Med tilgang på enorme mengder data som behandles på riktig måte, kan medarbeidere og datamaskiner fatte beslutninger med en presisjon som tidligere ville være utenkelig. Dette gjøres i tillegg automatisert.
Det som kjennetegner big data er at det er store datasett, der volum, hastighet, variasjon og/eller kompleksitet gjør at tradisjonelle analyseverktøy ikke klarer å fange, behandle, lagre, håndtere og analysere dem. Strukturering av data og bruk kunstig intelligens i form av blant annet maskinlæring og dyp læring er derfor sentralt.
Relativt unge, nettbaserte selskaper som Amazon, Netflix, Spotify, Facebook, Uber og Google bruker enorme mengder data for å perfeksjonere opplevelsen til hver enkelt kunde og må sees på som pionerer i denne sammenhengen.
I senere tid har også eldre og mer etablerte selskaper innen blant annet finans-, helse-, media-, energi- og transportsektoren også kommet på banen med mål om å bli «datadrevet».
Å være datadrevet er riktignok ikke et mål i seg selv, men må heller sees på som en katalysator for å skape vekst og lønnsomhet. Typiske effekter kan være økt kundetilfredshet, økt kundelojalitet, mer effektiv markedsføring, mer effektiv innkjøps og bedre interne beslutninger.
Så, hvordan blir en bedrift datadrevet? I denne artikkelen forsøker vi å skape et overordnet bilde av hva som trengs.
Forankring i strategi og ledelse
Bedrifter som klarer å knytte sin data-satsing til bedriftens overordnede strategi og visjon med solid forankring i ledelsen, vil ha et godt utgangspunkt.
Kroneksempelet på dette er Amazon. Jeff Bezos’ visjon har helt siden oppstarten i 1995 vært å bli «verdens mest kundesentriske selskap». Full kontroll på sine kundedata har vært helt avgjørende for at Amazon har klart å etterleve denne visjonen.
Er godt norsk eksempel på noen som har gått i Amazon sine fotspor, er Gyldendal-konsernet som har jobbet målbevisst med å utnytte sine data i lang tid. Der har toppleder John Tørres Tuv selv vært meget delaktig, noe som har vært viktig for satsingen.
Bedriftskultur og arbeidsprosesser
Mange gode data-initiativ mislykkes dessverre fordi man undervurderer viktigheten av riktig bedriftskultur og gode arbeidsprosesser.
Som med all annen innovasjon er det viktig at man jobber i tverrfaglige team med en tydelig prosjekteier og deltakere fra både teknologi- og markedssiden, om man skal kunne finne og utnytte alt gullet som ligger i tilgjengelig data.
Korte iterasjoner med hypotesetesting og fortløpende evalueringer og driftssetting av vellykkede tester, fremfor store og komplekse prosjekter er også typisk for de som lykkes, er vår erfaring.
Arbeid med data handler mye om gradvis intern læring ved prøving og feiling. Mange bedrifter blir dessverre for utålmodige og gir opp eller de lykkes ikke med å spre ny kunnskap internt i bedriften.
I visse tilfeller kan data-initiativ også møte intern motstand. Mens teknologer, aksjonærer og ledere ofte forbinder ord som «big data», «maskinlæring», «kunstig intelligens» og «automatisering» med noe positivt, forbinder øvrigheten disse uttrykkene fortsatt mest med oppsigelser, usikkerhet og omorganisering.
Teknologi og datakvalitet
Det finnes nå mye og avansert teknologi for bedrifter som ønsker å bli mer datadrevne. Et stort utvalg, raske endringer i markedet og begrenset kompetanse gjør det ofte vanskelig å velge riktig.
For selskaper som ønsker å bli mer datadrevne anbefaler vi å ha en helhetlig tilnærming til datainnsamling og ikke bare velge en rekke best-of-breed-løsninger som hver for seg fungerer godt.
På den måten unngår man data- og kompetanse-siloer, noe som vil svekke bedriftens totale data-kvalitet. En undersøkelse fra Gartner (2018) viser at data-analytikere i stor grad bruker det aller meste av tiden sin på integrasjoner, forberedninger av data for analyse, rapportering og visualisering – og at det dermed blir lite tid til å skape reell kundeverdi.
Vi har selv meget god erfaring med å bygge såkalte en “data lake” eller det man på norsk kaller en “data-sjø”. Her samles all data som er relevant for bedriften på ett sted og så brukes alt fra avansert analyse til maskinlæring og dyp læring for å utnytte dataene.
Tid og penger
Det må investeres både tid og penger for å bli en datadreven virksomhet og man konkurrerer ofte med en rekke andre initiativ i bedriften. Vår anbefaling er å begynne i det små med enkle pilotprosjekter, før man gradvis øker ambisjonsnivået.
Det er viktig å forstå at det tar tid å bli en datadrevet bedrift. For å lykkes kreves en kombinasjon av data, teknologi og kompetanse. Dataene skal samles inn fra mange kilder, før de skal struktureres, bearbeides og tolkes. Deretter skal dataene brukes strategisk, taktisk og operativt i bedriften.
Jo mer innsikt man får, jo mer innser man at man ikke vet. Slik sett kan hevdes at det ikke er mulig å bli en fullkommen datadreven virksomhet, men at det i stedet for bør sees på som en idealtilstand. En idealtilstand med uendelige muligheter.