ساختار تیم تحلیل داده در مالی؛ مدل مرکز و شعبه
وظیفه‌ی تحلیل داده هر روز بیشتر به دوش واحد مالی می‌افتد: محاسبه‌ی حاشیه سود به تفکیک مشتری و کوهورت، مصرف محصول به تفکیک بخش و ریزش مشتری به تفکیک کانال جذب. در این نوشته ساختار تیم تحلیل داده را مرور می‌کنیم: جایگاه سازمانی، مدل مرکز و شعبه، مالکیت اهداف و راه سنجش موفقیت.
تیم تحلیل داده کجا بنشیند؟
پاسخ جهانی وجود ندارد، اما سه الگوی رایج هست.
گزارش به مدیر مالی
این حالت اختیار و کنترل بودجه می‌دهد، اما یک هزینه دارد: برداشت دیگران. سایر تیم‌ها داده را «شاخه‌ای از مالی» می‌بینند و با احتیاط و حالت دفاعی با آن رفتار می‌کنند. تیم محصول ایده‌ی نیمه‌کاره نمی‌آورد، فروش از شما نمی‌خواهد فرض‌های خط لوله‌اش را نقد کنید، و شما بازرس دیده می‌شوید نه همراه. وقتی ناظر شناخته شوید، کسی شما را زود به جلسه دعوت نمی‌کند و فقط بعد از خرابکاری سراغتان می‌آیند.
گزارش به مدیر عملیات
وقتی مدیر عملیات روی برنامه‌ریزی، هدف‌گذاری و پاسخ‌گویی تمرکز دارد، این الگو خوب کار می‌کند. اما اگر او در واقع مدیر فروش با عنوان دیگر باشد، همان مشکل با سوگیری فروش تکرار می‌شود. ضمناً نشانه‌های عقب‌ماندن فروش دیر بروز می‌کند، چون هیچ تیمی دوست ندارد خودش خبر بد درباره‌ی خودش بدهد.
گزارش به مدیر فنی
وقتی داده هسته‌ی خود محصول است (مثلاً ۳۰ تا ۴۰ درصد کار تیم صرف قابلیت‌های محصول می‌شود)، استقرار در مهندسی منطقی است. مزیت آن سرعت است. در مقابل، داده‌ی مالی از مسیر افرادی عبور می‌کند که با صورت سود و زیان بزرگ نشده‌اند و خطر دنبال کردن موضوعات جذاب به‌جای موضوعات اثرگذار وجود دارد.
متغیر اصلی در واقع حمایت مدیران ارشد است: کسی که انگیزه دارد داده را در تصمیم‌های روزمره به کار ببرد و پشتوانه دارد تا دیگران را هم به این استاندارد ملزم کند. نمودار سازمانی کمتر مهم است. گزینه‌ی چهارم هم وجود دارد: واحد مستقل با جایگاه مستقیم در جمع مدیران ارشد، بدون واسطه.
مدل مرکز و شعبه در سه لایه
دو لایه‌ی اول افقی‌اند و به همه خدمت می‌دهند:
- پلتفرم داده: همه‌ی داده‌های کسب‌وکار (مصرف محصول، تیکت‌های پشتیبانی، صورتحساب، مدیریت ارتباط با مشتری) در یک جا. هدف این است که وقتی کسی درباره‌ی یک مشتری یا کوهورت سؤال می‌پرسد، جواب موجود باشد. مثلاً: این حساب پیش از تمدید چند تیکت ثبت کرده؟ این سؤال معمولاً بین سه سیستم پراکنده است. ساخت این لایه سخت‌تر و زمان‌برتر از چیزی است که بیشتر شرکت‌ها بودجه می‌گذارند.
- هوش تجاری و توانمندسازی داده: آخرین مایل؛ یعنی افراد بتوانند بدون ثبت درخواست، خودشان جواب بگیرند.
لایه‌ی سوم عمودی است: دانشمند داده‌ی مستقر در هر واحد کسب‌وکار (بازاریابی، محصول، فروش). «مستقر» یعنی ۸۰ درصد انرژی او صرف همان تیم شود، در اهدافشان زندگی کند و مشکل‌ها را پیش از طرح بشناسد. حاصلش دو چیز است: دیگر فقط درخواست‌پذیر نیستید و پیش از تصمیم دعوت می‌شوید، نه بعد از آن.
قاعده‌ی ۷۰ درصد و سؤال کلیدی
یک قاعده‌ی سرانگشتی: حدود ۷۰ درصد سؤال‌های داده باید بدون دخالت تیم داده پاسخ بگیرد. اگر ۲۰ تا ۳۰ درصد است، باید در خودخدمتی سرمایه‌گذاری کرد. مرز میان خودخدمت و کار تیم داده را سه چیز تعیین می‌کند:
- تکرارپذیری سؤال؛
- روشن بودن تعریف شاخص؛
- میزان قضاوت لازم برای پاسخ.
بیشتر درخواست‌های «یک داشبورد برایم بساز» در اصل از نوع دوم‌اند. بنابراین به هر درخواست یک سؤال را برگردانید: دقیقاً می‌خواهید چه چیزی را تصمیم بگیرید؟ گاهی پاسخ یک داشبورد است، گاهی یک گزارش، یک جدول محوری، و گاهی فقط یک عدد در یک پیام.
وقتی هدف و پیش‌بینی هم دست تیم داده است
در بسیاری از شرکت‌ها، تحلیلگر چیز مهمی پیدا می‌کند و جواب می‌شنود: «در نقشه‌ی راه نیست، باید تا چرخه‌ی برنامه‌ریزی بعد صبر کنید.» تا آن موقع فرصت از دست رفته است.
یک راه‌حل ساختاری این است که همان تیمی که داده را در اختیار دارد، OKRها و پیش‌بینی را هم مدیریت کند. این با رسم رایج که پیش‌بینی را FP&A می‌سازد متفاوت است، ولی مزایایی دارد:
- بحث مربوط‌بودن یافته‌ها حذف می‌شود، چون کاشفان همان تعیین‌کنندگان هدف‌اند؛
- گفت‌وگوی معمول هدف‌گذاری (عدد خوش‌ظاهر مدیرعامل، رشد معقول نسبت به پارسال از مدیر مالی و چانه‌زنی) جای خود را به این سؤال می‌دهد: «داده می‌گوید واقعاً چه چیزی دست‌یافتنی است؟»
- مدل از ابتدا یکپارچه است؛
- اهداف تا سطح فرد پایین می‌روند و هر کس می‌تواند بگوید «این عدد مال من است».
برای نقش پیش‌بینی در مالی، مالکیت پیش‌بینی و پاسخ‌گویی مدیران و نقش تحلیل داده در FP&A مدرن را هم ببینید.
«شلیک را اعلام کن»
بیشتر شرکت‌ها داده را بعد از واقعه نگاه می‌کنند: برای توضیح گذشته، توجیه تصمیم گرفته‌شده یا تأیید باور قبلی. روش مقابل این است که پیش از تحلیل تصمیم بگیرید با هر نتیجه چه می‌کنید. مثلاً اگر بیشترین ریزش مرحله‌ی پرداخت است، همان‌جا تمرکز می‌کنیم، وگرنه نظرمان را عوض می‌کنیم. اگر حاضر نیستید رفتارتان را تغییر دهید، چرا تحلیل می‌کنید؟
شاخص قهرمان برای شاخص‌های متعدد
بیشتر شرکت‌ها شاخص زیاد دارند چون هر واحد تابلوی خودش را می‌سازد. راه حل، شاخص قهرمان است: یک عدد که کل شرکت در یک سال حول آن می‌چرخد.
برای مثال، شرکتی که از کاربر فردی به حساب‌های تیمی می‌رود، می‌تواند NRR حساب‌های تیمی را برگزیند. وقتی تیمی جذب می‌شود و خودش رشد می‌کند (صندلی و مصرف بیشتر)، NRR بالای ۱۰۰ می‌رود؛ با ریزش یا کاهش، پایین‌تر. برای این شاخص GRR و NRR در SaaS را ببینید.
نکته‌ی عملی این است که NRR را به اجزایش (نگهداشت، توسعه، کاهش و ریزش) بشکنید و برای هر کدام شاخص ورودی پیدا کنید، یعنی به‌جای خیره شدن به یک خروجی، اهرم‌های زیرین را دنبال کنید. شاخص قهرمان «نه گفتن» را هم آسان‌تر می‌کند: پروژه‌ای که به آن کمک نکند، به انتهای صف می‌رود.
چگونه نه بگوییم و دوست نگه داریم؟
اگر مدیریت نشود، تیم داده به میز پشتیبانی تبدیل می‌شود. سه راه:
- سیستم هدف: درخواستی که به هدف شرکت وصل نیست، پیش‌فرض رد است و بار اثبات به عهده‌ی درخواست‌کننده می‌افتد.
- خودخدمتی: اگر ۷۰ درصد سؤال‌ها بدون تیم جواب بگیرند، آن‌ها هرگز درخواست نمی‌شوند. این کارآمدترین «نه» است، به شرط ابزار، تعریف‌ها و آموزش خوب.
- نه‌ای که با «بله» شروع می‌شود: بله به خود شخص، نه لزوماً به درخواست: «خوشحال می‌شوم کمک کنم، الان روی این کار هستم، دلیل ماندن شما در صف این است و این جایگزین را پیشنهاد می‌کنم.» ساعت مشاوره‌ی هفتگی (یک ساعت محدود برای سؤال و آموزش خودخدمتی) هم شیر اطمینان خوبی است.
تیم داده چگونه سنجیده شود؟
سه روش:
- نظرسنجی سالانه: یک سؤال، مقیاس ۱ تا ۵: «آیا در کار روزانه با اطمینان با داده تصمیم می‌گیرید؟» کند تغییر می‌کند و برای همین ارزش پیگیری دارد.
- تصمیم‌های راهبردی: سالی دو سه تصمیم واقعاً مسیر شرکت را تعیین می‌کند (بازار بالاتر یا میانی، تیم فروش یا رشد محصول‌محور، فرد یا تیم). اگر تیم کارش را خوب انجام دهد، پیش از این تصمیم‌ها در جلسه است و می‌توانید تصمیم‌های تغییریافته را نشان دهید.
- آزمون بازگرداندن: به مدیر هر واحد بگویید دانشمند داده‌ی مستقر را به تیم مرکزی برمی‌گردانید. اگر بگوید «باشد، ممنون»، مستقر نبوده؛ اگر بپرسد «می‌توانیم نقش را از بودجه‌ی خودمان تأمین کنیم؟» مدل جواب داده است.
این روش آخر شاید تحلیلی‌ترین نباشد، اما نتیجه‌اش را حس می‌کنید.
پرسش‌های متداول
تیم تحلیل داده بهتر است زیر نظر مالی باشد؟
بستگی دارد. مزیتش اختیار و بودجه است، اما خطر دیده شدن به‌عنوان ناظر وجود دارد. مهم‌تر از نمودار سازمانی، وجود حامی قدرتمند در مدیران ارشد است.
شاخص قهرمان یعنی فقط یک شاخص داشته باشیم؟
یعنی یک شاخص محور برای سال که بقیه‌ی شاخص‌ها به آن تابع‌اند. شاخص‌های ورودی زیرین همچنان پیگیری می‌شوند.
خودخدمتی را چطور بسنجیم؟
با سهم سؤال‌هایی که بدون تیم داده پاسخ می‌گیرند (هدف حدود ۷۰ درصد) و نظرسنجی سالانه‌ی اعتماد به داده.
«شلیک را اعلام کن» یعنی چه؟
یعنی پیش از اجرای تحلیل مشخص کنید با هر نتیجه چه تصمیمی می‌گیرید، تا تحلیل برای توجیه نباشد.
جمع‌بندی
جایگاه تیم داده کمتر از وجود حامی ارشد مهم است. مدل مرکز و شعبه با پلتفرم داده، خودخدمتی و تحلیلگر مستقر، همراه با شاخص قهرمان، سیستم هدف و روش‌های سنجش، تیم را از میز پشتیبانی به شریک تصمیم تبدیل می‌کند. مالکیت یکجای داده، هدف و پیش‌بینی هم حلقه را می‌بندد.