<img height="1" width="1" src="" data consent-src="https://www.facebook.com/tr?id=1921535648103199&amp;ev=PageView &amp;noscript=1" data-category-consent="cookie_cat_marketing">

Søk på dette nettstedet:

13. des

Fra databevisst til datadrevet – hvordan bli mer datamoden

Hva innebærer det egentlig å være datadrevet? Og hva hindrer din bedrift i å bli mer datamoden? Det er ingen tvil om at det ligger mye verdi i riktig utnyttelse av data. Men langt fra alle dataprosjekter er vellykket. Teknologi har gått fra å være støtteverktøy til kjernekompetanse. Samtidig viser en studie gjennomført av Accenture viser at kun 25 % av ansatte føler seg komfortable med å jobbe med data. Datamodenhet handler ikke bare om hvilke verktøy og teknologi bedriften bruker. Det handler like mye om dataforståelse, kompetanse og kultur. Å ta utgangspunkt i bedriftens datamodenhet gjør det enklere å velge de riktige datainitiativene. Ved å sørge for at alle deler av organisasjonen hensyntas, både mennesker, prosesser og verktøy, kan din bedrifts dataprosjekter faktisk lykkes.

Datamodenhet påvirkes av mennesker, prosesser og verktøy

Det er utviklet en rekke ulike modeller for datamodenhet som alle har til hensikt å indikere hvor godt bedriften utnytter data og analyse. Bedrifter med lav datamodenhet kjennetegnes av lav dataforståelse, der beslutninger sjeldent baseres på data, og der analyser ofte er ad-hoc og manuelle. I bedrifter med høy datamodenhet gjennomsyrer data bedriftskulturen og enhver beslutning er basert på data. Bedriften er datadrevet.

Et eksempel på en mye brukt datamodenhetsmodell er Dells. De rangerer bedrifter i 4 kategorier: «Data Aware», «Data Proficient», «Data Savvy» og «Data Driven». Baserte på denne modellen har Amesto utviklet en ny modell for datamodenhet. I likhet med Dell rangerer vi bedrifter i 4 nivåer. Vi ønsker imidlertid å tydeliggjøre det faktum at hvor datadrevet en organisasjon er avhenger av flere aspekter, der både mennesker, prosesser og verktøy er sentralt:

For å gjøre en fullstendig vurdering av datamodenhet er det altså ikke nok å kun kartlegge hvilke IT-systemer som brukes i bedriften i dag. Det bør i tillegg gjøres en grundig kartlegging av hvordan ansatte og ledere bruker og forholder seg til data i sin jobb, i tillegg til en kartlegging av hvilke forretningsprosesser som benytter data og analyse.

Datamodenheten avgjør hvilke datainitiativer bedriften bør gjennomføre

Modenhetsnivået vil være en god pekepinn på hvilke områder bedriften skal fokusere på for å hente ut mer verdi fra data og analyse. Ikke alle bedrifter trenger å ha en visjon om å være 100% datadrevet. Kanskje er det nok å bevege seg et hakk oppover modenhetskalaen. Hvis bedriften i dag kun forholder seg til ad-hoc rapportering i Excel og de ansatte og ledere utelukkende tar beslutninger basert på «magefølelsen» bør man kanskje avvente med å implementere avanserte maskinlæringsalgoritmer. Fokuset bør heller være å øke datakompetansen i organisasjonen, standardisere rapportering og kanskje implementere et BI-verktøy for å forenkle rapporteringen.

Under følger noen eksempler på tiltak som kan gjennomføres for å øke bedriftens datamodenhet:

 

1. Kultur og ledelse

Det finnes ikke én enkel aksjon som kan skape bedriftskulturen akkurat slik du ønsker. Likevel er det flere aksjoner som kan bidra til dataglede hos de ansatte. En god datakultur kan fremmes gjennom synliggjøring av databruk for alle i organisasjonen. Ledere må gå foran og bruke og be om kvantitative argumenter: «Denne typen markedsføringskampanjer resulterer i mindre enn 1% av våre inntekter; vi bør derfor investere andre steder». De ansatte må selv forstå verdien av god bruk av data, og det bør legges til rette for at de ansatte kan utforske analyseløsninger på egenhånd. Med gode datamodeller kan de ansatte lage egne rapporter og ikke vente på at IT skal lage dem. Et konkret eksempel på hvordan databruk kan synligjøres er å ha gode dashboards synlig på skjermer i kontor- og produksjonslokaler. Relevante dashboards bør være synlige og ikke gjemmes bort et lukket sted på internett.

 

2. Datakompetanse og forståelse

Data og analyseverktøy er i bunn og grunn ment for forretningsbrukerne. Bedriften kan ha verdens beste analytikere og IT-ansatte, men hvis ikke ledere og ansatte rundt i organisasjonen har god dataforståelse kan analytikerne servere de beste analysene, men beslutninger blir stadig basert på magefølelse. Den generelle datakompetansen kan selvfølgelig heves gjennom kurs og opplæring, men før du aktivt tar i bruk data i egen jobb lærer du ikke. Analyseløsninger og rapporter må derfor tilrettelegges sånn at ansatte våger å bli kjent med dataen. Kompetanse og dataforståelse hos brukerne kan også påvirke hvilke verktøy man bør velge, og ved lav dataforståelse kan det være en fordel å investere i gode og tydelige rapporter. En godt utført Power BI rapport kan være enklere å forstå enn et rotete excelark. Videre er det viktig å sikre de ansattes eierskap til de rapporter og analyser som utvikles ved å inkludere dem i prosessen. Ved å samarbeide med dem som faktisk skal bruke rapportene sikrer man at analysene er relevante og at de ansatte forstår det som blir presentert.

 

3. Bruk av data i prosesser

Det er først når data brukes til å forbedre beslutninger og handlinger at det får en verdi. Når nye analyseløsninger implementeres må de nåværende forretningsprosessene og rutinebeskrivelser revideres og endres for å dra nytte av de nye mulighetene som data gir. Før man investerer i nye og dyre analyseløsninger bør det også gjøres en kartlegging av de analyseløsningene bedriften allerede har. Kanskje har bedriften allerede analyser på dette området, de bare brukes ikke riktig.

 

4. Datasikkerhet og styring

Data må håndteres på en måte som overholder lover og regler. Det er for eksempel strenge krav når det gjelder håndtering av personsensitiv data (GDPR) og overføring av data utenfor EU/EØS (Schrems II). Avhengig av hva slags data som behandles kan bedrifter også være pliktig å ha et eget personvernombud. I tillegg gjelder det generelt at dersom en analyseløsning skal behandle sensitiv data bør det gjennomføres en risikovurdering. Riktig arkitektur og valg av verktøy kan tilrettelegge for at sikkerhet blir ivaretatt, men studier viser at så mye som 85% av brudd på cybersikkerhet er forårsaket av menneskelige feil. Bedrifter bør derfor sørge for at alle ansatte som skal behandle data har et visst nivå av kompetanse om datasikkerhet. Datasikkerhet må inngå som et viktig punkt i opplæring og rutiner.

 

5. Data og analyse

Hvilke analyser og rapporter som skal utvikles må besluttes i samarbeid med viktige interessenter. Forretningsdrivere og bedriftsprosesser der data kan gjøre en forskjell må identifiseres og brukerhistorier formuleres. Brukerhistorier skal inneholde informasjon om ønskelig funksjonalitet, hvem som ønsker seg dette og hvilken verdi som kan oppnås hvis denne funksjonaliteten blir implementert. De skal også inneholde akseptansekriterier som definerer hva løsningen skal inneholde for å bli godkjent:

Et eksempel på en brukerhistorier kan være: Som logistikksjef  ønsker jeg en analysemodell som optimerer transportrutene for å redusere transportkostnader.

 

6. Verktøy og arkitektur

Det finnes utallige varianter av verktøy og kombinasjoner av verktøy som kan brukes i behandling av data. Det viktigste en bedrift må gjøre på dette punktet er å kartlegge hvilke verktøy bedriften bruker i dag, og hva som eventuelt må legges til eller byttes ut for at målene skal nås. Det er ikke nødvendig å hoppe på de nyeste trendene bare fordi de er nye. Verktøy og teknologi skal hjelpe prosesser og mennesker, og det viktigste er hvem som skal bruke det og hva det skal brukes til. Ofte er det nødvendig med en kombinasjon av verktøy og da er det viktig at det velges verktøy som passer sammen. Arkitekturen bør være gjennomtenkt og planlegges i et langsiktig perspektiv.

Last ned eboken vår for å lese mer om hva du bør tenke på når du skal velge ny analyseløsning.

Kartlegging av datamodenhet er første steg i en vellykket datastrategi

For å virkelig lykkes med data bør bedriften også ha en gjennomtenkt datastrategi. Dette er en langsiktig plan som sikrer at de rette datainitiativene gjennomføres. Ved å definere og prioritere langsiktige mål og aksjoner for bruken av data som støtter oppunder den overordnede forretningsstrategien, kan data og analyse bidra til at bedriften når sine mål, istedenfor å være uforståelig utgiftspost som ingen egentlig bruker. En god datastrategi tar utgangpunkt i bedriftens datamodenhetsnivå. Ut fra dette settes realistiske mål med tydelig sammenheng til den overordnede forretningsstrategien. Data i seg selv har ingen verdi. Det er når data brukes av ansatte til å forbedre bedriftsprosesser at gevinsten kan hentes ut. En vellykket datastrategi kan hverken eies eller settes ut i livet med kun én enkelt ildsjel som har sans for tall og fine grafer. Den må sikres og ønskes fra toppledelsen og interessenter og realiseres av en databegeistret bedriftskultur.

 

Kilder:

Venture Beat: Why do 87% of data science projects never make it into production?

Accenture: The Human Impact of Data Literacy (PDF)

Ingrid Ødegård Senior Consultant Insight i Amesto TechHouse