Insights

Når det skal lykkes med et ambitiøst data analytics-initiativ

Den datadrevne virksomhed er på agendaen hos de fleste virksomheder og dækker alt fra at sætte strøm til dokumenter, til at udvikle nye produkter og services gennem intelligent dataindsamling og brug af predictive analytics Men hvad definerer et ambitiøst data analytics-projekt, og hvad kræver det at lykkes?

Viften af data analytics-projekter er mangfoldig. Derfor er det er vigtigt at være bevidst om, at ikke alle projekter er ens og at de behøver forskellige grader af fokus. Der stilles vidt forskellige krav til, hvordan et data analytics-projekt skal gennemføres, afhængigt af hvor på data analytics modenhedskurven et projekt befinder sig. 

Et data analytics-projekt, som har en veldefineret forretningsudfordring, er nemt at forstå, har som oftest bred forståelse og accept fra medarbejderne. Her er ledelsesinvolvering i nogen grad tilstrækkelig såvel som det kun foranlediger en mindre transformation i organisationen, når implementeringen gennemføres.

Anderledes er det med projekter, som tager udgangspunkt i nye forretningsidéer. Her er der høje ambitioner og nysgerrighed om muligheden for at anvende data og predictive analytics i udviklingen af nye services, produkter eller arbejdsgange. Virksomheden ser den nye forretningsmulighed har en stor potentiel fordel, og af den grund skal sættes  i gang, dog uden at man præcis ved, hvad der skal til for at det lykkes. 

"

Virksomheder opnår et bedre projektforløb og hurtigere gevinst, hvis data analytics-projektet som helhed, tænkes til ende ved projektets begyndelse og forretningsidéen konceptualiseres.

Sæt de rette rammer for det ambitiøse data analytics-projekt

Et ambitiøst data analytics-initiativ skal være i tråd med virksomhedens strategiske fokus. Især når intentionen er, at projektets resultater skal benyttes i udviklingen af virksomhedens produkter, services og kritiske forretningsbeslutninger Det kræver en succesfuld transformation at implementere løsningen, og topledelsens involvering og eksplicitte opbakning er essentiel. Fra start til slut.

Et ambitiøst data analytics-initiativ skal udforskes inden det kvalificerer sig til et implementeringsprojekt. Før etablering af it-platform, og etableringen af data til data analytics-løsningen igangsættes, skal forretningsidéen udforskes nærmere. Første skridt er at gennemføre en konceptualisering af løsningen. Det giver indblik i databehov, it-platform og ikke mindst en indikation af den forventede styrke i prædiktionerne i data analytics-løsningen. Desuden giver det grundlag for de(n) pilot(er), der skal gennemføres, og reel information til udarbejdelse af projektbudget. Rooftop samler dette i et business data science solution dokument. 

Data analytics-initiativet vil højst sandsynligt ændres undervejs i projektforløbet.  Derfor bør projektet følges tæt og nye beslutninger tages, når delresultaterne tager en anden retning end først planlagt. Det er ikke nødvendigvis et problem, når blot det følger virksomhedens strategiske retning. Man opnår viden, man ikke vidste man kunne få, såvel som viden man gerne ville have, men ikke kunne få.

Ikke alle ambitiøse data analytics-initiativer bliver implementeret. Hvis initiativet - til trods for tilpasninger i formål og forventninger til resultatet - ikke skaber den forventede værdi, der står mål med indsatsen, skal projektet nedlukkes. Det skal ikke ses som en fiasko. Man er blevet mere erfaren i arbejdet med data analytics-projekter, har fået øget indsigt i, hvilke data man har, og hvad de kan bruges til. Som ethvert andet forretningsinitiativ er det ikke alle idéer, der skal realiseres.

Valg af de rigtige ressourcer gør en forskel. Ved at vælge de rette kompetencer til projektet er grundlaget for kvaliteten af løsningen er etableret. Hvis ikke de rette ressourcer er tilgængelige, så afvent eller omprioriter. Vælg den rigtige samarbejdspartner, hvis data science-kompetencerne ikke findes i virksomheden. Sammensætning af projektteamet, hvor alle relevante profiler indgår, har væsentlig betydning for resultatet.

Transformationen til den nye løsning er det, som frigiver gevinsten. Netop som forventningen til et godt resultat i projektet er inden for rækkevidde, er risikoen for manglende gevinst af indsatsen tilstede. Der er behov for at investere i den nødvendige change management, der skal til for at nye produkter, services og arbejdsgange kommer til at indgå effektivt i virksomhedens dagligdag. F.eks. kan det være, at salgsstyrken skal have en dybere forståelse og tillid til produktet for at kunne sælge den. Det kan også være, at løsningen medfører nye arbejdsrutiner i produktionen. I alle tilfælde skal der ske tilpasninger. Resultatet bliver akkurat så godt som det svageste led.

Forsøg at tænke data analytics-initiativet til ende ved projektets begyndelse. Virksomheder opnår et bedre projektforløb og hurtigere gevinster, hvis data analytics-initiativet som helhed tænkes til ende, inden det sættes i gang. Lige fra de begrænsninger og udfordringer, som projektet kan forvente at møde i gennemførelsen, til hvilke retninger man kan forestille sig, at data analytics-initiativet kan tage undervejs – og stadig være relevant. Det udelukker ikke den agile tilgang i projektforløbet, men giver mulige løsninger projektteamet kan agere efter, når det først går i gang.

Styrken ligger i det personlige møde

Har du mod på at drøfte udgangspunktet for dit kommende dataprojekt, inden du sætter det i gang, så kontakt Birgitte Dahl

Book et møde

Om Rooftop Analytics

Rooftop Analytics har solid erfaring med at implementere data- og algoritmebaserede løsninger med væsentlig forretningsmæssig værdi. Vi forstår forudsætningerne for at lykkes og finde den løsning, som bedst matcher virksomhedens behov. Vi tilbyder vores kompetencer ved etablering, såvel som i implementering og til transformationen i dataprojekter og påtager os gerne rollen som projektleder i tæt samarbejde med virksomheden.

Læs mere

Seks gode råd til eksekvering af dataprojekter.

Rooftop Analytics tilbyder services, som er nødvendige for at kunne realisere komplekse data analytics-projekter.