7 kjennetegn på virksomheter med høy modenhet innen avansert dataanalyse

Prosessautomatisering kan eksempelvis være å implementere Robotic process automation (RPA) for å automatisere en eller flere arbeidsprosesser med stort volum av repetative oppgaver. Et eksempel på dataanalyse kan være å benytte maskinlæring (statistiske metoder) på oppsamlet data til analyse for å få økt innsikt og gjøre en bestemt prediksjon.

Virksomhetene er fra privat og offentlig sektor, i bransjene telekom, energi, bygg og anlegg, retail, matindustri og offentlig forvaltning. Intervjuobjektene representerer ulike roller – blant annet direktører, Teamlead-roller (automasjon, analyse), samt andre roller som IT-sjef, produkteier, seniorrådgiver og tjenesteansvarlig. Denne artikkelen oppsummerer hva virksomhetene rapporterer som de største barrierene, og hva de mener er suksesskriteriene for at de skal bryte ned disse barrierene og lykkes med avansert dataanalyse og prosesseffektivisering.

På tvers av sektor og bransjer er det i stor grad de samme hindringene som nevnes i intervjuene. Hindringene er ofte knyttet til menneskelige faktorer og organisering, og ikke bare de tekniske aspektene. Dette virker også å være uavhengig av størrelsen på virksomheten. Barrierene kan overordnet deles inn i to hovedkategorier – tekniske utfordringer med datakvalitet og tilgjengelighet av data, samt de menneskelige og organisatoriske faktorene.

Datakvalitet og -tilgjengelighet går igjen som både et hinder og et suksesskriterium for å komme i gang med avansert dataanalyse:

• Man har ikke samlet inn data som svarer til formålet eller det aktuelle problemet man ønsker å løse.
• Dataene er ikke samlet i én plattform, men fragmentert i ulike kilder.
• Dataene er ikke registrert eller samlet inn på en konsekvent måte (f.eks. ulik navngivning av variable).
• Hvilke persondata man har lov til å innhente og bruke er regulert av GDPR, og kan i enkelte tilfeller være utfordrende.

Mange av barrierene som hindrer bedriftene i å bli datadrevne er knyttet til deres kultur, organisering og kompetanse.

Mangel på kunnskap knyttet til ny teknologi og forståelse for konkrete bruksområder og hvilken verdi den kan skape, er blant den største hindringene for å komme i gang med prosessautomatisering og avansert dataanalyse.

Det er flere felles kjennetegn ved virksomhetene som har kommet lengst i arbeidet med å bryte ned barrierene, og som har høyere modenhet knyttet til prosesseffektivisering og dataanalyse.

Et av de viktigste suksesskriteriene går på virksomhetens kultur – og at denne legger til rette for at det er akseptert å feile og lære gjennom eksperimenter og innovasjon. Antageligvis vil man oppleve å kjøre prosjekter som ikke ender opp som en suksess, og teknologien og algoritmene man velger ikke alltid er riktige. Når man jobber med dataanalyse (f.eks. maskinlæring) kan det også ta lang tid før man får realisert de ønskede gevinstene, og det er ikke gitt at man får hentet ut ønsket verdi.

Likevel er det nettopp innenfor disse rammene at man får mulighet til å teste ut ny teknologi, gjennom rask læring og eksperimentering. Ved å kjøre Proof of Concepts og piloter, kan man kjøre “MVP” (minimum viable product)-tester før man eventuelt går videre til fullskala implementering dersom de viser seg å skape verdi.

Enkelte ressurser kan også være bekymret for å bli fratatt sine rutinepregede arbeidsoppgaver. For de fleste virksomheter er det ikke nødvendigvis et mål å kutte årsverk, men å bruke mindre tid på rutineoppgaver, og mer tid på verdiskapende prosesser.

Med langsiktighet menes at man bør ha en idé og målsetning om hva virksomhetens data kan brukes til, hvilken innsikt man ønsker å oppnå, hvilke sentrale problemer man ønsker å finne svar på og hvordan ny innsikt skal kunne gi konkurransefortinn eller forretningsmessig verdi. Selskap med høy modenhet for datanalyse har gjerne et målbilde for dataanalyse, som gjør det enklere å prioritere, samt å komme i gang.

En trend blant selskaper som har kommet i gang med avansert dataanalyse er at fokus skiftes fra deskriptiv analyse mot prediktiv analyse. Dette innebærer å bruke historiske data til å kunne forutse hva som skjer i fremtiden, og ikke bare til å monitorere nåsituasjonen eller hente ut rapporter på det som har skjedd i fortiden.

For at dataen skal kunne gi verdi er det viktig at dataen er tilgjengelig der beslutningene tas, noe som i enkelte tilfeller kan løses med embedded analytics.

Et skille mellom tradisjonell «business intelligence» og «embedded analytics» er at der førstnevnte ofte tilbyr aggregerte data og rapporter fra et system som gjerne støtter større beslutninger på et overordnet nivå, er sistnevnte integrert i ulike eksisterende systemer (CRM, ERP, finansielle systemer og andre produkter eller systemer) som gir mulighet for kontinuerlig beslutningsstøtte også for mindre, spesifikke beslutninger i ulike kontekster.

En analogi kan være at der «business intelligence» kan anses som et kart du bruker for å planlegge en rute for en lengre tur, er «embedded analytics» GPS’en du bruker for å navigere underveis, som gir deg kontinuerlig informasjon for å veilede deg riktig vei i sanntid.

En av intervjuobjektene vi har snakket med mener at RPA kan gi nytte og tidsbesparelse, men at dette som hovedsak må anses som en midlertidig løsning – som etter hvert vil erstattes med systemintegrasjon eller å bygge opp et system fra bunn. Om RPA er riktig løsning vil være avhengig av mange faktorer, og der systemintegrasjon ikke er aktuelt på grunn av en større planlagt prosess- eller systemendring lenger frem i tid, kan RPA være den mest kostnadseffektive løsningen.

En trend blant de mer modne virksomhetene er at en stor grad av den innovative og teknologiske utviklingen skjer gjennom kontinuerlige leveranser i linja, og ikke kjøres som «klassiske» IT-prosjekter der et midlertidig team jobber med leveranser i en tidsavgrenset periode, for så å overlevere driften til linja.

Ulempene ved å kjøre initiativene som et klassisk IT-prosjekt kan være at gevinstene ofte hentes ut etter at prosjektet er overlevert, prosjektets rammer kan være mer rigide enn for linjeaktiviter og manglende involvering av de som skal ta i bruk prosjektets leveranser. Derfor velger de modne bedriftene oftere å kjøre sine IT/teknologi-initiativer som en kontinuerlig prosess med fokus på verdiskapning gjennom hele prosessen. På denne måten minsker de også risikoen for at man kjører prosjekter som ikke skaper verdi – eller at prosjektene avsluttes før store kostnader har påløpt.

Hos enkelte større selskaper er det også et skifte der man nå hovedsakelig ønsker at RPA-roboter utvikles og driftes internt.

For at dataanalyse skal kunne gi verdi, bør man ta høyde for både det tekniske og det forretningsmessige perspektivet. For å vurdere verdi kan man f.eks. identifisere kvalitative og kvantitative gevinster man ønsker å oppnå for kunden eller virksomheten, og fortløpende vurdere gevinstoppnåelse.

De fleste forbinder kanskje prosesseffektivisering og -automatisering med tidsbesparelse. Men automatisering handler ikke kun å om tidsbesparelse og å kutte årsverk, de største gevinstene kan være knyttet til annen form for verdiskapning for selskapet. Et eksempel kan være at man forenkler kundereisen og bedrer kundeopplevelsen gjennom automatisering, slik at man selger mer av en tjeneste eller gjør det enklere for en kunde å oppgradere sin tjeneste – og gjør virksomheten mer konkurransedyktig.

Virksomhetene som har kommet i gang med sin satsing på avansert dataanalyse, har én eller flere nøkkelressurser med beslutningsmandat som har forstått verdien av å være datadreven.

Visualisering av data ved eksempelvis bruk av “dashboards” kan være en mulig teknikk for å få nøkkelressurser og beslutningstagere til å forstå verdien i data, og muliggjør at man kan bruke tilgjengelig data på en effektiv måte.