Du skal have en strategi for at lykkes

Data gør ingenting af sig selv, så din AI-rejse starter med fastlæggelsen af, hvilken rolle data og analyse skal spille i din organisation; hvilke forretningsmæssige spørgsmål skal data svare på?

Del artikel:

Lad mig start med en anekdote: Da Thomas Edison opfandt glødepæren i 1879, forventede alle, at den ville revolutionere produktionen og effektivisere alle processer. Men i starten var det ikke tilfældet; først da de indså, at det ikke var glødepæren i sig selv, men også en omlægning af arbejdsgangene, fabrikkerne, lyssætningen i forhold til arbejderne etc., bragte glødepæren udvikling. Men så tog de som bekendt også et syvmileskridt.

I dag er data den moderne ækvivalent til glødepæren og i dette indlæg forklarer jeg hvorfor.

 

Se på dine data som et aktiv

I de senere år er mange virksomheder blevet mere digitale og datadrevne og mange har taget big data til sig i takt med den teknologiske udvikling og væksten i data science-disciplinen. Der er i den forbindelse to spørgsmål, der bliver ved med at poppe op fra vores nordiske kunder:

Hvordan identificerer jeg de relevante data, når der er så meget data tilgængelig, og hvordan finder jeg linket mellem data og mine forretningsmæssige beslutninger?

Vi hører jo hele tiden, at data er overalt; fra logning af kundernes køb og transaktioner til deres interaktion med dit brand og din virksomhed; deres adfærd, demografisk statistik etc. Og der har da heller aldrig været så meget information, der potentielt kan implementeres i de daglige forretningsgange, som der er i dag. Dermed opstår der selvfølgelig også en udfordring i forhold til at navigere mellem alle datapunkterne, for hvad relevant til hvilket formål? Dét bliver kun mere aktuelt nu, hvor prædiktiv analyse med machine learning og AI bliver mere og mere udbredt på alle niveauer og i virksomheder af alle størrelser.

 

Hvor analytisk moden er din organisation?

Efterhånden som en virksomhed modnes digitalt og bliver mere og mere datadrevet med avancerede, prædiktive algoritmers analyser som beslutningsgrundlag, ser vi en stadig stærkere korrelation mellem behovet for at forstå sine data som aktiver og faktorer som datakvalitet, -integritet og adgangen til denne infomation. Det er bl.a. derfor, behovet  for en klar data- og analysestrategi er afgørende.

Kilde: Davenport, Harris and Morrison, Analytics at Work: Smarter Decisions, Better Results, 2010

For at afdække en organisations niveau og behov, anbefaler vi at arbejde med the data analytical maturity model D-E-L-T-A (Data Enterprise Leadership Targets Analysts). Denne model hjælper dig med klart og tydeligt at benchmarke din nuværende data- og analyse-modenhed i forhold til din organisations ambitionsniveau. Så ved at indtænke de fem elementer i figuren ovenfor, kan du skabe en klar strategi for, hvad der skal til for, at din organisation kan nå sine mål. Men denne plan in mente kan du derefter fastsætte din taktik, som igen styrker din forståelse af data som et aktiv og din analytiske appetit. Tilsammen udgør det grundlaget for, at du kan accelerere din organisations udvikling henimod at være datadrevet.

 

Data lakens fremkomst

Traditionelt set har virksomheder benyttet sig af data warehouses til at lagre og strukturere relevante, interne data, men denne model begrænser analytikernes arbejde. Det gør det pga. et data warehouses design og struktur, idet ikke alle de nødvendige data til moderne analyser findes i data warehouset. Det var også grundlaget for fremkomsten af data lakes, der er en fantastisk nyhed for analytikerne, fordi det gør det muligt for dem at arbejde med både strukturerede og ustrukturerede data og dermed gør dem i stand til at bygge bedre og mere prædiktive modeller.

 

Uanset mængden af interne data er datakvaliteten dog en vigtig faktor, som ofte udgør en væsentlig udfordring for mange virksomheder. Vores erfaring viser, at et stærkt set-up, der holder de kunderelaterede data opdaterede og strukturerede er en vigtig ingrediens i den datadrevne succes (vil du vide mere om dét, har vi en særskilt blog om værdien af datakvalitet her).

 

Find de relevante data

Når du skal afdække, hvilke datakomponenter, du skal bruge i dit analytiske arbejde, er der en gylden afvejningsregel: Opvej “need to have” vs “nice to have” med hvor lang tid og hvor mange ressourcer, det vil tage dig og din organisation at trække data ud. Et datapunkt kan eksempelvis virke centralt for forretningsstrategien, men når man ser på, hvor langt tid det vil tage at skabe eller strukturere data, ændrer vigtigheden sig - og datapunktet er måske alligevel ikke så vigtigt. De data, der "består" denne afvejning, er dem, der er de "relevante data".

 

Selvom din interne data suite med sin bredde og dybde kan levere interessante indsigter og prædiktioner, er der altid noget, du ikke ved; hvad der karakteriserer kunden udenfor dit univers. Det er først ved at blende dine interne data med tredjepartsdata, du får afdækket dine kunder 360o. Disse tredjepartsdata kan bestå af geodemografiske data, socioøkonomiske data, adfærdsdata eller holdningsdata; i samspil med dine interne data kan du optimere dine prædiktive modeller og grundlaget for dine forretningsmæssige beslutninger (vil du vide mere om dét, kan du tage et kig på vores Data Analytics Platform).

 

Strategien er grundlaget for succes

For at opsummere: Det er din evne til at løse udfordringerne med at udvælge de relevante data og få dem bragt i spil med prædiktiv modellering, der er grundpillen i den nye, datadrevne verden. Det åbner for nye muligheder for at skabe værdi i din organisation, samt - og vigtigere - at implementere data til at optimere dine designprocesser og din kunderejse. 

 

Hvis du er interesseret i at høre mere om, hvordan vi kan hjælpe dig med at udvikle din datastrategi og hjælpe dig med at realisere den, er du velkommen til at kontakte mig.

Vi kan hjælpe dig med din data- & analysestrategi

Udfyld formularen nedenfor eller kontakt mig direkte for at høre nærmere

Ross Whalley portrait

Ross Whalley

CSO & Partner

+45 2018 8378

Linkedin