Όπως αναφέρεται σε ειδική μελέτη με θέμα: "Η «ευφυής» αξιοποίηση των δεδομένων αλλάζει τον ανταγωνισμό και δίνει ισχυρά πλεονεκτήματα στις επιχειρήσεις", που κυκλοφορεί σήμερα, τα οφέλη είναι ήδη ορατά σε εκείνες τις επιχειρήσεις που επενδύουν σε τεχνολογίες ανάλυσης δεδομένων και ταυτόχρονα μετασχηματίζουν τη διοικητική λειτουργία τους.

«Πλέον, η ανάλυση μέρους των 2,5 πεντάκις εκατομμυρίων (quintillion) bytes δεδομένων που παράγονται κάθε ημέρα παγκοσμίως αποτελεί θεμέλιο ανταγωνιστικότητας. Τέτοιες αναλύσεις μπορούν να βελτιώνουν προβληματικές και χρονοβόρες λειτουργίες, να αναγνωρίζουν ευκαιρίες αυτοματοποίησης και τυποποίησης, να τεκμηριώνουν διοικητικές αποφάσεις, να προβλέπουν τις επιπτώσεις εξωτερικών παραγόντων στη επιχείρηση, να προσαρμόζουν την παραγωγή στη ζήτηση, να δημιουργούν προσωποποιημένες υπηρεσίες και προϊόντα σε πραγματικό χρόνο» αναφέρει η μελέτη.

Η θέση της Ελλάδας

Σύμφωνα λοιπόν με το ΣΕΒ η αξιοποίηση σύγχρονων εργαλείων ανάλυσης δεδομένων κερδίζει συνεχώς έδαφος στις επιχειρήσεις. «Όμως, παρόλο που ζούμε στην εποχή της 4ης Βιομηχανικής Επανάστασης, η ανθρώπινη «διαίσθηση» και η «εμπειρία» παραμένουν κυρίαρχα κριτήρια των επιχειρηματικών επιλογών στην Ελλάδα, καθώς τα ψηφιακά εργαλεία δεν συνοδεύονται από τον ανάλογο διοικητικό και λειτουργικό μετασχηματισμό. Ένα χαρακτηριστικό παράδειγμα είναι το εξής: Η προμήθεια σύγχρονων εργαλείων ανάλυσης μεγάλου όγκου δεδομένων (Big Data Analytics) είναι ιδιαίτερα διαδεδομένη στον ιδιωτικό τομέα στην Ελλάδα, πάνω από το μέσο όρο της ΕΕ (12η θέση στην ΕΕ-28, στο σχετικό δείκτη DESI2020). Όμως τα εργαλεία αυτά σε μεγάλο βαθμό παραμένουν αναξιοποίητα. Σύμφωνα με πρόσφατη έρευνα της Deloitte , μόνο το 39% των επιχειρήσεων διαθέτει κουλτούρα και διαδικασίες λήψης διοικητικών αποφάσεων που βασίζονται σε ανάλυση δεδομένων.»

Πιο συγκεκριμένα όπως αναφέρει ο ΣΕΒ:

· Η βιομηχανία έχει τη δυνατότητα να προσαρμόσει την ποσότητα παραγωγής βάσει προβλεπόμενης ζήτησης, να διαχειριστεί το ύψος των αποθεμάτων, να διενεργήσει προληπτική συντήρηση, να βελτιστοποιήσει το μίγμα πωλήσεων ανά κανάλι προώθησης, κ.λπ. Ενδεικτικά, γνωστή ελληνική βιομηχανία συλλέγει και αναλύει δεδομένα προωθητικών ενεργειών σε πραγματικό χρόνο για να εκτιμήσει κρίσιμους δείκτες αποδοτικότητας (πχ ROI, αύξηση πωλήσεων ανά προϊόν και κανάλι).

· Το εμπόριο, εφαρμόζει λύσεις πρόβλεψης της ζήτησης, διαχείρισης των αποθεμάτων, δυναμικής τιμολόγησης, σύστασης προϊόντων σε πελάτες, κ.λπ. Ενδεικτικά, εταιρεία ηλεκτρονικού εμπορίου αναλύει δεδομένα διαδικτυακών πωλήσεων, με το 35% των εσόδων της να προέρχεται πλέον από τις αναλύσεις αυτές.

· Στις χρηματοοικονομικές υπηρεσίες, τα εργαλεία επιτρέπουν την ανάλυση και έλεγχο κινδύνου, την αξιολόγηση της πιστοληπτικής ικανότητας, την ανάλυση cross-selling σε πραγματικό χρόνο. Επιχειρήσεις που αξιοποιούν τέτοια εργαλεία απολαμβάνουν (ενδεικτικά) ως 35% μείωση του χρόνου των εργασιών παραγωγής, ως 25% μείωση αποθεμάτων, ως 3% αύξηση εσόδων, ως 7 μονάδες υψηλότερη απόδοση επένδυσης (ROI), ως 25% μείωση των δαπανών Ε&Α, ως 5% μείωση σε δαπάνες marketing, κ.λπ. Ειδικά οι μεσαίες και μεγάλες επιχειρήσεις που αξιοποιούν συστηματικά αναλύσεις δεδομένων έχουν διπλάσια πιθανότητα να υπερβούν τους στόχους ανάπτυξης και ανταγωνιστικότητας.

Οι προτάσεις

Στο πλαίσιο αυτό θα πρέπει κάθε επιχείρηση σύμφωνα με το ΣΕΒ να κάνει μια σειρά από ενέργειες, που παρατίθενται παρακάτω:

1. Στόχευση: Ποιο είναι το συγκεκριμένο πρόβλημα που επιθυμεί να ανατρέψει η διοίκηση, ποιες είναι οι διαδικασίες που επιθυμεί να βελτιώσει, ποιος είναι ο συγκεκριμένος στόχος που επιθυμεί να πετύχει;

2. Σύνδεση με τη στρατηγική: Με ποιο τρόπο θα συνδέσει η επιχείρηση τον ψηφιακό μετασχηματισμό με τη συνολική στρατηγική της;

3. Πηγές δεδομένων: Πού βρίσκονται τα απαραίτητα δεδομένα προς συλλογή και ανάλυση (εντός / εκτός επιχείρησης); Ποιες είναι οι πηγές προέλευσης και ποια η σημερινή μορφή τους; Ποιο το κόστος και ποια η δυνατότητα συλλογής των δεδομένων; Πώς μπορεί να διασφαλιστεί η ποιότητα και αξιοπιστία τους;

4. Ευθύνη: Ποια οργανωτική δομή, με ποιες αρμοδιότητες και με ποια στελέχωση, θα υποστηρίξει τις νέες διαδικασίες συλλογής και ανάλυσης δεδομένων; Ποιοι εργαζόμενοι από ποια τμήματα θα εμπλακούν και πώς θα κατανεμηθούν ρόλοι και αρμοδιότητες;

5. Δεξιότητες: Υπάρχουν οι κατάλληλες δεξιότητες στην επιχείρηση (πχ ανάλυσης δεδομένων, αξιοποίησης εργαλείων τεχνητής νοημοσύνης, κ.λπ.) και αν όχι πώς θα αποκτηθούν;

6. Αναδιοργάνωση: Πώς πρέπει να μετασχηματιστούν οι οργανωτικές δομές (συμπεριλαμβανομένης και της ανώτερης διοίκησης) και οι διαδικασίες λήψης αποφάσεων για να αξιοποιούν σε καθημερινή βάση τις αναλύσεις δεδομένων; Πώς θα παρακολουθείται η απόδοση;

7. Τεχνολογίες: Ποια συστήματα ανάλυσης δεδομένων καλύπτουν τις ανάγκες της επιχείρησης σήμερα αλλά και σε μεσοπρόθεσμο ορίζοντα; Πώς προστατεύονται τα δεδομένα από κυβερνο-επιθέσεις;

8. Κίνδυνοι. Ποιοι είναι οι πιθανοί παράγοντες αποτυχίας του μετασχηματισμού, ποιες δομές ενδέχεται να αλλάξουν ριζικά τρόπο λειτουργίας; Πώς θα ενημερωθεί έγκαιρα το προσωπικό για τις αλλαγές;

9. Αξιοπιστία: Πώς διασφαλίζεται η ποιότητα, η αξιοπιστία και η εμπιστευτικότητα των δεδομένων χωρίς να περιορίζεται η ροή εντός της επιχείρησης; Ποιοι οι κανόνες δεοντολογίας αλλά και προστασίας της πνευματικής ιδιοκτησίας;

10. Προμήθεια: Ποια στρατηγική προμηθειών είναι κατάλληλη για το μέγεθος και τον κλάδο της επιχείρησης (πχ προμήθεια ως υπηρεσία, έτοιμο λογισμικό, πιλοτική εφαρμογή, κ.λπ.);

Η μελέτη στο συνημμένο αρχείο

Γιώργος Αλεξάκης