach lepiej sprawdzi się coś bardziej OKRowego a w innych nie. Google wymyślił OKR i to dlatego że też był w momencie rozwoju w którym takiej metody potrzebował. W pełni zgadzam się że strategia wyznacza kierunek ale to taktyki odpowiadają za to JAK go osiągnąć. Strategia jest często z taktyką mylona. Co do danych to moje zdanie znasz :) Na pewno będzie rosło zapotrzebowanie na nie i będzie spadać ich jakość (jako pochodna wzrostu ilości). Wygrają Ci którzy będą mieli lepszą jakość i egzekucje rozumianą jako aktywację. Obyśmy byli w tej połowie :)