Fredrik Roppestad
I denne artikel vil vi komme nærmere ind på hvordan du kan forvandle din virksomhed til en dynamisk, datadrevet virksomhed, og hvordan du kan udnytte mængden af data for at stræbe efter digital innovation, effektivitet og vækst.
Anders And blade, frimærkesamlinger, avisarkiver og LP-plader. Alt dette indeholder mængder af data. Data har eksisteret i hundredvis af år før vi havde computere og digital data.
Store Norske Leksikon forklarer data således: Data er oplysninger eller værdier, som eksisterer i et bestemt format. Data kan dermed lagres, overføres og processeres efter bestemte regler – således, at det bliver læsbart og forståeligt for mennesker og/eller maskiner.
Data kan være både analog og digital. Digitale data er - kort fortalt - al data, som kan læses og behandles af en computer. Det kommer fra ordet «digit», engelsk for ciffer, og er opbygget af binærkode - 0 og 1. Der er mange, der sætter lighedstegn mellem data og information. Dette er ikke automatisk rigtigt, selv om begreberne kan hænge tæt sammen. Enkelt sagt er det først når data giver mening, at de bliver til information.
Derudover kan det bruges til at udvikle viden, som igen kan føre til beslutninger.
Selv om data altid har eksisteret, er det nyt og enestående, hvor enkelt digitale data i dag kan indsamles og deles. Samtidig har vi processor kraften til at udnytte disse på nye og bedre måder. Derfor er data nu blevet en uvurderlig ressource. Digitalisering er kommet for at blive.
Takket være meget større adgang til data, er vejen til bedre information, viden og beslutning også kortere. For virksomheden kan disse beslutninger betyde økonomisk værdi.
Gennem en skridt-for-skridt gennemgang, vil vi vejlede dig gennem processen med at skabe og opretholde en datadrevet kultur i din virksomhed. Fra vigtigheden af ledelsens rolle med at forankre beslutninger i data, til de helt korte skridt for at involvere dataanalytikere i den daglige drift. Her dækker vi et bredt spektrum af strategier og praksis.
Følger du disse 10 skridt, har du et godt udgangspunkt for at føre din virksomhed mod en mere datadrevet hverdag:
At etablere en datadrevet kultur i virksomheden starter på topniveau, hvor lederne skal sætte standarden og forventningerne. For at virksomheden skal lykkes med at integrere data i alle beslutningsprocesser, skal topledelsen aktivt vise og fremme brugen og gå forrest som et eksempel.
Dette kan de gøre ved aktivt at søge data og analyser før der tages vigtige beslutninger, og stille spørgsmål, som opfordrer til databaserede argumenter og forklaringer. For eksempel kan ledere i et møde starte med at gennemgå detaljerede sammendrag af forslag og efterspørge støttende data, før de diskuterer og tager endelige beslutninger.
Derudover bør ledere fremme og belønne brugen af data i hele virksomheden. Dette kan omfatte, anerkende og fremhæve projekter og beslutninger, som er baseret på grundige dataanalyser, eller skabe insentiv ordninger, som opmuntrer ansatte til at bruge data i deres daglige arbejde.
Et andet vigtigt aspekt er at sikre, at virksomheden har de nødvendige ressourcer for at understøtte en datadrevet kultur. Dette inkluderer investeringer i teknologi og værktøj til dataindsamling og analyse, samt oplæring og udvikling af ansatte for at styrke deres datakompetencer.
Desuden er det vigtigt at ledere kommunikerer værdien af datadrevet tilgang. Dette indebærer at formidle, hvordan data kan bidrage til at forbedre resultater, øge effektivitet, reducere risiko og drive innovation. Ved at gøre dette kan ledere skabe en større forståelse og tilslutning om en datadrevet tilgang i hele virksomheden.
Når der opbygges en datadrevet kultur i virksomheden, er det afgørende at ledere vælger KPIer (Key Performance Indicators) med omhu. Disse tal påvirker både de ansattes opførsel og virksomhedens strategiske retning. Man skal ikke indsamle data for datas skyld, men vælge de data, som giver meningsfuld indsigt og styrer beslutningerne i den rigtige retning.
KPIer skal reflektere virksomhedens overordnede mål og strategier, og bør ikke vælges tilfældigt. For eksempel, hvis en virksomhed ønsker at forbedre kundetilfredsheden, bør den vælge KPIer, som direkte relaterer til kundeoplevelser og tilbagemeldinger, mere end at fokusere udelukkende på interne operationelle målinger.
KPIer påvirker de ansattes adfærd. Når ledere fremhæver visse KPIer, sætter de samtidig retningen for, hvad de ansatte skal fokusere på i deres arbejde. For eksempel, hvis en virksomhed prioriterer KPIer omkring omsætningsvækst, vil dette påvirke hvordan salgs- og markedsføringsteams opererer, potentielt på bekostning af andre områder som kundeservice eller produktudvikling.
KPIer skal være tilpasset og relevante for forretningsmålene. Dette kræver en dyb forståelse for, hvordan forskellige aspekter af virksomheden bidrager til de overordnede mål. For eksempel, hvis din virksomhed ønsker at forbedre sin operationelle effektivitet, bør I vælge KPIer som nøje måler tidsforbrug og ressourceudnyttelse.
I en hurtigt skiftende forretningsverden, bør KPIer ikke være statiske. Ledere bør regelmæssigt vurdere og justere KPIer for at sikre, at de fortsat er relevante og i tråd med både interne og eksterne ændringer. Vær smidig og lydhør overfor nye tendenser, markedsforhold og interne ændringer i virksomheden.
Traditionelt er dataanalytikere ofte placeret i deres egen afdeling internt i virksomheden. Dette betyder, at de sidder isoleret og at hverken de eller lederne kan få maximalt udbytte af hinandens arbejde. For at skabe en rigtig datadrevet kultur, er det nødvendigt at sørge for en tæt dialog mellem dataanalytikere og de forskellige afdelinger i virksomheden. En sådan integrering kan opnås på flere måder:
Den første metode er at nedbryde de traditionelle skillevægge mellem dataanalytikerne og de øvrige afdelinger. Dette kan for eksempel gøres ved at inkludere de ansatte fra specialistgruppen ind i de operative roller, hvor de tværfagligt kan opskalere et samarbejde. Efter en periode kan disse medarbejdere så flytte tilbage til deres egne fag-kontorer. Dette kan give værdifuld vidensdeling og mellem afdelingerne.
En anden tilgang er at designe specifikke, nye roller i de forskellige afdelinger for at styrke den analytiske del. Disse roller kan have løs tilknytning til deres egne eksperthold, men samtidig være en integreret del af forretningsafdelingerne. Det centrale her er at finde måder at sammensmelte områdekendskab og teknisk ekspertise.
Ved at integrere dataanalytikere tæt med de øvrige afdelinger, kan virksomheden drage nytte af en mere enkel og effektiv brug af data. Dataanalytikere får en bedre forståelse af virksomhedens behov og kan dermed tilpasse sine analyser og modeller i henhold til dette. På samme måde får forretningsafdelingerne en dybere forståelse for, hvad dataanalyse kan medføre og hvordan den kan bruges til at forbedre beslutningsprocesser.
Ved at nedbryde barriererne mellem dataforskning og virksomhedens drift, kan en virksomhed bedre udnytte sine dataressourcer, og dermed blive mere fleksibel, indsigtsfuld og konkurrencedygtig på et stadig mere datadrevet marked.
Et af de mest grundlæggende skridt for at skabe en datadrevet kultur er at eliminere grundlæggende problemer med adgang til data. Det hjælper ikke meget hvis der er store mængder akkumuleret data og avancerede teknologier, hvis de ansatte kæmper med at få adgang til disse.
Datatilgængelighed muliggør effektiv og informeret beslutningstagning på alle niveauer i en virksomhed. Uden adgang til de rigtige data, bliver analytikere og beslutningstagere forhindret i at gennemføre dybdegående analyser, hvilket medfører at beslutningerne bliver baseret på mavefornemmelser og ufuldstændig information. Dette kan resultere i mindre effektivitet, dårlige strategiske valg og potentielt økonomiske tab.
Mange virksomheder står overfor udfordringer, når det gælder om at give de ansatte adgang til de nødvendige data. Disse udfordringer kan være:
For at håndtere udfordringerne og forbedre adgangen til data, kan din virksomhed tage flere skridt:
Ved at løse de grundlæggende problemer med at få adgang til data, kan din virksomhed tage et vigtigt skridt henimod at blive mere datadrevet og sikre, at de ansatte har de værktøjer og den information, de har brug for, for at tage præcise og effektive beslutninger.
At anerkende og kvantificere usikkerhed er en kritisk komponent i en datadrevet tilgang. I mange virksomhedsmiljøer er den almindelig praksis at lede efter svar med to streger under. Denne tilgang overser en kompleks verden, hvor absolut sikkerhed sjældent er muligt.
Derfor er det afgørende for dig som leder, ikke bare at bede om svar, men også at dit team præsenterer den tilhørende usikkerhed på en kvantitativ måde. Dette indebærer nogle nøgleelementer:
Det første skridt henimod at få målt usikkerheden er at identificere og forstå potentielle kilder til usikkerhed i data og analyser. Dette kan være spørgsmål som:
Ved at se nærmere på disse spørgsmål kan du og dit team identificere områder, hvor der er behov for mere nøjagtige data eller forbedrede analytiske teknikker.
Når dit team skal vurdere og registrere usikkerheden i jeres modeller, fører det til en dybere forståelse af de underliggende mekanismer og begrænsninger i jeres analytiske værktøj. Dette indebærer en kontinuerlig vurdering af modellens nøjagtighed og evne til at tilpasse sig ændringer i data eller markedsforhold. For eksempel, hvis en model konsekvent undervurderer en bestemt risiko, bør I undersøge og justere modellen for bedre at opfange denne risikofaktor.
Ved at lægge vægt på forståelsen af usikkerhed vil din virksomhed blive opfordret til at lave eksperimenter og teste hypoteser på en systematisk måde. I stedet for en tilgang, hvor man håber på det bedste, kan din virksomhed bruge kontrollerede, risikojusterede eksperimenter for at teste ideer før de implementeres på en bredere skala. Dette medfører mere robuste og pålidelige beslutninger.
Kort sagt, ved at forvente, at dit team er tydelig og kvantitativ omkring usikkerheden i deres analyser, kan du som leder tage mere solide beslutninger. Denne tilgang anerkender usikkerhed og omfavner den som en central del af beslutningsprocessen. På denne måde sikrer du mere robuste og fleksible forretningsstrategier.
Når det kommer til analyser og datadrevet arbejde, er det en almindelig udfordring, at lovende ideer ofte bliver mere teoretiske end praktiske. Det bliver ekstra tydeligt, når virksomheder forsøger at implementere Proof of Concept (PoC) i praksis.
Ofte viser det sig, at en PoC, som virkede lovende under udviklingsfasen, støder på forhindringer, når den skal igangsættes live – enten på grund af tekniske begrænsninger, omkostninger eller andre uforudsete faktorer. For eksempel kan en elegant løsning for lancering af en ny hjemmeside blive skrinlagt, fordi den kræver omfattende ændringer i de underliggende systemer.
For at undgå denne type frustration, bør man fokusere på at udvikle et Proof of Concept, som ikke bare er innovativt, men også robust og realistisk med tanke på implementering. En effektiv tilgang er at designe POC-er, hvor en kernekomponent er levedygtigheden i et produktionsmiljø. Et godt udgangspunkt kan være at starte med noget, som er solidt og effektivt, men samtidig enkelt, og så gradvis gøre det mere sofistikeret.
Et praktisk eksempel på dette kan være implementering af nye risikomodeller i et stort, distribueret databehandlingssystem. Her kan man starte med at implementere en meget grundlæggende proces, som fungerer fra start til slut:
Denne tilgang sikrer, at gode ideer ikke bare bliver en stor, teoretisk øvelse, men faktisk kan realiseres og bidrage til at realisere målene. Det betyder også en mere iterativ og fleksibel udviklingsproces, hvor I kan justere og forbedre løsningen skridt for skrift, baseret på reelle erfaringer og tilbagemeldinger fra produktionsmiljøet.
At udvikle enkle og robuste PoC’er er med til at bygge bro mellem teori og praksis. På denne måde kan innovative ideer blive virkelige løsninger, som giver værdi til din virksomhed.
At opbygge en datadrevet kultur indebærer mere end bare at indsamle og analysere data. Det kræver også, at de ansatte har de nødvendige færdigheder til at forstå og bruge disse data effektivt. Et centralt element i denne proces er at tilbyde specialiseret undervisning "just in time". Dette betyder, at undervisning i specialiserede analytiske koncepter og værktøj bør tilbydes lige før de er nødvendige i en praktisk sammenhæng, for eksempel lige før et pilotprojekt eller en større analyseopgave.
Konceptet med "just in time"-undervisning bygger på ideen om at læring er mest effektiv når den er umiddelbart relevant og kan anvendes i praksis. Når de ansatte ser hvordan den nye viden kan hjælpe dem i deres daglige arbejde, øges sandsynligheden for at de vil tage imod og anvende det, de har lært. Dette er specielt vigtigt i et hurtigt skiftende område som dataanalyse, hvor nye teknikker og værktøj er i stadig udvikling.
Hvis et firma for eksempel planlægger at implementere en ny dataanalysemodel, bør oplæringen i denne model ske lige før modellen tages i brug. Dette skal medføre
Målet er at give de ansatte den viden og de færdigheder, de har brug for, for at arbejde effektivt med den nye teknologi. En anden fordel med denne tilgang er, at den reducerer risikoen for at vigtig viden bliver glemt. Ved at undervise lige før teknologien skal bruges, sikres det, at de ansatte får mulighed for at øve sig og anvende den nye viden i en relevant kontekst, hvilket forbedrer læring og internalisering af undervisningen.
Derudover bidrager "just in time"-oplæring til at skabe en kultur, hvor kontinuerlig oplæring og tilpasning bliver set som en naturlig del af arbejdet. Dette er afgørende for at opbygge en bæredygtig, datadrevet virksomhed, som kan tilpasse sig og udnytte nye muligheder.
Et vigtigt, men ofte overset aspekt ved at skabe en datadrevet kultur, er at udnytte analyser, ikke bare for at forbedre kundeoplevelsen, men også for at gøre de ansattes arbejdsdag mere effektiv og tilfredsstillende. Det at give de ansatte et værktøj og en viden om brug af data i deres daglige arbejde, kan have en betydelig positiv effekt på deres produktivitet og arbejdstilfredshed.
For at opnå dette, er det vigtigt at tilrettelægge det således, at de ansatte selv kan udnytte og manipulere data. Dette kan indebære oplæring i databehandling, brug af analytisk værktøj eller programmering i sprog som Python for at automatisere kedelige eller gentagne opgaver. Et centralt punkt her er at oplæringen bør være rettet imod konkrete, praktiske mål, som umiddelbart er til nytte for de ansatte. Dette kan være tidsbesparelse, undgåelse af unødvendigt arbejde, eller en enklere tilgang til ofte nødvendig information.
Et klassisk eksempel er når ansatte lærer at automatisere rutineopgaver som dataindsamling eller rapportgenerering. Dette frigør tid, som tidligere blev brugt på manuelle processer, og lader de ansatte fokusere på mere krævende og givende aspekter af sit arbejde. Disse færdigheder gør det også muligt for de ansatte at udforske og eksperimentere med nye ideer, hvilket kan føre til innovation og forbedringer i arbejdsprocesserne.
Udover de praktiske fordele, kan dette også bidrage til en følelse af selvsikkerhed og selvrealisering blandt de ansatte. Når de ansatte har de rigtige færdigheder på plads til at håndtere og tolke data, føler de sig mere kompetente og i stand til at tage bedre beslutninger i det daglige arbejde. Dette kan øge deres følelse af ejerskab og tilfredshed med jobbet.
For at implementere dette mest effektivt, skal virksomhederne give støtte og ressourcer til kontinuerlig uddannelse og udvikling af de ansatte. Dette kan inkludere tilgang til online kurser, workshops, mentorprogrammer, eller til og med interne 'hackathons' for at opmuntre til kreativ brug af data.
Ved at fokusere på at hjælpe de ansatte med at forbedre deres arbejdsprocesser gennem data, opbygger virksomhederne ikke blot en stærkere datadrevet kultur, men også en mere engageret og effektiv arbejdsstyrke.
I en verden drevet af data, står mange virksomheder overfor udfordringen med at håndtere forskellige "data-grupper" internt i virksomheden. Disse grupper kan have sine egne foretrukne kilder til information, tilpassede KPIer, og programmeringssprog. Dette kan skabe betydelige problemer på tværs af en virksomhed.
Den tid man bruger på at forsøge at forene variationer af en KPI, som burde være universel, kan være betydelig. Skævheden i måden modelbyggere udfører deres arbejde på, kan også have stor indvirkning. Variationer i kodestandarder og sprog på tværs af en virksomhed, indebærer at enhver bevægelse på virksomhedskortet kræver detaljeret oplæring, hvilket gør det vanskeligt for ressourcerne at flytte rundt i virksomheden. Det kan også være ekstremt besværligt at dele ideer internt, hvis der stadig er behov for oversættelser.
For at kunne takle disse udfordringer, bør virksomhederne vælge standardiserede KPIer og programmeringssprog. En sådan tilgang handler om at opveje behovet for individuel fleksibilitet op mod fordelene ved teamets effektivitet. På kort sigt kan det betyde, at man må give afkald på en vis grad af fleksibilitet for at opnå en mere helhedsmæssig og standardiseret datahåndtering.
Det kan kræve at de ansatte tilpasser sig og lærer nye færdigheder eller værktøjer, som de måske ikke var bekendt med tidligere. På længere sigt kan denne tilgang føre til større effektivitet, lettere kommunikation og en stærkere og mere helhedsmæssig datadrevet kultur. Ved at standardisere visse aspekter at dataarbejdet, kan din virksomhed forbedre evnen til at dele viden og indsigt, reducere den tid, det tager at oplære nyansatte, og sikre at alle arbejder henimod de samme datadrevne mål.
Når det kommer til analytiske problemstillinger, er der sjældent kun én tilgang, som fører til løsningen. Dataanalytikere står ofte overfor et udvalg af metoder, hver med deres forskellige fordele og ulemper. For at udvikle en stærk, datadrevet kultur, er det derfor vigtigt, at dit team formår at begynde sine analytiske valg systematisk. Dette indebærer en grundig gennemgang af de vurderede alternativer, forståelse for de forskellige afvigelser, og begrundelsen for valget af en specifik metode frem for andre.
At være transparent omkring analytiske valg, skaber en dybere forståelse for de tilgange, der benyttes og giver alle et bredere perspektiv. Dette kan medføre at teamet vurderer et bredere spektrum af alternativer eller revurderer oprindelige antagelser. I mange tilfælde kan dette føre til betydeligt forbedrede analyser og mere solide beslutninger.
Et eksempel på analytiske valg kan være valget mellem forskellige typer maskinlæringsmodeller. Hvorfor vælger teamet én bestemt algoritme? Er det på grund af modellens nøjagtighed, dens evne til at håndtere store datamængder, eller dens evne til at forklare? At diskutere disse afvejninger i plenum kan afdække vigtige faktorer, som påvirker både modellens ydelse og dens egnethed til opgaven.
At forklare analytiske valg betyder også at være åben overfor revision og tilpasning. Det er vigtigt at anerkende at data og omstændigheder ændrer sig med tiden, og det, der var et optimalt valg i går, kan være mindre ideelt i dag. Derfor bør teams regelmæssigt vurdere effektiviteten af deres analytiske tilgange og være villige til at tilpasse sig nye data, værktøj og metoder.
Altid at begrunde analytiske valg for resten af teamet fremmer også samarbejde og læring internt i virksomheden. Når teams deler hvorfor og hvordan de er kommet frem til bestemte konklusioner, åbnes der op for konstruktiv feedback og deling af “best practices”. Dette skaber et miljø hvor kontinuerlig læring og forbedring er en central del af den datadrevne kultur.
At begrunde analytiske valg er altså mere end blot et teknisk krav; det er en nøglekomponent for at bygge en robust, transparent og dynamisk datadrevet kultur. Det hjælper ikke bare din virksomhed med at tage bedre beslutninger baseret på data. Det styrker også teamenes evne til kritisk tænkning, samarbejde og innovation.
At arbejde datadrevet indebærer en helhedsmæssig tilgang, som omfavner både det tekniske og kulturelle aspekt i din virksomhed. Det starter med en stærk forpligtelse i ledelsen, hvor topledere ikke bare fremmer, men også praktiserer en datadrevet beslutningsproces. Ved at vælge nøgle-KPIer med omhu og integrere dataanalytikere i forretningsprocesserne, styrker man virksomhedens evne til at udnytte data effektivt.
Grundlæggende problemer med at få adgang til data skal løses for at fremme analyse og solid beslutningstagning, og der bør lægges vægt på at kvantificere usikkerhed i analyser for at få en dybere forståelse for data.
At lave enkle, robuste Proofs of Concept sikrer, at nye ideer kan gennemføres i praksis, og specialeret oplæring 'just in time' sikrer, at de ansatte har relevante færdigheder når de får brug for dem.
Derudover bidrager brugen af analyser til at hjælpe de ansatte, ikke bare eksterne kunder, til at forbedre effektivitet og tilfredshed. Ved at vælge effektivisering fremfor fleksibilitet i brugen af KPIer og værktøj, undgår man forvirring og inkonsistens.
Endelig er det vigtigt at analytiske valg og tilgange forklares tydeligt, så det opmuntrer til en dybere forståelse og refleksion over analytiske processer.
Disse ti skridt repræsenterer en omfattende tilgang til at etablere og opretholde en stærk datadrevet kultur – både for tekniske aspekter og for virksomhedskulturen. At udvikle en datadrevet kultur er derfor ikke bare en opgradering af softwarestrukturen for specielt interesserede, det er et betydeligt løft af motivation og ejerskab for alle i din virksomhed.
Vil du vide mere om, hvordan vi kan hjælpe virksomheden med at opbygge en stærk datadrevet kultur?
Kontakt vores rådgivere for en uforpligtende samtale.