【Gipi 數位思維】為什麼有「數據策略」的企業擁有更強的競爭力?

評論
評論

上一篇 用三國志為引,談完商業數據管理的重要性後,在各個場合中總會有人問我:「我已知道數據很重要,但我對於如何開始做數據管理仍是毫無頭緒,gipi 你怎麼看?」,我的回答是:「你需要建構公司的數據策略。」

本文,我將跟各位分享何謂數據策略(data strategy)?以及如何建構數據策略。

何謂數據策略?

所謂的數據策略,顧名思義就是企業如何採集、儲存、管理、使用數據,並對企業整體帶來助益。而在這個前提下,我們可以說數據策略是衍生自企業策略,而且數據與企業策略間的關係愈來愈緊密(回顧一下我上一篇文章: 談商業數據管理的重要性),企業不該只盯著落後指標看,而是從數據中挖掘出洞見,並採取行動。

我認為,未來領先全球的頂尖企業,絕對都是擁有並能善用數據的公司。

建構數據策略的 4 個步驟

Step1. 依據企業目標設定數據目標

任何的計畫一定都有一個目標,而數據策略的目標必須衍生自企業策略,因為數據管理的目的是為了改善企業營運績效,若數據管理未對企業帶來任何助益,那一切都是白搭。

不論你是用五力分析、競爭策略、價值鏈、SWOT 或者策略地圖來展開公司策略,你最終都該有幾個明確且必須執行的策略目標要達成,例如 A 產品的業績比例提升、客戶滿意度提高、市占率拉升、行銷的精準度提升等。

為了達成策略目標,我們會設定一些對應的行動方案,並依據行動方案展開專案,確保行動方案完成時,策略目標也同時達成。

在企業目標之下,你對數據的期待是什麼?或換個問法,你希望數據可以幫上你什麼忙?以下我援引《大數據,從概念到運營》書中所提到的五級成熟度索引,希望讓各位對數據的用途先有一個宏觀的了解。

  •  業務監督:
    這是最基礎的數據應用,關鍵點在於「監督營運上是否有異常」,常見的管理工具例如銷售報表、dashboard(儀表板)等各種基礎的統計分析內容,是最典型的應用。
  •  業務洞見:
    若說業務監督的數據是管理的落後數據,那這部分的數據一般是領先的數據,可以「提早告訴你哪些地方有狀況」,包含哪些產品銷量突然暴增或暴跌,哪些生產線的 workload 已經超標,哪些客戶的行為已經發生改變。這部分一般會建立一些統計模型或試驗項目,用來挖掘或預測潛在的機會與問題。
  •  業務優化:
    在挖掘出洞見後,能自動化並批量的運行,例如根據客戶屬性與行為交叉推薦合適的商品、根據當下個行銷通路的表現自動調整投放金額、根據社群媒體的議題與聲量,決定某些產品的進貨與囤貨,智慧製造、智慧零售、智慧 XX,很多跟 AI 或智慧扯上邊的應用,大致上都歸於這一個層級。
  •  數據貨幣化:
    就是將數據包裝後用來服務客戶。當你擁有廣大的數據,而這些數據對於特定的目標客戶是有價值的,那你就能做數據生意,re-targeting 就是一種典型的應用,而 open data 若經過包裝,也能稱的上是一種數據貨幣化。
  •  業務轉型:
    這可能好發於硬體公司,尤其是那些想搞 IoT 的公司?過去他們以生產硬體為主要獲利方式,而數據採集很大一部分是仰賴終端的載具,載具的範圍從大家熟知的 PC、手機等漸漸的擴展到其他的 device 或 sensor 上,當數以百億計的數據都是透過這些硬體裝置採集而來,而硬體公司擁有這些數據的使用權時,他們就有機會轉型成以數據賺錢。

你希望數據可以幫上你什麼忙?

做數據策略前必然得先回答這個問題,因為有了期待,目標明確了,策略才得以展開。這個問題對老闆或高階主管來說或許困難了點,我建議你找商務分析師與數據專家們一塊討論吧!

Step2. 盤點數據,檢視落差

Step1 我們先設定期待,希望數據可以幫上什麼忙,而 Step2 就要來檢視現階段所擁有的數據是否能滿足我們的期望了。

舉個例子,如果今天的策略目標是要「提高用戶滿意度」,一般我會透過以下的步驟去盤點我所需要的數據。

首先問,「如何衡量用戶滿意度?相關指標為何?」

這是我第一個會問的問題,得到的答案可能是服務使用頻率、回購率、推薦率、客訴狀況、退款紀錄、服務滿意度調查等等指標。如果你無法提出你的衡量指標,數據就很難幫得上忙,在此請再次回顧我前一篇文章所提到的觀念:數據不會完全精準,但是可以比之前更好,就值得做。

接著問,「這些指標所需的數據是否完備?」

所謂的完備指的是正確、完整且可取得。此問題得到的答案可能如下表,各個指標的數據完備狀況可能略有不同,其中可能涉及彙整、合併、擴展、加工與採集的需求,而這些就是數據的落差,必須衍生對應的數據行動方案。

到上面這個步驟,我們已經盤點完衡量客戶滿意度相關的數據,只要這些數據完備了,我們就能做好業務監督的工作,但我們的策略目標是提高用戶滿意度,這已是業務洞見與業務優化的層次,所以我會進一步問:

「能找出哪類型的客人回購率最高、最低嗎?」
「能找出哪類型的客人推薦率最高、最低嗎?」
「客戶退款前通常有什麼行為?能找出早期徵狀嗎?」
「滿意度調查分數的高低是否與回購、推薦、退款有正相關?」

要回答這些問題,會需要做一些統計分析與模型建立,同時涉及一些自動化機制,例如對潛在回購或推薦的客人推送合適的 eDM 或廣告,鼓勵他們採取行動,或對潛在高退款風險的客人,自動推送關懷訊息,或告知客服人員必須立刻介入關懷等。

Step3. 規劃數據行動方案

設定目標,檢視落差設定方案,這是策略規劃中的典型作法。一般策略規劃中,行動方案結構大致如下:先選定一個企業策略目標,說明用來衡量策略目標完成的基準為何,並描述相關限制,接著展開將採取的行動方案,以及行動方案的細節,包含成員、目標、專案執行計畫、里程碑等等。

而在 Step2 時,其實已經挖掘出相關的數據落差,差別只在行動方案的細節仍未展開,當我們把數據行動方案加到策略行動方案的結構時,看起來就會像下圖這個樣子,數據策略正式與企業策略掛勾了。(以 B 代表業務行動方案,D 代表數據行動方案)

Step4. 讓數據策略成果回歸「商業數據管理」機制

透過反覆執行 Step1 ~ Step3,就能將每個企業策略相關的數據工作展開來,公司的短期數據工作就有了個全貌,如下圖,就可作為這個策略週期內數據團隊所要執行的相關工作。

有別於傳統的數據管理,這邊我特別加上了商業兩個字。這意味著我們談論的數據管理,不僅僅限於技術層次的管理工作,而是建基於商業目的之上,例如針對業績、客戶、行銷、服務、財務等主要營運流程所需數據的管理,企業需要有個長期的數據策略去採集、儲存、管理與使用各種商業數據。

以客戶的數據為例,原先我們不清楚哪些客戶是潛在高退款風險的,但隨著模型的建立始能找出這些客戶,而模型比對後,自動將這些客戶標示並推送到服務人員手中,要求服務人員對客戶做關懷,透過數據管理將相關工作自動化,也提升了營運效率。

你可以逐一將各主要業務領域在數據上能做到的事情盤點出來,這可用來呈現該業務領域的商業數據成熟度。老話一句,高價值的事都不會容易做,但萬事起頭難,請從今天開始思考公司的數據策略吧!這將會大幅提升公司在商業上的競爭力,因為當別人都還在土法煉鋼,你做什麼決策其實已經都比別人更有依據了。

評論