Analytics for Management Mognadstrappa Fyra nivåer av mognad i det faktabaserade beslutsstödet

Transkript

1 Sida 1 av 7 Analytics for Management Mognadstrappa I dagens organisationer erbjuds många gånger data som är så omfattande att en beslutsfattare inte besitter förmågan att urskilja det väsentliga utan hjälp av sofistikerade verktyg. Mätningar visar på att vi adderar så mycket som 2,5 kvintiljoner (10 30 ) byte data varje dag 1. Analytics for Management är ett metodstöd för att samla in rätt sorts data, vilken sedan presenteras och visualiseras på rätt sätt för att möjliggöra rätt analys av en organisations nuvarande situation. Detta kan te sig självklart i dagens organisationer, men stort stöd finns för att beslut vanligtvis fattas på dåligt underbyggd fakta med felaktig data och många gånger på beslutsfattarens intuition 2. En undersökning ifrån Accenture visade på att så mycket som 60 % av de beslut som fattas i verksamheter idag faktiskt baseras på input ifrån ett faktabaserat beslutsstöd, och att vikten av ett sådant som input till beslut i ledningsgrupper kommer att fortsatt öka. Analytics for Management erbjuder den transformation som organisationer behöver för att gå ifrån intuitiva beslut till att styra och hantera verksamheten utifrån fakta. En allt mer utbredande tendens är att organisationer samlar på sig all tänkbar data som de kan få tag på. Organisationer samlar, sparar och processar idag överväldigande mängder data, samtidigt som den organisatoriska komplexiteten ökar, kundbeteenden är mer ombytliga samtidigt som det ställs allt högre krav ifrån ökad konkurrens. Att kunna arbeta strukturerat med sin data och ta rätt analytiska beslut är inte längre en självklarhet i dagens organisationer. Att anamma Analytics for Management är inte ett helt simpelt åtagande. Det handlar vanligtvis om att sätta igång ett kulturellt skifte av attityder och perspektiv i det operativa utförandet inom organisationen. Arbetsprocesser måste omdefinieras, data måste städas samtidigt som regler och rutiner måste etableras för att vägleda de anställdas arbete. Fördelen med denna resa är att om den redan har genomförts lyckosamt så återgår organisation sällan till sina gamla vanor samtidigt som konkurrenter har svårt att replikera kompetensen. Denna text vägleder dig att hitta rätt nivå på ert arbete så att rätt insatser kan sättas in vid rätt tid.

2 Sida 2 av 7 Hitta rätt nivå genom en mognadstrappa Ett faktabaserat beslutsstöd bör användas inom de områden av en verksamhet som man finner det rimligt att använda beslutsstöd, och inom dessa områden så fungerar Analytics for Management i stort sätt likadant. För att förenklat beskriva arbetet med ett faktabaserat beslutsstöd så börjar det med att leverera historiska fakta ( vad hände? ) och slutar med att i realtid beskriva information och kunskap om snabbt förändrade behov ( hur får jag det att hända? ). Ett kraftfullt sätt att beskriva arbetet med Analytics for Management är genom att skildra det som olika stadier av en mognadstrappa 4. Vårt förslag till mognadstrappa består av fyra mognadsnivåer och ett initialläge som snarare beskriver en avsaknad av mognad och insikt är utgör en egen nivå. För att kunna ta steget upp till nästa nivå så måste samtliga kriterier av nuvarande nivå vara uppfyllda. Den reaktiva nivå 0 Affärsbehov I den mest grundläggande mognadsnivån av Analytics for Management så fattas ledningens beslut baserat på erfarenhet och magkänsla. Denna nivå är i mångt och mycket snarare en avsaknad av förståelse för vad ett faktabaserat beslutsstöd kan erbjuda. Det är vanligt förekommande i dessa organisationer att ledningen anser att data och statistik enbart är till för att förvränga eller snedvrida bilden av verkligheten. Ledningen som har ett långt arbetsliv bakom sig är allergiska mot data och anser att de faktiskt har den specialistkompetens som är nödvändigt för att styra skutan. I denna mognadsnivå råder en avsaknad av mätningar utanför transaktionsdata av den typen som organisationen är faktiskt ålagd att samla in på grund av lagstadgade krav. Detta försvårar uppföljning på frågor som inte är direkt kopplade till finansiella mätetal. Även om ledningen följer upp budget, så baseras mål och beslut trots allt på den intuition och magkänsla som ledningen har över vilka åtgärder som bör genomföras. Inte en fristående mognadstrappa Den mognadstrappa som presenteras här är tätt sammankopplad till processmognad. En process kan beskrivas ha olika stadier, och en organisation når olika nivåer av mognad för sina processer genom att utveckla och kontinuerligt förbättra dessa 6. Möjlig mognadsnivå av det faktabaserade beslutsstödet beror helt enkelt på den grad av mognad som processen håller. Mätningar blir helt enkelt inte meningsfulla utan stabila processer. Propia Process Management hjälper din organisation säkra stabila processer. Ofta är de underliggande anledningarna till en organisations resultat för komplicerat för ledarna att tolka. Den data som faktiskt samlas i organisationen ignoreras och fokus hamnar på vad som operativt ska göras idag. En av anledningarna till detta är att den faktiska data som existerar har en tendens att vara av så dålig kvalitet att den blir svår att bearbetas, tolkas eller göras något vettigt med. Garbage in, garbage out beskriver bra hur ett faktabaserat beslutsstöd fungerar med dålig datakvalitet. För att Analytics for Management över huvud taget ska bli möjligt så krävs det att tillräckligt mycket data av tillräckligt god kvalitet har loggats över tillräckligt lång tid. Det förväntade resultatet för en organisation på nivå 0 i mognadstrappan är att den fastnar i ett reaktivt läge och saknar tydliga planer för hur man ska gå vidare. Höftskott och brandsläckning blir den vanligt förekommande metoden för handling. Ledningens beslut blir inte strukturerade och riskerar att motverka varandra och därmed bli kontraproduktiva. Organisationen styrs först i ena riktningen och sedan i den andra. Den här avsaknaden av faktabaserat beslutsstöd ger organisationen en begränsad insyn i kunder, marknader och konkurrenter. Krav för att uppnå nivå 1 Medvetenhet Om man vill uppnå bättre prestanda i sin organisation så är en bra strategi att etablera ett faktabaserat beslutsstöd istället för att basera beslut på magkänsla och intuition. Att använda data för att ta beslut i en organisation ger inte av automatik ett bättre tillvägagångssätt att leda och styra företaget. För att kunna ha nytta

3 Sida 3 av 7 av ett analytiskt beslutsstöd inom en organisation så krävs det att data används på rätt sätt. Det första kravet som måste uppnås för att nå upp till nivå 1 är att ledningen har skaffat sig en medvetenhet av nyttan med ett analytiskt beslutsstöd i organisationen. Att ha ledare som är engagerade och anförtror till Analytics for Management är den enskilt viktigaste faktorn för att initiativet ska kunna lyckas. Ledningen måste först skaffa sig en insikt i nödvändigheten av knowing your numbers. Även om en organisation har utvecklat långtgående kompetens inom Analytics for Management så spelar det ingen roll om ledaren inte kan samarbeta med analytiker och kan försäkra sig om att deras arbete genererar bättre strategiska och taktiska beslut. Det som vanligtvis förekommer på denna nivå är att olika organisatoriska enheter startar autonoma aktiviteter för att samla in rudimentär data på lokal nivå. När organisationen samlar lokal data är risken påtaglig att den beskrivs på olika sätt. Ta värdet 14, som i databasen kan registreras som 14, fjorton, XIV eller till och med som (17 3). I praktiken så tillåts organisation att prova på Analytics for Management i en serie av små steg, men det innebär även att organisationen hinner i sin takt utveckla stödjande experiment och dokument som styrker potentialen av ett mer etablerat faktabaserat beslutsstöd. Ledningen inser att genom att börja mäta olika delar av verksamheten så kan organisationen skaffa sig en bättre samlad bild över sina kostnader, och då definiera planerade och oplanerade kostnader. Då autonoma aktiviteter för datainsamling har initierats får organisationen en bättre förståelse på lokal nivå för verksamheten, exempelvis hur stor del av avdelningars aktiviteter består av oplanerade kostnader. Avdelningschefer kan då använda den insikt som Analytics for Management erbjuder för att öka effektiviteten i deras avdelning. Denna insikt om möjlighet till ökad effektivitet är vanligtvis något som har en Analytics is the key component in this transformation. We are leveraging analytics to make better decisions and to invest our resources more effectively: the right information to the right person at the right location (Kiron et al., 2014: 32) tendens att sprida sig till den högsta ledningen. En organisation är vanligtvis kvar på denna mognadsnivå tills ledningen ser resultat. Då ledningen får denna insikt så skapar det en drivkraft för att etablera och underhålla ett analytiskt beslutsstöd för hela organisationen. Organisationen är därmed förberedd och redo för att ta nästa steg uppför mognadstrappan. Krav för att uppnå nivå 2 Etablerad Nivå 2 på mognadstrappan för Analytics for Management syftar till att fokusera på organisationens strävan att etablera ett faktabaserat beslutsstöd för hela verksamheten. Vanligtvis är det ledningens fulla stöd som triggar igång steget till en etablerad process eller att det i alla fall finns en tillräckligt senior sponsor med tillräckligt stort förtroende och stöd ifrån ledningen som driver på. Detta börjar vanligtvis med direktiv för koordinerad insamling över tillgänglig data, eller data som är enkel att samla in för hela organisationen. Insamlad data brukar vanligtvis på denna nivå vara resultatvariabler och påvisar ett av de viktigaste stegen i den analytiska processen, nämligen starten av en etablerad process. Målen på denna nivå sätts vanligtvis efter standardmodeller för att beskriva en organisation, exempelvis baserat på ett Balanced Scorecard. Ett kritiskt moment på denna mognadsnivå är att definiera nåbara mätetal som tillgodoser organisationens prestationsförmåga och att etablera en process som övervakar detta. When you have a pre-agreed set of numbers presented in a uniform way, you can train the company how to think about problems. It gives you a context for making choices. (Ross et al., 2013: 93) Visualisering av data på en etablerad nivå presenteras och analyseras ofta genom interaktiva tabeller, diagram och dashboards. Statistiska resultat och information presenteras

4 Sida 4 av 7 i fler dimensioner och tillåts upplevas ifrån olika perspektiv och i olika format. Fokus på informationen är oftast knuten till produktionsprocess, försäljning och kundmöten där data insamlas, aggregeras och analyseras. Detta ger verksamheten en möjlighet att samla in och analysera mätdata utifrån ett kundperspektiv, vilket får organisationen att göra rätt saker snarare än att göra saker rätt. Det är acceptabelt till en början att inte ha perfekt data att arbeta ifrån. Det viktigaste är att få organisationen att börja arbeta utifrån en gemensam källa till information även om denna källa kan ha brister. När organisationen har samma källa till information och data så tillåts uppföljning och granskning av affärsprocesser samt att man kan börja följa upp vart i systemet som felaktig data samlas in. En nyckel till att driva en organisation är att den baseras på en version av sanningen vilket säkerställs genom att samtliga personer i organisationen ser värdet ifrån att de delar databas och informationsobjekt. Det som blir tydligt av en etablerad struktur för Analytics for Management är att organisationen börjar dra åt samma håll. Denna strukturering av ett etablerat och faktabaserat beslutsstöd möjliggör att de oplanerade kostnaderna som exempelvis kassationer kan kontrolleras, styras och minimeras. Allt annat lika så tillåts organisationen nå en högre vinst genom att de totala kostnaderna sjunker. Detta är en utmärkt drivkraft för att förbättra det analytiska beslutsstödet för att om möjligt erhålla ännu högre vinst. Vilken ledningsgrupp kan inte se nyttan i detta? Organisationen är nu redo att ta nästa steg på mognadstrappan för Analytics for Management. Krav för att uppnå nivå 3 Förbättrad today banks, industrial manufacturers, health care providers, retailers any company, in any industry, that is willing to exploit the possibilities can develop valuable products and services from their aggregated data. (Davenport, 2013: 68) När stora delar av en organisation har insett möjligheterna med ett faktabaserat beslutsstöd och etablerat det i verksamheten så påbörjas initiativ att förbättra beslutsstödet. Att förstå att ett faktabaserat beslutsstöd kan spara organisationen stora summor varje år är en sak, att realisera detta och ta del av möjligheten är något helt annat. Det gör verksamheten till bättre producenter av produkter eller tjänster genom att använda data mer effektivt. Det som är påtagligt för en förbättrad process för beslutsstöd är att datainsamlingen är strukturerad och säkerställd. Insamlingen sker med större precision vilket minimerar risken för att fel, korrupt eller felformulerad data letar sig in i databaserna. Verksamheten får den bästa möjliga information utifrån vad den känner till idag. Tusentals variabler tillåts beräknas samtidigt som förutseende variabler identifieras semi-automatiskt. Denna typ av Big Data kan inte analyseras tillräckligt snabbt på enskilda servrar, utan lutar sig mot kluster av flertalet servrar som arbetar parallellt med analys. Datacentret blir allt mer avancerat med ökad integration och analytisk kapabilitet. Genom vertikal integration mellan olika delar av organisationen så når datacentret en lämplig balans mellan centraliseringens kostnads- och koordineringsfördelar samtidigt som det tillåter decentraliseringens receptens till avdelningars lokala kompetens och kännedom. Organisationen börjar aktivt arbeta med att ta fram och utveckla styrvariabler som har en bättre bäring för vart organisationen står idag än de resultatvariabler som visar en historisk backspegelsbild. Dessa styrvariabler påvisar en tydlig koppling till verksamhetens övergripande strategi och långsiktiga mål. Med dessa styrvariabler så går organisationen ifrån att använda medelvärden som förklaring på hur verksamheten presterar. Dessa styrvariabler Rätt åtgärd i rätt tid Många företag investerar idag i dyra BI eller Big Data lösningar. Innan de lär sig att använda data på rätt sätt och analysera den data som faktiskt finns så är man inte i en position att kunna ta till vara på nyttan ifrån ett analytiskt beslutstöd.

5 Sida 5 av 7 möjliggöra optimerad prissättning av tjänster, utveckling av modeller som förutspår anställdas prestation eller identifiering av faktorer som driver fordringar. Det blir allt vanligare att industriledande företag söker konkurrensfördel genom att införa allt mer sofistikerade metoder för att analysera organisatorisk data och för att förbättra produktivitet. Ett steg i att förbättra det faktabaserade beslutsstödet är att tydliggöra de samband som finns mellan de mätpunkter som organisationen samlar in. Dessa samband bör påvisas statistiskt för att säkerställa att den fakta som samlas in har den bäring på organisationen som man förväntar sig att den ska ha. Ett vanligt verktyg för att säkerställa samband är exempelvis ramverket för Six Sigma, men även andra metoder och verktyg som uppfyller behovet av att säkerställa samband är möjliga. Organisationer på denna mognadsnivå blir mycket duktiga att lägga till och ta bort mätetal för att försäkra sig om att beslut fattas på rätt data som har rätt bäring på verksamheten. Då mätpunkterna blir säkerställda så är det också enklare att sätta mål som har en tydlig bäring på strategi och kundkrav. Beslutsstödet blir då ett verktyg som översätter affärsstrategin och tjänstedesignen så att verksamheter påtagligt kan skapa värde och att kunden upplever värde i användandet. Ett typiskt steg längs mognadstrappan för Analytics for Management till en förbättrad nivå är att mätdata börjas beskrivas med mer avancerade metoder. Ett tydligt sådant exempel är anpassad visualisering så som klustrad data med spridningsgränser. Det ställer dock vissa krav på brukaren av det analytiska beslutsstödet i det att den kan grunderna i regressionsanalys, statistical inference och experimental design. Optimeringsmodeller försöker finna den optimala lösningen utifrån givna förutsättningar, antaganden och begränsingar som beslutsstödet har samlat in. Exempel av sådana modeller inkluderar matematisk programering och AI heuristik som genetiska algoritmer. Procter & Gamble is integrating analytics in dayto-day management decision making through more than 50 business sphere decision rooms and more than 50,000 decision cockpits on employee computers (Davenport, 2013: 69) Detta är något väldigt få organisationer idag använder och behärskar. Det förväntade resultatet av att ha etablerat ett förbättrat faktabaserat beslutsstöd är att beslut tas på aktuell data med kunskap om verksamhetens normala variation. Detta möjliggör att beslutsstödet blir mer dynamiskt och kan anpassas utefter situation. Organisationen skapar sig en förståelse för vilka mål och mätpunkter som har verklig bäring på kundnöjdhet, produktivitet och värdeskapande. Organisationen stimuleras därmed att göra saker på rätt sätt. Det har skapats en data driven kultur inom organisationen som svarar väl på data driven förändring. Med ett förbättrat beslutsstöd så kan organisationen fatta bäst beslut utifrån den för tillfället kända informationen av verksamheten. Genom att beslutsstödet blir mer dynamiskt och tar hänsyn till organisationens normala variation så möjliggörs en effektivisering och optimering av verksamheten vilket exempelvis leder till en reducering av de planerade kostnaderna. En reducering av de planerade kostnaderna leder, allt annat lika, till ett utrymme för ökad vinst. Den ökade vinsten motiverar fortsatt förbättring av det faktabaserade beslutsstödet. Efter att organisationen förbättrat sin interna process inom Analytics for Management så måste processen öppnas upp för externa aktörer. Organisationen är nu redo att ta nästa steg på mognadstrappan för Analytics for Management. Krav för att uppnå nivå 4 Anpassbar Toppnivån av Analytics for Management mognadstrappa beskriver den anpassningsbara och proaktiva organisationen. Det handlar kort och gott om att etablera ett faktabaserat beslutsstöd som är flexibelt och proaktivt. För att nå denna proaktivitet så krävs en insiktsförändring och ett ändrat beteende. Att använda alla delar av dagens teknologi så som data warehouses, database and Big Data tillämpningar, storskalig text-mining, vertikala

6 Sida 6 av 7 och grafbaserade databaser är en förutsättning för att möta alla krav. Dagens affärsklimat ställer även större krav på verksamheter att samarbeta över globala och mångkulturella nätverk med ett större fokus på tjänstifierade produkter och en övergång ifrån handgripligt jobb till kunskapsbaserat. Organisationen måste inse att om man ska kunna uppnå framtida strategiska affärsmål och spå framtidens marknader så behöver fler aktörer engageras i processen. Så många som 88 % av de företag som driver Big Data initiativ använder en data-mix av internt och externt ursprung 4. Det handlar inte längre om man ska samarbeta med externa aktörer, utan snarare hur man väljer rätt och förstår sin samarbetspartner. En organisation som individuell aktör kan inte ensamt ha all nödvändig kunskap och kompetens för att kostnadseffektivt behandla informationsflödet. Kunder, leverantörer, partnerföretag och kanske rent av konkurrenter måste involveras för att uppnå den nödvändiga flexibiliteten och dynamiken. Första steget i att öppna upp en organisations analytiska kompetens är genom att datasamling sker integrerat med verksamhetens intressenter. Idén om Open Analytics baserar sitt tänk på Chesbrough s idé om Open Innovation 5, där organisationens gränser suddas ut och möjliggör ett bredare utbud med externa aktörer och partners. Ett sätt är att integrera och skapa synergieffekter med BI Competence Centers hos leverantörer, partnerföretag och även konkurrenter. Datacentren klustras och blir därmed allians- eller nätverksbaserade. Det är här direkt nödvändigt att målstyrning och styrgränser är anpassade för att vara framåtskådande och därmed matchar morgondagens marknad och kundkrav. En förutsättning för att kunna vara proaktiv och framåtskådande är att samtliga samband mellan styrvariabler och dess påverkan på organisationens strategi är tydligt utrett. Förhållandet har därmed vänts, och det faktabaserade beslutsstödet driver strategin framåt snarare än tvärt om. Den integrerade datainsamlingen säkerställer då att organisationen tillåts mäta rätt styrvariabler i realtid. Att beskriva mätdata i realtid är en förutsättning för att kunna ta beslut som inte är bakåtskådande. Insamlad mätdata beskrivs genom interaktiv visualisering för att påvisa nya trender och samband. Visualisering på en anpassbar nivå av ett faktabaserat beslutsstöd bygger på att förutsägande och framåtskådande modelleringstekniker estimerar och validerar trender, relationer och klassificeringar baserad på kluster av inputdata. För detta finns statistiska modeller som logistisk och linjär regression, prognostisering och clusteranalys. På senare tid har även stokastiska och simulerande modeller, samt även teknik för artificial intelligence (AI) tagits fram. Artificiell intelligens i modern teknologi innebär även att integrerade BI Competence Centers kan lära sig att hitta nya samband av automatik. De kan med andra ord lära sig att bli självlärda för att öka på den analytiska kompetensen. Kombinationen av en bred insamling av mätpunkter som kan bearbetas under samlade resurser med nydanande visualiseringsteknik Analytics for Management hos UPS Logistikföretaget UPS har ett faktabaserat beslutsstöd i världsklass som dagligen hanterar 16,3 miljoner paket och 39,5 miljoner spårningsförfrågningar. UPS har nu installerat 45,000 sensorer i sina lastbilar som samlar in mätpunkter som hastighet, riktning, inbromsningar och drivkraftsprestanda. Denna enorma insamling av data styrs genom artificiell intelligens för att optimera förares vägval genom optimerade algoritmer visualiserade på ett gigantiskt kartnät i realtid. Algoritmerna är agila och kan instinktivt förändra körsträckan om någon ny upphämtningspunkt registreras. Detta beslutsstöd beräknades 2011 bespara UPS kilometers körsträcka, vilket sparade in på över liter bränsle. (Davenport, 2013)

7 Sida 7 av 7 innebär att organisationen kan ta beslut på information som är dold för andra organisationer. Organisationen tillåts se mönster och samband som ingen sett förut även under förutsättningen med begränsade resurser. Man blir en världsledande organisation tack vare informations och kunskapsövertag vilket möjliggör att beslutsstödet är framåtskådande och besluten sker med dynamisk förmåga. Besluten baseras på normal processvariation och på vad som kan påvisas om framtiden. Kort och gott så erhåller organisationen en förståelse för vilka beslut som behöver tas för att överleva framtiden och en ständigt föränderlig marknad. Det huvudsakliga fokuset av beslutsstödet skjuts därmed ifrån att mäta till att utvärdera, så att verksamheten får en möjlighet till att bli en lärande organisation inriktad på ständig förbättring. Idag är varje utrustning, varje enhet, varje skeppning och varje kund spårbar. Den anpassbara organisationen har kunskapen och kompetensen att analysera datamängden till fördel för kunder och marknaden. Den anpassbara nivån av Analytics for Management används därmed för att skapa intelligenta kunderbjudanden och genom att vara ett världsledande företag så kan organisationen öka marknadsandelar samtidigt som man ökar marginalen. Helt enkelt så ökar man sin nuvarande och framtida vinst gentemot konkurrenter på en lägre nivå av mognad. Organisationen har nu nått den högsta nivån på mognadstrappan för Analytics for Management. Men resan är dock inte över. Så fort strävan efter att förbättra och anpassa sitt faktabaserade beslutsstöd försvinner så tappar den världsledande organisationen sin plats på tronen. Hur kommer du vidare i ditt arbete med Analytics for Management? Propia hjälper dig att finna rätt nivå i arbetet med att utveckla ett modernt och effektivt beslutsstöd som baseras på rätt data vid rätt tid. Vi har kompetens och erfarenhet av att diagnostisera företag för att skapa ett faktabaserat beslutsstöd som är anpassade just utefter era förutsättningar. Det handlar helt enkelt om rätt åtgärder vid rätt tillfälle! Kontakta oss för att få veta mer! Källor: 1 Hayashi, A.M. (2014) Thriving in a Big Data World, MIT Sloan Management Review, Vol. 55, No. 2, pp Davenport, T.H. and Harris, J.G. (2007) Competing on Analytics The New Science of Winning, Harvard Business School Press, Boston, Massachusetts. 3 Liberatore, M.J. and Luo, W, (2010) The Analytics Movement: Implications for Operations Research, Interfaces, Vol. 40, No 4, pp Kiron, D., Kirk-Prentice, P. and Boucher-Ferguson, R. (2014) Raising the Bar With Analytics, MIT Sloan Management Review, Vol. 55, No. 2, pp Chesbrough, H.W. (2003) The Era of Open Innovation, MIT Sloan Management Review, Vol.44 (3), pp Cronemyr and Danielsson (2012) Process Management 1-2-3: a maturity model and diagnostics tool, Total Quality Management and Business Excellence, Vol. 24 (7-8), pp Davenport, T.H. (2013) Analytics 3.0, Harvard Business Review, Vol. 91, Issue 12, December Issue, pp Ross, J.W., Beath, C.M and Quaadgras, A. (2013) You May Not Need Big Data After All, Harvard Business Review, Vol. 91, Issue 12, December Issue, pp