Den datadrevne organisation kræver mere end data

Af Charlotte Sonne, Data Science Consultant & Tine Marcher, Head of Data Science. 

Alle taler om data, men hvordan får organisationen værdi ud af de nye muligheder? Forstå baggrunden, faldgruberne, og hvordan du formulerer den rette strategi til at gøre organisationen datadrevet.

Data er ikke noget nyt. Virksomheder har i årtier brugt data som en del af forretningen. Det nye er, at vi i dag er i stand til at bruge data på en anderledes og langt mere vidtrækkende facon, som transformerer organisationen.

Følgende figur viser udviklingen i databrug siden starten i 1970’erne.

Figur 1: Paradigmeskiftet i dataanvendelse.

I de første 20 år blev data primært brugt i produktionssammenhæng for at kunne fremstille varer hurtigere og billigere. I starten af 1990’erne udvidede man brugen af data til hele virksomheden, og ledelsesinformation kom i centrum. Data blev i højere grad grundlag for ledelsens beslutninger, men der var stadig tale om bagudskuende analyser, og de blev behandlet separat for hver forretningsenhed.

I dag befinder vi os i starten af, ikke kun en ny fase, men et paradigmeskift. Dataanvendelsen er ikke retrospektiv, men fremadskuende. Vi bruger data om fortiden til at forudsige kommende hændelser.

Hvad skyldes dette drastiske skifte i brugen af data? Fordi det nu er muligt. Vi har i dag adgang til enorme mængder computerkraft, der ikke var tilgængelig for blot få år siden. Det betyder også, at vi i dag er i stand til at analysere alle slags data, og ikke kun de strukturerede vi finder i regneark. Advanced analytics handler om alle slags data, strukturerede, ustrukturerede, interne, eksterne og fra nye kilder som IoT (Internet of Things).

Det har også medført et andet fokus på data, som nu er selve udgangspunktet for organisationens analyser og beslutninger. Nu behøver vi ikke længere at lægge data ned i en model, som det foregår med ledelsesinformation; vi kan i stedet lægge en model ned over data.

Datastrategi i virkeligheden – fra Amazon til Arbejdstilsynet

Hvordan fungerer advanced analytics? Nogle af de mest oplagte eksempler finder vi hos tidens datagiganter som Google og Amazon. I disse datadrevne organisationer handler alt om at forudsige hændelser, herunder brugernes adfærd og behov. Googles “autocomplete” (når du taster i søgefeltet, gætter Google på, hvad du søger efter) er et banalt, men sigende eksempel, fordi Google skal behandle en massiv mængde data for at kunne udføre den service. Hos Amazon opererer man med “anticipatory shipping,” hvor verdens største e-handelsvirksomhed regner på, hvornår kunden bestiller næste gang – og derfor allerede har varerne klar til afskibning. Det giver Amazon et vigtigt forspring på en af markedets vigtigste parametre, leveringshastighed.

Advanced analytics er selvfølgelig ikke begrænset til udenlandske tech-giganter eller B2C. Danske Ørsted valgte at bruge data til at minimere en af de tungeste omkostningsfaktorer i vindmøllebranchen; nedbrud af produktionsenheder. Tidligere gjaldt det om at rykke ud hurtigst muligt til vindmøllen for at minimere nedetiden, hvilket både er omstændeligt og dyrt. I dag ved Ørsted, hvor risikoen for nedbrud er størst og kan sætte ind i tide. Ørsteds godt 1.300 vindmøller producerer årligt omkring 1 petabyte data (1 million gigabyte), og dem bruger energivirksomhedens data scientists til at skabe de nødvendige indsigter og forudsige nedbrud. (Kilde: Ingeniøren)

Arbejdstilsynet er et eksempel fra en helt anden branche: Siden år 2000 har Arbejdstilsynet indsamlet data om virksomheder, der har været igennem tilsyn. Og i takt med at mulighederne med data voksede, blev det vigtigere for Arbejdstilsynet at formalisere deres strategi omkring udnyttelse af data. Data blev derfor et emne i Arbejdstilsynets 2018-2020 strategi, som fik undertitlen ‘det datadrevne Arbejdstilsyn’. I initiativet ‘Risikobaseret tilsyn’, som stammer helt tilbage fra 2012, formår Arbejdstilsynet at udnytte data til blandt andet at vurdere, hvilke virksomheder der har størst risiko for dårligt arbejdsmiljø og derved har brug for tilsyn, samt hvilke arbejdsmiljøproblemer, der skal fokuseres på. Arbejdstilsynet arbejder disse dage på udvikling af en ny AI-baseret risikomodel. 

Kultur og 5 andre barrierer

For de fleste organisationer er det imidlertid ikke nogen nem øvelse at blive datadrevet. Der er som sagt tale om et paradigmeskift, der per definition fordrer ændringer i måden at tænke og arbejde på.

Virksomheder som Amazon og Google er heldigere stedt, fordi de er født datadrevne. Fra de opstod kun et par årtier tilbage, har data været en del af såvel forretningsmodel som kultur. Mere traditionelle, ældre organisationer skal imidlertid omstille sig, og man vil typisk støde på barrierer. Nedenstående model viser de seks mest hyppigt forekommende – udfra Devoteams erfaring.

Figur 2: Barrierer, virksomheden ofte overser eller undervurderer.

Manglende datalederskab

Transformationen mod en datadrevet virksomhed bør have topledelsens opbakning og opmærksomhed. Desværre ser vi ofte, at arbejdet med data foregår under radaren, drevet af ildsjæle i organisationen. Initiativerne er derfor ufinansierede eller drukner i langtrukne, vandfaldsagtige projektforløb. Resultatet er typisk, at arbejdet med data ikke får vist den reelle værdi og derfor aldrig kommer ud over rampen i organisationen.

Fokus på løsninger

Teknologien kan ikke stå alene, men skal fungere i samspil med organisationens behov og mennesker. Vi oplever imidlertid ofte et for stort fokus på selve teknologien som et universalmiddel til at gøre virksomheden datadrevet. Det fører til suboptimering og i sidste ende skuffende resultater. I realiteten er selve teknologien sekundær, og vi anbefaler at tage udgangspunkt i selve organisationen og de udfordringer den står over for.

Datasiloer

I advanced analytics genereres ny viden af data indsamlet på tværs af organisationen. Desværre lever mange organisationer stadig i fortidens paradigme jf. figur 1, hvor data er organiseret i siloer per forretningsenhed. Det er en del af arven fra tiden før advanced analytics og udgør en alvorlig strukturel barriere, når det gælder om at skabe en datadrevet organisation.

Manglende governance

Fraværet af datalederskab fører ofte til uoverskuelige og uberegnelige datainitiativer, hvor der hverken er beskrevet roller eller ansvar. Initiativerne lever derfor sjældent op til deres potentiale, men risikerer derimod at bringe organisationen i problemer på grund af non-compliance eller dataetiske spørgsmål.

Omsiggribende realiseringsplan

En datadrevet strategi skal brydes ned i mindre, realiserbare leverancer med korte beslutnings-loop. Desværre ser vi en hyppig tendens til at planlægge vandfaldsagtigt, i langtrukne forløb, uden mulighed for at revurdere og omprioritere undervejs. Resultatet er, at projekterne skrinlægges, fordi de ikke formår at demonstrere den rette værdi.

Fraværende datakultur

“Culture eats strategy for breakfast,” lyder et gammelt ledelsesmantra, og det holder bestemt også i dag. Formår virksomheden ikke at opbygge en ægte datakultur, vil de fleste initiativer kuldsejle. Hele organisationen, fra dataeksperterne til den øverste ledelse, skal være med på både strategi og tankesæt.

Strategi: Iterativ med kontinuerlig relevans

Det er imidlertid ikke nok at have disse barrierer for øje. Virksomheden bør også have en strategiproces, der gør den i stand til arbejde med data som et fremadskuende paradigme. Strategien er anderledes end i de bagudskuende dage og har følgende omdrejningspunkter:

  • Korte loops: Processen skal være iterativ med små overskuelige skridt, der gør organisationen i stand til at ændre retning, når omstændigheder som markedsforhold ændrer sig.
  • Eksperimenter: Der er som tidligere nævnt ikke tid eller plads til langtrukne vandfaldsforløb. En vigtig del af den iterative proces er løbende at foretage eksperimenter for at teste hypoteser og få nye indsigter.
  • Risikovillighed: Nogle eksperimenter vil per definition mislykkes, men fejl bør være en naturlig og accepteret del af strategien, når den skal realiseres. En nulfejlskultur harmonerer dårligt med tidens forandringshastighed.

Devoteam har udviklet en strategiproces specielt designet til virksomheder, der vil gennemføre en transformation i retning af en datadrevet virkelighed. Den iterative proces består af fire faser med fem aktiviteter i et kontinuerligt forløb.

Figur  3: Iterativ strategiproces på vej mod den datadrevne organisation.

Fase 1: AS-IS
Den indledende fase i strategiprocessen, hvor man kortlægger organisationens situation og modenhed inden for konkrete dataområder. Formålet er at definere styrker og udviklingsområder samt barrierer.
Fase 2: TO-BE
Organisationen definerer målsætninger i form af vision og mission, der bruges som rettesnor gennem hele strategiprocessen.
Fase 3: Strategi
Vejen fra AS-IS til TO-BE bliver kortlagt med en gap-analyse og derefter udarbejdes den konkrete datastrategi. Den indeholder blandt andet et roadmap med en konkret plan for de forskellige datainitiativer, herunder dataleverancer, modeller, platforme, governance, etc.
Fase 4: Realisering af datastrategien
I denne fase føres datainitiativerne ud i livet i henhold til organisationens roadmap. Initiativerne koordineres løbende med den overordnede strategi for at sikre kontinuerlig relevans.

 

Strategiarbejdet er som sagt en iterativ proces, hvor strategi, roadmap og realiseringsplan løbende genbesøges og revurderes på baggrund af udvikling i interne og eksterne forhold. Processen er ikke nogen garanti for succes, men den giver organisationen et fundament og værktøjer til at bevæge sig mod en datadrevet kultur, hvor man konstant bliver klogere på fremtiden.

Vil du høre mere om vores erfaringer? 

Så er du velkommen til at kontakte Tine og Charlotte. 

Vi stiller gerne op til faglige indlæg og individuelle møder om emnet.

devoteam

Kontakt

Charlotte Sonne

Data Science Consultant

Tine Marcher

Head of Devoteam Data Science