Big Data – Nem todas as métricas são criadas iguais

Quando funciona, Big Data pode ser uma coisa linda – que organização não gostaria de informações mais acionáveis para alimentar melhores decisões orientadas por dados na busca por uma vantagem competitiva? Mas na corrida para adquirir Big Data, os líderes podem facilmente se desviar do curso com resultados devastadores. De acordo com EMC (divulgação: cliente), apenas cerca de 1/3 das empresas são capazes de utilizar Big Data de forma eficaz. No post de hoje, examinarei as armadilhas que aguardam essas empresas em busca de Big Data.

Claramente, algumas organizações (Amazon, Google, Governo Federal etc.) estão mais bem posicionadas para explorar as oportunidades oferecidas pelo Big Data do que outras. Aqui está a coisa – nem toda corporação tem acesso, muito menos a capacidade de coletar, avaliar e operacionalizar dados em exabytes (cerca de 1 bilhão de gigabytes). A quantidade de infraestrutura e equipe necessária para integrar dados de entradas díspares, mas onipresentes, é impressionante. A dura realidade é que, para cada empresa capaz de aproveitar o Big Data, centenas falharão em sua tentativa de fazê-lo.

MBO's, KPI's, segmentação, análise e agora Big Data. Todos os líderes medem as coisas – a questão é: eles estão medindo as coisas certas, pelas razões certas e nos momentos certos? Embora eu não conteste o valor do Big Data, prefiro ver as organizações focarem seus esforços de forma realista na operacionalização conhecimento em qualquer volume ou velocidade que eles possam lidar atualmente e depois se preocupem com a escala. Deixe-me ser claro – as métricas são, na melhor das hipóteses, inúteis e possivelmente prejudiciais, se as coisas erradas estiverem sendo medidas, e especialmente onde a quantidade é mais valorizada do que a qualidade. Em um coluna anterior em Forbes Eu alerto os líderes sobre confiar demais em “dados” explicando que nem todos os dados são bons dados (vale a pena ler isso).

Se você ler o Para sers peça, e entender a diferença entre dados e conhecimento, podemos voltar nossa atenção para quais métricas você deve estar interessado para começar. Embora existam quantidades praticamente infinitas de métricas financeiras e não financeiras que podem ser avaliadas, acredito que a maioria das medidas pode ser dividida nas 5 categorias a seguir:

1. Medições históricas estáticas;
2. Medições Quantitativas de Retorno;
3. Medições de Retorno Qualitativo;
4. Medições Quantitativas de Desempenho, e;
5. Medições Qualitativas de Desempenho.

Tem sido minha experiência que a maioria das empresas pelo menos tenta medir os itens 1 e 4, mas muitas vezes não consegue medir as outras 3 categorias, que também são as medidas mais significativas. As empresas mais bem administradas medem todas as 5 categorias (assim como vários subconjuntos) com foco nos itens 3 e 5.

Vamos começar afirmando o que deveria ser o óbvio – todas as empresas precisam monitorar as medidas financeiras estáticas básicas de receita, despesas, ponto de equilíbrio, lucros e fluxo de caixa. Embora a análise desses drivers forneça algumas informações operacionais básicas, eles também são um pouco míopes. A razão pela qual digo isso é que, embora a análise histórica seja importante, ela está dando o próximo passo de usar essas medições históricas como linhas de base para calcular os direcionadores de retorno prospectivos que ajudarão você a ajustar seus negócios. Embora a visão geral a seguir não seja exaustiva, ela fornece um ótimo ponto de partida para alimentar pensamentos e conversas produtivas.

Drivers de Retorno Quantitativo:
Métricas como retorno sobre ativos (ROA), retorno sobre patrimônio líquido (ROE), Retorno do Investimento (ROI), Return on Cash (cash-on-cash) e Return on Human Capital (ROHC) fornecerão informações mais úteis do que os cálculos estáticos mencionados acima. O melhor da análise de retorno é que cada área pode ser dividida em vários cálculos de retorno qualitativos mais refinados.

Drivers de retorno qualitativo:
Um ótimo exemplo de análise qualitativa de retorno seria a margem de contribuição (CM), que é uma medida qualitativa do desempenho do segmento, da equipe ou individual no lucro. Outro exemplo seria o Retorno da Inovação que seria a medida qualitativa do impacto em novas iniciativas. Esses tipos de direcionadores de retorno qualitativo permitem que você tome decisões de investimento prospectivas que podem ter impacto imediato nos negócios.

Drivers quantitativos de desempenho:
As medições nesta categoria seriam itens como obstáculos de receita, tempo faturável, utilização, obstáculos de produção e níveis de serviço. Essas são as métricas de como uma organização se comporta em relação aos seus benchmarks.

Drivers de desempenho qualitativo:
As medições nesta categoria são onde uma organização realmente se torna produtiva com análises. Esses conjuntos de métricas se concentram nas medidas que envolvem coisas que geram influência, melhoram a cultura, desenvolvem talentos, criam engajamento, constroem equipes, gerenciam a experiência do consumidor, melhoram a satisfação do cliente e aumentam o valor da marca. Chegar ao nível qualitativo de medição de desempenho é difícil, pois muitas vezes é necessário superar um conjunto de comportamentos e crenças tradicionais de liderança.

Faça a si mesmo esta pergunta: você mede as métricas que são criticamente importantes ou apenas as que são óbvias e fáceis de medir? Se a liderança da empresa puder fazer os ajustes de atitude necessários para criar responsabilidade e se concentrar em métricas de desempenho qualitativas, descobrirá que são essas medidas que ajudam a catalisar o crescimento, permitir a execução e criar organizações dinâmicas.

Pensamentos? Também gostaria de receber notícias suas sobre quaisquer medidas/métricas que tenham sido particularmente benéficas para você.