Tar i bruk dataanalyse – men de færreste måler om de lykkes. – Du lurer deg selv, sier ekspert

Å gjøre ting smartere, billigere og mer effektivt. Verdien av dataanalyse er forlokkende. Men mens mange analyseavdelinger kanskje har god oversikt over hvor godt én algoritme klarer seg i forhold til en annen, er det de færreste som noensinne skaffer seg et mål på hvor mye bedriften får ut av analyseprosjektene.

Og dette er et problem for både analyseavdelingen og bedriften som gjerne vil være datadrevet, sier Gartner-analytikeren Alan D. Duncan under Data & Analytics Summit, som nylig ble arrangert i Frankfurt.

– Vi må få gjort det tydeligere hvor verdien skal komme fra, og for hvem.

Det er mange forestillinger og idealer om de resultatene som man kan oppnå med data, forteller Alan D. Duncan. Der er derimot veldig få som måler om det rent faktisk lykkes.

– Når vi ser på hva bedrifter gjør, så ser vi at det bare er omkring 15 prosent som har målbare kriterier for suksess, forklarer han.

Hvis man ikke kan vise den verdien som de høyt betalte dataspesialistene skaper, blir det vanskelig å overbevise bedriften om at det er her pengene må brukes, påpeker analytikeren.

– Hvis ikke du gjør det, lurer du deg selv. Dermed er du i en situasjon hvor du kjenner prisen på alt, men ikke verdien av noe. Og dermed – overraskelse! – kommer det noen og kutter i budsjettet ditt.

VW: Sett KPI-er og mål dem

Et eksempel på det motsatte er Volkswagen. Bilgigantens interne såkalte Data:Lab har en finslipt tilgang til den verdien som dataprosjektene genererer, forteller Anne Heinrichs, som er program manager for ettersalgs-analyse, på konferansen.

– Det er åpenbart at Volkswagen eier dataene og ideene. Men hvis vi implementerer noe, skal vi ha 10 prosent av de innsparingene som bedriften genererer med vårt analyseprosjekt.

Denne gevinsten fordeles over flere forskjellige dataavdelinger i Volkswagen. Og det krever klare målbare kriterier, slik at de 10 prosentene kan beregnes, forklarer Anne Heinrichs.

– Det dreier seg om å ha de riktige ytelsesindikatorene (KPI-ene) og måle dem. Det innebærer å sette en KPI i dag og så måle det om seks måneder, da vi skal få betalingen vår.

Mangler disiplinen

De dataprofesjonelle må først og fremst lære seg å «blåse i sitt eget horn» (framheve seg selv, overs. anm.). Men de må også endre samtalen fra å handle om hva produktet er, til hvilken verdi det skaper, sier Alan D. Duncan.

– Vi må slutte med å snakke om dashboards, men om formålet – om problemet vi vil løse. Vi er nødt til å se på hva vi gjør, hvorfor vi gjør det, hvem vi gjør det for, og hvilke spesifikke og målbare resultater dette gir.

Å ha målbare kriterier for suksess betyr ikke at den ivrige og undersøkende data-scientisten skal slite med en business case før hun dykker ned i dataene, forklarer Alan D. Duncan til DataTech.

– Alle modeller må testes. Jeg har en hypotese, men jeg kan ikke vite om den analysen som jeg har gjennomført vil skape verdier, forklarer Alan D. Duncan.

– Men du må evaluere effekten etterpå. Det blir som å lage business casen din etter at du har gjennomført prosjektet. Og det er slik vi håndterer usikkerhet. Men jeg ser at mange data-scientister ikke har disiplinen til å undersøke, vurdere og kommunisere den effekten de har.

Kultur som setter pris på læring og data

Å vurdere effekten med målbare kriterier er også det som gjør det mulig å ta til seg lærdom, påpeker Alan D. Duncan, og han ser det som avgjørende at organisasjoner får dyrket fram et miljø som verdsetter læring.

– Det er et veldig stort kulturelt element i dette, og jeg ser mange data-science-avdelinger som ikke tar tak i det menneskelige engasjementet for å få oss til å endre den måten vi tenker på.

En del av formelen for å bli datadrevet er ikke bare det å kjenne verdien av dataprosjektene, men også verdien av de dataene som man har. I Gartner-regi kalles dette for Infonomics – ideen om at dataene dine er et aktivum som må behandles på lik linje med andre aktiva.

– Hvis du har en bærbar pc som du har fått via jobben, er der sannsynligvis en strekkode eller et nummer på den. Og det finnes personer i organisasjonen din som vet hvem som har hvilken pc. Vi har alle disse prosessene rundt aktivaene våre – hvorfor behandler vi ikke data på samme måte, spør Alan D. Duncan retorisk.

Fra datafabrikk til endringsagent

Når du begynner å behandle data på denne måten, er det også helt naturlig at du har oversikt over hvilke data du har. Og når du vet det, vet du også hvilke spørsmål du kan stille til dataene, sier Alan D. Duncan.

– På denne måten er vi ikke bare en datafabrikk, men aktive endringsagenter som stimulerer til endringer i bedriften.

Doug Laney er distinguished VP Analyst hos Gartner. Han har skrevet boka Infonomics, og sammenligner utviklingen med HR-området. Mens det i dag er naturlig å tenke på ansatte som et aktivum som må håndteres, eksisterte ikke feltet før 1950-tallet, da Gary Becker og Milton Freeman kom fram til ideen om menneskelig kapital.

Igjen er det her en avstand mellom hva bedrifter har som ideal, og hva som skjer i løpet av en vanlig arbeidsdag, sier Laney.

– Mange sier i strategipapirene sine at de vil behandle data og informasjon som et aktivum, men i praksis sitter deler av organisasjonen stadig og bare hamstrer data.

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