Podatkov imamo ogromno. Zakaj se še vedno odločamo po občutku?
Podjetja danes zbiramo več podatkov kot kadarkoli prej.
Prodaja je v CRM-u. Računi so v računovodstvu. Obiski so v Google Analytics. Naročila so v ERP-ju ali spletni trgovini. Potem imamo še Excel tabele, maile, poročila in kakšno interno evidenco.
Podatkov torej praviloma ni malo.
Zanimivo pa postane, ko nekdo vpraša nekaj precej preprostega.
Katere stranke pri nas kupujejo manj kot lani?
Ali pa:
Kateri izdelki nam dejansko ustvarijo največ zaslužka?
In tukaj odgovor pogosto ni več tako hiter.
Podatek ni isto kot odgovor
Recimo, da vemo, da smo avgusta naredili 180.000 € prodaje.
To je podatek.
Če smo julija naredili 210.000 €, lahko hitro ugotovimo tudi, da je prodaja padla.
Ampak potem pride bolj zanimivo vprašanje:
Zakaj je padla?
Mogoče smo imeli manj novih povpraševanj.
Mogoče je bilo povpraševanj dovolj, ampak smo zaključili manj ponudb.
Mogoče ena večja stranka avgusta ni naročila ničesar.
Mogoče je določen produkt prodal precej manj kot običajno.
Sama številka nam tega ne pove.
Podatki začnejo postajati uporabni šele takrat, ko lahko iz njih dobimo odgovor na vprašanje, ki nas dejansko zanima.
Problem je pogosto v tem, da je vsak podatek nekje drugje
Predstavljajmo si eno stranko.
V CRM-u imamo kontaktne podatke in odprte ponudbe.
V računovodskem programu imamo izdane račune.
V mailih imamo komunikacijo.
V ERP-ju imamo naročila.
Nekdo v prodaji ima mogoče še svojo Excel tabelo, kjer spremlja stvari, ki jih drugje ni.
Če želimo dobiti celotno sliko te stranke, moramo pogledati na več različnih mest.
Vsak sistem ima svoj del informacije.
Noben pa nujno nima celotne zgodbe.
In tako dobimo precej znano situacijo:
“Samo trenutek, moram še nekaj preveriti.”
Potem odpremo en program.
Pa drugega.
Poiščemo mail.
Preverimo tabelo.
Na koncu odgovor dobimo, ampak smo za nekaj, kar se je zdelo precej preprosto, porabili deset ali petnajst minut.
Excel je pogosto lepilo med sistemi
Excel tukaj velikokrat reši situacijo.
Izvozimo podatke iz enega sistema.
Izvozimo podatke iz drugega.
Jih združimo.
Dodamo nekaj formul.
Naredimo pivot tabelo.
In dobimo odgovor.
Excel je za takšne stvari odličen.
Zanimivo pa je, da pogosto postane neke vrste povezava med sistemi, ki med sabo niso povezani.
Če to naredimo enkrat, ni noben problem.
Če isto poročilo nekdo pripravlja vsak ponedeljek, postane zgodba malo drugačna.
Vsak teden izvoz.
Vsak teden kopiranje.
Vsak teden popravljanje podatkov.
Vsak teden ista tabela.
Takrat se je verjetno vredno vprašati, ali bi lahko ta podatek dobili malo lažje.
Še večji problem nastane, ko imamo dve različni številki
To je verjetno poznano marsikomu.
Prodaja ima eno številko.
Računovodstvo drugo.
Dashboard kaže tretjo.
In potem se začne ugotavljanje, katera je pravilna.
Včasih so lahko celo vse tri pravilne.
En sistem mogoče gleda datum naročila.
Drug datum računa.
Tretji vključuje samo plačane račune.
En sistem upošteva dobropise, drugi jih ne.
Zato ni dovolj, da imamo podatke.
Vedeti moramo tudi, kaj posamezen podatek pomeni.
Če na dashboardu piše:
Conversion rate: 18 %
je to videti zelo konkretno.
Ampak kaj je conversion?
Oddano povpraševanje?
Poslana ponudba?
Potrjena ponudba?
Izdani račun?
Brez tega konteksta je lahko zelo natančna številka precej neuporabna.
Več poročil ni vedno rešitev
Ko želimo boljši pregled nad poslovanjem, je precej naravna ideja, da naredimo več poročil.
Dodamo dashboard.
Potem še enega.
Na njem imamo prodajo, stroške, maržo, nove stranke, odprte ponudbe, zalogo in še deset drugih številk.
Na začetku je super.
Vse je na enem mestu.
Čez nekaj časa pa lahko hitro dobimo ogromno grafov in tabel, pri katerih nihče več ne ve, kaj je res pomembno.
Mogoče ne potrebujemo 30 kazalnikov.
Mogoče potrebujemo pet dobrih vprašanj.
Na primer:
- Ali prodajamo več ali manj kot lani?
- Katere stranke rastejo in katere padajo?
- Kje izgubljamo največ ponudb?
- Kateri produkti nam dejansko prinašajo največ?
- Kje imamo trenutno največji problem?
Ko imamo dobro vprašanje, je precej lažje ugotoviti tudi, katere podatke sploh potrebujemo.
Kaj pa AI?
Tukaj postane stvar danes nekoliko bolj zanimiva.
Veliko uporabe AI v podjetjih trenutno vidimo pri pisanju mailov, pripravi besedil, povzemanju dokumentov in podobnih nalogah.
To je uporabno.
Ampak zanimiva je tudi druga možnost.
Kaj če bi lahko podatkom preprosto postavili vprašanje?
Recimo:
Katere stranke so letos zmanjšale naročila za več kot 20 %?
Sistem pogleda prodajne podatke in vrne seznam.
Potem vprašamo:
Katere od teh strank so bile lani med naših največjih 50?
Nato:
Pri katerih je padlo število naročil in pri katerih povprečna vrednost naročila?
Danes bi za takšno analizo mogoče nekdo moral pripraviti nekaj izvozov, jih povezati in narediti tabelo.
Ideja je, da bi lahko v prihodnje do istega odgovora prišli precej bolj neposredno.
Ne tako, da bi AI čudežno poznal naše podjetje.
Ampak tako, da bi znal uporabljati podatke, ki jih podjetje že ima.
Tukaj se hitro pokaže problem slabih podatkov
Če imamo slabe podatke, tudi AI ne bo naredil čudeža.
Recimo, da imamo isto podjetje v sistemu zapisano kot:
ABC d.o.o.
ABC DOO
ABC Slovenija
Človek hitro ugotovi, da gre verjetno za isto stranko.
Sistem tega brez dodatnih pravil mogoče ne bo vedel.
Podobno velja, če polovica prodajne ekipe vestno uporablja CRM, druga polovica pa podatke zapisuje samo v svoje tabele.
Ko bomo kasneje želeli analizirati prodajne podatke, bo rezultat toliko dober, kolikor so dobri podatki v ozadju.
Tukaj se lepo pokaže staro pravilo računalništva:
Garbage in, garbage out.
Če damo sistemu slabe podatke, bomo zelo težko dobili dober odgovor.
Mogoče problem ni v tem, da imamo premalo podatkov
Dolga leta je bil velik cilj podjetij digitalizacija.
Spraviti procese v računalnike.
Začeti zbirati podatke.
Uvesti CRM.
Uvesti ERP.
Meriti spletno stran.
Povezati prodajo.
Veliko podjetij je danes že precej daleč na tej poti.
Zato se vprašanje počasi spreminja.
Ni več samo:
Katere podatke lahko še zbiramo?
Ampak:
Kaj lahko iz podatkov, ki jih že imamo, dejansko ugotovimo?
To se mi zdi precej bolj zanimivo.
Ker podjetje na koncu ne potrebuje še ene tabele.
Tudi ne še enega dashboarda samo zato, da ga ima.
Potrebuje informacijo, ki mu pomaga nekaj razumeti ali se o nečem odločiti.
Od podatka do odločitve
Če zelo poenostavimo:
Podatek → Informacija → Vprašanje → Odgovor → Odločitev
Podatek nam pove, da je prodaja padla.
Informacija nam pokaže, kje je padla.
Vprašanje je, zakaj se je to zgodilo.
Odgovor nam mogoče pokaže, da je deset večjih strank naročilo manj.
Potem se lahko odločimo, kaj bomo naredili.
In tukaj podatki dobijo pravi smisel.
Ne zato, ker jih imamo ogromno.
Ampak zato, ker nam pomagajo razumeti, kaj se v podjetju dejansko dogaja.
Mogoče bo ravno AI v naslednjih letih naredil ta del precej lažji.
Ne bo odstranil baz, Excelov, CRM-ov in ERP sistemov.
Mogoče pa nam ne bo več treba vedno vedeti, kje je podatek.
Dovolj bo, da bomo vedeli, kaj želimo izvedeti.
In to je verjetno precej bolj uporabno kot še en graf na dashboardu.
Next post ☺️
#Business #Data #AI #Digitalizacija