Insights

Stå ikke tilbage på perronen

At blive en datadreven virksomhed sker ikke over natten. Det kræver målrettet arbejde, og der er ingen genveje. Det vigtige er at påbegynde rejsen og anvende den erfaring, man opnår undervejs, bedst muligt.

Det kræver ofte en modenhedsrejse for virksomheder, når man skal realisere beslutningen om at blive en datadreven virksomhed. Rejsen giver viden om, hvor og hvordan data kan bruges aktivt i virksomheden. Ofte er der også behov for at klæde organisationen på, så det bliver mere naturligt for medarbejderne at udforske data og inddrage databaserede løsninger i hverdagen. Det er en iterativ proces, som gennemleves igen og igen, hver gang ny teknologi åbner nye døre til nye forretningsmuligheder.

Fokus på hvad der er sket

I de sidste 15 år har fokus været på it-teknologier, som gør data tilgængelige på en hurtigere måde og - ikke mindst - præsentere data på en optimal måde. Fokus er på rapportering, gerne præsenteret i dashboards og oftest målrettet bestemte funktioner og målgrupper. Ikke mindst topledelsen.

Datagrundlaget til denne type af opgaver er hændelsesdata, som virksomheden indsamler fra ERP- og produktionssystemer. Ved hjælp af BI-løsninger udvikler man hændelsesbaserede rapporter, som giver indsigt i, hvordan virksomheden har klaret sig, dvs. information om, hvad der er sket.

"

Trenden skifter. Virksomheder går fra alene at anvende hændelsesdata, som fortæller, hvad der er sket, til at anvende mange datakilder for at analysere, hvad der skal ske i fremtiden.

Fokus på hvad der skal ske

Når en virksomhed løfter ambitionen og arbejder med data intelligence, opnår den indsigt i det, der skal ske.

Nye teknologier gør det muligt at indsamle, kombinere og analysere meget store mængder af data og se sammenhænge, som ikke tidligere har været mulige. Når man sammensætter mange og nye datakilder, åbner man mulighed for at bruge data intelligent. Udover transaktionsdata opsamler man data fra bl.a. sensorer på komponenter (IoT) og henter data fra stream services. Ved at benytte predictive analytics på det sammensatte datagrundlag er det muligt at identificere fremtidige hændelser og agere på dem.

Et eksempel er brugen af olie i industrien. I olien kan aflæses mange informationer, der kan bidrage til at identificere behovet for vedligeholdelse af den maskine, som olien anvendes i. I dette tilfælde kan den proaktive handling være at oprette en vedligeholdelsesordre, som skal sikre, at olien udskiftes, fordi den flere gange har været udsat for høj varme. Men der er også brug for en vedligeholdelsesordre, som anmoder om en justering i maskinen, da man ved, at høj olietemperatur skyldes nogle uhensigtsmæssige gnidninger mellem komponenter i maskinen.

Når virksomheden arbejder med data intelligence på dette niveau, forudsiger en algoritme det nødvendige tiltag, hvorefter det skal besluttes, om der skal ageres på den databaserede forudsigelse.

I eksemplet med olien er det medarbejderen, som beslutter, om der skal oprettes en vedligeholdelsesordre, så udskiftningen på maskinen igangsættes.

Fokus på hvad der sker automatisk

Når virksomheder bevæger sig et skridt videre i arbejdet med data intelligence, begynder arbejdet med at automatisere gennemførelsen af de tiltag, algoritmen forudsiger. Det kan man, fordi virksomheden har tillid til sit datagrundlag og resultaterne, det producerer. Gevinsten ved at automatisere manuelle opgaver er, at medarbejdere kan udføre andre og måske mere komplekse opgaver.

I eksemplet med olien er det ikke længere medarbejderen, som beslutter, at vedligeholdelsesordren for olieskift skal oprettes. Det sker nu automatisk baseret på de data, som bliver tilgængelige i testen af olien og som er analyseret ved brug af predictive analytics. Til gengæld viser det sig, at der er ikke tilstrækkelig konfindens i forudsigelsen af justeringerne i maskinen, så i dette tilfælde fortsætter medarbejderen med at beslutte, om der skal tages tiltag.

Endnu en gevinst ved at automatisere manuelle opgaver er muligheden for at tage flere parametre i betragtning i beslutningsprocessen, end et menneske kan håndtere. Derved opnår virksomheden mere træfsikre beslutninger.

Dataresultaterne skal naturligvis monitoreres, og datamodellen skal over tid justeres, fordi der er vedvarende udvikling i det, som genererer datagrundlaget.

I eksemplet med olien beslutter virksomheden nu at bruge en ny reservedel i maskinen. Det betyder ikke noget for datamodellen, som identificerer, hvornår olien skal udskiftes. Vi observerer blot, at der går længere tid imellem behovet for olieskift. På den anden side identificeres andre typer af justeringer, som skal foretages i maskinen, sammenlignet med tidligere, når den løbende vedligeholdelse af maskinen skal foretages.

Modenhedskurven

Teknologien, kompetencekrav og mulighederne for, hvad og hvordan virksomheder kan bruge data, modnes over tid. Det samme gælder virksomheders læring og erfaringer. Det mest vigtige er at være bevidst om, hvor på modenhedskurven, man er som virksomhed, så (for-)mål og middel er afbalanceret, når et dataprojekt sættes igang. Et skridt ad gangen på rejsen til intelligente data.

Kritiske forudsætninger for at arbejde med data intelligence 

Udgangspunktet for et godt og effektivt forløb i indfrielse af data intelligence er, at virksomhedens fagkompetence deltager aktivt i forløbet sammen med en data scientist. Fagkompetencen skal i første omgang bidrage med at udvælge datagrundlaget, som er udgangspunkt for analysearbejdet. Selvom en data scientist er god til at analysere data, kan det tage lang tid at analysere alle data for forklarende sammenhænge. Derfor giver det mening at tage udgangspunkt i, hvad fagkompetencen forventer er de væsentligste parametre i datagrundlaget.

Næste skridt er at vurdere resultaterne og sparre i udviklingen af den empiriske datamodel. Dette kræver et tæt parløb mellem fagkompetence og en data scientist. Selvom fagkompetencen med sine mange års erfaringer har en kvalificeret forventning til, hvad resultaterne bør være, er opgaven - og udfordringen at få denne sammenhæng frem alene baseret på tilgængelige data.

En gevinst ved det tætte parløb er, at virksomheden får uundværlig viden. Man får indsigt i information, man ikke vidste man kunne få. Man ser sammenhænge, man ikke havde forventet at se. Måske oplever man også, at de sammenhænge man forventer eksisterer, ikke eksisterer i det datagrundlag, som er tilgængeligt.

Et kritisk – og svært skridt

Det afgørende skridt på rejsen er at realisere gevinsterne på de investeringer, som er foretaget. Det kræver gennemførsel af en transformation i virksomheden, så løsningen tages i brug - hurtigt. En opgave som kræver opmærksomhed, når det vedrører indsats, timing og budget. Det er centralt at have for øje, at transformationen, ikke kun drejer sig om medarbejderes uddannelse. Det kræver oftest ændringer, hvor leverandører og kunder inddrages, fordi løsningen påvirker eksisterende arbejdsgange, produkter og services i den integrerede værdikæde.

Styrken ligger i det personlige møde

Er det tid til at trykprøve jeres forretningsidé og se, hvordan I kan realisere mulighederne med data, så kontakt Christian Møller Dahl

Book et møde

Om Rooftop analytics

Rooftop Analytics kan være din datapartner på rejsen til data intelligence. Både når det gælder afklaring af databehov og udvikling af algoritmer til nye produkter og services, og når transformationen i forretningen skal sikre, at I som virksomhed høster værdien af jeres dataprojekt.

Læs mere

Det er vigtigt at sætte de rigtige rammer for et dataprojekt, hvis forventningerne skal indfries - især inden for tid og budget.

Små og mindre virksomheder kan også inddrage data i produktudvikling.