политики управления данными – ясной, четко сформулированной, системно и совместно реализуемой и разделяемой всеми сотрудниками компании.
Существует несколько методик оценки нематериальных активов. Например, их стоимость можно рассчитать на основе сведений о наблюдаемых реальных рыночных операциях с аналогичными активами, приносимых ими доходах, денежных потоках, которые они генерируют за счет сбережений или же затрат на их развитие или замену.
Что могут сделать компании?
На основании результатов нашего исследования мы можем порекомендовать три практических шага, которые сможет осуществить любая компания независимо от того, какой способ встраивания механизмов оценки данных в общеорганизационные стратегии она выберет.
Разработка политики управления данными – ясной, четко сформулированной, совместно реализуемой и разделяемой всеми сотрудниками компании. Создает ли ваша организация каталог данных, чтобы в любой момент иметь представление обо всех имеющихся цифровых активах? Отслеживает ли их использование так же, как она следит, скажем, за пробегом легковых автомобилей или грузовиков, которыми владеет? Политика управления данными – ясная, четко сформулированная, системно реализуемая всеми сотрудниками компании – должна стать первым шагом в определении категории ценности той или иной информации.
Несколько компаний из нашей выборки начали классифицировать отобранные массивы данных по категориям ценности вручную. В одном случае поводом для этого стала внутренняя проверка безопасности для оценки риск-данных. В другом – желание выяснить, где именно в организации быстро растет объем данных, и внимательно изучить плюсы и минусы этого роста.
Самым убедительным примером оценки данных, который нам удалось найти, стал случай приобретения, продажи и разделения бизнес-единиц, располагавших значительными активами в виде данных. Мы ожидаем, что в перспективе главные директора по обработке и анализу (CDO) будут также оценивать данные компании для вышеуказанных целей. Но это явление пока еще слишком ново, чтобы можно было уловить какие-либо общие тенденции.
Создание собственной экспертизы для оценки данных. В ходе своего исследования мы обнаружили, что некоторые компании ищут способы монетизации цифровых активов для продажи их третьим лицам или лицензирования. Однако иметь данные для продажи и знать, как их продать это совсем не одно и то же. При оценке своих данных некоторые компании полагались на внешних экспертов, а не на собственный опыт. Мы ожидаем, что эта ситуация изменится. Компаниям, стремящимся монетизировать свои цифровые активы, прежде всего необходимо будет понять, как приобретать и накапливать знания и опыт, чтобы проводить экспертную оценку силами собственной организации.
Решите, какие процедуры оценки в вашей компании будут более эффективными: нисходящие или восходящие. При использовании нисходящего процесса оценки данных компании определяют свои критически важные приложения и приписывают стоимость данных, используемых в этих приложениях, будь то мейнфрейм-система обработки транзакций, технологии управления взаимоотношениями с клиентами или разработки продуктов. Ключевыми этапами здесь будут: 1) определение основных системных связей, объединяющих данные, к которым имеют доступ все связанные системы; 2) измерение интенсивности использования данных в пределах связанных систем. Такой подход обеспечивает преимущество в части определения приоритетов в тех случаях, когда необходимо налаживать внутренние партнерские отношения между ИТ- и коммерческими подразделениями (если они еще не налажены).
Второй подход основан на эвристическом определении ценности, то есть на основе карты использования данных, учитывающей все основные массивы данных в компании. Основные шаги в рамках этого подхода – это оценка потоков данных, связей между данными и приложениями, а также подробный анализ моделей использования данных. При этом бо́льшая часть необходимой информации может уже находиться в устройствах хранения данных и распределенных системах компании.
Но вне зависимости от выбранного подхода начинать компании все равно нужно с определения технологических возможностей и бизнес-событий, указывающих на необходимость выполнения такой оценки. Подход, основанный на потребностях, позволит высшему руководству определить приоритеты и запустить стратегии оценки, которая поможет компании монетизировать текущую и будущую стоимость ее цифровых активов.
Авторы выражают признательность за финансовую и научную поддержку данного исследования Dell EMC, Intel и Seagate Technology Inc.; кроме того, мы благодарны Cisco Systems Inc., IBM и NetApp Inc. за их финансовую и научную поддержку на ранних этапах работы. Особенно ценный вклад внесли Барри Рудольф из VelociData Inc., Дуглас Лейни из Gartner Inc., Барбара Лейтулипп и Билл Шмарзо из Dell EMC и Терри Есии из Intel.
7
Готова ли ваша компания к использованию HR-аналитики?
Барт Безенс, Софи де Винне и Люк Селс
Большие массивы данных («большие данные») и соответствующие аналитические методы в современной бизнес-среде распространены повсеместно. Более того, новые технологии, такие как интернет вещей, непрерывно растущее число профилей в соцсетях и появление открытых общедоступных данных, только увеличивают потребность в глубоких аналитических знаниях и навыках. Многие компании уже вкладывают деньги в большие данные и аналитику для лучшего понимания поведения клиентов. Некоторые наиболее продуманные и проработанные аналитические приложения используются в организациях, ориентированных на клиента. Особенно четко прослеживается эта тенденция в таких областях, как страхование, управление рисками и выявление финансовых махинаций.
Но как использовать большие данные и аналитику, чтобы получить представление о другой важнейшей группе заинтересованных лиц в компании – о ваших сотрудниках? Несмотря на то что многие организации наращивают инвестиции в аналитику и управление человеческими ресурсами (HR), удачных примеров в этой области еще очень немного. Поскольку среди прочих приложений для бизнеса HR-аналитика пока выглядит новичком, мы полагаем, что специалистам-кадровикам будет полезен опыт использования аналитики в областях, ориентированных на клиента.
Основываясь на результатах наших исследований и накопленном опыте, мы представим читателям четыре примера успешного использования HR-аналитики для поддержки стратегических кадровых решений. Если говорить точнее, мы сопоставим результаты наших недавних исследований и отраслевых наработок в сфере исследований потребительского поведения с HR-аналитикой и обсудим четыре важных сопутствующих эффекта.
Урок 1. Моделирование, измерения и регулирование динамики обмена данными в сети сотрудников. В ходе наших собственных исследований мы обнаружили, что связи между клиентами (например, социальные взаимодействия, операции по кредитным картам, совершаемые с одними и теми же контрагентами, или отношения между членами правлений компаний) весьма значимы с точки зрения объяснения и прогнозирования форм коллективного поведения. К ним относятся, например, уход клиентов, реакции людей на маркетинговые программы или на мошенничество. Мы считаем, что эти принципы можно эффективно использовать для получения самых очевидных и легкодоступных выгод в сфере HR-аналитики. В частности, можно построить сеть, использующую сотрудников в качестве узлов с организацией связей между ними с помощью (анонимной) переписки по электронной почте, на базе совместных проектов или сходства талантов, возможно, с нормировкой по датам последних контактов. Потом такую сеть можно будет использовать для оценки того, насколько легко новые сотрудники будут встраиваться в существующий коллектив, а также для количественной оценки
