Część 2 – Najdroższy pracownik w firmie to zły rekord w bazie danych
Ukryty podatek od złych danych, który płaci cała logistyka
W poprzednim tekście napisałam, że najdroższy błąd w logistyce to automatyzowanie chaosu. Że technologia niczego nie naprawia, kiedy pod spodem mamy dane, którym nie da się ufać, bo wtedy automatyzacja ten bałagan tylko utrwala i powiela na większą skalę. Dostałam po nim sporo wiadomości w jednym tonie. Zgadza się, brzmi sensownie, ale ile ten bałagan właściwie kosztuje? Czy to realny problem z pieniędzmi, czy tylko wygodna metafora na konferencję?
To pytanie zostało mi w głowie na dłużej, bo jest w nim uczciwy zarzut. Przez lata pracy z firmami logistycznymi nauczyłam się, że w rozmowie z zarządem opowieść o bałaganie w danych zawsze przegrywa z konkretną liczbą. Każdy kiwa głową, wszyscy się zgadzają, a potem budżet i tak idzie na kolejne narzędzie. Postanowiłam więc zrobić coś, czego zwykle nie robię publicznie. Zestawiłam swoje obserwacje z tym, co na temat jakości danych mówią porządne badania, i sprawdziłam, czy to, co widzę u klientów, ma pokrycie w liczbach.
Od razu zaznaczam jedno, bo dużo z tych danych krąży w sieci w wersji podkręconej. Cytuję je dokładnie tak, jak sformułowali je autorzy, razem z ich zastrzeżeniami. W tym temacie półprawda potrafi być droższa niż brak danych, a ja nie chcę wygrywać dyskusji liczbą, której sama bym nie obroniła.
Rachunek, którego nikt nie wystawia
Zacznijmy od liczby, którą pewnie widzieliście na niejednym slajdzie. Gartner szacuje, że zła jakość danych kosztuje organizacje średnio co najmniej 12,9 miliona dolarów rocznie. Zwróćcie uwagę na to ostrożne „co najmniej”, bo Gartner nie twierdzi, że to precyzyjny rachunek dla każdej firmy. To rząd wielkości, nie faktura.
Mnie w tym zestawieniu najbardziej interesuje jednak druga obserwacja tej samej firmy, że aż 59 procent organizacji w ogóle nie mierzy jakości swoich danych. To jest liczba, pod którą podpisuję się bez wahania, bo pokrywa się z moim doświadczeniem niemal co do przypadku. Kiedy zaczynam pracę w nowej firmie, prawie zawsze pytam na wstępie, skąd wiedzą, że ich dane są dobre. Odpowiedź brzmi zwykle tak, że przecież system działa i nikt się nie skarży. To nie jest pomiar. To założenie. A różnica między jednym a drugim potrafi kosztować cały rok pracy zespołu.
Na poziomie całej gospodarki liczby robią się jeszcze bardziej abstrakcyjne. Thomas Redman opublikował w Harvard Business Review tekst pod dosłownym tytułem mówiącym, że złe dane kosztują Stany Zjednoczone trzy biliony dolarów rocznie. Tu potrzebna jest uczciwa uwaga, bo tę liczbę często się przekręca. Redman przytacza wcześniejsze oszacowanie IBM na poziomie 3,1 biliona dolarów, a nie prowadzi własnego, niezależnego wyliczenia. Sama infografika IBM zniknęła zresztą z sieci, więc traktuję ten wynik jako często cytowany szacunek historyczny, a nie twardy pomiar. Ale kierunek jest jednoznaczny i to mi wystarcza. Mówimy o koszcie systemowym, nie o drobnej niedogodności działu IT.
To nie jest problem „gdzieś tam”
Łatwo pomyśleć, że złe dane to zmartwienie wielkich korporacji z setkami systemów. Znam ten odruch, bo słyszę go regularnie. My jesteśmy mniejsi, u nas ludzie się znają, u nas to nie ma takiej skali.
Dlatego tak lubię badanie opisane w Harvard Business Review przez Tadhga Nagle’a, Thomasa Redmana i Davida Sammona. Poprosili oni siedemdziesięciu pięciu menedżerów, żeby wzięli sto ostatnio utworzonych w swoim dziale rekordów i policzyli, ile z nich zawiera choć jeden istotny błąd. Średnio 47 procent nowych rekordów miało co najmniej jeden krytyczny błąd, czyli taki, który realnie utrudnia pracę. Autorzy podsumowali jakość tych danych własną miarą i tylko 3 procent wyników mieściło się w akceptowalnym przedziale, i to przy najbardziej pobłażliwym kryterium, jakie dało się przyjąć.
Zachowuję ostrożność, do której namawiają sami autorzy. To nie był reprezentatywny pomiar całej gospodarki, tylko ćwiczenie na próbie menedżerów. Ale właśnie dlatego jest tak wymowne, i dlatego sama zaczęłam je powtarzać w pracy. Kiedy proszę zespół, żeby wziął ostatnie sto rekordów i policzył błędy własnymi rękami, w pokoju zawsze robi się cicho. Nie dlatego, że wynik jest katastrofalny, tylko dlatego, że po raz pierwszy ktoś to policzył. To nie są dane wygrzebane z archiwum sprzed dekady. To rekordy tworzone tu i teraz, przez ludzi, którzy potem sami na nich pracują.
Jeżeli mniej więcej co drugi świeży rekord ma skazę, to przestaje dziwić scena z poprzedniego tekstu, w której zakupy, transport i sprzedaż patrzą na trzy różne wersje magazynu. Nikt tu nie jest niekompetentny. Wszyscy pracują na tym, co dostali.
Koszt, który rośnie z każdym krokiem
Jest pewna stara reguła zarządzania jakością, do której ciągle wracam, bo lepiej niż cokolwiek innego tłumaczy, dlaczego z porządkowaniem danych nie warto zwlekać. Nazywa się zasadą jeden do dziesięciu do stu i pochodzi z książki Making Quality Work autorstwa George’a Labovitza, Yu Sang Changa i Victora Rosansky’ego z 1992 roku. Mówi ona, że jeśli koszt zapobieżenia błędowi u źródła wynosi jednostkę, to koszt wykrycia i poprawienia go później rośnie do dziesięciu, a koszt błędu, który zdążył już wpłynąć na klienta albo na proces, sięga stu.
Traktuję tę regułę jako heurystykę, nie jako cennik, i tak też radzę o niej myśleć. Nikt nie twierdzi, że każdy błąd w danych kosztuje dokładnie sto razy więcej. Chodzi o proporcję i o kierunek, w którym te koszty pędzą.
Ta proporcja jest jednak tym, co widzę w praktyce najczęściej, i to w bardzo konkretnej formie. Źle wpisana jednostka miary albo waga palety to przy wprowadzaniu poprawka na dziesięć sekund. Ta sama liczba, kiedy przejdzie przez planowanie, ustawi awizację i dojedzie do klienta w postaci pojazdu, który nie może się rozładować, to już koszt liczony w godzinach pracy kilku osób, w karze umownej i w telefonie od klienta, którego nikt nie chce odbierać. To dokładnie ten sam rekord. Zmieniło się tylko to, jak długo nikt go nie zatrzymał.
Podatek od bałaganu, który płacą ludzie
Jest jeszcze koszt, który rzadko trafia do jakiegokolwiek zestawienia, a dla mnie jest najbardziej bolesny. To czas mądrych ludzi, którzy zamiast analizować dane, muszą je najpierw doprowadzić do porządku.
W przywoływanym często raporcie CrowdFlower z 2016 roku sześćdziesiąt procent ankietowanych specjalistów od danych wskazało czyszczenie i organizowanie danych jako czynność, która zjada im najwięcej czasu. Kiedy dołożyć czas na samo zbieranie zbiorów, robi się z tego około osiemdziesięciu procent całej pracy poświęconej na przygotowanie danych, zanim ktokolwiek zacznie wyciągać z nich wnioski. Nie rozciągam tej liczby zbyt daleko, bo mówi ona, co respondenci uznali za najbardziej czasochłonne, a nie że każdy spędza dokładnie tyle czasu na czyszczeniu.
Ale sens jest przygnębiająco znajomy i widzę go za każdym razem, kiedy siadam z analitykiem czy planistą. Zanim padnie pierwszy wniosek, mija pół dnia na sklejaniu eksportów z kilku systemów i ręcznym prostowaniu tego, co się nie zgadza. Najsmutniejsze jest to, że ci ludzie zwykle są z tego dumni, bo wypracowali sobie sprytne obejścia i naprawdę trzymają firmę w ryzach. Tyle że zatrudniliśmy ich do podejmowania decyzji, a płacimy im za sprzątanie. I dopóki to sprzątanie działa, nikt nie widzi problemu.
A teraz przełóżmy to na magazyn
Do tej pory poruszałam się w świecie ogólnych danych, ale w logistyce wszystko robi się namacalne, bo błędny rekord natychmiast zderza się z fizycznym towarem.
Najmocniejszy dowód, jaki znam, pochodzi z badania Nicole DeHoratius i Anantha Ramana opublikowanego w Management Science. Przeanalizowali blisko 370 tysięcy rekordów stanów magazynowych z trzydziestu siedmiu sklepów jednego detalisty i okazało się, że 65 procent z nich nie zgadzało się z rzeczywistym stanem na półce. To nie znaczy, że w dwóch trzecich przypadków brakowało towaru. To znaczy, że w dwóch trzecich przypadków system pokazywał co innego niż rzeczywistość, a przecież to właśnie na systemie opieramy decyzje o uzupełnieniu, kompletacji i obietnicach dostępności wobec klienta.
Kiedy pierwszy raz zobaczyłam tę liczbę, pomyślałam, że jest zawyżona. Potem przypomniałam sobie, ile razy słyszałam w magazynie zdanie, że system swoje, a półka swoje, i że lepiej pójść sprawdzić. Ta wiedza jest w firmach obecna. Ona po prostu nigdy nie zostaje policzona ani nazwana kosztem.
Nowsze i bliższe naszym realiom jest badanie zespołu Diany Božić z Uniwersytetu w Zagrzebiu, opublikowane w czasopiśmie Logistics w 2024 roku. Autorzy z zegarkiem w ręku mierzyli proces kompletacji w firmach dystrybucyjnych z branży FMCG i porównali zamówienia obarczone błędami w danych podstawowych produktu z tymi bez błędów. Zamówienia z nieścisłościami płynęły przez proces średnio ponad dwa i pół razy dłużej niż te czyste, około trzydziestu siedmiu minut wobec czternastu. To mała próba i nie zrobiłabym z niej uniwersalnego benchmarku, ale kierunek jest dokładnie taki, jakiego się spodziewałam. Zła dana nie zostaje w tabeli. Ona zatrzymuje ludzi, wózki i towar.
Dlaczego w łańcuchu dostaw robi się z tego lawina
Chcę jeszcze wrócić do mechanizmu, który spina to wszystko w całość i tłumaczy, dlaczego w łańcuchu dostaw pojedynczy błąd rzadko zostaje pojedynczy. To słynny efekt byczego bicza, opisany przez Hau Lee, V. Padmanabhana i Seungjina Whanga w dwóch pracach z 1997 roku, w Management Science i w Sloan Management Review. Pokazali oni, że informacja płynąca w górę łańcucha w postaci zamówień ulega zniekształceniu, a wahania zamówień potrafią być większe niż rzeczywiste wahania sprzedaży. Im dalej od klienta końcowego, tym mocniej to zniekształcenie się wzmacnia.
Dla mnie to akademickie potwierdzenie tego, co opisywałam poprzednio z perspektywy praktyka. Jeśli u podstawy mamy niedokładną informację o popycie czy o stanie, łańcuch dostaw nie tylko ją przeniesie, ale i podkręci na każdym kolejnym szczeblu. Autorzy nie podają jednej liczby na koszt tego zjawiska i nie zamierzam jej dopisywać. Sama logika mechanizmu wystarczy. W łańcuchu dostaw zła dana ma naturalną skłonność do rośnięcia, nie do znikania.
Moja teza po zestawieniu tych liczb
Zebrałam te badania, żeby sprawdzić samą siebie, i wyszłam z tego z mocniejszym przekonaniem, niż miałam na starcie. Formułuję je wprost, bo uważam, że w tej branży za dużo mówimy ostrożnie.
Jakość danych nie jest tematem technicznym, który można oddelegować do IT i o nim zapomnieć. To ukryty koszt operacyjny, który skaluje się razem z firmą i razem z każdą automatyzacją, którą na tych danych postawimy. Dlatego uważam, że dopóki firma nie wie, ile kosztują ją złe dane, każda inwestycja w automatyzację jest zakładem, nie decyzją. Może się opłacić, ale nikt w tej firmie nie potrafi powiedzieć dlaczego.
I stąd druga część tej tezy, ta mniej wygodna. Najdroższy nie jest błąd, który widzimy na fakturze, bo ten przynajmniej ktoś zauważył i zaksięgował. Najdroższy jest ten, który cicho powielamy w każdym kolejnym systemie, przekonani, że skoro wszystko działa, to znaczy, że jest dobrze..
Co z tym zrobić w najbliższym miesiącu
Nie lubię tekstów, które kończą się apelem o świadomość, więc zostawię coś konkretnego. Gdybym miała wskazać jeden ruch na start, byłoby to policzenie własnej liczby zamiast cytowania cudzych.
Weźcie sto ostatnio utworzonych rekordów w jednym obszarze, na przykład w kartotece produktowej albo w danych kontrahentów, i sprawdźcie ręcznie, ile z nich ma błąd, który realnie przeszkadza w pracy. To zajmuje jedno popołudnie i nie wymaga żadnego wdrożenia. Potem wybierzcie z tego jeden typ błędu, ten najczęstszy, i zapytajcie, gdzie on powstaje i kto mógłby go zatrzymać u źródła. Nie chodzi o naprawę bazy, tylko o zamknięcie jednego kranu. I na koniec spróbujcie oszacować, ile godzin miesięcznie wasz zespół spędza na prostowaniu tego jednego błędu, bo to jest liczba, którą wreszcie da się położyć na stole podczas rozmowy o budżecie.
To brzmi skromnie jak na temat wart miliony, ale w mojej pracy nie widziałam skuteczniejszego początku. Firmy nie zmieniają podejścia do danych dlatego, że przeczytały raport Gartnera. Zmieniają je w momencie, w którym zobaczą własny wynik na kartce.
Ciąg dalszy nastąpi
W tym tekście zajęłam się kosztem, bo od tego zaczęły się pytania po poprzednim artykule. Zostaje jednak pytanie trudniejsze, na które sama liczba nie odpowiada. Skoro wiemy już, że bałagan w danych realnie kosztuje, to jak zbudować ten wspólny, wiarygodny obraz sytuacji, o którym pisałam w pierwszym tekście, nie zatrzymując przy tym firmy na pół roku.
I o tym będzie następny artykuł. Pokażę w nim, od czego zacząć porządkowanie danych w logistyce, kto powinien za nie odpowiadać, jak wygląda w praktyce jedna wspólna wersja prawdy w firmie, która ma ERP, TMS, WMS i trzydzieści arkuszy obok, oraz w którym momencie ma sens spinanie tego w wieżę kontrolną nad procesem, zamiast dokładania kolejnego systemu.
Zanim się ukaże, mam do Was prośbę i zarazem pytanie. Policzcie te sto rekordów. A potem napiszcie mi, co wam wyszło, bo szczerze mnie to ciekawi. Mam wrażenie, że w polskiej logistyce ta liczba jest znacznie wyższa, niż ktokolwiek chce przyznać.