Λήψη αποφάσεων με βάση τα δεδομένα: Ανταγωνιστικό πλεονέκτημα και πελατοκεντρική προσέγγιση

Των Αντρέα Σπυρίδη, Συνέταιρου και Επικεφαλής Υπηρεσιών Ποσοτικού Ρίσκου, Grant Thornton Κύπρου

Φάνη Ιωάννου, Διευθυντή στο Τμήμα Υπηρεσιών Ποσοτικού Ρίσκου, Grant Thornton Κύπρου

Κάθε εταιρεία σε παγκόσμιο επίπεδο προσπαθεί να αποκτήσει ανταγωνιστικό πλεονέκτημα, είτε με την παραγωγή αγαθών και υπηρεσιών ανώτερης ποιότητας είτε με τη μείωση του κόστους αυτών. Στην εποχή της Τεχνητής Νοημοσύνης, των λύσεων Cloud και της αυξημένης υπολογιστικής ισχύος η χρήση δεδομένων για την εξάλειψη των προκαταλήψεων (biases) και τη βελτίωση της διαδικασίας λήψης αποφάσεων καθιστά ένα τέτοιο ανταγωνιστικό πλεονέκτημα πιο προσβάσιμο σε σχέση με πριν.

Μπορεί να υποστηριχθεί ότι αυτό που περιγράφει την «κουλτούρα» ενός οργανισμού είναι η σειρά βημάτων και οι συνήθεις πρακτικές που ακολουθεί όσον αφορά τη λήψη επιχειρηματικών αποφάσεων. Ο τρόπος για να ελαχιστοποιηθούν οι ανθρώπινες προκαταλήψεις στη λήψη αποφάσεων είναι η εισαγωγή διαδικασιών πραγματολογικής σκέψης χρησιμοποιώντας τη δύναμη των δεδομένων. Η σωστή κατανόηση των δεδομένων οδηγεί πάντα στην πιο αντικειμενική και αμερόληπτη απόφαση. Ως αποτέλεσμα, στην «κουλτούρα» ενός οργανισμού πρέπει να εισαχθεί ένας μηχανισμός ο οποίος να βασίζεται σε δεδομένα. Αυτό θα έχει ως αποτέλεσμα να εμπλουτιστεί ο τρόπος λήψης αποφάσεων αλλά και να μειωθεί ο αριθμός των αποφάσεων που βασίζονται σε προσωπικές απόψεις, οι οποίες ενίοτε είναι υποκειμενικές ή και ανυπόστατες.

Η υιοθέτηση μιας πολιτικής λήψης αποφάσεων με γνώμονα τα δεδομένα, επιτρέπει στους οργανισμούς να εντοπίζουν μοτίβα και να γίνονται πιο πελατοκεντρικοί, συμβάλλοντας, έτσι, στη λήψη βάσιμων αποφάσεων και, ενδεχομένως, στη διασφάλιση της αφοσίωσης των πελατών στην εταιρεία. Υπάρχει πληθώρα πλεονεκτημάτων από τη χρήση δεδομένων, όπως είναι ο εντοπισμός εξειδικευμένων προϊόντων ή και υπηρεσιών, και η βελτίωση της εμπειρίας του πελάτη.

Με ποιον τρόπο μπορεί ένας οργανισμός να υιοθετήσει έναν τέτοιο μηχανισμό και ποια εμπόδια θα μπορούσαν να εντοπιστούν στο δρόμο προς την υιοθεσία;

Η ικανότητα ανάγνωσης, κατανόησης, δημιουργίας και επικοινωνίας δεδομένων ως πληροφοριών (data literacy) είναι ο πιο κρίσιμος παράγοντας για την εξασφάλιση της επιτυχίας και αυτού του είδους η νοοτροπία πρέπει να προωθείται από την ανώτατη διοίκηση. Για παράδειγμα, ένα μέλος του διοικητικού συμβουλίου μιας εταιρίας που έχει εκπαιδευτεί σχετικά με τα οφέλη της λήψης αποφάσεων οι οποίες βασίζονται σε δεδομένα, θα ζητήσει να παρουσιαστεί σ’ αυτόν τεκμηριωμένη ανάλυση, προκειμένου να έχει όλα τα στοιχεία που απαιτούνται για να σχηματίσει τη δική του γνώμη. Αντιθέτως, ο φόβος των απολύσεων λόγω της αυτοματοποιημένης λήψης αποφάσεων που θα μπορούσαν να αντικαταστήσουν την κρίση η οποία βασίζεται στην ανθρώπινη εμπειρία, είναι ένα εμπόδιο για την υιοθέτηση ενός τέτοιου μηχανισμού σε έναν οργανισμό. Στην πραγματικότητα, ωστόσο, αυτό που δημιουργεί πλεονάζον προσωπικό είναι η αποτυχία αναβάθμισης των δεξιοτήτων του ώστε αυτές να ανταποκρίνονται στις απαιτήσεις της εξέλιξης του κλάδου.

Όπως στην περίπτωση κάθε σημαντικού επιχειρηματικού μετασχηματισμού, έτσι και κατά τη μετατροπή των επιχειρηματικών διαδικασιών και διαδικασιών σε μηχανισμούς λήψης αποφάσεων που βασίζονται σε δεδομένα, χρειάζεται κάποιος να έχει την υποστήριξη στελεχών, όπως τα διευθυντικά στελέχη ή ο διευθύνων σύμβουλος, προκειμένου να είναι σε θέση να αντιμετωπίσει πιθανά εμπόδια που μπορούν να εμφανιστούν στο δρόμο προς την αλλαγή. Ταυτόχρονα, όλοι οι βασικοί ενδιαφερόμενοι πρέπει να ενημερώνονται κατάλληλα και να συμμετέχουν ενεργά. Είναι σημαντικό να διασφαλιστεί η αποτελεσματική συνεργασία μεταξύ όλων των εμπλεκομένων στη διαδικασία μετασχηματισμού. Η ποιότητα των δεδομένων ή ακόμα και η μη διαθεσιμότητα των δεδομένων, μπορεί να θεωρηθούν ως ανασταλτικοί παράγοντες στην αρχή, αλλά, αν και σημαντικά, δεν είναι κρίσιμα για την επιτυχή εφαρμογή. Ξεκινώντας το ταξίδι του επιχειρηματικού μετασχηματισμού, οι επιχειρήσεις μπορούν στη συνέχεια να αντιμετωπίσουν τέτοια ζητήματα σε διάφορα στάδια, έως ότου επιτευχθεί η ιδανική κατάσταση.

Εφόσον επιτευχθεί η παραπάνω νοοτροπία, ποιες είναι οι συνθήκες που θα μπορούσαν να οδηγήσουν τον οργανισμό να αποκτήσει ανταγωνιστικό πλεονέκτημα;

Υπάρχουν, ακόμη και στην Κύπρο, εδώ και αρκετά χρόνια πολλές εταιρείες που βασίζονται στη χρήση δεδομένων. Χαρακτηριστικό είναι το παράδειγμα του Artemis Credit Bureau, του Κυπριακού Πιστωτικού Γραφείου που συλλέγει και παρέχει πληροφορίες για την χρηματοοικονομική συμπεριφορά φυσικών και νομικών προσώπων από το 2008. Τέτοιες εταιρείες προστατεύονται από την ύπαρξη σημαντικών εμποδίων εισόδου ανταγωνιστών λόγω του τεράστιου υπάρχοντος όγκου δεδομένων τους, και από τη δυσκολία των νέων ανταγωνιστών να επιτύχουν τις οικονομίες κλίμακας[1]. Τέτοιοι οργανισμοί δεν στοχεύουν στη συλλογή πληροφοριών που αφορούν στους πελάτες προκειμένου να κατανοήσουν καλύτερα τον πελάτη και να βελτιώσουν την προσφορά τους. Αντίθετα, το ανταγωνιστικό τους πλεονέκτημα βασίζεται στον μεγάλο όγκο δεδομένων που ήδη διαθέτουν. Από την άλλη, μια Τράπεζα που συλλέγει πληροφορίες πελατών προκειμένου να υπολογίσει τον πιστωτικό κίνδυνο που προκύπτει σε περίπτωση αθέτησης πληρωμών ενός πελάτη, στοχεύει στην ανάλυση δεδομένων για την καλύτερη κατανόηση του προφίλ κινδύνου, και ως εκ τούτου, τιμολογεί τα προϊόντα της αντίστοιχα, βελτιώνοντας έτσι τη στρατηγική της και κάνοντας τα προϊόντα της πιο ελκυστικά στους πελάτες. Με άλλα λόγια, υπάρχει κίνητρο να χρησιμοποιηθούν τα δεδομένα των πελατών της με τρόπο που να μπορούν να μετατραπούν σε ανταγωνιστικό πλεονέκτημα γι’ αυτήν.

Ας σκεφτούμε, επίσης, πόση αξία μπορεί να προστεθεί σε μια επιχείρηση από τα δεδομένα των πελατών. Για παράδειγμα, τα αυτό-οδηγούμενα αυτοκίνητα της Tesla απαιτούν τεράστιο όγκο δεδομένων σχετικών με την οδήγηση, προκειμένου να βελτιώσουν τις τεχνολογικές τους δυνατότητες και, ως εκ τούτου, να ενισχύσουν την ασφάλεια των επιβατών. Αυτό είναι υψίστης σημασίας και γι’ αυτό η αύξηση της ακρίβειας υπολογισμού ακόμη και κατά ένα μικρό ποσοστό είναι σημαντικότατη. Από την άλλη πλευρά, η συλλογή δεδομένων πελατών, για ένα σύστημα συστάσεων τηλεοπτικών προγραμμάτων, από έναν κατασκευαστή τηλεοράσεων μπορεί να μην είναι τόσο σχετική με το προϊόν, καθώς οι πελάτες ενδιαφέρονται περισσότερο, για παράδειγμα, για το μέγεθος και την ποιότητα της εικόνας του συγκεκριμένου προϊόντος όταν λαμβάνουν την απόφαση για αγορά. Ως εκ τούτου, είναι σημαντικό να κατανοήσουμε, πώς πρέπει να εξάγονται οι σωστές αποφάσεις από την επεξεργασία των δεδομένων που διαθέτει μια επιχείρησή και πώς μπορεί να δημιουργηθεί πρόσθετη αξία στην προσφορά μιας εταιρείας, πριν προχωρήσει σε τέτοιες επιχειρηματικές αποφάσεις.

Επιπλέον, μια άλλη σημαντική πτυχή που πρέπει να ληφθεί υπόψη είναι το πόσο γρήγορα υποτιμάται η σχετικότητα των δεδομένων. Και πάλι, αν πάρουμε το παράδειγμα των αλγορίθμων αυτό-οδήγησης της Tesla, η αξία των δεδομένων δεν φαίνεται να υποτιμάται, βραχυπρόθεσμα τουλάχιστον, καθώς τα πρότυπα οδήγησης παραμένουν σχετικά σταθερά. Αντίθετα, σκεφτείτε ότι η εταιρία ρουχισμού Zara συλλέγει πληροφορίες σχετικά με τις απαιτήσεις των πελατών. Πόσο σχετικά θα μπορούσαν να είναι αυτά τα δεδομένα σε ένα ή δύο χρόνια, όταν οι προτιμήσεις σχετικά με τα σχέδια και τις τάσεις της μόδας αλλάζουν τόσο γρήγορα με την πάροδο του χρόνου; Αυτό σημαίνει ότι η περίπτωση της Tesla, δημιουργεί ένα μακροπρόθεσμο ανταγωνιστικό πλεονέκτημα, ενώ στην περίπτωση της Zara, βοηθά την εταιρεία να προβλέψει τη βραχυπρόθεσμη ζήτηση, η οποία εξακολουθεί να είναι σημαντική για την αντιστοίχιση των αναγκών των πελατών, αλλά η αξία των δεδομένων μειώνεται γρήγορα και καθιστά δύσκολη τη δημιουργία βιώσιμου ανταγωνιστικού πλεονεκτήματος, εάν τα δεδομένα δεν επανεξετάζονται συχνά. Επομένως, το μακροπρόθεσμο ανταγωνιστικό πλεονέκτημα από τη χρήση δεδομένων εξαρτάται επίσης από το επιχειρηματικό μοντέλο και τη συγκεκριμένη περίπτωση χρήσης σε έναν οργανισμό.

Μπορούν τα δεδομένα να χρησιμοποιηθούν και για καλύτερη εσωτερική λειτουργία των επιχειρήσεων;

Τα δεδομένα πελατών θα μπορούσαν να χρησιμοποιηθούν και για εσωτερικούς σκοπούς, γεγονός που θα έχει έμμεσο αντίκτυπο στην εμπειρία του πελάτη. Σκεφτείτε για παράδειγμα την περίπτωση μιας εταιρείας ασφάλισης αυτοκινήτων που λαμβάνει ψεύτικες αξιώσεις από πελάτες για τροχαία ατυχήματα. Αυτό απαιτεί σημαντικό ποσό επένδυσης από την εταιρεία σε χρόνο και χρήμα, προκειμένου να αξιολογηθεί και να επαληθευτεί εάν μια αξίωση είναι δόλια ή όχι. Αυτή η απόφαση θα επηρεάσει τον αριθμό των υποθέσεων για τις οποίες απαιτούνται περαιτέρω ενέργειες και οι οποίες μπορεί να οδηγηθούν σε δικαστήριο. Από την άλλη πλευρά, όταν η ασφαλιστική εταιρεία έχει συγκεντρώσει επαρκή δεδομένα πελατών, μπορεί να δημιουργήσει ένα μοντέλο ανίχνευσης απάτης, με βάση αυτά τα δεδομένα, για να προβλέψει, με προκαθορισμένο βαθμό εμπιστοσύνης, τέτοιες δόλιες αξιώσεις. Αυτό μπορεί να ελαχιστοποιήσει τον χρόνο διαχείρισης για αξιώσεις που είναι πραγματικές, ενώ μπορεί να αναγνωρίσει αυτές που θα χρειαστούν εντατικότερη έρευνα. Στην εποχή της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης, τέτοιες εξελίξεις δεν αποτελούν επιστημονική φαντασία και θα μπορούσαν να βοηθήσουν τους οργανισμούς να εξελιχθούν γρήγορα.

Είναι δύσκολη η υιοθέτηση λήψης αποφάσεων βάσει δεδομένων;

Με βάση τα παραπάνω, είναι ζωτικής σημασίας για έναν οργανισμό, ο οποίος επιδιώκει τη λήψη αποφάσεων βάσει δεδομένων και τη χρήση δεδομένων πελατών για την απόκτηση ανταγωνιστικού πλεονεκτήματος, να κατανοήσει ποια μέρη του επιχειρηματικού του μοντέλου και των προϊόντων ή των υπηρεσιών του είναι τα πιο σημαντικά για δημιουργία αξίας για την επιχείρηση και τους πελάτες της. Η λήψη αποφάσεων με γνώμονα τα δεδομένα είναι ένα ταξίδι που απαιτεί τη συμμετοχή όλων των ενδιαφερομένων. Είναι σημαντικό να κατανοήσουμε ότι, αν και η υιοθέτηση μπορεί να είναι δύσκολη, οι οργανισμοί έχουν τη δυνατότητα να προσεγγίσουν αυτήν την εφαρμογή με ευέλικτο τρόπο. Η σκέψη ότι ο τελικός στόχος είναι πολύ μακριά, μπορεί να απωθήσει τους ανθρώπους, ενώ η ανάληψη πρωτοβουλιών και η έναρξη από βασικά βήματα και χαμηλούς καρπούς, θα είναι σίγουρα η καλύτερη επιλογή για τέτοιους μεγάλης κλίμακας μετασχηματισμούς.

Illustration of MVP product development by Henrik Kniberg

[1] Οικονομίες κλίμακας είναι ένας όρος των οικονομικών, που αναφέρεται στην μείωση του κόστους που επιτυγχάνει μια επιχείρηση αυξάνοντας την ποσότητα του παραγόμενου προϊόντος και χαρακτηρίζει την παραγωγή ενός οποιουδήποτε προϊόντος.

Πηγές

https://www.theactuary.com/interviews/2022/02/25/sudaman-thoppan-mohanchandralal-driven-data

https://hbr.org/2020/01/when-data-creates-competitive-advantage