Tilbage

Bring Your Own Business Intelligence

Del 2: Data Camp

Tyg lige lidt på denne, imens du læser resten af dette blogindlæg.

”No one has ever failed to find the facts they are looking for” (citat: den gode Peter Drucker).

Den tager lige lidt tid at sive ind, men ikke desto mindre er citatet utrolig interessant i forhold til mit problem med termen data-drevet. Vi vender tilbage til Peter Drucker og hans citat lidt senere.

”De fleste fejl sker på tom mave”

I første blog-indlæg kom jeg med en lille opsang til, at vi bliver nødt til at tage vores indsats alvorlig for at få data ud til alle. Ligeledes udfordrede jeg termen data-drevet, da jeg i bund og grund synes, det er et lidt fjollet begreb, for hvornår har du sidst set data gå rundt i din organisation og drive vigtige beslutninger? Det skulle da kun være, hvis du har en kollega der hedder noget med Data.

Som nævnt er data gode inputs til beslutninger. Men beslutninger er nu i lige så høj grad - og heldigvis -baseret på intuition, historik (vi husker desværre fortiden og det påvirker vores beslutninger), inkonsistens og kompetencer/IQ. At vi er hyret til at træffe beslutninger, at vi er mennesker eller af den Cognitive Bias, som Daniel Kahnemann ville have formuleret det, og ydermere har Kahnemann også fat i den lange ende, når hans forskning viser, at vi træffer andre beslutninger, når vi er trætte og sultne, end når vi ikke er det.

Du husker måske Arlas reklameslogan ”de fleste fejl sker på tom mave”. Det kommer vist i øvrigt an på, hvilke typer af beslutninger man skal træffe, men uanset om det er positivt eller negativt, påvirker det altså vores beslutningskompetence. Det skal vi blot erkende i brugen af data, hvorfor vi aldrig bliver 100% data-drevet. Ikke en gang de rekomanderingsalgoritmer vi møder på Amazon og lignende er data-drevet. De bruger Machine Learning og data; de træner sig selv, men vi mennesker evaluerer, hvorfor algoritmen alligevel ikke altid rammer plet og er behæftet med fejl.

Den nye olie

Men når vi så alligevel ønsker at arbejde med data, for selvfølgelig skal vi det, data er jo pragtfuldt – den nye olie – så gør dog en indsats og gør det seriøst! Hvad du og din organisationer eksempelvis kan gøre, vil jeg kigge lidt på nedenfor.

Nedenstående idéer er langt fra fyldestgørende eller de facto et krav, men det giver alligevel et billede af, at det ikke er nok blot at hyre interne/eksterne BI konsulenter, data scientists, købe en Power BI licens og forsat holde fast i Kimballs/Imnons arkitekturprincipper for et veldesignet Data Warehouse. Det kræver en seriøs indsats, og for nogen organisationer bliver det en alvorlig skefuld, men gør vi det ordentligt, så får vi også det fulde udbytte af data.

Bring Your Own Business Intelligence går kort og godt ud på, at vi klæder hver enkelt person i hele organisationen på til at bruge data og data værktøjer, så det giver værdi. Lad mig prøve at give nogle helt simple inputs til dette.

Hvad kan vi så gøre?

Etablér Data Camps, Data Caféer, Data Teams, en Data Learning Platform, en datakultur, brug Kaggle og tænk i adfærdsdesign og kommunikation. Ja så simpelt er det at tage data alvorligt. Okay det var ikke meget, men det kræver alligevel lidt at arbejde med dette.

Før vi springer ud i disse, er der selvfølgelig nogle helt fundamentale ting, som skal være på plads, som jeg ikke vil gå i detaljer med her, men tjek lige hurtigt, om I har styr på disse i jeres organisation først:

  • I opsamler de rigtige data og i opsamler dem korrekt
  • I har lært, at I udvikler jeres forretning ved at stille gode spørgsmål, og I kender til de hovedpiner beslutningstagerne sidder med til dagligt
  • I har et Data Card Catalog = et kort over alle data der findes i organisationen – hvem skaber data, hvem har ansvaret for disse, hvad indeholder disse
  • I har en data ordbog, der beskriver alle definitioner på nøgletal, rapporter, dimensioner og lignende
  • I har styr på datakvaliteten og masterdataprocessen i jeres kildesystemer samt Data Warehouse
  • I har en Data Warehouse-arkitektur, der tillader adgang til relationelle data og der er selvfølgelig en klar best practice, framework, templates og standarder
  • I har selvfølgelig buy-in fra topledelse omkring brugen af data
  • I har styr på, hvordan data kan understøtte jeres forretningsstrategi, og alle forstår hvad jeres strategi går ud på – ikke blot fluffy fluffy og lidt flotte ord, men rent faktisk - hvad jeg kan gøre for at være med til at realisere strategien i min dagligdag
  • I har indset, at data ikke bliver taget i brug af sig selv, og I henter inspiration fra andre discipliner såsom forandringsledelse og adfærdsdesign for at få det til at ske
  • I snakker alle sammen et godt forretningsmæssigt sprog – med andre ord – alle forstår forretningen
  • Du har altid din elevatortale klar til hvad data gør godt for i organisationen
  • I har generelt de rigtige kompetencer ansat i nøgledataroller i jeres BICC
  • I bruger et godt agilt Business Intelligence værktøj og måske endda et cloud baseret setup… uha uha!
  • I har en dynamisk datasikkerhedsmodel, der nemt tillader udrulning af nye politiker
  • I spørger regelmæssigt jeres brugere eks. gennem surveys om de er tilfredse med de løsninger/platform I har lavet til dem.
  • I laver en regelmæssig rengøring og sikrer, at alt data på jeres platform giver mening
  • I undersøger ofte hvilke data, der bliver brugt på dataplatformen hvornår og måske hvorfor
  • I undersøger udfordringer med eventuelle performance problemer hos brugerne.

Der er væsentligt flere punkter, der skal være på plads for at skabe et godt fundament, men nu er dette en blog og ikke en lærebog, så fyld selv ud, hvilke du mener, der mangler.

Lad os prøve med en Data Camp – fy for en mundfuld!

Lad os kigge lidt på sådan en Data Camp.

Intensitetsskala: 5 – Fy for en mundfuld, den klarer vi ikke i løbet af frokostpausen

Når I nu skal i gang eller have nye indspark til jeres data-drevne strategi, så start med begyndelsen… ja det er sgu da et godt sted at starte, men altså begyndelsen med jeres nye medarbejdere. Starten på deres medarbejderrejse i jeres virksomhed. Den kan vi i øvrigt også samle data ind omkring – vi gør det typisk med en årlig spørgeskemaundersøgelse eller de løbende MUS’er, men der gemmer sig meget andet data-guf om denne rejse, når det er et andet blogindlæg.

Forestil dig, at du i din on-boarding process af nye medarbejdere i din organisation sender alle nye medarbejdere på en 2-ugers intensiv data camp. Hermed signalerer du vigtigheden i, at I ønsker at være data-drevne samtidig med, at I klæder nye medarbejdere på til at bruge data, som I ønsker at bruge data.

På data camp’en skal nye eller eksisterende medarbejdere igennem dette (inspiration hentet fra Winning with data):

Data Kompetence Evaluering
Hvem har hvilke kompetencer, der er vigtige for at arbejde med data? Hvor mange har dem? Hvad er vores gns. Kompetence pr. område? Hvad og hvor er vores kompetence gaps? Hvem har brug for at få løftet deres niveau? Hvem er over forventet niveau? Hvordan aftaler vi med vedkommendes nærmeste leder indsatsen for over tid at bygge videre på disse kompetencer?
Lav en helt simpel oversigt over de kompetencer, I mener, at jeres databrugere på forskellige niveauer i virksomheden har brug for. Arbejder I med Power BI, så kunne en ønsket kompetence være DAX, M, R eller basale visualiserings-skills. Jeg sender dig gerne den Data Kompetence Evaluering vi bruger hos ProActive.

Træning af hardcore skills i eks. SQL og Power BI
SQL er stadig det mest udbredte database-sprog, og kan en kollega skrive lidt SQL, så er der hurtig adgang til værdifulde indsigter i de relationelle databaser. Kombinér træningen i SQL med 3-4 dages kursus i Power BI (fra Intro til hardcore DAX bruger), som er et perfekt værktøj til at arbejde med data. Baseret på Data Kompetence Evalueringenen afgøres det selvfølgelig hvem og hvor mange, der skal passes ekstra godt på i undervisningen. Overvej allerede at sætte de ”nye” der ligger på niveau sammen med de nye kollegaer på et lidt lavere niveau, når der skal løses undervisningsopgaver.

Data-arkitektur
Dette lyder lidt mere teknisk, end det rent faktisk er. Gennemgå jeres Data Card Catalog, som tidligere nævnt, samt træn jeres kollegaer i, hvor de kan finde hvilke data i jeres self-service del af jeres Data Warehouse eller data opbevarings katalog. Så data-arkitektur er ikke farligt, men hvis ikke jeres kommende brugere ved hvor de skal finde hvilke data, og hvorfor de skal finde dem der og ikke i kollegaens Excel Look-up data spaghetti, så bliver det en hård nyser at blive data-drevet.

Data-ordbog
En vigtig del af det at bruge data er at snakke det samme sprog og bruge de samme defintioner. I gennemgangen af data-ordbogen gennemgår I metrikker og definitioner af alt fra, hvad er definitionen på hvilke KPI’er til hvad er en kunde. Selvom alle skal have adgang til data, skal troværdigheden stadig vægtes højt, og ved at snakke det samme datasprog og bruge samme definitioner er I langt. Siden jeg begyndte at arbejde med BI, har man snakket om, at Data Warehouse havde den eneste sandhed. Det skal det stadigvæk. Sandheden kan stadig gradbøjes alt efter, hvordan brugerne slicer og dicer kuberne, brugerfiltrene i rapporterne osv. men definitionerne skal vi forsat kunne stole på. Hermed indikerer jeg sådan set, at vi aldrig nogensinde har haft nogen egentlig sandhed. For med en enkelt frasortering af en kunde i en omsætningsrapport ved en fejl har vi et helt andet billede af virkeligheden, såfremt denne frafiltrering ikke fremhæves eller er sket ved en fejl. Udfordringen har og er stadigvæk, at med de mest gængse snipping tools kopieres billeder af dashboards eller rapporter ned i PowerPoints, og nu forsvinder alt viden omkring, hvilke filtre der er brugt til at skabe denne data situation. Læs: synliggør altid brugte filtre e.lign. Og synliggør altid, hvilke dashboards der er corporate godkendt vs. ”enkeltmands” godkendt.

Case studier
Gennemgå tidligere cases, hvor data er blevet brugt til at få nye indsigter. Tilrettelæg casene efter om det er HR eller Finansfolk, der sidder på data camp’en. Prøv at opstille de samme hypoteser, som var med til at løse disse problemstillinger i forretningen og lad deltagerne på data camp’en prøve at løse den samme problemstilling vha. data.

Basale data og statiske færdigheder
Hvis du blev spurgt om Gandhi var mere end 114 år gammel, da han døde, ville du estimere hans alder væsentligt højere, end hvis du blev spurgt, om han var 35 år da han døde. Nobelprismodtageren Daniel Kahneman kalder dette for Anchoring Bias, og det er derfor ikke uvæsentligt at træne sine databrugere i, hvordan man kan arbejde med spørgsmål, hypoteser og statistik, når man arbejder med data. Gennemgå derfor helt basal statistik: konfidens intervaller, stikprøve-størrelser, signifikanser, skævheder/bias osv. Her skal vi også lige tilbage til Peter Drucker citatet fra indledningen på bloggen. Hvis ikke vi opsætter de rigtige hypoteser, meninger eller spørgsmål, så finder vi nok alligevel noget data eller fakta, der bekræfter vores argumenter, derfor er det yderst nødvendigt, at I tager denne del seriøst, så I ikke render rundt og får data til at bekræfte jeres dårlige hypoteser eller meninger.

En anden interessant vinkel på hele den her stræben efter data og specielt, når vi snakker Big Data, hvad end det så er, er denne frækkert fra 1971: ”...in an information-rich world, the wealth of information means a death of something else: a scarcity of whatever it is that information consumes. What information consumes is the lack of attention of its recipients. Hence a wealth of information creates a poverty of attention”. Lad os kaste et blik tilbage på forudsætningerne listet i indledningen af bloggen – få styr på jeres forretningsstrategi og hvordan den skal forstås, derefter kast jeres dataopmærksomhed efter denne. Når der styr på dette, så slå jer løs.

Storytelling with data
Hvordan fortæller I den gode historie eller præsenterer argumenterer ved brug af data og visualiseringer? Jeg faldt over nedenstående illustration for længe siden med titlen ”Visualize decisions, not data”. Og titlen samt illustrationen giver et rigtig godt udgangspunkt for at lære at fortælle den gode historie med data, så der ikke er tvivl om, hvad du ønsker at opnå.

Show the decision 

 

Handlingsrettet brug af data 
Gør jeres kollegaer i stand til hurtigt at afgøre, om den dataanalyse, som personen sidder og arbejder på, kan resultere i en konkret ændring af organisationen, og hvordan sådan en ændring rent faktisk så kan implementeres. Når jeg er ude hos kunder er denne del typisk utrolig svær. Det er ikke svært at bestille et nyt nøgletal, dashboard eller data alarm, men det er væsentligt sværere at beskrive, hvordan jeg vil handle baseret på dette data/information. Hvis omsætningen af vare X falder i produkt kategori Y i uge nr. Z, fordi det sner – hvad vil jeg så gøre ved det? Ringe til DMI og spørge, om det bliver ved med at sne eller…?

Inspiration
Vis og illustrér state-of-the-art løsninger. Få jeres eksisterende brugere til at komme og inspirere om mulighederne. Det er ikke alle, der nødvendigvis er lige kreative, og kreativiteten skal plejes. Så sørg for, at I allerede under data camp’en arrangerer de kommende måneders datainspirations-sceancer – tag enten udgangspunkt i cases, værktøj, dashboard eller generel inspiration fra branchen, måske endda hyr en Stephen Few lignende type til at komme og snakke lidt.

Efter sådan en 2-ugers intensiv data camp bør det være helt klart, hvordan I arbejder med data i jeres organisation, og I har dermed taget første skridt mod at blive data-drevet, hvis vi skal holde fast i den term.

Herfra bør jeres kollegaer være i stand til at lave deres egne dataanalyser, kende de fleste af organisationernes data og dataværktøjer og generelt forstå vigtigheden i brug af data. Det er en ordentlig mundfuld, men som jeg nævnte, så sker denne data-drevne transition ikke af selv.

I næste blog-indlæg vil jeg komme ind på de næste fokusområder, som jeg bl.a. mener bør være fast inventar i organisationer, der ønsker at arbejde med data, samt komme med den sidste salve mod det data-drevne fokus.