Sida 1 av 6 Vad är Analytics for Management? 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 genomförd av Accenture 3 2009 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. Studier tyder på att ett väl fungerande faktabaserat beslutsstöd ökar organisationens prestanda inom de områden som beslutsstödet berör och ökar företagets konkurrenskraft samtidigt som det förbättrar den innovativa förmågan. Beslutsstödet blir ett sätt att differentiera sig emot andra aktörer på marknaden. Denna artikel beskriver synen på dagens, placerar det i rätt sammanhang samt presenterar några av nyheterna inom området. Inspiration till detta White Paper bygger på en presentation om Analytics for Management av P. Cronemyr och M. Elg. Bilderna har sitt ursprung från den presentationen (rättigheter har erhållits). Källa: Cronemyr, P. and Elg, M. (2014): The time is right for Fact-Based Decision Making Applying QM/QC tools to Big Data. QMOD Conference, Prague, 3-5 September 2014.
Sida 2 av 6 Analytics Ett analytiskt tillvägagångssätt. Vi lever onekligen i en era av Big Data som berör områden så som supply chain management, operations, marknadsföring, kundbearbetning och HRM-frågor inom branscher så som finansiella tjänster, telekommunikation, energiproduktion, konsumentvaruhandel, resor och transport. Med Analytics så menar man vanligtvis vetenskapen om logisk analys. Analytics kan både vara input för mänskligt beslutsfattande eller för att driva helautomatiserade beslutssystem. Man kan förenklat beskriva Analytics som en delmängd utav konceptet Business Intelligence (BI), som inkluderar dataaccess, rapportering och Analytics. Analytics är dock något mer än enbart specifika analytiska metoder och tekniker använda genom logisk analys. Det är snarare processen för att ta beslut och lösa problem genom att transformera och översätta data till handling baserad på analys och insikt. Det finns tre övergripande typer av Analytics 4 : Beskrivande (Descriptive) Analytics fokuserar på att rapportera det förgångna. Förutsägande (Predictive) Analytics fokuserar på att förutspå framtiden. Normativ (Prescriptive) Analytics använder modeller för att specificera optimalt beteende och handlingar. Analytics for Management inkluderar alla tre typer, men betonar Prescriptive Analytics som innehåller storskalig test och optimering. Att samla på sig data har idag blivit en trivial sak för organisationer. Det gör att storleken (Volume), spridningen (Variety) och komplexiteten på data i databaser växer i en allt högre takt (Velocity). Organisationer samlar, sparar och processar idag överväldigande mängder data, samtidigt som den organisatoriska komplexiteten ökar, kundbeteenden är i en allt snabbare takt mer ombytliga och samtidigt så ställs allt högre krav Akademiskt sett så kan Analytics definieras som omfattande användning utav data, statistik och kvantitativ analys, utforskande och förutsägande modeller och faktabaserat driv för beslutsfattning och handling (Davenport & Harris, 2007: 07) från ökad konkurrens. Vanligt är att verksamheter helt enkelt hanterar detta genom att samla på sig all tänkbar data som de kan få tag på från alla tänkbara håll. Samtidigt som insamling av företagsdata ökar så vill organisationer få ut mer ifrån sin specialistkompetens vilket driver dem mot att anamma ett datadrivet faktabaserat beslutsstöd. Målet är att få bort intuition och gissningar som angreppsätt ifrån management på toppnivå. I mångt och mycket så blir du vad du mäter och det handlar om vilka parametrar ett företag ställer upp för att mäta. Det är därmed en förutsättning att verksamhetens processer är stabila och att mätetalen på ett riktigt sätt återspeglar företagets verksamhet. Målet med Analytics är därmed inte ur ett kontrollerande syfte, utan snarare utifrån en möjlighet för organisationen att lära. Ökad kontroll leder inte till förbättrande åtgärder, utan det är genom att lära sig att prestera som verksamheten uppnår sina mål, med eller utan mätpunkter. 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) Idag så har många företag en god erfarenhet av att mäta resultatmätetal. Resultatvariabler kan ses som att titta i backspegeln och se vad som har hänt medan styrvariabler kan potentiellt leda vägen framåt. Med Analytics for Management så hjälps organisation att översätta mätetal för resultatvariabler till mätetal för styrvariabler. Analytics for Management hjälper därmed organisation att uppnå ett hållbart resultat genom att erbjuda ett beslutsstöd för att rätt beslut baseras på rätt fakta.
Sida 3 av 6 Att arbeta analytiskt är ingen självklarhet Statistisk information samlas i dagens samhälle in i stort sett inom alla typer av verksamheter. Att samla data för att presentera information på ett tydligt och klart sätt är nu mer en självklarhet för alla typer av organisationer så som kommuner och landsting, statliga verk men även industri och tjänsteföretag i alla tänkbara former. Utvecklingen inom Big Data innebär numer att mängden lagrad data växer exponentiellt samtidigt som kostnaden för att lagra data sjunker. Data samlas, processas och sparas samtidigt in med all större hastighet för att möta efterfrågan av information. Insamlingsmöjligheter är heller inte längre begränsad till inom organisationen, utan finns överallt och runt omkring. Den tekniska utveckling har medfört att data kan kontinuerligt och frekvent samlas in passivt vilket innebär att det numera är berättigat att spara all data snarare än att förkasta den. Trots denna enorma möjlighet till informationsinsamling så finns ett stort stöd för att beslut fortfarande tas med grund i fakta baserad på få eller begränsad data, gammal data eller rent utav felaktig data. Att kunna arbeta strukturerat med tillgänglig data och ta rätt analytiska beslut är inte längre en självklarhet. Ett mycket vanligt problem beslutsfattare står inför är att de måste fatta beslut uteslutande från data presenterade genom medelvärden utan hänsyn till spridning eller avvikelsemått. There is strong evidence that business performance can be improved substantially via data-driven decision making, big data technologies, and data-science techniques based on big data (Provost and Fawcett, 2013: 58) Att granska data är nödvändigt för att tillåta beslutsfattande som är baserat på fakta. Mätning av organisationens prestationsförmåga är därmed nödvändigt för att följa upp, koordinera, kontrollera och förbättra organisatoriska aktiviteter. Att kritiskt granska data för att göra bedömningar och utvärderingar av helheten är nästan omöjligt om det inte representeras i tvådimensionell form, exempelvis i grafisk återgivning. Visualisering av informationen spelar då en central roll vid analyser av organisatorisk prestationsförmåga. Ett stort problem med prestationsmätningar är att beslutsfattare vanligen har svårigheter att förstå vad dessa mätetal verkligen betyder, hur de ska tolkas och användas. Exempelvis så är risken påtaglig att beslutsfattare fokuserar på fel saker ifrån presentationer om hur organisationen presterar. Vanliga fel som beslutsfattare fokuserar på innefattar bl.a. Beräkningsfel. Visualiseringsproblem. Tolkningsfel och diskussion över vad mätvärdena betyder. Effekten på den organisatoriska designen. Det finns även många potentiella felkällor till insamling av data med låg kvalitet. Några av dessa innefattar bl.a. Vaga eller föråldrade definitioner över det data som ska samlas in. Otydlighet över vad som ska mätas och rapporteras. Begränsningar i mjukvara. Mänskliga fel kopplat till dataregistrering, beräkning och procedurer för presentationer. Tekniska problem relaterat till systemintegration och data konverteringsfel. Fel kopplade till visualisering och förvrängning av information. En förklaring till varför denna problematik uppstår är det potentiella gapet mellan de som är ansvarig för att samla in och säkerställa rå data och de som ska fatta viktiga organisatoriska beslut baserat på den. Ofta blir det de många kockarnas problematik när det gäller hela processen med data för beslutsfattare då många spelare är inblandade i datainsamlingen och dessa är ofta separerade ifrån varandra både när det gäller tid och rum. De har även olika motiv och mål med datainsamling och även många gånger motstridiga mål, så som att mätpunkt A kundtillfredsställelse, kommer på bekostnad av mätpunkt B förhandlat pris. Genom att individ B s mål blir uppfyllda så drabbas individ A s mål negativt. Detta behöver
Sida 4 av 6 i sig inte vara helt fel, då sådana mål tvingar organisationen till att verkligen förbättras, och man kan inte fuska sig fram genom att skruva på det som är på tapeten för närvarande. För att utnyttja den fulla potentialen, säkerställa kvaliteten och skapa ordning i all den information som uppstår som till en följd av Big Data så behöver organisationen verktyg för att hantera alla dessa potentiella felkällor. Olika Quality Management-verktyg, så som exempelvis grundorsaksanalys, statistisk analys och Six Sigma, har idag en central roll i att förbättra kvaliteten av tillverknings- och tjänsteprocesser. Organisationen tillåts därmed att fatta bättre beslut i de operativa och strategiska processerna. Just att fatta beslut baserat på fakta är en nyckelkomponent av Quality Management. Samma idéer kan med fördel användas för att säkerställa kvaliteten på insamlad data och tillsammans med insikt ifrån Analytics-fältet skapa bättre underlag till det faktabaserade beslutsstödet. Det handlar helt enkelt om att identifiera mönster i data på alla tänkbara vis för att kunna förutspå morgondagen. Men ska man lita på en dators beräkningar istället för på en experts visdom? Det har visat sig att datadrivet beslutstöd inte är ett antingen eller perspektiv utan kombinationen av de två är i de flesta fallen det mest effektiva. Datorns beräkningsförmåga är som mest effektiv i en stabil och strukturerad miljö medan effektiviteten av experters analytiska förmåga växer vid ökad grad av komplexitet och variation. Verktygen inom Quality Management har utvecklats så att inte enbart statistikexperter behärskar dem, utan ingenjörer, chefer och linjeroller kan alla hantera dem för att säkerställa att rätt information står till grund för det et. Det är precis det här som Analytics for Management handlar om. Organisationen måste kombinera vetenskapen om datadriven fakta med intuitionens konstform. operativa utförandet inom organisationen. Arbetsprocesser måste omdefinieras, data måste rensas och 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. Analytics for Management eller förstärkt Analytics Analytics for Management kan kortfattat beskrivas som Data för Beslutsfattande, och blir konkret resultatet av att sammanföra forskningsområdena inom Quality Management, Big Data och Analytics. Analytics for Management, eller Analytics förstärkt med verktyg och principer från Quality Management, är därmed ett bredare och mer heltäckande koncept än Business Intelligence. Beslutsprocessen förstärks av tre fristående men överlappande aktiviteter. Att välja rätt mätetal Analytics for Management Visualisera och presentera Data Grundorsaksanalys för att påvisa samband Without data you are just another person with an opinion W. Edwards Deming Att anamma ett evidensbaserat system för beslutsfattning är inte ett helt simpelt åtagande. Det handlar vanligtvis om att sätta igång ett kulturellt skifte av attityder och perspektiv i det Den första aktiviteten fokuserar på hur man väljer ut rätt mätetal, och hur man tar ut nya datapunkter för mätetal. Att välja rätt mätetal är ingen helt trivial sak. Med alla verktyg och metoder som finns idag så är begränsningarna att samla in data små. Det
Sida 5 av 6 leder dock tyvärr till att företag har en tendens att samla på sig oerhörda mängder mätdata inom alla tänkbara olika resultat- och styrvariabler. Med framgången inom modern teknologi, är det dock mer försvarbart att använda hela datamängden, och inte bara en delmängd. Det svåra ligger i att välja ut vilka variabler som faktiskt spelar roll för verksamheten och därmed är relevant att mäta och följa upp. Mätetalen ska därmed ha en tydlig koppling till verksamhetens strategi och långsiktiga mål. Den andra aktiviteten lägger tonvikten på hur man visualiserar och presenterar data på bästa sätt. Individer har vanligtvis svårigheter med att förstå sannolikhet. Sättet på vilket data presenteras har stor inverkan på hur sannolikhet tolkas, och grafisk representation och datasimulering kan kraftigt bidra till förståelsen. Den grafiska återgivningen är en av de viktigaste delarna av processen för att producera information och rätt metoder och modeller för visualisering av information är vitalt. Mätetal ger ofta ett så komplext budskap att det blir svårt att sortera ut rätt fakta ur det genererade data som i sig själv blir vilseledande. Med hjälp av visualisering, som att inkludera spridningsmått i grafer, så kan beslutsfattare vägledas till att ta mer korrekta och medvetna beslut. När datamängden är så komplicerad att det är svårt att beskriva i en graf så kan interaktiva datasimuleringar låta personen se Att implementera Analytics for Management i praktiken Ett faktabaserat beslutsstöd erbjuder stora fördelar och är därför lockande för många företag som strävar efter att bli världsledande i sin bransch. För att inte riskera att lägga dyra pengar på tekniska systemlösningar i framkant som inte passar verksamhetens strategi och processer så måste organisationen inse sin mognad inom Analytics for Management. När ni som organisation tar fram ert faktabaserade beslutsstöd så är det centralt att göra rätt sak i rätt ordning. För att hitta rätt nivå för just er verksamhet så rekommenderas Propias White Paper: Analytics for Management Mognadstrappa Fyra nivåer av mognad i det faktabaserade beslutsstödet. och uppleva sannolikhet, möjliga utfall och den underliggande statistiska processen vilket ger dem bättre beslutsunderlag. Oavsett hur väl fungerande datainsamlingen eller beräkningsprocedurer må ha varit så kan en dålig visuell återgivning skada tolkningen och förståelsen för informationen vilken förhindrar ett effektivt beslutsfattande. Exempelvis så beskriver Scott Berinato i Visualizing Trouble 5 hur även moderna visualiseringsverktyg kan göra information oförståelig även om de skapar färgglada och avancerade figurer på grund av att den teknik som används i sig inte uppfyller ändamålet. Detta är vanligt förekommande för onlinetjänster där tekniken inte är anpassad till det data som ska mätas. Visualiserad data blir inte av automatik informativt av att använda dessa verktyg. Det krävs en individuell tankekraft bakom verktygen trots allt. to understand is to know what cause provokes what effect, by what means, at what rate (Tufte, 1983, p. 9) Aktivitet tre består i att utföra grundorsaksanalys för att påvisa samband mellan olika styr- och resultatvariabler för att inte bli lurad av slumpmässighet. Många gånger visar det sig att beslutsfattare drar slutsatser som inte är förankrade i verkligheten. De förstår inte heller alla gånger hur de olika styrvariablerna är kopplade till varandra, och vad utfallet blir i ena änden om man skruvar i den andra. Det är nödvändigt att finna korrelationen mellan olika variabler för att ta reda på vilken variabel som påverkar andra variabler, och till vilken grad. Det är här som grundorsaksanalysen hjälper till att ta fram och förtydliga de samband om hur verksamheten verkligen fungerar. Att finna grundorsaken i datamönster är därmed mycket mer komplicerat och heltäckande än att mangla insamlad Big Data. Verksamheter som är duktiga på selektiv data-crunshing lyckas idag hitta alla möjliga typer av värdefull korrelation som kan utnyttjas på olika sätt.
Sida 6 av 6 I verktygslådan för Analytics for Management Det finns många konkreta verktyg tillgängliga för en organisation för att förbättra sitt. På ett övergripande plan så är ramverket för Six Sigma ett typiskt verktyg för Analytics from Management. Genom att efterleva DMAIC-metodiken för Six Sigma så genomförs exempelvis strukturerad mätning, utförlig analys efter konstens alla regler, vilket sedan presenteras i run- och control charts för att hitta potentiella förbättringsförslag. Men det finns även andra verktyg för att arbeta med data för de organisationer som saknar erfarenhet inom Six Sigma. Inom de tre aktiviteterna av Analytics for Management finns det en uppsjö olika metoder och verktyg som kan användas för att angripa problem. För att angripa problemet med att välja ut rätt mätetal och att ta fram nya datapunkter så är metodiken med att ta fram tredje generationens Balanced Scorecards med Strategy Linkage och Destination Statement ett vanligt val hos företag. För att attackera problemet med att visualisera och presentera data så kan Descriptive Statistics vara användbart. Denna disciplin syftar till att kvantitativt beskriva statistiskt säkerställda mönster. När rätt mätetal har valts ut och visualiserats så är nästa steg att utföra en grundorsaksanalys för att påvisa vilka samband som existerar. Några verktyg som är tätt sammankopplat med Att välja rätt mätetal Third generation Balanced Scorecard Analytics for Management Visualisera och presentera Data Descriptive Statistics Grundorsaksanalys för att påvisa samband Six Sigma tools and principles grundorsaksanalys är analysverktygen som korrelations- och regressionsanalys, analysis of variance (ANOVA) och Design of Experiments (DOE) inom ramverket för Six Sigma. Genom att ha koll på de metoder och verktyg som finns tillgängliga i verktygslådan för Analytics for Management tillåts verksamheten att kapitalisera på den uppsjö av information som finns tillgänglig. Verksamheten tillåts att ta bättre beslut baserade på aktuell data i realtid och beslutsfattarna tillåts att leda och styra innan det är för sent. Genom att få bort intuition och gissningar som angreppsätt ifrån management på toppnivå så tillåts verksamheten få en hållbart ökad prestanda genom att ta bättre beslut baserade på fakta. Då uppnås även bättre resultat. Analytics for Management blir det verktyg ledningsgruppen behöver för att skapa sig nödvändig konkurrensfördel på marknaden. I en värld karaktäriserad av ett behov av ständig förbättring är ett faktabaserat beslutsstöd i världsklass en nödvändighet. 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, baserat 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. 35-39. 2 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. 313-324. 4 Davenport, T.H. (2013) Analytics 3.0, Harvard Business Review, Vol. 91, Issue 12, December Issue, pp. 64-72. www.propia.se 5 Berinato, S. (2013) Visualizing Trouble, Harvard Business Review, Vol. 91, Issue 10, pp. 146-147. Kiron, D., Kirk-Prentice, P. and Boucher-Ferguson, R. (2014) Raising the Bar With Analytics, MIT Sloan Management Review, Vol. 55, No. 2, pp. 29-33. Provost, F. and Fawcett, T. (2013) Data Science and its Relationship to Big Data and Data-Driven Decision Making, Big Data, Vol. 1, No. 1, pp. 51-59. Tufte, E.R. (1983) The Visual Display of Quantitative Information, Graphics Press, Cheshire, CT.