Datadriven lönsamhet: Sluta samla — sök mönster!
Att företag analyserar och baserar beslut på data framstår som ett genombrott i nivå med elektriciteten. Och lite så är det faktiskt.
Allt kan mätas, analyseras och förbättras, och alla gör det. Eller? Det räcker väl med erfarenhet och branschkunskap. Vem behöver data som visar om paraplyer säljer bäst i regn eller gassande sol?
(Strategi- och konsult-giganten) McKinsey har undersökt och jämfört data-drivna organisationer med mer konventionella aktörer. Undersökningen visar att data-driven decision-making (DDDM) ökar sannolikheten att rekrytera och behålla nya kunder, och att sådana företag i regel är mer lönsamma än sina datalösa konkurrenter. Och nu pratar vi inte marginella skillnader; det handlar om uppåt 20 gånger högre sannolikhet för en data-driven organisation.
Jobba med data… eller samla?
Att det fungerar bra att luta sig mot och dra lärdom av data och konkreta utfall, snarare än att gissa och känna efter, är inte precis revolutionerande. Ändå sitter tusentals företag och organisationer med ett fuktat finger i luften och försöker känna vartåt vinden blåser. Deras analysverktyg är föråldrade, om de ens existerar. Eller så har man investerat i sofistikerade hjälpmedel och system, men saknar förmåga att implementera och använda dem. Ett överflöd av ackumulerad data, utan struktur, prioritering eller strategi, är lika svårt att dra nytta av som den där lådan med extra-sladdar som finns i varje hem (ett trassel av oidentifierbara kablar som inte verkar passa till någonting, men man törs inte slänga dem, för tänk om de är viktiga). Varför har så många hamnat där, i höstacken av data?
Att använda data för lönsamhet eller bara samla data utan en plan, det är frågan.
— Väldigt många företag är bättre på att analysera vad de har gjort, snarare än vad de borde göra framöver, säger Nicole DeHoratius, som är professor i verksamhetsstyrning vid University of Chicago och har intervjuat 24 högt uppsatta chefer i globala organisationer som ännu inte lyckats med ett datadrivet arbetssätt.
— De flesta vi pratade med var övertygade om att data är viktigt, och deras kollegor höll med. Men ytterst få kunde formulera ett konkret mål eller förklara syftet med dataanalys, säger Nicole DeHoratius.
Den som inte förstår vad eller varför kan förstås inte utveckla strategier eller sätta upp mål. Det är lättare att fästa blicken i backspegeln, titta på vad som gjorts och vad resultatet blev. Men fokus måste ligga framåt. Vad vill vi uppnå, och vilka parametrar påverkar och samspelar? Visst kan man lära av sina misstag, men det är sällan nödvändigt att dissekera felstegen ner till molekylnivå. Det viktiga är att inte göra på exakt samma sätt igen, och förvänta sig ett annat resultat.
Identifiera mönster och använd dem
Avinash Kaushik, känd som ”The Father of Web Analytics”, är något av en global guru vad gäller analys och användning av data.
— Att bara samla data är meningslöst. Ändå gör många det, för man törs inte låta bli. Men all data är inte relevant, långt därifrån. Nyckeln är mönster: vi måste lära oss känna igen dem, och använda dem, säger Kaushik.
För det är inte brist på data som sätter käppar i hjulen; det är den nästan ohanterliga mängden. Dataöverflödet har avlöst dataåldern, och de som lär sig hantera mängden och sila guldkornen får ett rejält försprång.
— Du måste kunna avgöra vad du kan strunta i och vad som är betydelsefullt, och det beror givetvis på målsättningen. Vad ska vi uppnå, och vilka parametrar visar om vi är på väg dit? säger Avinash Kaushik.
Själv inleder han nya analysprojekt med att leta efter de riktiga juvelerna: mönster som snabbt kan göra enorm skillnad.
— Jag vill hitta möjligheterna som är tillräckligt stora för att diskuteras på ledningsnivå, och som kan ge en betydelsefull, tydligt mätbar effekt — snabbt, säger Kaushik.
Att identifiera mönster är avgörande för framgångsrikt datadrivet arbete.
…och fatta bättre, databaserade beslut
Men hur ser sådana möjligheter ut; vad ska man leta efter? Tom Davenport, akademiker och senior rådgivare för Deloitte Analytics, kokar ner det data-drivna beslutsfattandet till en enkel formel:
— Fokusera på det som är viktigt och som återkommer! Data tillför mest värde när det gäller sådant som är angeläget och som vi vet kommer upprepas. Då är det värt investeringen i tid och resurser. Och det blir en god cirkel, för ju fler gånger en händelse upprepas, desto mer användbar data genereras, säger Davenport.
Måste vi anställa för att arbeta data-drivet?Så var startar en organisation som vill sluta samla data på hög och börja använda den istället? Den korta versionen: Använd rätt data, rätt verktyg — och någon som kan.
Tom Davenport rekommenderar att anställa rätt kompetens så tidigt som möjligt.
— Just i början av er dataanalys-resa är det naturligtvis viktigt att veta att man använder relevant data, tolkar den rätt och drar korrekta slutsatser, säger Davenport.
ATEA erbjuder sina kunder Startklar Analytics: ett koncept med utbildning och inspiration genom nulägesanalys, teori och konkreta exempel. Resultatet blir ett antal konkreta, prioriterade aktiviteter som hjälper kunden mot en mer datadriven verksamhet.
”Think big, start small, scale fast”
Avinash Kaushik vill tvärtom avmystifiera processen och understryker hur lättanvända många analysverktyg är. Han uppmanar till att börja på egen hand och testa sig fram, i synnerhet om alternativet är att inte analysera alls. Kaushik om den senaste versionen av Google Analytics:
— Analytics 4 är lätt att använda och fullt begriplig för “vanliga människor”. Så om din organisation inte jobbar data-drivet idag: börja på egen hand! Hellre lite och småskaligt än inte alls. ”Think big, start small, and scale fast” var en princip för många av pionjärerna inom dataanalys.
Några lärdomar från data-analysens pionjärer
Bestäm er, investera och iterera - tre steg mot ett datadrivet arbetssätt.
De bestämde sig
De investerade ordentligt, dels ekonomiskt, dels genom att se till att alla i hela organisationen förstod nyttan. Formulera ett tydligt svar på ”varför”!
De byggde inga silos
Analyser och insikter som bara delas med en liten grupp gör ingen skillnad. Se till att analytikerna inte isoleras från resten av organisationen; de ska ha kontakt med kärnverksamheten, och deras insikter ska delas med alla.
De skapade en öppen kultur
När alla medarbetare, oavsett roll, uppmuntras att ta del av analyser, ställa frågor, komma med förslag och försöka dra egna slutsatser kan det data-drivna tänket slå rot hos alla.
Startklar Analytics: Vi ser till att du kommer igång!
Vill du lära dig skapa affärsnytta med hjälp av data? Hör av dig!
Johan Ripgården
Concept Manager - Analytics
+46 31 794 50 57
”AI kommer skapa enorma värden”
Skenande arbetslöshet och teknologisk singularitet? Eller ökat välstånd och ljusnande framtid? Vi tittar närmare på hur AI, robotik och automatisering påverkar jobben och företagen.
Är ni framtidssäkra?
Företagets ledning kan ha stoppat huvudet i sanden. Eller så omfamnar de framtiden med hull och hår och planerar nästa konferensresa i Metaverse. Oavsett vilket, så har begreppet “digital transformation” definitivt studsat över mötesbordet. Så vad är det? Varför händer det nu? Vilka är målen, fallgroparna, och vad är ett framtidssäkert företag?
Framtidens vård
Framtidens sjukhus levererar vård som är effektiv, högkvalitativ, patientsäker — och grön. Fossila bränslen fasas ut och engångsartiklar byts mot cirkulära. Digitala assistenter analyserar journaler och tech-jättar som Amazon gör gigantiska investeringar i primärvården. Katalysatorn? Teknik och it: SaaS, smart-tv, AI.