Konsulent: Organisering blir glemt i «advanced analytics»-hypen

Når bedrifter prøver å ruste opp innenfor avansert dataanalyse («advanced analytics»), blir spørsmålet om organisering ofte oversett i hypen rundt modeller og automatisering. Og det er ikke holdbart hvis man har ambisjoner om å være en datadreven organisasjon på sikt, mener Christine von Seelen Schou, som er advanced analytics-konsulent hos Ihabio.

– Jeg har etter hvert sittet i mange møter med bedrifter som er i ferd med å styrke seg på avansert analyse, og har vært ute etter å få tak i noen av de få data-minerne som finnes på markedet, fortalte hun på et SDU-seminar om stordata («big data») som ble arrangert i Odense i Danmark nylig.

– Og så sier de: «De skal sitte her borte og ha arbeidsro og knekke koden». Samtidig sitter det en markedsføringsavdeling og en avdeling for kundeinnsikt som ikke vet om de blir arbeidsløse. Det er etter all min erfaring en helt feilaktig måte å håndtere dette på, sier Christine von Seelen Schou.

Uansett om data-minerne er dyktige til å bygge og optimere modeller, blir jobben kortsiktig hvis ikke man bygger opp et team rundt hvordan du deretter arbeider med disse dataene, og hvordan du jobber med modellene, poengterer konsulenten.

– Selv om du har en modell som kan forutsi hvilket budskap kunden gjerne vil ha, må du fremdeles se på hvordan det budskapet passer med strategien for hvordan vi kommuniserer. Du kan ikke adskille disse tingene, understreket Christine von Seelen Schou på seminaret.

– For tiden er man helt hypet over at man må ha avansert analyse og en masse systemer og programvare som kan lage disse modellene. Og så glemmer man alt det andre. Det blir helt feil, spør du meg. Du kan ikke drive en organisasjon, hvor du bare har modeller som bestemmer hva du skal gjøre med hensyn til kunden.

Nødvendig med en sentral leder

Spørsmålet som bedriften bør stille seg selv, er hvordan du kan bygge en organisasjon som kan jobbe datadrevet på en måte som også fungerer om fem år, og ikke bare gir noen fine resultater på kort sikt.

– Hvis du vil ha suksess med å være datadreven, må du ha en organisasjon, hvor alle de ulike kompetansene samarbeider og ikke minst respekterer hverandre og hverandres kompetanser. Det mener jeg helt klart er den beste modellen, forteller Christine von Seelen Schou.

Dette krever en sentral person som har oppgaven med å binde de nye analyse-kompetansene sammen med resten av bedriften, mener hun.

– Det er så utrolig viktig at du har en person i midten som får lov til, har som oppgave og som sitt primære suksesskriterium å sørge for at disse menneskene snakker sammen. Det som ofte går galt, er at den personen bruker 90 prosent av tiden sin på å rapportere oppover og sitter i møter hele tiden, sier Christine von Seelen Schou.

Optimalt burde denne lederrollen bruke mesteparten av tiden sin i det samme rommet som de forskjellige menneskene, for å finne ut hva data-minerne har bygget, hva it-avdelingen finner ut av, men også hva som skjer ute i markedet, hva konkurrentene foretar seg, og hvordan forbrukeren oppfører seg.

Unngå modellering uten datavalidering

Bare det at man skal sette i gang med å utnytte data, krever et godt samarbeid på tvers, og at data-minere ikke isoleres.

– Dette er en viktig prosess som handler om å finne ut av hvilke data man har, og hvilke man har bruk for. Den prosessen er svært arbeidskrevende, og det ligger veldig mange oppgaver her for ulike kompetanser, sier Christine von Seelen Schou.

Arbeidet dekker blant annet å finne ut av hvilke datakilder man har, hva de representerer, og hvilke feilkilder som finnes.

– Hvis du skal bygge et skikkelig analyse-oppsett, blir du nødt til å vite hva dataene representerer i praksis – hva har kunden egentlig gjort? Det er så mange detaljer i å forstå datavariabler, som man lett kan bomme på hvis man ikke setter av tid, ressurser og mennesker til virkelig å finne ut av i detalj hva de representerer, sier Christine von Seelen Schou.

Risikoen er at en data-miner setter i gang med å modellere, uten at data er validert og forklart og forstått ned til minste detalj.

– Dermed blir det enda større risiko for at du enten sitter med en modell som du ikke forstår, eller med en modell som det tar alt for lang tid å utvikle, fordi du ender med å finne ut at en variabel ikke kan brukes likevel, sier Christine von Seelen Schou.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.