Tilbage

Bring Your Own Business Intelligence

Del 3: Vi har altid været datadrevet

I sidste blog-indlæg fik det data-drevne koncept et hårdt rap over nallerne og vi er ikke helt færdige endnu. Jeg introducerede også en 2-ugers intensiv data camp for at belyse, hvad det kan kræve for at få hele organisationen i gang med at bruge data i deres hverdag. Når de 2 uger er overstået, er vi selvfølgelig ikke i mål, men det vidner lidt om de ambitioner man som organisation bør have for at sætte data på dagsordenen. Det kigger vi lidt videre på i tredje og sidste indlæg blogserien Bring Your Own Business Intelligence.

Før vi går videre med de andre bud/idéer, til hvordan organisationer kan blive data-drevet, besøger vi lige konceptet en sidste gang, for det er ikke alt data, der er kvantificerbart i et regneark.

Undercover Boss, Lehman Brothers

Jeg så for nylig et program i TV, der hed Undercover Boss. Programserien handler om, at en C-level person i en organisation har mistet følingen med organisationen og derfor går undercover. Præmissen er, at denne arbejder i forskellige jobfunktioner, som findes i organisationen f.eks. vognmand, lagermand etc.. Organisationens performance review fortæller ikke nødvendigvis om det går godt eller skidt i forretningen, men C-level personen ønsker en anderledes indsigt i forretningen, adfærden, menneskene og kulturen. En ældgammel og velafprøvet måde til at få ny data på benyttes; nemlig den datakilde der hedder samtale og observationer. For selvom de numeriske data ikke afslørede, at medarbejderne var utilfredse, at processerne ikke fungerede optimalt, så fortalte samtalerne med kollegaerne, der turde sige deres ærlige mening (de vidste jo ikke at det var en C-level person), en anden sandhed end de normale kvantificerbare regnearksdata. Værdifulde data og inputs som regnearkene aldrig ville kunne have fortalt. At medarbejderne ikke bryder sig om at gå på arbejde. At medarbejderne laver deres egne udgaver af de opskrifter de ellers får udstukket fra hovedkontoret. At sjælen og kulturen er forsvundet. Hvordan medarbejderen synes kundeservicen bør være kontra de normale retningslinjer osv. Fantastiske data der er svære at indkapsle i et regneark.

Da Lehman Brothers i 2007 blev værdisat til 60 milliarder dollars, var der ikke mange matematiske now- eller forecasting modeller, numeriske data eller lignende, der et år senere spåede, at virksomheden nu ville være 0 kroner værd. Det fortalte CEO’ens ledelses-dashboard heller ikke. Data fortalte, at kunder strømmede ind, og at de 5 selskaber som de for nylig havde købt bidrog kun til yderligere værditilvækst. Numeriske data var simpelthen ikke nok til at dække over virksomhedens komplekse virkelighed med meget komplekse finansielle produkter (CDO’er der i sidste ende lukkede og slukkede butikken). Kunne kvalitative data have afsløret andet? Kunne en samtale med en kunde have afsløret andet? Kunne en ærlig overlevering af information til CEO’en have fortalt noget andet? Hvad hvis CEO’en havde besøgt virksomhedens kunder fremfor kun at have kigget i numeriske data om kunderne?

Stigende kurs på sølv

Pandoras aktiekurs havde i 2011 nogle voldsomme udsving. Først blev resultatet for året opjusteret fra 20% til 30%. Det skete i foråret, og henover sommeren blev resultatet for året nedjusteret til et rundt nul. Data i foråret 2011 viste et ekstraordinært salg af Pandoras smykker, men henover sommeren faldt dette salg til stort set ingenting. Så hvad var problemet med data? Data fortalte kun kendsgerninger men konteksten eller historien for salgets eksplosive vækst blev ikke belyst via data. Det der reelt skete var, at alle Pandoras forhandlere købte ind til lager, da Pandoras smykker i slutningen af 2011 ville stige betragteligt pga. den stigende kurs på sølv. Så data viste rigtig nok en flot udvikling i salget, men havde man spurgt kunderne eller sælgerne i virksomheden, havde man nok fået et andet svar om den forsatte udvikling.

Førerløse biler sælger ikke i Indien

Hvad gør vi, når bilproducenterne ikke kan sælge førerløse biler i Indien? Data viser jo, at der er rigtig mange der kører i bil, og at bruttoindkomsten kun stiger og stiger. Så hvorfor er disse data ikke nok? Her handler det om kontekst og kulturel forståelse. I Indien er det et statussymbol at have privatchauffør, og de mennesker som ville have råd til en førerløs bil vil hellere foretrække en privatchauffør. Numeriske data kan aldrig stå alene. Numeriske data skal altid blot være vigtig input til kommunikation eller læring.

Vi har alle dage været data-drevne

Så for at blive rigtig godt data-drevet skal vi måske skele lidt til humanioraens forståelse af verdener og kulturer for forsat at få et rigtig godt udgangspunkt for at forstå kunder, leverandører, kollegaer, produkter, markeder osv., det er trods alt også data. Med andre ord; vi har altid været data-drevne. Organisationer har altid udviklet sig vha. af data, ikke nødvendigvis numeriske regnearksdata, men data der overleveres mund-til-mund, gennem observationer, gennem forståelse for mennesker og kulturer. Men når moderne organisationer snakker om at være data-drevne indgår dette ofte ikke i ligningen. Her snakker vi i stedet om maskinlæring og numeriske data, der fuldstændig polariserer den måde vi tænker og agerer på.

Husk nu humanioraen i den data-drevne ligning.

Nå, tilbage til de konkrete tiltag for at blive data-drevet.

Datacaféer

Via data camp’en har vi nu klædt organisationen på til selv at kaste sig ud i diverse dataanalyser. Dog vil vi opleve, at der stadig er brug for løbende sparring og support i forhold til at videreudvikle datakompetencerne og få hjælp til at lave dataanalyser. En idé kunne være at etablere en Datacafé. Ikke nødvendigvis sådan en café, hvor man kommer for at sludre og drikke kaffe, men et fast frirum, hvor man ved at man altid kan få hjælp af en dygtig kollega til databehandling. Etablér derfor nogle helt faste tidspunkter eks. hver fredag kl. 9-12 til jeres Datacafé. I det tidsrum har I allokeret en data-ekspert til at hjælpe brugerne med at komme videre med deres dataanalyse, eller at I sammen med brugerne kan gå på opdagelse i nye data eller hurtigt afdække eller afprøve nye rapporteringsønsker. Vigtigheden i at have allokeret et tidsrum, hvor jeres kollegaer nemt kan gå udenom tunge ticket systemer, support funktioner, change boards eller lignende er enorm, da det inviterer jeres kollegaer til nemt at komme videre. Husk at reklamere for caféen rundt omkring i organisationen, og hvis det hjælper på stemningen, så indret Datacaféen som en rigtig hyggelig café.

Data Teams

Det er meget oppe i tiden at snakke om Growth Hacking Teams, som er et team bestående af flere tværfaglige eksperter, eksempelvis en data scientist, strateg, marketingsspecialist og back- / front-end udvikler. På denne måde kan virksomheder gøre brug af dette team til at afprøve en hver hypotese, der kan sætte yderligere gang i vækstmotoren. På samme måde bør man have Data Teams eller Data SWAT teams, der kender hinandens styrker og svagheder, der dækker hinandens faglige tomrum og som sammen kan få nye indsigter ud af virksomhedens operationelle data. En person der hurtigt kan indsamle og sammensætte data, en person der kan forstå den kontekst som data kommer fra i forretningen og hvordan data kan bruges i kontekst af forretningen. En person der kan være kreativ og se hvilke nye markedsmuligheder disse data kan give og en person der kan perspektivere dataene til virksomhedens overordnede formål og strategi.

Har I allerede data specialister i de respektive afdelinger der ikke referer til jeres CIO, Business Intelligence ansvarlige, IT-chef eller lignende, så sørg for at sikre at de har et fast touch point eller kommunikerer til den overordnede BI manager, dataarkitekt eller hvad I nu bruger i jeres organisation for at undgå datasiloer i organisationen. Dermed sikrer I en overordnet strømlining i brugen af data på tværs af hele organisationen.

Data Learning Platform

En Data Learning Platform er helt simpelt ét sted, hvor al information omkring jeres data, værktøjer, KPI’er, definitioner, governance, dokumentationer m.m. forefindes. Herudover er det et sted som brugerne kan gå hen og dele viden omkring brugen af de forskellige data – se det som en social platform / ERFA platform. Et sted hvor man kan gå hen og se en 20 sekunders ”Sådan kommer du i gang med Power BI” video. Et sted hvor du kan finde onepagers om de forskellige KPI’er. Et sted hvor træningsguiden til enhver løsning forefindes. Et sted hvor du diskuterer data, diskuterer værktøjer, diskuterer behov for ny læring og meget mere. En sådan Data Learning Platform ville kunne være en simpel SharePoint platform.

Datakultur

Her har jeg muligheden for at gå all-in på den helt store data-klinge.

”You manage what you measure”.

“No decisions will be taken unless there is data to back it up”.

“Make data prove the point”.

Og det er da rigtig nok, men husk at data kun er et input til kommunikation eller læring. Data er første step i læringsprocessen. Salgsdata viser hvilke produkter der ikke sælger. Del denne viden med dine kollegaer, dit data team og dine kunder og find ud af, hvad I kan gøre ved det. Sikr at I får disse data nemt og hurtigst muligt og etablér nogle læringskanaler eller platforme, hvor I kan diskutere disse data, så I sammen finder nye markedsføringsmuligheder, sammen krydssælger til eksisterende kunder, eller hvad data nu giver jer af inputs og idéer til nye indsigter om jeres forretning og dermed nye handlinger og initiativer. Etablér Data Caféer, Data Teams og Data Camps. Sørg for at det ikke kræver en Ph.d. i økonometri for at arbejde med jeres data. Alle skal kunne forstå jeres data. Lær at stille spørgsmål. Hvad kan I gøre for at fremme brugen af data? Hvad kan I gøre for at fremme læringen gennem data? Hvad kan I gøre for at fremhæve de forretningsmuligheder I har skabt med udgangspunkt i data? Hvad kan I gøre for at fortælle historien om data og ikke kun de numeriske værdier? Hvordan kan I blive ved med sikre, at organisationen er godt nok klædt på til at bruge data? Find selv på 5-10 spørgsmål, der tager udgangspunkt i jeres kollegaer, vidensdeling og organisatoriske forbedringsmuligheder gennem data. I kender breaking-news banneret på TV2, kunne man gøre noget lignende på jeres SharePoint portal, hvor man udstiller virksomhedens nøgletal? Gør de vigtige data tilgængelige, der hvor jeres kollegaer færdes såvel digitalt som i de rum, hvor I færdes.

Kaggle

Det er sjældent, at virksomheder har brug for en fuldtids data scientist. Gør derfor i stedet brug af Kaggle, som er en machine learning competition platform, hvor du kan oprette en konkurrence baseret på din egen virksomhedsdatasæt, hvor dygtige data scientists fra hele verdenen tilmelder sig konkurrencen og baseret på dit virksomhedsdatasæt skal forsøge at lave den bedste Machine Learning model. Kun vinderen får betaling for løsningen. Hermed gør du brug af dygtige eksperter fra hele verdenen til at løse en isoleret problemstilling.