BI (בינה עסקית) היא היכולת של ארגון לעקוב אחר זרימת הנתונים ותוך כדי כך לזהות הזדמנויות, למזער סיכונים ולייעל את האופן שבו הוא עושה עסקים. רוב העסקים - לא רק בתי המלון - עדיין לא הגיעו לרמה האופטימלית הזו של בגרות BI. לרבים יש איסוף נתונים אוטומטי, הפקת דוחות, ובמקרים מסוימים, הדמיית נתונים. אבל זה לא אומר שהם מגייסים נתונים לפעולה. לעתים קרובות אנשים משתמשים בפלטפורמות ה-BI שלהם לא יותר מאשר לתזמן דוחות שיישלחו אליהם בדואר אלקטרוני בתיבת הדואר הנכנס שלהם, אבל דוחות לבדם אינם מהווים בינה עסקית. לפיכך, הם עדיין תקועים במצב גיליון אלקטרוני סטטי בכל הנוגע לתמיכה בהחלטות. משתמשים מתקדמים יותר ממנפים כלי BI כדי להגביר את קצב הגילוי שלהם בתוך פורטל ה-BI, אך בסופו של דבר מבלים שעות בניסיון לשתף מחדש ולהסביר את הממצאים שלהם לאחרים שאינם פועלים באותה סביבה. לעתים קרובות הם מנהלים דיונים ארוכים עם עמיתים כדי להבין "למה המספרים שלך לא תואמים למספרים שלי?" (יום בשבוע לעומת תאריך, פרופילים ארגוניים מול קודי תעריפים במשא ומתן, זמן לכידת נתונים, סינון לפי ממדים שונים - אפשרויות רבות!).
הסתכלות על דוחות מתוזמנים אוטומטיים היא בהחלט צעד בכיוון הנכון ואף טוב יותר כאשר צוותי מלונות בוחנים נתונים כדי לקבל החלטות מושכלות. עם זאת, החסרונות של אופן מינוף ה-BI כיום ניכרים למדי.
הזן מודיעין החלטה (DI)
קאסי קוז'ירקוב, מדען החלטות ראשי בגוגל, מתארת את DI כדרך להרחיב את מדעי הנתונים עם מדעי החברה, תורת ההחלטות ומדע הניהול. לפיכך, מה שהופך אותו ליותר יעיל בסיוע לאנשים להשתמש בנתוני BI כדי לקבל החלטות טובות יותר. אנלוגיה נהדרת שהיא משתמשת בה כדי לתאר את ההבדל בין מדע נתונים ל-DI היא השוואתם לאלה שמייצרים תנורי מיקרוגל ולטבחים שמשתמשים בהם. שימו לב שבאמצעות 'מדע נתונים' היא מתכוונת לניתוח המועבר באמצעות פלטפורמות BI. במילים פשוטות, DI הוא גורם המאפשר את המטרה הסופית של BI - לזהות הזדמנויות, למזער סיכונים ולבצע אופטימיזציה של הדרך בה אתה עושה עסקים.
אבל איך?
ראשית, חשוב לציין ש-BI ו-DI הם לא רק טכנולוגיות אלא יכולות ארגוניות מתפתחות. כדי להצליח אתה צריך תרבות, אנשים וכלים מונעי נתונים. את שני הראשונים לא תוכל לקנות מדף מאף ספק טכנולוגיה. יש לאמץ אותם כיעדים ארגוניים אסטרטגיים. לאחר שהתחייבות זו תתבצע ואתה מתחיל לפעול לקראתה באופן פעיל, הנה 4 דרכים להביא אותך הרבה יותר רחוק עם הנתונים שלך מאשר דוחות BI בסיסיים בשירות עצמי:
1. ריכוז ותיאום
מלונאים כיום עובדים עם מבול של נתונים יקרי ערך ממערכות העסקאות שלהם ( PMS , POS וכו') כמו גם מודיעין שוק ממגוון מקורות צד שלישי ( STR ,Kalibri Labs, Knowland וכו'). עם זאת, מעטים מאוד יכולים למעשה לתאם את תמהיל הערוצים שלהם (ומימדים עסקיים רבים אחרים) למשהו כמו STR Market Penetration Index (MPI). הסיבה לכך היא שרוב הזמן הנתונים האלה יושבים בממגורות משלהם ואף אחד לא מסוגל לראות איך אחד משפיע על השני. לפיכך, הצעד הראשון המובן מאליו לקראת פתיחת תובנות מסוג זה הוא לרכז את כל המידע הזה בפלטפורמת BI שתאפשר לאחר מכן למשתמשים לאסוף, לשכב ולתאם סוגים שונים של נתונים כדי לקבל תצוגה הוליסטית של העסק. בדוגמה למטה, כאשר משתמשים עוברים על חותך הזמן, הם יכולים לראות כיצד תמהיל הפלחים, הערוץ והחדר שלהם השתנו והשפיעו על אינדקס ה-STR שלהם.
מקור: HotelIQ STR Dashboard
2. הדמייה ואינטראקציה
אחד ההרגלים הגרועים ביותר שאנשים מפתחים באמצעות גיליונות אלקטרוניים הוא להתנות את עצמם להסתכל על תאים ספציפיים על קיר של מספרים. הם מסתכלים על אותה סט של דוחות ומציצים על אותם תאים באופן קבוע כדי לעקוב אחר תקינות העסק שלהם. מכאן שכאשר מציגים להם כלי BI, האינסטינקט הראשון שלהם הוא להפוך את הדוחות שלהם לאוטומטיים. הם עדיין רוצים את קיר המספרים מונח באותו אופן שבו הם התנו את עצמם לקרוא ולחשוב. עם זאת, תופעת לוואי עצומה של התניה כזו היא שהם מחמיצים את כל האיומים וההזדמנויות המסתתרים לעין. לדוגמה, מה הסיכוי שתבחין בנמר לבן מתחבא בסנוור של זברות?
באופן דומה, קוד תעריף שגוי יכול לקבור את עצמו בים של הסתייגויות. כאשר אתה מבחין בירידה ב- ADR הכוללת, ייתכן שכבר נגרם נזק משמעותי. עם זאת, אם במקום להציץ על קיר של מספרים, מה אם קודי התעריפים שלך היו מוצגים על פיזור? זה ידגיש לך אילו מהם מניבים ביצועים גרועים מהצפוי ומי מניב ביצועים טובים יותר. לאחר מכן דמיינו ללחוץ על עלילה ולקבל את המידע הדרוש לכם עליה ממש בקצות אצבעותיכם!
מקור: HotelIQ Agency Trends
3. שיתוף פעולה מבוסס אנליטיקס
כולנו מכירים סביבות עבודה דיגיטליות. אם לא היינו קודם, המגיפה אילצה אותנו להתחיל לשתף פעולה דיגיטלית. מ-Sharepoint ל-Slack ועד לפורטלים לניהול פרויקטים - כולם מאפשרים שיתוף פעולה בין צוותים. עם זאת, כשמדובר בשיתוף נתונים ותובנות, רובנו עדיין תלויים בתמציות וגיליונות אלקטרוניים. לפיכך, צוותים מבלים פרק זמן בלתי סביר בניסיון להמציא גרסה אחת של האמת שכולם יכולים להסכים עליה לפני שהם יכולים לנקוט בפעולה נחרצת כלשהי. זה המקום שבו אתה צריך פלטפורמת שיתוף פעולה דיגיטלית המונעת על ידי ניתוח - פורטל או אינטראנט שבו הצוותים האסטרטגיים שלך נכנסים לעבודה מדי יום, גישה לגרסה אחת של האמת (באמצעות שילוב נתונים אוטומטי), לשתף, להעיר, לתכנן ולעקוב אחר ביצועים. יש גם יתרונות רבים אחרים לשיתוף פעולה דיגיטלי.
4. תמיכת החלטות מונעת בינה מלאכותית
לאחר שמרכזת את כל הנתונים שלך והצוות שלך מסוגל לחקור, לשתף ולשתף פעולה בקלות, הצעד הבא הברור הוא לקבוע מהי דרך הפעולה לנקוט. זה המקום שבו בינה מלאכותית יכולה להעלות את יכולות קבלת ההחלטות שלך באופן משמעותי על ידי עיבוד מגמות נתונים היסטוריות ועכשוויות כדי להדגיש סיכונים והזדמנויות שעומדות לפנינו. עם זאת, לעתים קרובות אנו מתקבעים על הדיוק של תחזיות AI. אם המגיפה לימדה אותנו משהו, זה שלאף אחד אין כדור בדולח שיכול לחזות במדויק את העתיד. במקום זאת, עלינו להתמקד באמינות ובסבירות של הקלט של AI בתהליך קבלת ההחלטות שלנו. אולי זה לא יוכל לחזות מגיפה אבל בהחלט יכול להדגיש פעילות חריגה שדורשת את תשומת הלב שלך הרבה יותר מהר ממה שאדם רגיל יכול. בוא נגיד את זה כך, אם יש לך אנליסטית זוטרה שמאוד יסודית וקפדנית בעבודתה, האם המנכ"לית תשאיר לה את כל קבלת ההחלטות? בינה מלאכותית היא כמו האנליסט הזה וצריך להתייחס אליו באותו אופן - שימו לב למה שבינה מלאכותית אומרת לכם ואז קבלו החלטות מושכלות.
מקור: HotelIQ Risk to Achievement Dashboard
בסופו של דבר, הטכנולוגיה ומדע ההחלטות ימשיכו להתפתח. יהיו דרכים מתוחכמות עוד יותר לאפשר צריכת מידע על ידי עסקים ואמצעים לתת להם לבצע זאת. עם זאת, בניגוד לטכנולוגיות טקטיות כמו טלפון או מקרר, אין קפיצת מדרגה בכל הנוגע ליכולות אנליטיות של ארגון. ככל שתעכב יותר את בניית התרבות הזו והבאת הפתרונות האלה, כך יהיה קשה יותר להישאר תחרותי בעידן המידע.
