بهره گیری و هدایت داده های کلان برای کسب سود های کلان

شرکت ها چگونه باید (داده های کلان را) انتخاب نمایند، چه زمانی از آن ها استفاده کنند، و چرا باید سرنخ های کسب آن را دنبال کنند؟

 مفهوم داده های کلان، مجموعه های اطلاعاتی پایان ناپذیری هستند که به صورت مداوم گسترش می یابند. این مفهوم برای توصیف حجم عظیمی از داده های غیرساختارمند بکار می رود و در سال های اخیر توجهات بسیاری را به خود معطوف کرده است. گزارشات منتشر شده نشان می دهند که بیش از ۹۰ درصد از داده های جهانی صرفا در دو سال گذشته تولید شده اند.

گردآوری، تحلیل و استفاده از نتایج برسی داده ها نیاز به ابزارهای نرم افزاری و سیستمی دارد. به طور مشخص در رابطه با تحلیل داده هایی که مرتبط به فرایندهای فروش و بازاریابی است، نرم افزار سی ارم، کاربرد گسترده ای در دستیابی به اهداف کسب و کارها برای استفاده از محصول اصلی تحلیل داده ها یعنی اطلاعات و دانش برای تعیین مسیر و استراتژی های فروش شرکت ها دارد.

مدیریت ارتیاط با مشتریان یا crm، در سه عملکرد تحلیلی، استراتژیکی و عملیاتی به کسب و کارها کمک می کند تا از طریق ارتباط درست با مشتریان جدید و موجود، به جلب رضایت مخاطبان خود و در نتیجه وفاداری او بیانجامد.

نمی توان انکار کرد که با گسترش روز افزون استفاده از فناوری و اینترنت، نسبت به گذشته فرصت های بیشتری برای جمع آوری اطلاعات در مورد مشتریان به بوجود آمده است. داده ها، به واسطه وجود رسانه های اجتماعی مانند توییتر، اینستاگرام یا فیسبوک و همچنین وبسایت های بیشمار، و از طریق ابزارهای ارتباطی همراه، لپتاپ ها، یا رایانه های رومیزی، به طور شگفت انگیزی در حال تولید و رشد هستند.

جف تانر، استاد بازاریابی دانشگاه Old Dominion و مشاور شرکت BPT Partners، معتقد است امروزه، نیازی نیست رهبران پیشرو کسب و کار را متقاعد کرد که داده ها ارزش فوق العاده ای دارند. استفاده از داده های کلان در حال حاضر نه تنها یک علاقه شخصی، بلکه مبدل به یک ضرورت شده است. تانر بیان می کند: “(رفع) نیازهای کسب و کارها مستلزم بهره گیری از این داده ها است. اگر شما کارشناس فروش باشید و از این داده ها که جزو ضروریات فعالیت شماست استفاده نکنید، موفق نخواهید بود.”

فناوری نقشی کلیدی در بهره برداری از داده های کلان دارد. مثلا از جمله نمونه های موفق، شرکت Rosetta Stone است که توانست با استفاده از راهکارهای بازاریابیشرکت InsideView به خوبی از فرصت ها و مزایای داده های کلان بهره برداری نماید. این شرکت که در حوزه تهیه نرم افزارهای آموزشی فعالیت دارد، به این نتیجه رسیده بود که تعیین یک فرد یا واحد خاص به عنوان خریدار بالقوه محصولات شرکت دشوار است. بر همین اساس شرکت InsideView به Rosetta Stone کمک کرد تا با استفاده از داده های جمع آوری شده از شبکه های اجتماعی و صفحات وب (خود)، آن دسته از حساب های کاربری را شناسایی کند که احتمال بسته شدن آن ها بسیار زیاد بود. بدین ترتیب Rosetta Stone توانست با هدفگذاری و تمرکز بیشتر بر روی این کاربران، آن ها را در مراحل مقدماتی ثبت خریدشان هدایت نماید.

این تنها یک مثال بود. واقعیت این است که داده های کلان به روش های مختلفی می توانند برای شرکت ها مفید واقع شوند. با وجود چنین دارایی اطلاعاتی ارزشمندی که در اختیار شرکت ها قرار گرفته است، امکانات و فرصت ها، مرزهای محدودیت ها را در نوردیده اند که این خود می تواند مشکل زا باشد. واقعیت این است که داده های کلان به خودی خود کاربردی برای شرکت ها نخواهند داشت. و در مقابل در صورتی که به خوبی از آن ها استفاده نشود، نه تنها ارزشی برای کسب و کار ندارند، بلکه قابلیت بالقوه مختل کردن فرآیند های سازمانی را دارا می باشند. در صورتی که شرکت ها قوانین و دستورالعمل های استفاده از آن ها را تدوین نکنند و نسبت به برنامه ریزی چگونگی انتخاب داده های مناسب و متناسب با اهداف شان اقدام ننمایند، و نیز نسبت به چگونگی هماهنگی این داده ها با اهداف کسب وکارشان آگاهی نداشته باشند، امکان ندارد داده های جمع آوری شده کارایی مطلوبی برای آن ها داشته باشد.

اطلاعات در مقابل نگرش

داده های کلان اگر در دسترس نباشند ارزشی ندارند. با این وجود اگرچه به راحتی می توان به این داده ها دست یافت، اما متاسفانه در صورتی که این داده ها با هدفی مشخص و به درستی ساختار نیابند، نیز قابل استفاده نخواهند بود. میشل وو  کارشناس علمی ارشد شرکت Lithium Technologies and Klout به این موضوع اشاره می کند و می گوید “در مورد داده های کلان اسطوره سازی شده است و برخی تحت تاثیر این مبالغه گویی ها، صرفا برای این که داده هایی را داشته باشند، به جمع آوری آن روی آورده اند. اما کسب و کارها واقعا نیازی به داده های کلان ها ندارند بلکه آنچه که به آن نیاز دارند، اطلاعات و شناخت است.”

در حالی که حجم عظیمی از داده ها در دنیای فیزیکی و دیجیتال وجود دارد، اطلاعاتی را که می توان از این داده های خام به دست آورد کمتر مورد توجه قرار می گیرد. وو می گوید: “داده های بزرگ به لحاظ آماری دارای فراوانی بسیاری هستند. (حال تصور کنید) چه اتفاقی می افتد وقتی بخواهید آن ها را در هاردهای خود ذخیره سازید؟ در واقع داده های خود را افزایش می دهید اما الزاما اطلاعات خود را افزایش نمی دهید.”

برای مشخص کردن مشکل، یک مثال می زنم. تصور کنید دو عکاس می خواهند تصاویری را از یک سالن کنفرانس تهیه کنند که شرکت کنندگان زیادی در آن حضور دارند. این عکاسان از دو زاویه متفاوت دو عکس مختلف را از یک سوژه ثبت می کنند. یکی از سمت جلوی سن، و دیگری از مقابل درب پشتی سالن. این عکس ها دارای نقاط مشترک و تشابهات فراوانی است. در هر دو عکس می توان فردی که در ردیف سوم جلوی سالن نشسته و لباس قرمز رنگی پوشیده است را مشاهده کرد. به عبارت دیگر اطلاعاتی که نشان می دهد این فرد لباس قرمز به تن داشته است در هر دو عکس مشهود است. اگر هدف آگاهی یافتن از رنگ لباس آن فرد باشد صرفا داشتن یکی از این دو تصویر کفایت می کند. این موضوع مانند دانستن این است که سهام شرکت Apple ارزش بالایی دارد یا این که شخصی درباره ویژگی های خاص iPhone 6توییتی ارسال کند. در این دو حالت نیز بخشی از اطلاعات به روشنی قابل دریافت است.

اگرچه جمع آوری داده های هر چه بیشتر می تواند عاقلانه باشد، باید توجه داشت که برخی از این اطلاعات ممکن است مرتبط نباشند. در مثال قبل ممکن است متوجه وجود یک لکه خمیر دندان بر روی لباس قرمز آن فرد بشوید، اما شاید این اطلاعات ارزشی برای شرکتتان نداشته باشد. از سوی دیگر، شناخت های مرتبط شرکت را قادر می سازد از اطلاعات برای ایجاد تغییرات مفید استفاده نمایند.

 اطلاعات را مطابق با نگرش ها بکاوید.

وو معتقد است: “اطلاعات کم ولی دارای شناخت می تواند تفاوت بین شکست و پیروزی باشد.”

میشل وو سه لایه در تحلیل داده های کلان را بر می شمارد که دو تا از آن ها منجر به ایجاد نگرش می شوند. نخستین و اساسی ترین لایه تحلیلی، “تحلیل توصیفی” است که صرفا به خلاصه سازی داده ها و تعیین وضعیت آن ها می پردازد. این تحلیل و خروجی های آن را می توان در قالب داشبوردهای مدیریتی ارائه نمود و وضعیت فعلی را از طریق جداول و نمودارها نشان داد. باید توجه کرد که این تحلیل قادر به پیش بینی نتایج منتج از وضعیت جاری نخواهد بود. “تحلیل پیش بین”، آنچه را که وقوعش محتمل است را پیش بینی می کند. و نهایتا “تحلیل تجویزی” کاربران را در انجام اقداماتشان هدایت می کند. تحلیل های پیش بین و تجویزی هر دو منجر به ایجاد نگرش می شوند.

همانطور که بارگف مانتا یکی از مدیران شرکت ZS Associates اشاره می کند، ارائه اطلاعات تحلیلی، به صورتی روشن و قابل درک برای کاربران امری ضروری و واضح است اما گاهی نادیده گرفته می شود. وی معتقد است که “وقتی کاربران با داده هایی مواجه می شوند که نمی توانند (اطلاعات و مفهوم) آن را کشف کرده و نسبت به آن آگاهی یابند، ناامید می شوند و اقدام مناسب انجام نمی دهند. داشبوردهایی که به صورت فشرده و سردرگم، داده های مختلفی را ارائه می دهند، چندان ارزشی ندارند. افراد باید بدانند چه کاری را انجام دهند” به گفته مانتا، کاربران می خواهند “از یک سیستم هشدار دهنده توانمند برخوردار باشند که با دقت زیاد و بر اساس اطلاعات موجود، آن ها را در کاری که انجام می دهند راهنمایی و هدایت نماید.”

با بهره گیری از چنین راهبردهای تحلیلی، می توان به شناخت دست یافت: یک بررسی نشان می دهد زنانی که محصولاتی مشخص مانند کاموا، صابون ها و لوسیون های بدون اسانس، روی و کلسیم، را خریداری می کنند، یا باردار بوده اند و یا تصمیم به بارداری داشته اند. یک شرکت با در دست داشتن چنین اطلاعاتی، توانست کوپن هایی را طراحی نماید که هدف آن جامعه آماری زنانی باشند که در یک مرحله مشخص از دوران بارداری بودند. شرکت مذکور با بهره گیری از این شناخت، توانست به هدف خود در افزایش سودآوری از ۴۴ میلیارد دلار در سال ۲۰۰۲ به ۶۷ میلیارد دلار در سال ۲۰۱۰ دست یابد.

به همین ترتیب، شرکت ZestFinance نیز توانست به خوبی از این شناخت استفاده نماید. افرادی که قادر نبودند در تکمیل فرم های درخواست وام خود به درستی از حروف کوچک و بزرگ استفاده نمایند احتمال بیشتری وجود داشت که در آینده نیز به همین دلیل با مشکل مواجه شوند. این شرکت با آگاهی از این نکته توانست راهی را برای بهبود روش های سنتی نوشتاری حروف الفبای انگلیسی بیابد. و آن ها را به ایجاد مدل های به روز شده ای هدایت نمود که این موارد را رفع نماید. در نتیجه، شرکت مذکور توانست نرخ عدم بازپرداخت وام را تا ۴۰ درصد کاهش داده و سهم بازار خود را تا ۲۵ درصد بیافزاید.

نرم افزارهایی از جمله InsideView، می توانند به شرکت ها کمک کنند ضمن کسب “شناخت”، از طریق فیلتر نمودن اطلاعات دریافتی در مورد مشکلات کسب و کارها، کارکنان واحد فروش و بازاریابان شرکت را در مورد تغییراتی که بر فعالیت های آن ها تاثیر گذار هستند، آگاه نماید. مانند اعلام به پرسنل در خصوص تغییر چشم انداز ساختار مدیریتی.

متاسفانه “شناخت” یک عمر مفید مشخصی دارد، وو معتقد است: “شناخت باید قابل توضیح و مرتبط بوده، و همچنین بدیع باشد” به محض این که یک “شناخت” در یکاستراتژی بکار گرفته می شود، دیگر “شناخت” نخواهد بود (چرا که صفت بدیع بودن خود را از دست می دهد) و منافعی که ایجاد می کند، منجر به ایجاد تفاوتی معنادار در طول زمان خواهد شد. برای مثال وقتی اطلاع از نشانه های بارداری زنان، مبدل به دانشی عمومی شده و رقبا از آن آگاهی یابند، در نتیجه هدف گذاری در این حوزه اهمیت و ارزش کمتری می تواند داشته باشد.

 کسب داده های مناسب

مانتا معتقد است برای کسب داده های مناسب که منتج به ایجاد “شناخت” ارزشمند گردد، شرکت ها باید برنامه جامعی را برای جمع آوری داده های مورد نیاز در پیش گیرند. او بیان می کند که “گام نخست، وجود یک فرصت کسب و کاری است که به دلیل برخورداری از داده هایی خاص ایجاد شده باشد.” به گفته وی، شرکت ها باید درک کنند که چه اهدافی قابلیت دستیابی دارند و چگونه و چرا داده های مشتریان برای رسیدن به آن ها دارای اهمیت است و چگونه این تلاش ها، می تواند آن ها را در افزایش درآمد و کاهش هزینه هایشان کمک کند.

میشل وو نیز ضمن تایید این موضوع اشاره می کند که “تناسب و ارتباط کلید موفقیت است.” وی اعتقاد دارد مساله اساسی در مورد شرکت ها، “اطمینان از (وجود) مشکلاتی است که باید رفع گردند.” او داده های قابل استفاده را آن هایی می داند که نشانه ای از مشکل مورد نظر شرکت ها را دارند و هرچیز دیگری را به عنوان “پارازیت” (داده ای نامرتبط و بی ارزش) در نظر می گیرد. و اشاره می کند که “آنچه در نظر یک فرد می تواند نشانه وجود مشکل باشد، ممکن است از نظر فردی دیگر تنها یک پارازیت باشد.” بر این اساس مثلا اگر جامعه هدف یک تحلیل شامل افراد مذکر ورزشکار در سنین بین ۱۸ تا ۳۴ ساله و ساکن نیوجرسی باشند، حذف اطلاعاتی که خارج از حوزه مشخص شده باشد، منطقی خواهد بود.

قبل از ایحاد ابزارهای مختلف (که در جمع آوری و تحلیل داده ها بکار می روند)، شرکت ها نمی توانستند صرفا بر روی داده هایی تمرکز کنند که بیشترین ارتباط را با مسائل مورد نظرشان داشتند. وو می گوید “(در چنین حالتی) شرکت ها کار خود را با طرح یک سوال آغاز می کردند و داده های را که برای حل مشکل ضروری بودند، جمع آوری می نمودند.” در این شرایط داده هایی جمع آوری می شد که شاید با مساله مورد نظر بی ارتباط بودند یا اطلاعات بیش از نیاز جمع آوری می شدند.

اما امروزه، این فرآیند می تواند موجب سردرگمی شود چرا که اغلب قبل از تعیین اهداف از سوی ذینفعان داده ها جمع آوری و ذخیره می شوند. وو معتقد است: “داده ها بدون توجه به مساله یا هدفی خاص جمع آوری می شوند”. او اشاره می کند که انباره های داده و ابزارهای پردازشی مختلف از جمله Hadoop، NoSQL،InfoGrid،Impalaو Storm، کار شرکت ها را برای جمع آوری و کسب حجم عظیمی از داده ها، تسهیل می کند. شرکت ها همچنین می توانند با هدف غنی سازی بیش از پیش دادهایشان به راحتی و آزادانه داده های سایر منابع اطلاعاتی از جمله شرکت Dun & Bradstreet را نیز به آن ها اضافه نمایند. به همین دلایل متاسفانه بیشتر داده های جمع آوری شده نامرتبط هستند. مساله اساسی یافتن داده هایی است که مربوط به مساله مورد نظر باشند.

مانتا پیشنهاد می کند در گام نخست، از طریق شناسایی منابع درست و مناسب داده ها، معیارهایی برای جمع آوری آن ها تعیین شود. او توضیح می دهد که “این امر می تواند شامل ترکیبی از منابع داده های داخلی باشد که مشتمل بر داده های تراکنش های مشتریان، کانال های ارتباطی و … است و یا شامل اطلاعاتی باشد که از تعامل با مشتریان بر بستر سیستم مدیریت ارتباط با مشتریان ایجاد شده است،” و اضافه می کند: “باید سنجه هایی را تعیین کنید که از طریق آن ها بتوان فرآیند های تعاملی را پایش نمود.” مانتا معتقد است برخورداری از شاخص های کلیدی عملکردی (KPIs) به شرکت ها کمک می کند منابع درست اطلاعاتی را شناسایی کنند. در واقع منابع درست و مناسب داده ها، آن هایی هستند که می توانند در حل مسائل پیش روی شرکت مفید و موثر باشند.

شرکت ها همچنین باید نسبت به فناوری های مناسب و کاربردی برای آن ها نیز اطلاع داشته باشند. در صورتی که موضوع مهم مورد نظر شرکت، ریسک یا کسب مشتریان بالقوه اش باشد، در این حالت شرکتی همچون FirstRain که ارائه دهنده سیستم ها و تحلیل های مشاوره ای تجاری است، می تواند گزینه خوبی برای تامین فناوری و ابزار مورد نیاز شرکت باشد. راهکار نرم افزای این شرکت می تواند نتایج یک اقدام خاص را بر اساس داده های موجود شناسایی کند. این نرم افزار اخبار، جدیدترین رویداد ها، و تغییرات سازمانی که می تواند بر روابط فعلی کسب و کار مذکور تاثیر گذار باشد را تحلیل می کند. پنی هرچر، مدیرعامل شرکت FirstRain می گوید ” اگر در واحد مالی فعالیت کنید و بخواهید ریسک مالی یک مشتری را ارزیابی کنید، آنگاه باید داده های ساختار یافته ای از وی در اختیار داشته باشید. مانند این که آن مشتری چه مقدار پول در بانک دارد.” برای نمونه اجرای تحلیل گسترده بر روی داده های کلان شرکت ها از طریق وب، می تواند منجر به شناسایی میزان احتمال ورشکستگی شرکت ها شود.

البته مسائل پیوسته تغییر می یابند، مانتا تاکید دارد که جمع آوری داده فرآیندی مستمر است که می تواند در طول زمان بهینه و (مطابق با تغییرات) تنظیم می شود. وی می گوید “همچنان که نیاز های کسب و کار ها تغییر می کند، و منابع داده ای جدیدی به منابع قبلی اضافه و با آن ها یکپارچه می گردد، و گروه های کسب و کاری جدید به عنوان ذینفع آن کسب و کار وارد عرصه رقابت می شوند، جهت گیری ها، معیار های تعیین کیفیت (داده ها) و ارزش ها نیز تغییر می یابند، بنابراین نباید به این نیاز ها نگاه لحظه ای و موردی داشت، بلکه آن ها را باید برنامه هایی مستمر در نظر گرفت که و به طور پیوسته به غنی سازی و بهینه سازی کیفیت داده ها پرداخت.”

مانتا می گوید شرکت ها باید به طور مستمر به پایش موفقیت در استفاده از داده های خود بپردازند تا از کسب نتایج مورد انتظار اطمینان یابند. باید جریان مداومی از بازخورد وجود داشته باشد که شرکت را از جایگاهشان به نسبت سنجه های کلیدی تعریف شده آگاه سازد. مانتا بیان می دارد که “اگر دریافتید داده ها موجب پیشبرد فروش نمی شوند، به عقب برگردید و ببینید آیا شاخص ها و داده های درستی را انتخاب کرده اید یا نه. و در صورتی که درست هستند، آیا آنها کامل و جامع نیز هستند؟ و چه داده های جدیدی را می توان به داده های موجود اضافه نمود و آن ها را تکمیل کرد، و از کجا باید آن ها را به دست آورد. و نهایتا این که آیا کیفیت داده ها، اساسا مساله مهمی در پیشبرد و توسعه شاخص ها و نهایتا ارتقای فروش بوده است؟

 ریسک ها و خطر ها

میشل وو بیان می دارد که شرکت ها باید دائما از ریسک های ناشی از استفاده از داده ها آگاه باشند. نتایج و پیامد های تجویز (تحلیل تجویزی) مساله بسیار مهمی است. وی از پیش بینی آب و هوا به عنوان یک نمونه در این خصوص یاد می کند. باوجود این که صحت و دقت پیش بینی های آب و هوا بسیار زیاد است اما با این حال همیشه احتمال اشتباه در پیش بینی ها وجود دارد. آگاهی از این مساله که احتمال بارش باران برای روز بعد ۸۵ درصد پیش بینی شده است، به طور منطقی ایجاب می کند یک چتر به همراه خود داشته باشیم. اگر چه احتمال کمی وجود دارد که چتری را به همراه داشته باشید و باران نیز نبارد، به هر حال در این صورت چندان متضرر نمی شوید مانند سایر پیش بینی های نادرست دیگر. اما در سوی دیگر این طیف، توانایی ما در پیش بینی زمین لرزه کم است و تنها می توانیم تقریبا سه ثانیه قبل از وقوع زمین لرزه آن را پیش بینی کنیم. بنابراین، از منظر فنی، اگر چه این شناخت قابل پیش بینی است چرا که می تواند احتمال وقوع یک مساله را در آینده تشخیص دهد، اما این پیش بینی کارایی و ارزشی ندارد. چرا که اعلام هشدار در سه ثانیه پیش از وقوع رخداد، زمان کافی نیست.

شرکت ها نباید زمانی که احتمال اشتباه در تحلیل تجویزی بالا باشد، از این تحلیل استفاده نمایند. باید در خصوص ارزش پیش بینی ها نسبت به مخاطرات بالقوه استفاده از آن اطمینان یافت چرا که ممکن است ارزش آن ها از مخاطراتشان بالاتر باشد. متاسفانه، در برخی موارد مانند مثال زمین لرزه، همیشه نمی توان از تحلیل تجویزی برای بررسی مسائل مختلف استفاده کرد و محدودیت هایی در این خصوص وجود دارد. جمع آوری داده های قطعی در مورد آینده ناممکن است. میشل وو ضمن اشاره به این مساله، صریحا بیان می کند که آینده در دسترس نیست. هر چیزی که در آینده نزدیک تری قرار داشته باشد را با احتمال بیشتری می توان به درستی پیش بینی کرد. آینده ای که باید آن را پیش بینی کنیم، مملو از اشتباهات و خطا های احتمالی است.

افراد و فرآیند ها:

تانر معتقد است تطبیق با داده های کلان، اغلب مساله ای در حوزه مدیریت تغییر است، و اشاره می کند که شرکت ها اغلب به خوبی این موضوع را درک می کنند. وی می گوید “هر زمانی که شرکت بخواهد چیزی را بکار گیرد که مستلزم وجود داده های بیشتری باشد، نسبت به آن مقاومت زیادی ایجاد می گردد.”

تطبیق با داده های کلان نیز همانند (تطبیق و هماهنگی با) بسیاری از طرح های (اجرایی) که فناوری، هسته و زیرساخت اصلی آن ها محسوب می شود، می تواند موجب ناسازگاری و تعارض بین واحد های مختلف سازمانی گردد. تانر می گوید “این تناقضی جالب است. افراد تلاش می کنند داده ها را بپذیرند، اما از سوی دیگر نمی خواهند در خود تغییری ایجاد نمایند (تغییری که به واسطه داده ها، ضرورتشان مشخص شده است). آن ها احساس می کنند، مالک روابط و تعاملات با مشتریان هستند، و اگر آن را به دیگری واگذار نمایند، آن را به هم ریخته و خراب می کنند.”

مانتا معتقد است شرکت ها برای اجتناب از بروز این گونه تعارضات، باید از همان ابتدا این مساله را شفاف سازند که کدام واحد در سازمان مسئول داده ها است. او این پرسش ها را مطرح می کند که “این امر مسئولیت واحد IT است؟ یا اساسا فعالیتی فردی محسوب می شود؟ و آیا این که مساله مربوط به تیم های عملیاتی فروش است؟” در این خصوص مانتا پیشنهاد می کند فرد یا واحدی را مسئول داده ها تعیین نماییم که اقدام به تعیین چارچوب قوانین کسب و کار، و نیز تعیین چگونگی بکارگیری داده ها در مورد مشتریان نماید.

تانر به رهبران و مدیران سازمانی دو نکته کلیدی را گوشزد می نماید، چرا که آن ها کسانی هستند که باید کارکنان را متقاعد به همراهی در مطابقت و هماهنگی با داده ها و بکارگیری آن ها، با کلیت سازمان کنند.

نکته نخست این که: وقتی لازم است به کسی اعتماد کنید و اعتبار بدهید، این کار را انجام دهید. تانر تاکید می کند: “مشاغل را ماشینی نکنید (و هویت انسانی را از آن ها نگیرید). موفقیت را جزئی از داده ها قلمداد نکنید بلکه فردی را که از داده ها به نحوی مطلوب برای موفقیت استفاده کرده است عامل موفقیت بدانید.”

نصیحت دوم این است که: به یاد داشته باشید تغییرات صرفا از بالا به پایین ایجاد نمی شوند. مطابقت با داده های کلان مستلزم چیزی بیش از پشتیبانی مدیران اجرایی از آن ها است. این امر مستلزم ورود و همکاری همگان در این فرآیند است. او داستان یک شرکت هلدینگ، را به عنوان نمونه بازگو می کند که به سادگی جلسه معارفه ای را ترتیب داد و در آن همه واحد های مختلف سازمانی را متقاعد نمود که داده های اشتراگ گذاری شده بین آن ها اگر در بین همه واحدها استفاده شود می تواند منجر به رشد و توسعه همه آن ها باشد و “رشدی فزاینده و خزنده خواهد داشت”.