Site Search

Loading Results

Hvordan bli en datadrevet virksomhet?

Kunstig intelligens, maskinlæring og digitalisering diskuteres i nær sagt alle styrerom. Men hva skal til for å lykkes på veien mot å bli en datadrevet virksomhet? Her er fem steg til suksess.

Kunstig intelligens, maskinlæring og digitalisering er begreper som har blitt drøftet i nær sagt alle styrerom i løpet av 2018. Vi har tatt pulsen på det norske markedet og sett på hvordan norske virksomheter har tatt i bruk avansert analyse, hvordan de lykkes med å realisere gevinster knyttet til data og analyse og hvilke utfordringer de opplever på veien mot å bli datadrevne virksomheter. Her er de viktigste funnene fra PwCs Data- og analysepuls 2019.

Hva er en datadrevet virksomhet?

Et viktig poeng fra undersøkelsen, er at det å bli en datadrevet virksomhet i seg selv ikke er et mål, men at det å bli datadrevet handler om å skape forretningsverdi gjennom:

  • Bedre kundetjenester for økt kundelojalitet og økt lønnsomhet

  • Redusere kostnader gjennom økt grad av prosessautomatisering

  • Bedre beslutningsstøtte innad i virksomheten

Å være datadrevet handler først og fremst om at data fungerer som drivstoff for å oppnå en ønsket forretningsverdi. Med andre ord er data i seg selv ikke tilstrekkelig for å oppnå gevinster.

Data må samles inn og struktureres, prosesseres for det bestemte formålet og tilgjengeliggjøres på riktig måte. Først da kan et menneske eller en maskin fatte en beslutning basert på dataene.

 

Piloten har gått over 18 måneder uten at vi har fått satt ting i drift.

Respondent

Handler vel så mye om kultur

Å være datadrevet handler om mye mer enn teknologi og data. 

En trend vi ser hos selskapene som lykkes, er at de fra et tidlig tidspunkt organiserer seg i såkalte integrerte produktteam med IT- og forretningskompetanse samlet. Samtidig sørger de for at teknologiutvikling ikke skjer i siloer, men som en støtte for en overordnet visjon og strategi.

Veletablerte virksomheter: Når det gjelder veletablerte virksomheter er vårt inntrykk at disse som oftest har en lengre vei å gå sammenlignet med startups. Dette skyldes ikke kun teknisk gjeld og et behov for større investeringer, men også nye kulturelle behov, som å endre måten man jobber og tenker på.

Yngre selskaper/startups: For oppstartsselskaper, har vi observert to hovedtrender. Enten har de hatt fokus på å bli datadrevne fra dag én, og bygget organisasjon og kompetanse gjennom riktige rekrutteringer og ikke minst teknologivalg som understøtter strategien. Eller så har de hatt fullt fokus på produktutvikling i starten, og først senere i utviklingen tatt tak i endringsprosessen. I begge tilfeller kreves det typisk mindre investeringer i teknologi og en kortere endringsreise enn hos større selskaper.

 

 

 

Espen Sundve, CPO i Kolonial.no

I Kolonial.no har vi bygget vår infrastruktur fra starten av, med den tanken at man skal kunne tilby en helhetlig kundeopplevelse til våre kunder og effektiv logistikk.

Espen SundveCPO i Kolonial.no

Bare du forteller at du jobber med maskinlæring er styret kjempefornøyd. Bare vi gjør et eller annet, gjør det ikke noe hva det er!

Respondent

Forstå teknologien bak hypen

Som leder bør du gjøre en innsats for å virkelig forstå teknologien bak hypen. Kunstig intelligens blir i mange sammenhenger presentert som en teknologi som kan løse alt. Selv om teknologien har et kjempepotensial, er det stor variasjon med tanke på hva som kreves for å ta den i bruk. I noen tilfeller er det en «plug and play»-løsning som kan implementeres i løpet av noen uker – i andre tilfeller er det store, kostbare prosjekter som går over flere år! Støtt deg derfor på fagpersoner, i eller utenfor egen virksomhet og konsulter dem rundt hva som kreves for å bruke teknologien på bestemte forretningsproblemer. Dette vil være helt nødvendig for at du ikke skal ta forhastede beslutninger eller kaste bort penger på prosjekter som ikke burde hatt livets rett.

Lag et målbilde for hvor du vil og bruk det for prioriteringer av initiativ

Hvis du ikke vet hvor du skal er det ikke mulig å lage en vei for å komme dit. Du trenger derfor et målbilde som knytter forretningsstrategien med strategien rundt hvilken teknologi og data som trenges for å løse de utfordringene man har - en sentral del av målbildearbeidet er å gjøre en gapanalyse for å se om man har data og teknologien som kreves for å levere på forretningsstrategien for deretter å lage et veikart for å komme seg dit. Et slikt målbilde vil være helt sentralt i prioritering av prosjekter fordi det også gjør det enklere å se synergier på tvers av initiativ. Et målbilde må ikke nødvendigvis være på plass før man kjører piloter for å teste ut nye muligheter, men bør kjøres i parallell med denne typen prøving og feiling.

 

Tør å feile og legg til rette for etablering av tverrfaglige team

Det er lett å si at man har en kultur der det er lov til å feile, men hvis man ikke har tid til å prøve og feile så gir det likevel ingen mening. I våre øyne er dette kanskje det mest krevende tiltaket fordi det krever en stor kulturendring. Endringer bør starte hos ledelsen og deretter tas ut i alle deler av organisasjonen. For å lykkes er det helt nødvendig at man faktisk klarer å frigjøre tid. I tidsplanleggingen bør det derfor settes av egen tid til å  jobbe med løsninger gjennom en prøv-og-feil-metodikk. Som leder er det også en viktig jobb å skape møteplasser der ansatte fra ulike avdelinger kan diskutere problemstillinger fra flere hold.

Bruk hypen som en anledning til å rydde i eget hus

Du kan regne det som 100 prosent sikkert at dere gjennom arbeid med avansert analyse vil møte utfordringer rundt dårlig datakvalitet og/eller data som er svært dårlig dokumentert. Bruk prosessen som en anledning til å rydde i eget hus, men husk å planlegge for det! Denne ryddejobben vil gagne virksomheten på sikt – det er stor sannsynlighet for at noen andre vil ha behov for de samme dataene i et senere prosjekt.

Planlegg for operasjonalisering og gevinstrealisering allerede fra starten

Selv om pilotprosjektet som viste svært positive resultater ble levert på noen få uker, er det en mye lengre vei å gå for å få dette produksjonssatt. Å operasjonalisere algoritmer inn i eksisterende IT-løsninger og forretningsprosesser kan være en kompleks affære, og det er helt nødvendig å planlegge for dette tidlig. Det handler i stor grad om forventningsstyring overfor interessenter. Forstå nåsituasjonen gjennom en nullpunktsmåling slik at du har et sammenligningsgrunnlag for å se om de endringene du gjør har hatt effekt. Sett av tid i etterkant av implementeringen til å måle om det har skjedd endringer sammenlignet med nullpunktsmålingen. Dette gjelder spesielt der avansert analyse operasjonaliseres inn i eksisterende forretningsprosesser.

 

Hvor langt på vei har vi kommet i utviklingen?

Mange er godt i gang

Norske virksomheter er godt i gang med pilotering av tjenester som benytter avansert analyse.

Få har operasjonalisert initiativene

Og mange har dermed et stort uutløst gevinstpotensiale.

Enda færre måler effektene av dem

Altfor få måler effekten av å bruke avansert analyse.

< Tilbake

< Tilbake
[+] Les mer

De store utfordringene på veien

Det var to utfordringer som gjentatte ganger ble trukket frem under intervjuene. Begge er helt avgjørende å jobbe med om man skal lykkes som en datadrevet virksomhet.

Manglende tilgang til kvalitetssikrede data gjør det vanskelig å realisere gevinster knyttet til bruk av data.

Et selskap er helt avhengig av tilgang til kvalitetssikrede data for å i det hele tatt komme i gang med smartere løsninger som utnytter dataene på en bedre måte. Hvorfor dette er en så stor utfordring hos mange, kan skyldes flere faktorer. Noen elementer går likevel igjen, disse er:

  • Manglende eierskap til data på forretningssiden
  • For mange datasiloer som det ikke går an å koble på en god måte
  • Dårlig datakvalitet fordi data opprinnelig ble samlet inn for et annet formål
  • Manglende oversikt over hvilke data man faktisk har

En reise mot å bli mer datadrevet handler om å forstå at vi må ha kontroll på basisen før vi kan gjøre det mer avanserte. Veien til kunstig intelligens går fra strukturert datainnsamling fra relevante datakilder, via strukturering og modellering av data, til at vi klarer å forstå hvordan dataene skal brukes. Det er først når vi har en klar strategisk retning for bruk av avansert analyse, riktig kompetanse og kultur for å ta det neste steget, at vi snakke om å bli en datadrevet virksomhet.

 

Manglende kunnskap om kompleksiteten som ligger i bruk av data og avansert analyse.

Data må samles inn, lagres og mellomlagres, transporteres, raffineres, tilpasses, sikres, forvaltes og presenteres på riktig måte. Dette må gjøres før man i det hele tatt kan starte med analysejobben, og når analysejobben er ferdig utviklet er man bare halvveis i mål. Da gjenstår blant annet prosessen med å hente innsikt fra analysene og operasjonalisere dette inn i eksisterende forretningsprosesser for å skape faktisk verdi.

Noen anbefalinger på veien:

  • Norske ledere bør se på data både som et sluttprodukt som skal brukes til analyse og som råstoffet som kreves for å lage produktet. 
  • Arbeidet rundt operasjonaliseringen av innsiktsarbeidet må ikke undervurderes. Der man tidligere primært benyttet rapporter og dedikerte business intelligence (BI) løsninger til å operasjonalisere innsikt, er det nå helt andre krav hvis resultatet for eksempel skal integreres inn i en kundeløsning. I denne sammenheng er det viktig å innse at arbeidet ikke kan løses av data scientists alene, men at man må skape en analysekultur gjennom tverrfaglige team. 
Fra venstre: Lars Meinich Andersen, Direktør i PwC; Espen Sundve, Produktdirektør hos Kolonial.no; og Børge Kristiansen, Senior Manager i PwC.

Fra venstre: Lars Meinich Andersen, Direktør i PwC; Espen Sundve, Produktdirektør hos Kolonial.no; og Børge Kristiansen, Senior Manager i PwC.

Om undersøkelsen

I løpet av høsten 2018 ble det gjennomført intervjuer med 27 personer fra totalt 24 norske virksomheter. Selskapene befinner seg innenfor en rekke ulike bransjer, der den største andelen tilhører bank, finans, forsikring og retail. Vi har i hovedsak intervjuet personer som er ansatt i store, veletablerte bedrifter, men ansatte i mindre, nyetablerte virksomheter er også representert. Utvalget består av både ledere og fagpersoner innenfor data- og analyseområdet, samt personer fra både IT- og forretningssiden.

Les hele undersøkelsen her 

 

 

Relevant for deg?

Kontakt oss

Jan-Magnus Moberg

Jan-Magnus Moberg

Partner, PwC Norway

Tlf: 952 60 661

Kontakt meg
Lars Meinich Andersen

Lars Meinich Andersen

Partner | Data & Analytics, PwC Norway

Tlf: 916 62 243

Kontakt meg