Du trenger ikke data for å være datadrevet

Å være datadrevet handler om hvordan vi tar beslutninger

Det nye gullet og den neste oljen har vi alle hørt om, og det synes å være en utbredt oppfatning at det finnes stort potensial for verdiskaping i å utnytte data og analyse bedre. Men hva består denne verdien av? Prinsipielt kan vi skille mellom tre typer verdi vi kan hente ut av dataene våre:

• Data kan ha underholdningsverdi. Å lære noe nytt om sammenhenger i verden kan tilfredsstille nysgjerrigheten og lærelysten vår, og analyser og visualiseringer kan være så flotte at de fortjener å betraktes nærmest som kunstverk.
• Data kan ha markedsverdi. Noen typer data og analyser kan selges som en tjeneste i det åpne markedet fordi de er nyttige for andre – tenk bare på markedsprognoser, meningsmålinger eller geotekniske kartlegginger.
• Data kan ha informasjonsverdi. Data og analyseresultater kan fortelle oss det vi trenger å vite for å ta bedre beslutninger og dermed bli bedre til å utføre kjerneaktivitetene våre.

De færreste har salg av data som en del av sin forretningsmodell eller samfunnsoppdrag, og fun facts kan vi strengt tatt drive med på fritida. For det store flertallet av virksomheter er det dermed informasjonsverdien vi sikter til når vi sier at vi skal skape verdi fra data. Det betyr samtidig at verdiskapingen står og faller på hvorvidt dataene gjør oss i stand til å ta bedre beslutninger. Og siden det nesten alltid er ledelsen eller operative fagpersoner ute i organisasjonen som tar de relevante beslutningene, er det også disse som bør eie og være pådrivere for å jobbe datadrevet.

Det er beslutningstakere i ledelsen og de operative fagmiljøene som sitter på nøkkelen til å gjøre noe annerledes basert på data. Det er derfor et paradoks at datasatsinger ofte drives frem fra IT-hold.

En typisk analyseprosess begynner (dessverre) ofte med dataene

Data- og analyseinitiativer kan ha ulike utgangspunkter. Noen ganger sitter det driftige teknologer i produktteam eller datavarehusmiljøer som vil bidra til å skape verdi med alle de dataene de jobber med til daglig. Andre ganger har ledelsen bestemt seg for at organisasjonen skal bli datadrevet og gitt marsjordre nedover, uten at de nødvendigvis har forstått hva dette vil kreve av hele organisasjonen. I begge tilfeller er faren stor for at man ender opp med en analyseprosess omtrent som dette:

1. Hvilke datakilder har vi?
2. Hvilke analyser kan vi gjøre med disse dataene?
3. Hva har vi funnet ut gjennom analysene?
4. Er det noen her som kan bruke denne kunnskapen til noe?
5. Hvordan i all verden kan vi vise at dataene har gitt verdi?

Ved å begynne med dataene og så se hva vi finner ut, er sannsynligheten stor for at vi går rett i fun fact-fella. Vi finner muligens ut noe artig og spennende, og kanskje kan vi slå oss på brystet med at vi har brukt en innovativ analysemetode eller maskinlæringsalgoritme. Men vi har antakelig ikke forandret utfallet av noen beslutninger og dermed hatt påvirkning på verden utenfor analysebobla. Og om analyseresultatene likevel skulle føre til reell endring, er det fare for at veien dit har vært unødvendig kronglete, kostbar og avhengig av flaks. Dette må vi kunne gjøre bedre!

Det er ikke gitt at data er den beste løsningen

I stedet for å ta utgangspunkt i de dataene vi har og så insistere på å finne bruksområder for dem, kan vi angripe problemet i motsatt ende. Det betyr at vi må begynne med hvilken verdi vi forsøker å oppnå og så nøste oss bakover til hva slags informasjon vi trenger for å komme oss dit. Først da kan vi vurdere om og eventuelt hvordan dataene våre kan være nyttige. Prosessen kan med andre ord leses fra høyre til venstre:

1. Hva er forretningsverdien eller målet vi ønsker å oppnå?
2. Hva er de relevante beslutningene som påvirker om vi når målet? Hvem er beslutningstakerne, hvilke virkemidler har de til rådighet, og hvilke vurderinger ligger bak virkemiddelbruken i dag?
3. Hva slags kunnskap skal til for at beslutningstakerne skal kunne gjøre noe annerledes og bruke virkemidlene sine enda mer effektiv enn i dag? Og hvordan kan vi skaffe oss denne kunnskapen?

Klarer vi å komme oss hit, har vi unnagjort den mest avgjørende delen av analyseprosessen – vi har identifisert konkrete beslutninger som noen kan forbedre dersom de får et rikere kunnskapsgrunnlag. Samtidig bør vi nå stoppe opp og tenke oss grundig om. Er det nødvendig å legge masse innsats i egne kvantitative analyser, eller finnes det enklere og raskere veier til mål? Kanskje er svaret vi trenger allerede tilgjengelig i en forskningsartikkel? Kan det hende at litt rask, kvalitativ brukertesting vil gi oss en pekepinn som er god nok til formålet? Er det vi egentlig trenger en kvalifisert uttalelse fra et par domeneeksperter? Her er det vesentlig å erkjenne at det finnes flere veier til innsikt, at vi bør veie nytte opp mot kostnad – og at data og analyse ofte vil befinne seg i den kostbare enden av skalaen.

Før vi svir av tid og penger på å skaffe oss kunnskap, bør vi også vurdere om beslutningstakerne er i stand til å bruke kunnskapen effektivt. Har vi tro på at de ville tatt bedre beslutninger dersom de hadde analyseresultatene tilgjengelig allerede i dag? En lang rekke av forhold kan potensielt stikke kjepper i hjulene for dette. Er ansvaret for beslutningen tydelig definert, og er det plassert på et hensiktsmessig sted i organisasjonen? Er selve beslutningsprosessen egnet for å kunne ta hensyn til ny informasjon? Har de ansvarlige tilstrekkelig kompetanse og kapasitet til å gjennomføre forbedringene vi håper på? Hvis svaret på noen av disse spørsmålene er nei, har vi sannsynligvis organisatoriske flaskehalser som bør vides ut før vi kan få verdi ut av mer og bedre kunnskap – uavhengig av hvor denne kunnskapen måtte komme fra.

Vi trenger ofte data og analyse også

Det er dessverre ikke slik at masse tilgjengelige data automatisk er en garanti for verdiskaping. Det betyr ikke at vi skal la være å gjøre noe med dataene våre. Men det betyr at vi bør være bevisst på hvilke problemer vi forsøker å løse, før vi bruker data og analyse som et potent verktøy der hvor det er hensiktsmessig. Prosessen kan da se ut som dette:

1. Vær klinkende klar på hva du skal oppnå. Enten det er knyttet til kostnader, omsetning, leveringstid, utslipp, kvalitet eller noe helt annet, er det dette som definerer verdien og hvorvidt vi har lyktes.
2. Identifiser beslutningstakerne. Hvilke beslutninger, handlinger og veivalg påvirker om vi når målet, og hvem er det som tar disse valgene?
3. Vurder om kvantitativ analyse er rett medisin. Er det virkelig mangel på kunnskap og fakta som er flaskehalsen for gode beslutninger i dag, og finnes det i så fall enklere veier til mål enn gjennom egne analyser?
4. Legg en plan. Hvilke datakilder har vi tilgjengelig, og hvilke kan vi eventuelt skaffe oss? Hvilke analyser kan vi gjøre for å produsere akkurat den kunnskapen beslutningstakerne trenger?
5. Test metoden raskt og enkelt. Bruk en begrenset tidsperiode eller geografisk dekning, hopp bukk over datakvalitet eller tegn skisser på papir – vi trenger sjelden sanntidsdata, levende dashbord eller perfekt datakvalitet for å vise noe til brukerne og spørre om det de ser er nyttig.
6. Verifiser at kunnskapen blir tatt i bruk. Hvis brukerne ikke gjør noe annerledes basert på en manuelt oppdatert PowerPoint-graf, vil de neppe gjøre det med et automatisk oppdatert dashbord heller.
7. Forbedre løsningen iterativt. Først når skisser og prototyper ser ut til å påvirke konkrete beslutninger, kan du pø om pø forbedre datakvalitet, bygge robuste datastrømmer, finjustere modellparametre eller dekke flere regioner, avdelinger, tidsperioder eller annet som vil gjøre løsningen enda nyttigere for brukerne.
8. Følg med på måloppnåelsen. Det er ikke nok å observere at brukerne gjør noe annerledes – vi må også verifisere at det de gjør annerledes gir bedre resultater enn det de ellers ville ha gjort. Sørg derfor for å hele tiden måle og overvåke om vi oppnår de forbedringene vi håpet på i steg 1.

Målet bør være at vi heller finner en grei løsning på et reelt problem enn en perfekt løsning uten et problem. Og ved å stegvis forbedre ulike deler av løsningen, kan vi gi oss når løsningen er god nok for formålet og heller rette innsatsen mot nye problemer andre steder i organisasjonen. Vi må tross alt anta at dette, som så mye annet, er gjenstand for loven om avtagende grensenytte, slik at det å gå fra å vite ingenting til å vite litt kan gi store forbedringer, mens det å gå fra god til perfekt informasjon neppe gir et tilsvarende løft.

Med rett utgangspunkt kan vi lykkes

Bedre lønnsomhet. Fornøyde kunder. Kortere helsekøer eller reduserte klimagassutslipp. Hva som er målet kan variere mye fra virksomhet til virksomhet, men felles for alle er at antall terrabyte med data eller antall maskinlæringsmodeller i produksjon aldri er et meningsfullt mål på verdiskaping. Data og analyse kan være kraftige hjelpemidler, men nytten avhenger fullt og helt av at de bidrar til måloppnåelse på andre områder.

En datadrevet organisasjon trenger derfor ikke bare flinke teknologer, men også kompetanse og kapasitet til å drive prosessforbedring, endringsledelse og brukerinvolvering. Det krever en bredde i roller og profiler som tilsier at dette ikke bør være IT-avdelingens ansvar alene, men drives av tverrfaglige team med tydelig mandat til å røre i hvordan andre deler av organisasjonen jobber og tar beslutninger. Først da kan teknologer og andre fagmiljøer jobbe sammen om å prioritere de rette problemene og sikre fremdrift mot mål som faktisk betyr noe.