Dersom du har lagt en strategi for hvordan din bedrift kan bli mer datadreven: Gratulerer, du har allerede kommet lenger enn de fleste!
I altfor lang tid har de fleste bedrifter sagt at de skal satse på å bli mer datadrevne uten at de egentlig forstår helt hva det innebærer. Det holder dessverre ikke å ansette et team av data scientists og tro at man har klart det. Uten en mer helhetlig tilnærming til en datadrevet transformasjon, er man dømt til å mislykkes.
Jeg ønsker derfor å ta et steg tilbake. La oss i bare noen minutter gå bort ifra alle fancy begreper, og virkelig reflektere over helt konkret hvor vi er og hva vi ønsker å få til.
“Å bli mer datadrevne” er ikke et godt mål, for hva betyr det egentlig? Det skal vi snakke om nå.
«Datadrevenhet kan sees på som en reise med ulike modenhetsnivåer.»
De fire nivåene i enhver datareise
Transformasjonen til å bli en datadreven organisasjon krever en holistisk tilnærming som også omfatter strategi, kultur og etikk.
Vi må anerkjenne at løsningen ikke utelukkende ligger i ny teknologi eller forbedrede dataanalyseferdigheter. Dette innebærer å bygge en organisasjonskultur som verdsetter og fremmer datadeling og samarbeid, samtidig som det sikres at etiske retningslinjer for datanavigering blir prioritert.
Datadrevenhet kan sees på som en reise med ulike modenhetsnivåer, hvor hvert nivå representerer en dypere integrasjon av data og analyse i beslutningsprosessene. Vi skal nå ta en titt på hvert av disse nivåene, fra det mest grunnleggende til det mest avanserte. Å bli virkelige datadrevne er en reise hvor vi må være opptatt av kortsiktige suksesser likeså som langsiktige.
- De som ikke har et aktivt forhold til dataene sine lever på overtid, og vil slite fremover
Det er viktig at vi setter tydelige mål for det nivået vi ønsker å ta steget inn i, og ikke tro at man kan hoppe over nivåer.
Det er viktig å merke seg at overgangen mellom disse nivåene ikke er en enkel eller lineær prosess. Organisasjoner kan oppleve ulike utfordringer og læringsmuligheter ettersom de beveger seg mot høyere datadrevenhet, og det er helt vanlig at ulike deler av organisasjonen befinner seg på forskjellige modenhetsnivåer samtidig. En helhetlig tilnærming som inkluderer teknologi, prosesser, mennesker og kultur er nødvendig for å fremme og støtte denne transformasjonen.
Nivå #1: Deskriptiv analyse — “Hva har skjedd?”
Første steg er at vi bruker data primært til å forstå og rapportere om historiske hendelser.
Målet er å beskrive fortiden gjennom grunnleggende analyser og rapportering. Dette innebærer ofte bruk av dashboards, rapporter og enkle visualiseringer for å gi en oversikt over tidligere prestasjoner eller hendelser.
Jeg syns det er viktig å understreke at man trenger ikke nødvendigvis vite hvilken verdi eller hvilke beslutninger data kan understøtte på dette stadiet. Det handler mye mer om å komme i gang enn å vite hvordan sluttresultatet skal se ut. Å frigjøre data slik at flere rundt om i hele selskapet kan begynne å eksperimentere, gjør det lettere for at flere ser potensialet for hvordan data kan informere beslutningsprosesser.
Noe av det viktigste ledelsen kan gjøre her er å sette konkrete måltall og KPIer for de ulike delene av organisasjonen. Her er det viktig at disse ikke blir for høynivå og generelle slik at spesifikke deler av organisasjonen ikke kan se sitt eget ansvar inn mot KPIene.
Ikke bare er det lurt i seg selv for å etablere en felles forståelse av hvordan suksess ser ut, men det er også en viktig del av reisen mot å bli datadrevne. Det vil sette en håndfast motivasjon for å ta i bruk data ettersom det er den eneste måten for å kunne si om man har lykkes, men også for å hjelpe team med å fokusere innsatsen på å samle inn den dataen som påvirker måltallene.
Nivå #2: Diagnostisk Analyse — “Hvorfor skjedde det?”
Etter å ha identifisert hva som har skjedd, kan vi begynne å grave dypere for å forstå årsakene bak disse hendelsene.
Diagnostisk analyse involverer ofte bruk av mer avanserte datauttrekk og analytiske teknikker som korrelasjonsanalyse for å identifisere mønstre eller trender som kan forklare tidligere resultater. Det er først i dette stadiet vi kan si at data er informasjon.
Nå kan vi også begynne å snakke om utvikling av dataforvaltningspraksiser for å sikre datakvalitet og relevans gjennom en moderne dataplattform. Dette kan for eksempel inkludere bedre datavask, databerikelse og dataintegrasjon. I tillegg til å investere i en god datainfrastruktur, bør man også sette av tid og ressurser for å etablere styringsmekanismer for analysearbeidet. Dette inkluderer standarder for hvordan analyser utføres og deles, samt opprettelse av etiske retningslinjer for databruk.
Se hvordan en data scientist knar lønnstallene våre med Python
For å lykkes som en datadreven organisasjon, må datanysgjerrigheten og datakompetansen strekkes over større deler av organisasjonen enn kun i ett sentralt datateam. Det er derfor viktig å fokusere på opplæring, ikke bare innen dataanalyse, men også i forretningsprosesser for å enklere forstå hvordan data påvirker disse. Tverrfaglige team, eventuelt velge ut teammedlemmer som kan få et ekstra ansvar for data, er konkrete tiltak som kan bidra positivt her. Disse kan bli inkludert i et sentralt fagmiljø sammen med sentrale datateam for å drive opplæring, erfaringsutveksling, og innføring av utarbeidede standarder.
Vi må heller ikke glemme at for at dataen skal kunne tas i bruk, må den tilgjengeliggjøres. Det er derfor utrolig viktig at ledelsen kommer med initiativer for å incentivere utviklingsteam til å dele data. En dataplattform uten data gir ingen verdi.
Nivå #3: Prediktiv Analyse — “Hva kan skje i fremtiden?”
Organisasjoner som har nådd dette nivået av datadrevenhet bruker nå historiske data til å forutsi hva som sannsynligvis vil skje i fremtiden.
Ved hjelp av statistiske modeller, maskinlæring, optimalisering og andre avanserte analytiske metoder, kan vi estimere sannsynligheten for fremtidige utfall basert på eksisterende data. På den måten kan vi forbedre måten vi driver butikk, fra å effektivisere prosesser til å forbedre brukeropplevelser. Dette stadiet markerer en viktig overgang fra reaktiv til proaktiv beslutningstakning, og data er ikke bare informasjon — det er kunnskap.
Et kritisk tiltak i overgangen fra nivå 2 til 3, er ledelsens vilje til å satse på pilotprosjekter for å teste ut nye prediktive modeller.
Pilotprosjekter gir mulighet til å eksperimentere med og forstå kompleksiteten og potensialet i maskinlæringsmodeller innenfor et kontrollert miljø. Ved å fremme en iterativ tilnærming til læring og utvikling, sikrer pilotprosjekter at organisasjonen utvikler den nødvendige kompetansen og tilpasningsdyktigheten for å utnytte maskinlæring effektivt, noe som er avgjørende for å realisere de fullstendige fordelene med prediktiv analyse og drive innovasjon.
«Et kritisk tiltak i overgangen fra nivå 2 til 3, er ledelsens vilje til å satse på pilotprosjekter.»
Nivå #4: Kognitiv Analyse — “Hva bør vi gjøre annerledes?”
På det høyeste nivået forutser vi ikke bare fremtidige hendelser basert på fortiden, men vi anbefaler også de handlingene som bør tas for å drive innovasjon.
Vi bruker teknologier som kunstig intelligens og maskinlæring for å automatisere beslutningsprosesser. Dette innebærer å utruste systemer med evnen til å lære fra data, forstå kontekst, trekke konklusjoner og ta informerte beslutninger autonomt. Vi tar steget fra ren optimalisering til hvordan vi kan tilpasse oss nye data i sanntid, noe som gir en helt enorm konkurransefordel.
Denne fasen krever ikke bare avanserte analytiske ferdigheter og teknologier, men også en organisasjonskultur som stoler på og er villig til å handle basert på disse anbefalingene. Vi snakker nå om datavisdom.
Å legge frem datareisen som fire steg føles selvsagt altfor enkelt ut. For selv om den er presentert som en lineær reise, så kan den være alt annet enn lineær eller ensartet. Den krever en tilpasset tilnærming som tar hensyn til forretingsbehov, organisatoriske strukturer, og kulturelle faktorer. Hvis det er én ting jeg ønsker at du tar med deg, så er det dette: En datastrategi må dekke hele bedriften.
