Insights

Nedbryd de organisatoriske grænser for data og kompetencer

Birgitte Dahl har skrevet en klumme i Computerworld, som tager fat i særligt tre udfordringer, som virksomheder slås med i forbindelse med dataprojekter. De to kan løses relativt enkelt, men den tredje kræver, at de funktionelle grænser for data og kompetencer fjernes.

For flere virksomheder er det svært at få fart i eksekveringen af dataprojekter. Der er ganske enkelt for meget på spil, som indirekte modarbejder de aktiviteter, som skal gennemføres i udviklingen af et dataprojekt.

Uafhængigt af virksomheders branche og dataprojekternes formål er der særligt tre udfordringer, som virksomheder slås med. De første to udfordringer er meget synlige i projektet og kan også løses relativt enkelt.

Den tredje udfordring kan derimod ikke løses af projektteamet. Den kræver en optrevling af de traditionelle organisatoriske masker, så data og kompetencer ikke kun i teorien, men også i praksis bliver tilgængelige for organisationen.

De funktionelle grænser for data og kompetencer skal fjernes.

"

For at blive effektiv til at udføre data analytics-projekter er det vigtigt at overvinde de traditionelle ofte usynlige grænser, der findes i organisationer. 

Udfordring 1: Data science-arbejdet begynder, inden opgaven er fuldt forstået

En typisk situation er, at ivrigheden er stor for at komme i gang med at eksekvere dataprojektet.

Opmærksomheden rettes oftest først mod data science-arbejdet, den tekniske platform og hvordan resultaterne skal præsenteres. Som resultat kommer dataprojektet på et sidespor og væk fra det, som bør være udgangspunktet.

Projektteamet skal først og fremmest have en klar forståelse for formålet med opgaven.

Vær derfor krystalklar, når det kommer til, hvilke spørgsmål data skal besvare, hvilket formål svarene skal understøtte, og de situationer svarene skal anvendes til.

Det kræver ofte en solid indsats, fordi projektteamet har deltagere fra forskellige fagområder med forskellige kompetencer og indsigt, og derfor er deres udgangspunkt og forståelse af en opgave sjældent den samme.

Udfordring 2: Datagrundlaget for projektet er tvivlsomt

En anden typisk udfordring er, at projektet arbejder for snævert i sit valg af datagrundlag.

Oftest anvender man kun data fra eget fagområde. Derfor konkluderer man hurtigt, at spørgsmålene ikke kan besvares med data analytics.

Hvis man drager denne konklusion uden fuldt ud at have foretaget de nødvendige dataanalytiske overvejelser, taber man nye muligheder på gulvet.

Det er nødvendigt at verificere, om de nødvendige data er til stede, og om de kommer i spil på den rigtige måde i søgen efter at besvare de stillede spørgsmål.

Det skal ske med udgangspunkt i data science og statistisk metode. Derudover bør projektet overveje, om der er andre og bedre data, der skal indgå i analysen. Også selvom de ikke måtte være tilgængelige for virksomheden lige nu.

Udfordring 3: Organisatorisk rigiditet forsinker dataprojekter

Organisatorisk er flere virksomheder udfordret på den manglende tradition for at dele og samarbejde på tværs af funktionelle områder, eksempelvis afdelinger eller selskaber.

Dette er bl.a. en naturlig afledning af en performancekultur og KPI’ere, som er afgrænset til det, man bidrager med til eget funktionsområde.

Det rammer dataprojekter ekstra hårdt, fordi data ikke har funktionelle grænser.

De fleste data analytics-projekter har brug for data og interne ressourcer med viden om data fra andre funktionelle områder, end der hvor dataprojektet er forankret. Men der er ofte en tilbageholdenhed i organisationen med at bidrage til andres dataprojekter.

Det forsinker fremdriften i dataprojektet væsentligt, og i værste fald fortsætter dataprojektet uden de relevante ressourcer med risiko for en dårligere og fordyrende projektimplementering.

Selvom topledelsen etablerer strategiprojekter, og der eksisterer en generel forståelse for virksomhedens overordnede prioriteringer, varetages eksekveringen på det operationelle niveau, hvor dagligdagens nærværende KPI-drevne prioriteringer får fokus i praksis.

Det ligger ikke lige for at frigive en af sine kritiske ressourcer til naboens projekt, eller at dele sine kritiske data med andre, hvis dataprojektet ikke bidrager til at indfri ens egne mål i egen afdeling, eller man som medarbejder ikke belønnes for leverancer uden for sin afdeling.

Den organisatoriske rigiditet skal løsnes - både strukturelt og individuelt.

Leadership ansvaret: På strukturelt niveau er det nødvendigt at etablere andre måder at opgøre performance på, så tværfagligt samarbejde i højere grad lønner sig - for afdelingslederen og medarbejderen.

På det individuelle niveau består udfordringen yderligere i, at kun de færreste i en organisation trives med hyppigt omskiftelige arbejdsopgaver.

Sigtbarheden for, hvad man fremadrettet kommer til at beskæftige sig med, er kort. Derfor skal der være en højere grad af tryghed for, at man som medarbejder belønnes for sin indsats til virksomheden, også når det er inden for et andet funktionsområde, end der hvor man er ansat.

STYRKEN LIGGER I DET PERSONLIGE MØDE

Vil du vide mere om, hvordan din virksomhed bedst kommer i gang med jeres data projekt, kontakt Birgitte Dahl.

Book et møde

om Rooftop analytics

Rooftop Analytics har mange års erfaring med både predictive analytics og projektledelse. Med vores erfaring formår vi at være på forkant med de mange udfordringer som virksomheden og ledelsen skal løse, for at gennemføre front-run-løsninger, hvor predictive analytics spiller en væsentlig rolle. 

Læs mere

Se et eksempel på, hvordan forventningerne til anvendelsen af data stiger over tid.

Forsyningskæder kan optimeres ved at øge gennemsigtigheden af data mellem alle parter.