Hvad betyder det egentlig at være datadrevet? Og hvad forhindrer din virksomhed i at blive mere datamoden? Der er ingen tvivl om, at der ligger stor værdi i korrekt udnyttelse af data. Men langt fra alle dataprojekter er succesfulde. Teknologi er gået fra at være et støtteværktøj til at være en kernekompetence. Samtidig viser en undersøgelse udført af Accenture, at kun 25% af medarbejderne føler sig komfortable med at arbejde med data. Datamodenhed handler ikke kun om, hvilke værktøjer og teknologi virksomheden bruger. Det handler i lige så høj grad om dataforståelse, kompetence og kultur. At tage udgangspunkt i virksomhedens datamodenhed gør det lettere at vælge de rigtige datainitiativer. Ved at sørge for, at alle dele af organisationen tages i betragtning - både mennesker, processer og værktøjer - kan din virksomheds dataprojekter faktisk blive en succes.
Datamodenhed påvirkes af mennesker, processer og værktøjer
Der er udviklet en række forskellige modeller for datamodenhed, som alle har til formål at indikere, hvor godt virksomheden udnytter data og analyse. Virksomheder med lav datamodenhed kendetegnes af lav dataforståelse, hvor beslutninger sjældent er baseret på data, og hvor analyser ofte er ad-hoc og manuelle. I virksomheder med høj datamodenhed gennemsyrer data virksomhedskulturen, og enhver beslutning er baseret på data. Virksomheden er datadrevet.
Et eksempel på en meget anvendt datamodenhedsmodel er Dells. De rangerer virksomheder i 4 kategorier: "Data Aware," "Data Proficient," "Data Savvy," og "Data Driven." Baseret på denne model har Amesto udviklet en ny model for datamodenhed. Ligesom Dell rangerer vi virksomheder i 4 niveauer. Vi ønsker dog at tydeliggøre det faktum, at hvor datadrevet en organisation er, afhænger af flere aspekter, hvor både mennesker, processer og værktøjer er centrale:
For at foretage en fuldstændig vurdering af datamodenhed er det altså ikke nok blot at kortlægge, hvilke IT-systemer der bruges i virksomheden i dag. Der bør desuden foretages en grundig kortlægning af, hvordan medarbejdere og ledere bruger og forholder sig til data i deres arbejde, samt en kortlægning af hvilke forretningsprocesser der benytter data og analyse.
Datamodenheden afgør hvilke datainitiativer virksomheden bør gennemføre
Modenhedsniveauet vil være en god indikator for, hvilke områder virksomheden bør fokusere på for at hente mere værdi ud af data og analyse. Ikke alle virksomheder behøver at have en vision om at være 100% datadrevne. Måske er det nok at rykke et skridt op ad modenhedsskalaen. Hvis virksomheden i dag kun forholder sig til ad-hoc rapportering i Excel og medarbejdere og ledere udelukkende træffer beslutninger baseret på "mavefornemmelsen", bør man måske vente med at implementere avancerede maskinlæringsalgoritmer. Fokus bør snarere være at øge datakompetencen i organisationen, standardisere rapportering og måske implementere et BI-værktøj for at forenkle rapporteringen.
Nedenfor følger nogle eksempler på tiltag, der kan gennemføres for at øge virksomhedens datamodenhed:
1. Kultur og ledelse
Der findes ikke én enkel handling, der kan skabe virksomhedskulturen præcis, som du ønsker. Der er dog flere tiltag, der kan bidrage til dataglæde hos medarbejderne. En god datakultur kan fremmes gennem synliggørelse af databrug for alle i organisationen. Ledere må gå forrest og bruge og efterspørge kvantitative argumenter: "Denne type markedsføringskampagner resulterer i mindre end 1% af vores indtægter; vi bør derfor investere andre steder." Medarbejderne skal selv forstå værdien af god brug af data, og der bør lægges til rette for, at medarbejderne kan udforske analyseværktøjer på egen hånd. Med gode datamodeller kan medarbejderne lave egne rapporter og ikke vente på, at IT skal lave dem. Et konkret eksempel på, hvordan databrug kan synliggøres, er at have gode dashboards synlige på skærme i kontor- og produktionslokaler. Relevante dashboards bør være synlige og ikke gemmes væk et lukket sted på internettet.
2. Datakompetence og forståelse
Data og analyseværktøjer er i bund og grund beregnet til forretningsbrugerne. Virksomheden kan have verdens bedste analytikere og IT-medarbejdere, men hvis ikke ledere og ansatte i organisationen har god dataforståelse, kan analytikerne levere de bedste analyser, men beslutninger vil stadig blive baseret på mavefornemmelse. Den generelle datakompetence kan selvfølgelig øges gennem kurser og uddannelse, men før du aktivt bruger data i eget arbejde, lærer du det ikke rigtigt. Analyseværktøjer og rapporter skal derfor tilrettelægges, så medarbejdere tør at blive bekendt med dataene. Kompetence og dataforståelse hos brugerne kan også påvirke hvilke værktøjer man bør vælge, og ved lav dataforståelse kan det være en fordel at investere i gode og tydelige rapporter. En godt udført Power BI rapport kan være lettere at forstå end et rodet Excel-ark. Yderligere er det vigtigt at sikre medarbejdernes ejerskab til de rapporter og analyser, der udvikles, ved at inddrage dem i processen. Ved at samarbejde med dem, der faktisk skal bruge rapporterne, sikrer man at analyserne er relevante, og at medarbejderne forstår det, der bliver præsenteret.
3. Anvendelse af data i processer
Det er først, når data bruges til at forbedre beslutninger og handlinger, at det får en værdi. Når nye analyseværktøjer implementeres, skal de nuværende forretningsprocesser og rutinebeskrivelser revideres og ændres for at udnytte de nye muligheder, som data giver. Før man investerer i nye og dyre analyseværktøjer, skal der også foretages en kortlægning af de analyseværktøjer, virksomheden allerede har. Måske har virksomheden allerede analyser på dette område; de bliver bare ikke brugt korrekt.
4. Datasikkerhed og styring
Data skal håndteres på en måde, der overholder love og regler. Der er for eksempel strenge krav, når det gælder håndtering af personfølsomme data (GDPR) og overføring af data uden for EU/EØS (Schrems II). Afhængig af, hvilken type data der behandles, kan virksomheder også være forpligtet til at have en databeskyttelsesrådgiver. Desuden gælder det generelt, at hvis et analyseværktøj skal behandle følsomme data, bør der gennemføres en risikovurdering. Korrekt arkitektur og valg af værktøjer kan facilitere, at sikkerheden bliver varetaget, men studier viser, at så meget som 85% af brud på cybersikkerhed er forårsaget af menneskelige fejl. Virksomheder bør derfor sørge for, at alle ansatte, der skal håndtere data, har et vist niveau af kompetence inden for datasikkerhed. Datasikkerhed skal indgå som et vigtigt punkt i uddannelse og rutiner.
5. Data og analyse
Hvilke analyser og rapporter der skal udvikles, må besluttes i samarbejde med vigtige interessenter. Forretningsdrivere og virksomhedsprocesser, hvor data kan gøre en forskel, skal identificeres, og brugerhistorier formuleres. Brugerhistorier skal indeholde information om ønsket funktionalitet, hvem der ønsker dette, og hvilken værdi der kan opnås, hvis denne funktionalitet bliver implementeret. De skal også indeholde acceptkriterier, der definerer, hvad løsningen skal indeholde for at blive godkendt.
Et eksempel på en brugerhistorie kan være: Som logistikchef ønsker jeg en analysemodel, som optimerer transportruterne for at reducere transportomkostninger.
6. Værktøj og arkitektur
Der findes utallige varianter af værktøjer og kombinationer af værktøjer, der kan bruges i databehandling. Det vigtigste, en virksomhed skal gøre på dette punkt, er at kortlægge, hvilke værktøjer virksomheden bruger i dag, og hvad der eventuelt skal tilføjes eller udskiftes for at nå målene. Det er ikke nødvendigt at hoppe på de nyeste trends bare fordi, de er nye. Værktøjer og teknologi skal hjælpe processer og mennesker, og det vigtigste er, hvem der skal bruge det, og hvad det skal bruges til. Ofte er det nødvendigt med en kombination af værktøjer, og derfor er det vigtigt at vælge værktøjer, der passer sammen. Arkitekturen bør være gennemtænkt og planlægges i et langsigtet perspektiv. Vær opmærksom på, at bogen er på norsk.
Download vores e-bog for at læse mere om, hvad du skal tænke på ved valg af ny analyseløsing.
Kortlægning af datamodenhed er første trin mod en vellykket datastrategi
For virkelig at lykkes med data skal virksomheden også have en velovervejet datastrategi. Dette er en langsigtet plan, der sikrer, at de rette datainitiativer gennemføres. Ved at definere og prioritere langsigtede mål og handlinger for brugen af data, der understøtter den overordnede forretningsstrategi, kan data og analyse bidrage til, at virksomheden når sine mål, i stedet for at være en uforståelig udgiftspost, som ingen egentlig bruger. En god datastrategi tager udgangspunkt i virksomhedens datamodenhedsniveau. Ud fra dette fastsættes realistiske mål med en tydelig sammenhæng til den overordnede forretningsstrategi. Data i sig selv har ingen værdi. Det er først, når data bruges af medarbejderne til at forbedre virksomhedens processer, at gevinsterne kan hentes hjem. En vellykket datastrategi kan hverken ejes eller føres ud i livet af blot én enkelt ildsjæl, der har flair for tal og pæne grafer. Den skal sikres og ønskes fra topledelsen og interessenter og realiseres af en databegejstret virksomhedskultur.
Kilder:
Venture Beat: Why do 87% of data science projects never make it into production?
