Arvien biežāk dzirdam aicinājumus uzņēmumiem vākt un lietot “lielos datus”, ieviest datu orientētu kultūru, lai ieraudzītu pasauli citādāku, stiprinātu konkurences priekšrocības vai strādātu efektīvāk. Ir tik daudz avotu, kā mēs šodien varam iegūt lielos datus – uzņēmumu klientu, darbinieku dati, sociālo mēdiju profilu lietotāju un viņu reāllaika sarunu monitoringa dati….. Tā teikt šodien visi ir laipni aicināti lielo datu pasaulē! Taču ne vienmēr ieiešana datu pasaulē notiek raiti un nesapīgi. Būdami pētnieki jau vairāk kā piecpadsmit gadus, esam saskārušies ar izaicinājumu – kā likt datiem runāt cilvēciskā valodā? Kā interpretēt datus, kā dabūt no tiem pašu labāko? Ne velti tiek uzskatīts, ka pastāv domāšanas, uzvedības un valodas (un arī) citas atšķirības starp lēmumu pieņēmējiem un datu piegādātiem – analītiķiem, radot tā dēvēto “datu interpretācijas plaisu”. Vai esat redzējuši filmu “Lost in translation” (zudis tulkojumā)? Šī ir ļoti atbilstoša metofaora tam, kādas kļūmes, nesaprašanās un pat neizdarība var notikt, ja satiekas mentalitātēs dadžādi cilvēki – piemēram, “datu cilvēki” un “cilvēku cilvēki”. Šajā rakstā dosim ieskatu, ar ko sākt ceļojumu datu pasaulē.
Kas ir lielie dati
Klīst leģenda, ka “lieli dati” savu unikālo nosaukumu ieguvuši Silīcija ielejas (ASV) sarunu pusdienās (lunch-table) pagājušā gadsimta vēlajos 90-jos gados. Šis termins ieguvis popularitāti ap 2011. gadu, pateicoties IMB un citām tehnloģiju kompānijām, kuras centās radīt jaunas, savas analītisko “instrumentu” tirgus nišas. Lielo datu “seksīgais” vārds iepatikās arī citu tirgu dalībniekiem, un to sāka lietot “pa labi un pa kreisi”, lai tikai varētu izskatīties svarīgāks. Pēc neliela apmusluma perioda, “lielie dati” tika pie definīcijas. Te nu tā ir – lielie dati ir liela apjoma, ātrgaitas un dažādi no informācijas avota viedokļa, tie prasa izmaksu efektīvas un inovatīvas informācijas apstrādes formas, un tiek izmantoti, lai uzlabotu izpratni un lēmumu pieņemšanu (angļu valodā tiem atradīsiet apzīmējumu 3 V – Volume, Variety, Velocity). Vēlāk šis ierobežojums tika papildināts ar vēl trim apzīmējumiem:
- Nenoteiktība, neprecizitāte – dati, kas ir grūti interpretējami, kā, piemēram, sociālo tīklu lietotāju reāllaika sarunas;
- Nepastāvība jeb ātra datu mainība un sarežģītība (aptauju dati);
- Vērtīgums, ko datiem var piešķirt tikai tos strukturējot, apstrādājot un interpretējot (papildus trīs V – Veracity, Variability, Value).
Joprojām uzņēmumi gaida lielo datu analīzes inovatīvākās metodes, kas spēs ne vien ātri apkopot reāllaika informāciju, bet arī uztvert katra lietotāja konkrētas vajadzības (MI- machine inteligence, learning). Tapēc pagaidām un joprojām lielie dati ir trokšņu pilni, savstarpēji nesaistīti un pat neuzticami. Tie prasīs cilvēka prāta, zināšanu un pat empātijas klātbūtni tos vācot, strukturējot, analizējot, interpretējot un saredzot iespējas, lai risinātu biznesa problēmas ar pilnīgi jaunu domāšanas veidu.
Cietie un mīksie dati
Vispirms palūkosim uz datu dabu personālvadībā. Datus var iedalīt “cietajos” (hard) un “mīkstajos” (soft) datos. Par cietajiem datiem personālvadībā devē tos kvantitatīvos datus, kas tiek izmantoti, lai novērtētu personālvadības funkciju un procesus, par kuriem tā ir atbildīga. Šie dati parasti tiek izmantoti uzņēmuma operatīvās efektivitātes un izmaksu plānošanā un novērtēšanā. Cietie dati, piemēram, ir vidējais laiks, kas nepieciešams, lai aizpildītu vakances, mācību izmaksas uz vienu darbinieku, vidējās slimību dienas uz vienu darbinieku gadā. Šie ir tradicionāli dati, var arī teikt klasiski dati, kuru nepieciešamība radusies jau 19. gadsimta beigās, kad uzņēmumi sāka rūpēties par produktivitāti.
Savukārt “mīkstie” dati tiek dēvēti arī par organizācijas cilvēkkapitāla rādītītājiem, un tie stāsta par darbinieku kā uzņēmuma kapitālu un to ietekmi uz biznesa rezultātiem. Šie dati ir gana jauni tādā izpratnē, ka tikai pēdējā desmitgadē organizāciju vadība pastiprināti pievērš uzmanību cilvēku jeb darbaspēka kapitālam, atzīstot uzņēmuma rīcībā esošos cilvēku resursus kā kapitālu jeb uzņēmuma aktīvus, kuri ir būtiski ilgtspējīgu konkurences priekšrocību diferenciācijā un saglabāšanā. Arī “mīkstie” dati ir tā dēvētie lielie dati (big data), un tie galvenokārt izmanto kvantitatīvas datu analīzes metodes. Taču tie tiek uzskatīti kā kvalitatīvi dati, galvenokārt šo datu dabas – tie ir aptauju jeb cilvēku viedokļu dati (saukti arī par sentimenta jeb pagātnes datiem), tāpēc tie var būt nenoturīgi vai pagaidu, jo tos var ietekmēt dažādi situatīvi nosacījumi, piemēram, līderība, organizācijas kultūra. Tāpēc šie dati ir regulāri jāatjauno ne vien aptaujas satura, bet arī aptaujas konteksta izpratnē. “Mīkstie dati” ir nepieciešami, lai uzņēmums spētu novērtēt savu darbinieku kapitālu. Ar “mīkstajiem datiem” var novērtēt darbinieku efektivitāti, adaptēšanās spējas, iesaistījumu darbā, piesaistījumu organizācijai. Šie indikatori savukārt ietekmē (spēj prognozēt) uzņēmuma produktivitāti, klientu apmierinātību un lojalitāti, un sekojoši arī finanšu rādītājus. Par iesaistījumu un piesaistījumu vairāk var izlasīt šeit
Kāpēc jāsavieno cietie un mīkstie dati?
Neskatoties uz šo datu atšķirībām, cietajiem un mīkstajiem personāvladības datiem var “likt sadarboties”, lai palīdzētu uzņēmumam sasniegt savus darbības un stratēģiskos mērķus. Ja “cietie” dati atbild uz jautājumu “kas?” (piemēram, kas veido izmaksas?), tad “mīkstie dati” sniegs atbildes uz jautājumu “kā?” (piemēram, kā mēs varam nonākt pie vēlamā rezultāta?). Tikai kopā šie dati spēs iedot lielo stratēģisko bildi un taktiskās atbildes – kur mēs atrodamies un kā mums nokļūt tur, kur gribam? Vēl vairāk – savietojot vai vismaz “lasot” darbinieku “mīkstos datus” tādus kā iesaistījums līdztekus ar klientu apmierinātības un lojalitātes aptauju datiem, uzņēmums spēs ieraudzīt loģiskas saites (zināmas celoņsakarības), stiprās un vājas vietas procesos un vadīšanā.
Ar ko sākt?
Dati jau tagad ir kritisks korporatīvais aktīvs, kapitāls. Tie nāk un nāk, un katru dienu vairojas, pat uzglabājas no tīmekļa, miljardiem tālruņu, sensoru, maksājumu sistēmu, kameru un daudziem citiem avotiem, un to īstenā vērtība ir saistīta ar to izmantošanu. Taču vairums uzņēmumu izmanto vien 5 – 30% no to rīcībā esošajiem datiem (labākie izmantotāji ASV ir medicīna, publiskais sektors un vairimtirdzniecība, par Latviju mums ziņu nav). Uzņēmumiem joprojām vislielākais izaicinājums ir apieties ar datiem, piesaistīt un noturēt talantīgos datu speciālistus – ne tikai datu zinātniekus, bet datu mediatorus jeb starpniekus, kas spēj apvienot datus ar specifiskām nozares zināšanām un funkcionālo pieredzi.
Taču mēs varam sākt arī ar mazumiņu. Kā zināms – tūkstoš jūdžu ceļojums sākas ar pirmo soli. Un atklāsme – sākas ar īstajiem jautājumiem īstajā laikā (vairāk par jautāšanu lasīt šeit).
Un kā pārvarēt “interpretācijas plaisu”?
Analīzes rezultātu interpretācija lēmumu pieņēmējiem saprotamā valodā parasti saistīta ar analītiķu ierobežotām zināšanām konkrētā disciplīnā, vai nozarē. Mūsu kā pētnieku pieredze liecina, ka ir divi veidi, kā to uzlabot. Pirmais – ieinteresēt, iesaistīt datu analītiķi lēmumu pieņemšanas vai stratēģiskās plānošanas procesos, lai viņš/ viņa izprot un saredz sakarības starp datiem un rezultātiem. Otrais – algot datu starpnieku, “tulkotāju”, kam piemīt gan datu analīzes, gan jūsu nozares zināšanas.
Lai sākas un izdodas jūsu ceļojums lielo datu pasaulē!
