리더가 더 나은 결정을 내리기 위해 데이터와 직관을 혼합하는 방법

D지난 XNUMX년 동안 디지털 변환이 증가하면서 데이터의 가능성이 커졌습니다. 의심할 여지 없이 데이터는 고객을 이해하고 비즈니스를 성장시키며 성공을 측정하는 데 필수적이지만 데이터만 필요한 것은 아닙니다. 좋은 결정에는 두 가지 데이터가 모두 필요합니다. 과 직관.

많은 사람들이 데이터가 왕이고 직관이 광대라는 잘못된 믿음에 이르렀습니다. 때때로 두 사람은 줄다리기에 참여하는 것처럼 보이며 어느 쪽도 다른 쪽의 존재로 통치할 수 없다고 확신합니다.

이것은 진실에서 멀어질 수 없습니다. 직감은 또한 모든 좋은 결정에서 중요한 역할을 합니다. 데이터와 직관이 결합되면 정신 모델을 개선하고 강화하는 피드백 주기가 생성됩니다. 직감은 데이터에 물어볼 올바른 질문으로 이어질 수 있으며 결과 스토리는 직관을 알려줍니다. 데이터가 불완전하거나 품질 문제가 있을 때 직감이 경고할 수 있습니다. 데이터는 우리가 편향된 행동을 하고 있거나 상황이 바뀌었을 때를 인식하는 데 도움이 될 수 있습니다.

이는 사방에서 새로운 비즈니스 과제가 발생하는 불확실성이 증가하는 시대에 중요합니다. 데이터는 과거에 대한 확고한 이해를 제공할 수 있지만 정확성, 즉 완벽한 데이터 모델을 만드는 데 너무 몰두하면 바로 눈앞에서 일어나고 있는 일을 놓칠 수 있습니다. 직관은 우리가 방향성을 빠르게 이해하는 데 도움이 될 수 있으며, 이는 정량적 수치만큼 의사 결정에 영향을 미칠 수 있습니다. 직관과 데이터를 적절하게 사용하면 불확실성을 극복하는 데 있어 두 가지 주요 동맹이 될 수 있습니다.

현실 세계에서의 의사 결정

우리는 디지털 서비스 및 데이터 분석의 수석 이사인 Michael Nolting과 이야기를 나눴습니다. 폭스 바겐, Michael Sasaki, 전 고객 성공 및 지원 글로벌 책임자 부사장 MITEK, 기업이 의사 결정을 내리고 비즈니스 결과를 도출하기 위해 데이터와 직관의 균형을 맞추는 방법을 알아봅니다.

Tableau: 귀사에서는 어떻게 의사 결정을 내리나요?

놀팅: 우리는 [Volkswagen에서] 데이터 기반 자동차 생산을 만들기 위해 지난 몇 년 동안 정말 열심히 일했습니다. 우리는 테스트 드라이브와 고객으로부터 얻은 모든 데이터를 수집하는 Snowpark라는 플랫폼을 만들었습니다. 자동차 이용 측면에서 격차가 있는지 분석했다.

실제 고객이 우리 자동차를 어떻게 사용하는지 이해하면 고객의 요구에 따라 자동차를 만들고 더 나은 제품을 제공할 수 있을 뿐만 아니라 전체 비용을 최소화할 수 있습니다.

Volkswagen에서는 직감[감정]과 데이터를 기반으로 결정을 내립니다. 데이터가 선호되며 점진적으로 무언가를 최적화하는 데 사용할 수 있습니다. 충분하지 않은 데이터(데이터 부족, 너무 많은 입력 차원, 너무 낮은 효과 크기 또는 필요한 너무 많은 컨텍스트 지식으로 인해)를 기반으로 어려운 결정을 내릴 때 탐색을 위해 직감이 필요합니다. 핵심 비즈니스는 가능한 한 데이터 영역으로 이동해야 합니다.

위험을 감수하려면 감수할 위험의 양에 따라 계층 구조가 필요합니다. C 레벨 리더는 위험을 감수해야 합니다.

MOIA 차량(함부르크와 하노버의 공유 모빌리티 솔루션)의 데이터가 민주화되었습니다. 계정이 있는 Volkswagen의 모든 사용자가 액세스할 수 있습니다.

우리의 목표는 모든 데이터를 내부적으로 민주화하는 것입니다. 우리는 현재 내 부서에 거대한 데이터 웨어하우스를 구축하고 있으며 모든 비즈니스[사용자]가 데이터를 가져오고 분석할 수 있도록 하고자 합니다. 우리는 모든 비즈니스 [사용자]를 데이터 엔지니어/데이터 과학자로 만듭니다.

사사키: [Mitek에서] 결정을 내리려면 이해관계자 간의 조정이 필요합니다. 궁극적으로 최종 결정권자가 있으며 그들은 일반적으로 결정을 내리는 기능 전문가입니다. 그러나 우리는 모두가 같은 정보를 가지고 있는지 확인하고, 같은 데이터를 보고, 데이터를 이해하고, 정의에 동의하는지 확인하는 데 많은 시간을 보냅니다.

Tableau: 의사 결정을 내릴 때 데이터, 직관 및 경험의 균형을 어떻게 맞추십니까?

놀팅: 사람들이 마침내 위험을 감수해야 하고 모델/질문의 복잡성이 높아 이용 가능한 데이터가 충분하지 않을 때 부담이 큰 질문에는 직관이 필요합니다.

우리는 여전히 핵심 비즈니스의 일부를 가지고 직감 영역에 있으며 데이터 기반 회사가 되기 위해 데이터 영역으로 단계적으로 이동하려고 합니다. 그럼에도 불구하고 혁신 프로젝트 또는 새로운 비즈니스 기회 탐색은 항상 부분적으로 직감 영역에 남아 있습니다. 핵심 비즈니스가 아직 거기에 있다면 직감 영역의 문제는 무엇입니까? 직감 영역에서 위험이 높은 질문에 답하려면(읽기: 수백만 달러를 잃을 수 있음) 위험을 감수할 회사의 관리자가 필요합니다. 이것에 따르면 우리는 물론 계층 구조를 가지고 있습니다. 유로화로 예상되는 위험을 기반으로 우리는 위험을 감수할 수 있는 다양한 관리 수준을 가지고 있습니다. 위험이 수백만에 달하면 C 레벨이 개입합니다.

사사키: 그것들은 모두 내 마음 속에 얽혀 있습니다.

데이터는 매우 중요합니다. 데이터를 사용하면 장에 정보를 제공하는 데이터의 하이브리드를 보기 시작합니다. 고객 데이터를 기반으로 결정을 내리고 있습니다. 이것이 바로 데이터로 작업하고 고객과 함께 추진한 결과를 확인하는 것이 올바른 장소로 이동하는 데 실제로 도움이 되는 경험입니다. 그 경험은 데이터 작업에서 매우 중요합니다.

그래서 나는 그것이 둘 중 하나라고 말하지 않을 것입니다. 지금은 둘 다의 하이브리드입니다. 그리고 둘 다 매우 중요합니다. 직감은 데이터에 의해 움직입니다.

Tableau: 결정을 내리기에 충분한 데이터가 있다는 것을 언제 알 수 있습니까?

놀팅: "데이터가 충분합니까?"라고 말할 수 없습니다. 또는 "데이터가 충분하지 않습니까?" 이것은 올바른 시스템을 연결하고 좋은 데이터를 보유하는 것에 관한 것입니다. 질문은 항상 질과 양 사이에 있습니다.

기업이 데이터 변환을 겪을 때 가장 큰 문제는 초기 데이터 품질입니다. 데이터로 작업할 수 있는지 여부를 실제로 조사해야 합니다. 특정 대시보드의 경우 고품질 판매 데이터가 필요합니다. 데이터 관리자가 필요합니다.

큰 효과 크기의 경우 소량의 데이터가 필요합니다(예: 소형 차량에서). 우리는 [소포 배송 회사] DPD와 같은 상용 고객이 공유 이동성 솔루션인 MOIA의 운전자와 비교하여 자동차를 어떻게 사용하는지 알아보고 싶었습니다. 이 데이터는 테스트 플릿에서 수집할 수 있습니다. 작은 효과 크기를 측정하려면 대규모 함대에서 데이터를 가져옵니다.

또한 Tableau 대시보드를 사용하여 보유하고 있는 구성 요소 부족에 따라 생산할 구성 요소의 우선 순위를 정할 수 있습니다. 하나의 대시보드는 필요한 구성 요소의 순서를 예측합니다. 정말 복잡합니다. 수십억 개의 조합이 있습니다. 그런 다음 계산을 수행하고 부족할 때 구성 요소를 주문합니다. 그 결과 최적의 생산 공정이 이루어집니다.

사사키: XNUMX~XNUMX년 전에는 데이터가 부족했습니다. 그리고 지금은 너무 많은 데이터가 있습니다. 어떤 데이터가 중요한지 파악하는 것이 핵심이자 과제입니다. 원하는 거의 모든 단일 결정을 정당화하기 위해 데이터를 볼 수 있기 때문입니다. 그리고 그것은 여러분이 빠질 수 있는 함정입니다. 여러분이 원하는 결정을 내리고 그것을 정당화할 데이터를 찾는 곳에서 데이터는 여러분이 따라야 할 길을 실제로 드러내고 있습니다.

따라서 질문은 결정을 내리기에 충분한 데이터가 있다는 것을 언제 알 수 있습니까?

고객 관련 결정에 대한 고객 성공 경험은 다음과 같습니다. 고객의 밝은 부분을 살펴보고 과거에 제공한 원하는 결과를 이끌어내기 위해 어떤 데이터가 존재했는지 확인할 수 있습니다. 그래서 우리는 추진된 결과를 많이 살펴본 다음 어떤 데이터가 실제로 그 결정을 주도한 중요한 데이터인지 살펴봅니다. 그래서 우리는 그것들을 식별하고 정말로 그것을 구별할 것입니다.

또한 데이터 분석가 팀에 많은 기대를 걸고 있습니다. Mitek에는 다양한 유형의 데이터 팀 설정이 있습니다. 마케팅, 재무, 고객 성공 등 다양한 기능에 데이터 분석가가 있는 분산형이 있습니다. 모든 것이 단 하나의 팀인 중앙 집중식 기능을 가질 수 있습니다. 그러나 데이터 분석가는 어떤 기능에서 오는지에 관계없이 들어오는 모든 요청에 ​​대해 작업합니다.

저는 고객 성공 팀에서 데이터 분석가 역할을 만들고 구축했습니다. 그것은 몇 가지 이유로 매우 중요했습니다. 데이터 분석가는 데이터 분석의 전문가일 뿐만 아니라 데이터를 분석하는 대상에 대한 기능적 전문가도 되어야 한다고 생각합니다. 고객 성공 팀에 데이터 분석가를 두는 것은 고객 데이터를 이해하는 데 중요합니다. 결정을 내리기에 충분한 데이터가 언제 있는지 결정하는 데 도움을 줄 시간이 있을 때 데이터 분석가에게 의지합니다. 부정확함과 비활성 사이의 균형을 맞추는 것입니다.

잘못된 결정을 내리는 것과 아무런 조치도 취하지 않는 것 중 어느 것이 더 비용이 많이 듭니까? 충분한 데이터가 있다고 느끼는지 모르겠지만 데이터를 기반으로 전화를 걸 수 있을 만큼 충분히 편안해집니다.

Tableau: 데이터를 보고 숫자가 실제 인간 고객을 나타내는 것을 잊어버리기 쉽습니다. 이 실수를 어떻게 방어할 수 있습니까?

사사키: 저는 고객을 대면하고 있습니다. 나는 고객과 수익을 책임지고 있습니다. 제품 개발 팀은 고유한 목표를 가지고 있으며 항상 인간에 관한 것은 아닙니다. 어쩌면 그들이 그것을 이해하지 못할 수도 있고 그들의 잘못이 아닙니다. 고객을 대면하는 쪽의 리더로서 그 숫자, 그 데이터 포인트에 얼굴을 대는 것은 제 책임입니다.

데이터에 사람의 얼굴을 담기 위해 리더가 할 수 있는 일이 있습니다. 우리 회사에서 많은 프로그램을 시작했습니다. 하나는 점심을 먹고 배우는 것입니다. 우리는 고객을 데려오고 회사 전체를 위해 점심을 살 것입니다. 이제 엔지니어는 고객의 의견을 들을 수 있고 그들이 보고 있는 지표를 인간과 목적에 연관시킬 수 있습니다.

Tableau: 신입 사원은 어떻게 직관을 "트레이닝"할 수 있습니까?

놀팅: 젊은이들은 실패하는 법을 배우고 결정을 내리는 위험을 감수해야 합니다. 이것은 독일 기업들이 어려움을 겪는 문화적 문제입니다. 경험을 쌓고 실수를 함으로써만 직감을 훈련할 수 있습니다. 그러면 앞으로 더 어려운 결정을 내릴 위험을 감수할 수 있습니다. Volkswagen에서는 실패를 용납하는 심리적 안전 환경을 만들었습니다. 이를 달성하려면 올바른 엔터프라이즈 및 데이터 문화가 필요합니다.

사사키: [Mitek에서는] 데이터 경험에서 시작합니다. 우리 팀의 리더들은 고객 성공 관리자를 데이터 분석가로 전환했습니다. Tableau의 데이터 분석가는 고객 성공 관리자를 데이터 분석가로 전환할 수 있는 도구를 Tableau에 제공했습니다. 이제 회사 전체에서 Tableau의 뷰를 보면 뷰의 70%가 고객 성공 관리자의 것입니다.

데이터를 두려워할 수 없습니다. 모든 기회를 경험으로 삼아 긍정적이든 부정적이든 데이터로 최대한 많은 경험을 해야 합니다. 그것은 당신의 직감을 신뢰하는 데 정말 가치가 있을 것입니다. 거기에 들어가서 데이터를 이해하고, 가지고 놀고, 질문하고, 긍정적이든 부정적이든 최대한 많은 경험을 얻으십시오. 그리고 그것은 정말로 당신의 직감을 훈련시킬 것입니다.

데이터가 있으면 반박할 수 없습니다. 다른 기능, 다른 리더 및 다른 팀 구성원과 함께 작업하는 데 데이터를 제공하는 것보다 더 좋은 방법은 없습니다. 데이터를 대화로 가져오면 정말 빠르게 정렬할 수 있습니다. 결정을 내릴 수 있습니다. 고객을 설득할 수도 있습니다. 데이터 기반 회의가 될 것입니다. 데이터 기반 토론이 될 것입니다. 회의와 의사결정이 훨씬 더 빠르게 이루어집니다. 데이터를 통해 더 많은 정보를 얻을 수 있기 때문입니다.”

데이터로 앞서갈 준비가 되셨습니까?

데이터 기반 리더는 변화에 더 잘 적응할 수 있으며 빠르게 변화하는 비즈니스 환경에서 의사 결정의 미묘한 차이를 이해합니다. 그들은 경험과 직관에 의해 보강된 데이터가 조직 전체의 성공에 필수적이라는 것을 알고 있습니다. 방문하다 경영진을 위한 Tableau 데이터가 새로운 유형의 비즈니스 리더에게 어떤 영향을 미치고 있으며 Tableau가 어떻게 힘을 발휘하는지 자세히 알아보십시오. your 데이터 변환.