A czy TY jesteś patologicznym zbieraczem danych?

„Dane są nową ropą”. To zdanie od dekady można usłyszeć średnio na co drugiej konferencji biznesowej. Nie mam zamiaru z nim polemizować – tak, informacja ma wartość i da się na niej zarobić. Jednak różnica między ropą i danymi jest taka, że ta pierwsza, dopóki leży sobie między skałami i grzecznie czeka na wydobycie, nie generuje kosztów. Z danymi sprawy mają się dokładnie odwrotnie.

Każdy gigabajt, który chomikujesz wymaga przestrzeni dyskowej, pracy ludzi, czasem licencji lub zgodności z przepisami. Olbrzymia baza nieużywanych danych, gromadzonych na „czarną godzinę”, po pewnym czasie zaczyna przypominać garaż typowego Polaka. Taki, do którego upchnięto starą kanapę, zepsutą lodówkę, podziurawioną pościel, klatkę po króliku i tysiąc innych rupieci – ale w którym oczywiście zawsze brakuje miejsca na samochód.

Ciemna materia w Twojej firmie

W psychologii taką przypadłość nazywa się o syllogomanią lub po prostu zespołem Diogenesa. To zaburzenie objawiające się ignorowaniem zasad higieny z naciskiem na patologiczne zbieractwo. W kontekście organizacji, takie chorobliwe chomikowanie danych, prowadzi do zjawiska określanego często mianem Dark Data.

Niesie ono za sobą całkiem poważne konsekwencje. W raporcie Enterprise Strategy Group z 2022 roku, 42% ankietowanych przedsiębiorców zadeklarowało, że co najmniej połowa (!) danych gromadzonych przez ich firmy, to informacje przetwarzane, przechowywane, ale nigdy nie wykorzystywane. Nie generują żadnej wartości, ale też nikt ich nie usuwa. Są jak ciemna materia we wszechświecie, która stanowi większość masy galaktyk, jednocześnie nie świecąc, nie tworząc atomów, ani nie budując żadnych gwiazd czy planet.

Spróbujmy odnieść to do namacalnego przykładu. Pomyśl o tym, które dane zebrane przez Twój zespół w 2026 roku będą faktycznie przydatne do podejmowania racjonalnych decyzji w roku 2036? Pytanie nie jest ani retoryczne, ani szczególnie filozoficzne. Rynek się zmienia, organizacja ewoluuje, technologia, na której opieracie analizę też nie stoi w miejscu. Dane sprzed dekady mogą być skarbem (np. jeśli pozwolą uchwycić cykl koniunkturalny w branży), ale częściej okazują się stertą zapomnianych plików. Nierzadko takich, których nikt już nawet nie umie odczytać, bo nie ma odpowiedniej aplikacji.

„Dane sprzed dekady mogą być skarbem, ale częściej okazują się stertą zapomnianych plików”.

Recepta wydaje się zatem oczywista. Wystarczy przed odłożeniem kolejnego pliku do archiwum zastanowić się, do czego będzie on w przyszłości potrzebny. Jeśli nie konkretnie, to chociaż w jakim obszarze może mieć kiedyś znaczenie.

Problem polega na tym, że nie zawsze wiemy z góry, jakich danych będziemy potrzebować. Dlatego pozostaje rozsądny kompromis: jeśli określone dane da się zebrać niskim kosztem (nie obciążą nadmiernie ludzi, dzieją się półautomatycznie, są częścią naturalnego procesu), warto je zbierać, nawet bez gotowego pomysłu na wykorzystanie. Jeśli jednak zbieranie wymaga rozpisania osobnego procesu oraz dodatkowych godzin pracy zespołu – wtedy gromadzenie kolejnych plików bez wyraźnego celu jest nonsensem.

Sprowadzając tę zasadę do jednego zdania: koszt zbierania danych musi być uzasadniony tym, jak realnie zamierzamy z nich korzystać.

Struktura, sposób, standardy

W ogniu naszych wewnętrznych dyskusji w obrębie Louder Higher, wykuła się nieformalna reguła trzech „S”: struktura, sposób, standardy. Każdy z tych trzech elementów musi zostać przemyślany, żeby zbieranie informacji miało szansę przerodzić się w coś użytecznego.

• Struktura, czyli świadoma decyzja, jakie kategorie danych nas interesują i w jakich relacjach pozostają.
• Sposób, czyli konkretna technologia i proces – CRM, ERP, baza SQL-owa, arkusze, cokolwiek – z jasnym przebiegiem, kto, kiedy i gdzie wprowadza informację.
• Standardy, czyli umowne zasady, które sprawiają, że dziesięciu różnych handlowców wypełnia to samo pole w ten sam sposób, a nie każdy po swojemu, zgodnie z własną intuicją i nastrojem z poniedziałku rano.

Brzmi jak banał, ale za moment udowodnię, że banałem nie jest. Weźmy producenta obuwia z tysiącem SKU w magazynie. Zadanie polega na tym, żeby przeanalizować, co schodzi, co leżakuje oraz zaplanować kolekcję na kolejny rok. Patrzymy zatem na parametry: sezonowość, typ obuwia, kolor, rozmiar, grupa docelowa. Wszystko gra, dopóki nie zaczniemy filtrować danych. Otwieramy arkusz i w kolumnie „kolor” znajdujemy „czerwony”, „red”, „czerwone”, „wino”, „burgund”. W kolumnie „sezon” – „wiosna”, „spring”, „wiosna-lato”, „SS24”. I tyle z poważnej analizy. Nie da się odpowiedzieć na pytanie, czy czerwone damskie półbuty na wiosnę to dobry pomysł, ponieważ system nie wie, co jest „czerwone”, a co „red”.

Co widzi menadżer? Arcyważny plik z raportem. Co naprawdę dostaje firma? Cyfrowy śmietnik.

Inny przykład, równie namacalny. Mamy CRM, w którym handlowcy wpisują nazwę klienta. Bez procesu, instrukcji, listy słownikowej i niczego takiego. Jeden wprowadza pełną nazwę z KRS-u, drugi imię i nazwisko ekspedientki, z którą rozmawiał, trzeci hasłowy skrót firmy, czwarty markę sklepu, piąty nazwisko właściciela. Pół roku później ktoś zadaje zdroworozsądkowe pytanie, jak częstotliwość wizyt wpływa na wolumen sprzedaży? Odpowiedź: nie wiadomo. Nie da się skleić rekordów z systemu fakturowego (gdzie jest pełna nazwa z KRS-u) z rekordami z CRM-u (gdzie jest cokolwiek). Dane niby są, ale wniosków nie ma.

Zarządzanie danymi zaczyna się od mapy

Standardy to fundament, jednak sam w sobie nie rozwiąże wszystkim problemów. Drugą rzeczą, którą lubię proponować klientom, już na samym początku, jest mapowanie danych. Mianowicie, kiedy zaczynasz zbierać nową kategorię informacji, najpierw rysujesz diagram ze strzałkami. Z czym nowa rzecz się łączy, z którymi już istniejącymi zbiorami można ją korelować, jakie pytania pozwoli zadać i tak dalej. To nietrudne „ćwiczenie”, które stanowi podstawową zaporę przed bałaganem opisanym wyżej.

Jak to działa w praktyce? Firma produkcyjna patrzy na dane sprzedażowe. Jest świadoma sezonowości, ma za sobą pięć lat porównawczych i wie, że w ostatnim cyklu coś się nie spinało. Naturalna reakcja? Dział sprzedaży nie podołał!

Sprawdź również artykuł: Nie masz problemu ze sprzedażą. Masz problem z operacjami.

Jednak jeśli przygotowaliśmy mapę powiązań między obszarami, sięgamy głębiej. Okazuje się, że plan sprzedażowy trafił do produkcji, jak należy. Tylko że wzory dotarły do handlowców z dwutygodniowym opóźnieniem. Bez próbek sprzedawano niewidzialny towar „na piękne oczy”, co obniżyło liczbę rezerwacji i zamówień.

Problemem nie był więc dział sprzedaży, lecz łańcuch dostaw, a konkretnie przepływ wzorów. Bez mapy ten łańcuch byłby niewidoczny, a wnioski fałszywe. Po łapach dostałyby niewłaściwe osoby.

Grzebanie w cyfrowym śmietniku

Trzeba uczciwie przyznać, że przyszło nam funkcjonować w dosyć osobliwym momencie, jeśli chodzi o pracę z danymi. Jeszcze dziesięć lat temu argument „nie analizujemy danych, bo to zbyt czasochłonne” mógł znaleźć zrozumienie. Przejrzenie wyników sprzedażowych z dekady ręcznie pożerało dni, jeśli nie tygodnie.

Dziś, jeśli dane są odpowiednio przygotowane (wracamy do struktury, sposobu i standardów), i umiejętnie korzystamy z możliwości oferowanych przez modele AI – w kilka minut wyciągamy wnioski, na które kiedyś trzeba było wydzielać osobną pozycję w budżecie konsultingowym.

To jest rewolucja. Może z jednym ważnym zastrzeżeniem: bałagan nie stanie się magicznie porządkiem tylko dlatego, że pojawiło się narzędzie potrafiące go przeszukiwać. Jeżeli dane są naprawdę poszatkowane i porozrzucane, nawet najlepszy LLM nie wyciągnie z nich prawidłowych konkluzji. Istnieje nawet ryzyko, że wprowadzi nas w błąd.

Anomalia na pokładzie

Uporządkowane dane są zatem koniecznością, z wielu przyczyn. Bez przejrzystości trudno wyłapać anomalie. Mam na myśli wszelkie punkty, które odstają od reszty, mogące sygnalizować albo błąd, albo interesujące zjawisko.

Najprostszym sposobem wyłapania anomalii jest nałożenie na siebie kilku analogicznych okresów i sprawdzenie, co odstaje. Następnie, w obrębie danego odcinka – wybranej kategorii, sezonu, rodzaju i kilku kluczowych cech produktu – sięgamy po medianę, żeby zobaczyć, który rekord nie pasuje do zbioru. Zamiast pochopnie uznać, że najlepiej sprzedają się czarne męskie półbuty, zauważamy przykładowo, że sneakersy w mocnych kolorach schodzą wyjątkowo dobrze w okresie marzec-sierpień, w czterech konkretnych rozmiarach. To anomalia, którą warto uwzględnić w planie produkcji na kolejny rok.

Zwracam przy tym uwagę, że anomalia w danych wewnętrznych nie zawsze musi mieć źródło w przyczynach wewnętrznych. Spadek rentowności mógł wynikać z roszczeń płacowych zespołu lub droższych surowców, ale równie dobrze z tego, że konkurencja obniżyła ceny, transport kluczowego surowca drogą morską został utrudniony, na rynku pojawił się nowy gracz albo zaczęto wprowadzać substytuty. Firma jest żywym organizmem, a środowisko biznesowe ma realny wpływ na to, co dzieje się w jej środku.

Stąd nigdy nie dokonujemy analizy wyłącznie wewnątrz, ani wyłącznie na zewnątrz. Te dwa obszary należy uwzględniać razem.

W praktyce oznacza to, że obok własnych raportów warto mieć na podorędziu uporządkowany podgląd danych makro, takich jak trendy w branży, koszty surowców, kursy walut, krzywe popytu, czy ruchy konkurencji. Im mniejsza firma, tym ten kontekst zewnętrzny jest istotniejszy.

Wydaje się paradoksalne, ale ma uzasadnienie. Im mniej własnych danych, tym mocniej musimy obudować analizę informacjami z otoczenia, żeby w ogóle móc wyciągać uczciwe wnioski. Dane są jak puzzle: im więcej spasowanych elementów, tym lepiej widać końcowy obraz, nawet jeśli sama próba wewnętrzna jest skromna. Czasem mówi się, że „mniej znaczy lepiej”, jednak w tym przypadku „mniej znaczy na ślepo”.

Niech zbieractwo ma cel

Wszystko o czym napisałam dotąd o zarządzaniu danymi w organizacji, rozbija się ostatecznie o czynnik ludzki. Żeby ktoś dobrze zebrał dane, musi rozumieć trzy rzeczy: co zbiera, w jakim celu i dlaczego ważne jest, by zrobił to w określony sposób. W innym wypadku dostajemy mechaniczne wypełnianie pól, co zawsze grozi bałaganiarstwem.

Z perspektywy pracownika logika jest brutalnie prosta. Skoro nigdy nie widziałam, do czego prowadzą dane, które wprowadzam, są one wyłącznie czystą biurokracją. Czymś, co robię, żeby wyrobić godziny. Jeśli jednak widzę, że na ich podstawie ktoś podejmuje decyzje wpływające na mój zespół, mój produkt, moje zarobki, moją premię – w moim własnym interesie jest zadbanie, żeby arkusz został uzupełniony porządne.

„Skoro nigdy nie widziałam, do czego prowadzą dane, które wprowadzam, są one wyłącznie czystą biurokracją”.

Żaden CRM ani żaden ERP nie zastąpi prostej, regularnej komunikacji. To na kierowniku spoczywa odpowiedzialność za uświadomienie zespołowi, że zbieramy takie a takie dane, bo na ich podstawie np. zmodyfikujemy proces handlowy w tym i tym kwartale.

Firmy, które to potrafią, dysponują czystą bazą danych z wszystkimi jej zaletami. W praktyce takie podejście oznacza łatwiejsze wychwycenie anomalii, brak śmieciowych rekordów, mniej bólu w piątkowy wieczór, gdy ktoś próbuje ostatecznie spiąć raport zarządczy. Tu, niestety, nie ma drogi na skróty – kultura zbierania danych jest zawsze pochodną kultury organizacji, a nie odwrotnie.

Odsuwa to również groźbę tzw. paraliżu przez analizę. Nadmiar nieselekcjonowanych danych potrafi blokować decyzje równie skutecznie, co brak danych. Konieczność przeczesywania dwudziestu niejasnych raportów, potrafi złamać nawet najtwardszego prezesa. W efekcie wróci on do podejmowania decyzji w oparciu o intuicję.

Ogarnij wreszcie ten garaż

Wracając do zagraconego garażu. Można w nim przechowywać wszystko, co wpadnie w ręce i co jakiś czas marnować pół soboty na znalezienie śrubokrętu. Można też ustawić półki, opisać pudła, wyrzucić to, co na pewno się już nie przyda – i wreszcie stworzyć system, w którym znajdujemy potrzebne narzędzie w piętnaście sekund.

To fundamentalna różnica między stertą rzeczy, a zasobem.

Dylemat nie dotyczy tego, czy zbierać dane w organizacji, tylko jak je zbierać. Gołe kolumny w arkuszu, bez przemyślanego wcześniej procesu, który pozwoli je wykorzystać, są jak gwóźdź bez młotka. Od biedy możemy go próbować wbić butem, ale na dłuższą metę tylko narobimy szkód. Dlatego zanim zlecisz sporządzenie kolejnego raportu, zachęcam, żebyś zadał sobie cztery proste pytania. Po co mi te dane? Z czym je połączę? Jak je przygotuję, żeby nadawały się do analizy? I co konkretnego z nimi zrobię, gdy już dadzą mi odpowiedź?

Jeśli nie umiesz na nie odpowiedzieć, być może cierpisz na patologiczne zbieractwo danych. Ale spokojnie, świadomość choroby jest pierwszym krokiem do jej wyleczenia.

Nie musisz odpowiadać na powyższe pytania samodzielnie. Usiądźmy do tego razem – doradzimy Ci jak zbierać i analizować dane w taki sposób, żeby raporty wspierały Twoje cele, a nie tylko zalegały w segregatorach.