Kuidas mõista andmestunud maailma. Anto Aasa, Mare Ainsaar, Mai Beilmann, Marju Himma Muischnek,

Чтение книги онлайн.

СКАЧАТЬ sündmuste võimaliku kulu modelleerimiseks (vt ka ptk 2.3). Samas näitavad uuringud (Masso et al. 2020), et igapäevase koostegutsemise ning häkatonide käigus võivad avaliku ja erasfääri andmeanalüütikute ideaalid ja väärtused põrkuda.

      Avatud valitsemise andmetele lisaks (vt ka ptk 1.3) tekib iga päev suurel hulgal struktureerimata ja mittekonventsionaalsetest allikatest pärit (sensorid, mobiiliandmed, (audio)visuaalsed kujutised, finantslogid, sotsiaalmeedia vestlused jm) andmeid. Nende tehnoloogilise töötlemise võimekuse tekkimine loob ka uued vajadused juhtimispädevuste järele. Uued tehnoloogiad võimaldavad reaalajas laekuvaid struktureerimata andmeid analüüsida n-ö otse, ilma neid vahepeal struktureerimata ja ladustamata. Selleks et sundida arvutit avastama olulisi seosemustreid, on vaja andmeteadlasi, kes oleksid muu hulgas kursis organisatsiooni toimimise ja keskkonnaga, sest ainult nii suudavad nad juhti toetada. Andmeteadlasi on praegu aga vähe ja seetõttu nimetatakse organisatsioone andmerikkaks, kuid oskusvaeseks (Pugna et al. 2018). Kiiranalüütika vahendite arengu tõttu on andmeanalüütika muutunud hädavajalikuks üldpädevuseks mitte ainult analüütikutele, vaid ka juhtidele ja teistele otsuste tegijatele. Oluline on mitte võimalikult paljude andmete analüüs, vaid kõige olulisemate andmete – äriorganisatsioonis näiteks kliendiga kokkupuutepunktide, konkurentsi ja turutingimuste – omavaheline suhestamine (Heymann 2018).

      Seega tähendab andmepõhine otsustamine eeskätt võtmenäitajate määratlemist. Mõnikord tekib siin kinnine ring: organisatsioonid koormavad oma analüütilise võimekuse üle, püüdes strateegilisse otsustamisse haarata võimalikult palju tunnuseid, arutamata läbi, kas need on põhiliste eesmärkide seisukohalt olulised. Valikute tegemine ongi võimalik juhul, kui otsustajad teadvustavad endale, et andmed kannavad väärtust kindla vajaduse kontekstis. Infosüsteemid ei ole olemuselt neutraalsed, vaid tähendusloome protsess käib kaasas iga info(süsteemi)päringuga ning lähtub tegija taustateadmisest ja organisatsiooni kontekstist (Bednar, Green 2011). Kui andmeanalüütiku pädevus piirdub vaid tehnoloogiliste oskustega ega hõlma seoste loomise ja kontekstitunnetuse võimet ehk nn suure pildi nägemist, tekib organisatsioonis andmediktatuur (Pugna et al. 2018).

      Andmeanalüütikute roll on seega üha tihedamalt seotud organisatsiooni ja tegevusvaldkonna teadmusloomega ning organisatsiooni juhtimisega. Andmepõhise otsustamise rakendamine nõuab organisatsioonikultuurilist muutust, puudutades kõiki organisatsiooni liikmeid ja partnereid. Järgnevates alapeatükkides käsitleme mõningaid põhimõtteid, millele muutuste juhtimise protsessides osalev andmeanalüütik saab vastavalt probleemi olemusele toetuda, et olla toeks organisatsiooni juhtidele ja kolleegidele.

      1.1.3. Andmepõhise muutuste juhtimise põhimõtted

      Andmete põhjal muutuste juhtimine on teinud läbi mitmed nihked. Järgnevalt leiavad käsitlemist kolm peamist andmepõhise muutuste juhtimise põhimõtet, mida siinse peatüki autorid nimetavad normatiivseks mobiliseerivaks, normatiivseks struktuurseks ja kaasavaks muutuseks.

      1.1.3.1. NORMATIIVNE MOBILISEERIV MUUTUS

      Üks tavapärasemaid olukordi on, et muutusi tuleb teha piiratud „mängumaal“ ehk olukorras, kus muutuse sisu või probleemi lahendus on juba teada ning organisatsiooni eestvedajate eesmärk on lahendust võimalikult hästi rakendada, inimesi eeskätt sõna jõul veendes ja motiveerides, kuid ilma institutsionaalsete ümberkorraldusteta, st organisatsiooni struktuur ja toimimise regulatsioonid jäävad samaks. Näiteks saab organisatsiooni sees inimesi mobiliseerida koolituste, konkursside ja parimate töötajate tunnustamise abil. Välistele sihtrühmadele suunatakse instrueerivad kampaaniad, kus soovitatakse mingit kindlat käitumisviisi soovitud mõju saavutamiseks (nt 60 minutit liikumist päevas aitab vältida rasvumist ja südame-veresoonkonnahaigusi). Andmeanalüüsi kaudu on sellises olukorras võimalik juhti ja teisi muutuse eestvedajaid toetada, tuues välja seosed tegevusi iseloomustavate andmete vahel ja luues mudeleid rakendusstsenaariumideks, näiteks kiiremaks ja aeglasemaks muutuseks (nt milline mõju on tervisele, kui liikuda 60 minutit päevas mõõduka aktiivsusega, võrreldes 30 minuti suure aktiivsusega liikumisega).

      Analüüsid näitavad, et keskmiselt kolmandik organisatsioonilistest muutustest on edukad (Smith 2002; Beer, Nohria 2000). Kui näiteks uue tegevusstrateegia rakendamine organisatsioonis osutub 58% juhtudest edukaks, siis katsed organisatsioonikultuuri muuta on sama analüüsimetoodika järgi edukad vaid 19% juhtudest (Smith 2002). Seejuures määrab andmete töötlemise korraldus sageli muutuste edukuse hindamise (Heckmann et al. 2016). Peatüki autoritena väidame, et andmeanalüüsi võimaluste avardumise tõttu on organisatsiooniliste muutuste juhtimisel toimumas paradigmanihe: kuna tehniliselt on võimalik seirata, millised on töötajate toimimisviisid, siis ei käsitleta organisatsioonilist muutust enam juhtkonna kui initsiaatori strateegilise osavusena oma tahet läbi viia. Tähelepanu fookus on hoopis organisatsiooni liikmetel kui muutuse vastuvõtjatel. Muutuse kriteeriumiks ei ole sealjuures juhtkonna visioon ega tegevusmõõdikud, vaid pikaajaline muutus sünnib alles siis, kui inimesed oma töökäitumist muudavad (Choi 2011; Armenakis, Harris 2009; Jones et al. 2005, Balogun, Johnson 2005; Bartunek et al. 2006; Bouckenooghe 2010; Kirsch et al. 2014; Parry 2015). Juhtimistarkus on seega väga tihedasti seotud andmeanalüütiku tarkusega leida andmetest info töötajate hoiakute ja konkreetse tegevuse kohta, selleks et planeerida nutikat sekkumist.

      Andmeanalüütikud sotsialiseerivad juhte, et need andmetest saadud infot arvesse võtaksid. Aga ka vastupidi – targad juhid n-ö sotsialiseerivad andmeanalüütikuid, selgitades neile probleemi või vajaduse „ajalugu“ ja laiemat konteksti. Samas on ka piir juhtimise ja andmeanalüütika vahel hägustunud: targad juhid on ka ise muutunud andmeanalüütikuteks, selekteerides ja tõlgendades olemasolevate andmete seast olulisemat. See tegevus ei saa olla vabatahtlik, vaid peaks olema määratletud olulise tööülesandena, mille eest ka tasu makstakse. Organisatsiooni kontekstuaalseid vajadusi peaks arvestama ka eri metoodikate ja vahendite kasutuselevõtul. Näiteks soovitavad uurijad kasutada rohkem analüütilisi töölaudu ja näidikute paneele (analytic dashboard), mis võimaldavad võrrelda võtmeindikaatoreid muutujatega, luua prognoose ja neid visualiseerida. Tuleb ette ka olukordi, mil ei ole tingimata tarvidust pidevat reaalaja seireinfot saada, selle asemel tegeletakse pikemate aegridade ja seoste analüüsimisega, tuginedes kogutud koondandmetele (Pugna et al. 2018). Ettevõtetele pakutakse andmeanalüüsil põhinevaid metoodikaid muutuste rakendumise jälgimiseks (nt Comuzzi, Parhizkar 2017). Andmepõhise otsusetoe loomisel on võimalik ka minevikuandmete „kaalumine“, st erineval ajalisel kaugusel olevaid andmeid ei peeta otsuste langetamisel samavõrra kaalukaiks (Grechuk, Zabarankin 2018).

      Andmepõhised mudelid aitavad soovmõtlemist ja ka kammitsevaid hirme leevendada. Oluline on siinkohal aga mitte suruda andmeanalüütikut Delfi oraakli rolli, vaid mõista, et lisaks analüüsitud andmetele mõjutavad protsesse veel paljud tegurid, mida järgnevalt detailsemalt käsitleme.

      1.1.3.2. NORMATIIVNE STRUKTUURNE MUUTUS

      See on teine küllaltki sageli ettetulev muutuse strateegia, kui poliitilist või ekspertide väljatöötatud lahendust hakatakse reeglite muutmise, struktuursete ümberkorralduste (ühendamine, alluvussuhete muutus, rollide ümberjagamine), rahastuse muutmise, uute tehnoloogiate kasutuselevõtu või muude selgete mõjutusmehhanismide kaudu rakendama. Lahenduse töölehakkamine oodatud viisil võib sõltuda kriitilisel määral sellest, kuidas seda rakendatakse. Kujundlikult öeldes: saatan peitub detailides. Andmeanalüüsi abil on sellises olukorras võimalik eeskätt näidata ümberkorralduse võimalikku mõju enne selle rakendamist. Selleks et andmeanalüütik oskaks välja pakkuda tegevusi ja olukordi iseloomustavaid, omavahel seotud mõju näitajaid, peaks ta olema kaasatud rakendusplaani väljatöötamisse juba enne selle sündi. Oluline on, et muutuste juhid esitaks mõjude kohta lisaks tavapärasele tulu-kulu vahekorrale ka teisi küsimusi. Kas meetmete oodatav mõju on tugev või nõrk? Kas mõju kumuleerub aja jooksul? Kas võib oodata, et tekib sünergia muude protsessidega? Millised on ümberkorralduste kavatsemata kõrvalmõjud? Võrdlevad mudelid, СКАЧАТЬ