Problem priorytetyzacji

Sprawdź, jak identyfikować najbardziej opłacalne projekty analityczne.

Gdy wczesna analiza danych zacznie wykazywać rzeczywistą wartość biznesową, możesz stanąć w obliczu większej liczby potencjalnych projektów, niż będziesz w stanie praktycznie udźwignąć. Wtedy konieczne będzie wykorzystanie procesu priorytetyzacji. Zobacz, jak robi to Intel.

W 2011 roku niewielki zespół stanowiący część działu IT firmy Intel zaczął szukać sposobów na dokładniejsze przewidywanie zapotrzebowania na moc obliczeniową do testowania projektów układów.

Wiedza na temat momentu wystąpienia etapów o największym wykorzystaniu zasobów (oraz ilości pamięci niezbędnej do każdego z testów) pozwoliła firmie Intel zwiększyć efektywność wykorzystania dużej sieci serwerów obliczeniowych. W ten sposób możliwe stało się planowanie większej liczby równoległych testów bez ryzyka osiągnięcia limitu pamięci lub mocy obliczeniowej.

Stawka była wysoka: każdy procent wzrostu efektywności skutkowałby osiągnięciem 1 miliona dolarów oszczędności w skali roku. Zespół złożony z pięciu osób spędził sześć miesięcy stosując techniki zaawansowanej analizy danych pochodzących z symulacji testów. W ten sposób udało się udoskonalić proces projektowania, generując ponad 10 milionów dolarów oszczędności rocznie.

Dziś zespół ten nosi nazwę Advanced Analytics. Od czasu powstania jest dosłownie zalewany propozycjami projektów – mimo iż liczba jego członków wynosi już blisko 100 osób. Aby nadawać priorytety proponowanym projektom, zespół analizuje m.in. zdolność wsparcia i współpracy ze strony jednostki biznesowej, ilość danych wysokiej jakości oraz rozmiar i skalę potencjalnego wpływu podejmowanych działań.

Dziś projekty uznawane za warte realizacji mogą trwać nawet rok, a płynące z nich zyski – znacznie przekraczać te osiągnięte w projekcie symulacji projektowania układów.

Położenie nacisku na duży zwrot z projektów „jednoznacznie informuje o tym, że oczekujemy wysokiej opłacalności” – mówi Moty Fania, Principal Engineer for Big Data Analytics w firmie Intel.

Praca zespołu wciąż jednak polega w dużej mierze na badaniach i eksperymentowaniu. „Prawie zawsze przyglądamy się danym, mając już gotowe założenie lub hipotezę” – wyjaśnia. „Czasem jednak znajdujemy nieoczekiwany sygnał, który okazuje się mieć duże znaczenie”.

Czasem jednak znajdujemy nieoczekiwany sygnał, który okazuje się mieć duże znaczenie.

Moty Fania, Principal Engineer for Big Data Analytics działu IT firmy Intel.

2. Odpowiedni problem. Pytanie, na które zespół analityczny poszukuje odpowiedzi, musi mieć znaczenie dla firmy. Aby poradzić sobie z problemem, trzeba również zrozumieć, jak dane rozwiązanie wpisze się w istniejące procesy, systemy i sytuację kadrową.

W tym przypadku problem był idealnie powiązany z celem organizacji, jakim było zwiększenie sprzedaży. Kierownicy najwyższego szczebla zobowiązali się dokonać zmian w obrębie procesów, gdyby okazało się to konieczne.

3. Dane. Zespół analityczny musi określić, czy dostępna ilość wysokiej jakości danych jest wystarczająca, aby projekt był wykonalny i opłacalny.

W naszym przypadku zespół przeprowadził pilotażowy projekt dla jednego obszaru geograficznego, dla którego istniał należyty zbiór danych wysokiej jakości. Testy wykonane z użyciem danych zakończyły się pomyślnie. Projekt analityczny okazał się być obiecujący, co uzasadniło potrzebę poprawy jakości danych w innych obszarach.

4. Zasoby. Zespół analityczny, we współpracy z „patronem” należącym do organizacji, musi ocenić, jakie osoby, umiejętności, narzędzia i moc obliczeniowa będą niezbędne do osiągnięcia sukcesu, oraz sprawdzić, czy są one dostępne.

Nasz zespół analityczny miał do dyspozycji grupę pracowników działu telemarketingu – liderzy ds. sprzedaży zdecydowali się udostępnić zasoby ludzkie na potrzeby projektu.

5. Czas. Zespół analityczny powinien ocenić, czy jest w stanie osiągnąć rezultaty projektu w wyznaczonym czasie, tak aby odpowiednio szybko wykazać wartość, jaką wniesie on do organizacji.

W naszym przykładzie udało się osiągnąć dobre wyniki programu pilotażowego w krótkim czasie, co uzasadniło podjęcie dalszych prac na szerszym zbiorze danych.

W wielu przypadkach rozmowa dotyczy jednego aspektu, podczas gdy rozwój koncepcji prowadzi do stworzenia zupełnie innego rozwiązania.

Chen Admati, Advanced Analytics Manager w firmie Intel

Rejestrowanie wyników i nieustanne zaangażowanie

Jak mówi Admati, w czasie spotkań menedżerowie ds. sprzedaży i eksperci działu analitycznego opracowali niezbędny plan. Zgodnie z ich szacunkami algorytm uczenia maszynowego był w stanie zawęzić listę do najlepszych potencjalnych klientów i pozwolić na dostosowanie komunikatów związanych ze sprzedażą układów do ich potrzeb biznesowych, co w ostatecznym rozrachunku zwiększyło zysk firmy.

Zespół Advanced Analytics opracował algorytm zdolny wyodrębnić 1000 najlepszych rekordów z całkowitej puli 10 000 sprzedawców.

Algorytm pozwolił także na przygotowanie ściśle określonych tematów do omówienia przez przedstawicieli handlowych, opartych o potrzeby każdego z potencjalnych klientów. Część z nich mogła bowiem być bardziej otwarta na rozmowy o układach przeznaczonych do serwerów, podczas gdy inni mogli poszukiwać w głównej mierze sprzętu do obsługi sieci.

Dzięki wykazom priorytetowych potencjalnych klientów oraz dostosowanych tematów do rozmów w roku 2014 dział sprzedaży internetowej zdołał zwiększyć sprzedaż o ponad 76 milionów dolarów. (Dział finansowy firmy Intel śledzi i sprawdza wyniki związane z projektami analitycznymi, pozwalając na rozliczanie projektów oraz zwiększając dokładność prognoz zwrotu z inwestycji dla przyszłych projektów).

Jak podkreśla Admati, mimo iż z technicznego punktu widzenia projekt został zakończony, zespół Advanced Analytics regularnie sprawdza jego efekty po stronie działu sprzedaży internetowej.

„W wielu przypadkach rozmowa dotyczy jednego aspektu, podczas gdy rozwój koncepcji prowadzi do stworzenia zupełnie innego rozwiązania” – mówi Admati. „W toku działań poznajemy jednostkę biznesową, której mamy pomóc, jej procesy decyzyjne oraz niezbędny wpływ na jej pracowników. W oparciu o te informacje zmienia się priorytet podejmowanych projektów” – wyjaśnia.

Zacznij nadawać priorytety już dziś


Pobierz nasz model priorytetyzacji, aby oceniać własne potencjalne projekty.

Biuletyn

Nasze najpopularniejsze przewodniki po planowaniu i informacje możesz otrzymywać pocztą e-mail.

Zaprenumeruj teraz