Känner du till beslutsstödets fem nivåer?
Ju mer avancerat och utvecklat beslutsstödet är i organisationen, desto högre värde kan beslutsstödet addera till verksamheten.
”Vi vet att majoriteten av dagens företag endast utnyttjar en bråkdel av de möjligheter som finns på dagens plattformar för beslutsstöd”. Se och Lyssna när Carl-Johan Nordqvist beskriver konsekvenserna som ofta leder till sämre beslut eller i värsta fall fel beslut.
Så vilka är de fem nivåerna och vilken nivå ligger ditt företag på?
Deskriptivt beslutsstöd – vad händer?
Deskriptivt betyder beskrivande, och den mest grundläggande nivån av beslutsstöd handlar om att beskriva det som hänt. Här befinner sig många av de företag som – i varierande grad – grundar sina beslut på fakta. Vi vet att majoriteten av dagens företag bara utnyttjar en bråkdel av de möjligheter som finns på dagens plattformar för beslutsstöd.
Beslutsunderlaget är historisk och statistisk data. Det brukar fylla många olika syften, från att se hur lagersaldot varierade förra kvartalet till att jämföra försäljningsutvecklingen. Det hjälper dig att förstå hur företaget har presterat, utläsa trender och hitta avvikelser. Det deskriptiva beslutstödet beskriver hur olika nyckeltal – från intäkter och kostnader till investeringar och antal anställda – har utvecklats. Klassisk rapportering helt enkelt, som i din senaste årsredovisning eller kvartalsrapport.
”Vi vet att majoriteten av dagens företag bara utnyttjar en bråkdel av de möjligheter som finns på dagens plattformar för beslutsstöd.”
Diagnostiskt beslutsstöd – varför händer det?
När du ser kostnaden för en produktionslinje öka oroväckande vill du antagligen veta vad som ligger bakom så att du kan vända utvecklingen. Om säljarna i produktområde X har sålt dubbelt så mycket per capita som säljarna i produktområde Y förra året, vill du säkert veta vad det beror på.
Diagnostisk analys – ibland kallad root cause analysis eller orsaksanalys – är ett naturligt nästa steg. Den ger svar på varför den historiska datan ser ut som den gör. I vårt exempel förser den dig med information som kan förklara kostnadsökningen och varför de som säljer produkt X var så framgångsrika. Kanske genom att visa ett samband mellan två variaber (så kallade korrelationanalys). Kanske upptäcker du att en leverantör har smyghöjt priset under flera år, byter ut den och – voilá – produktionskostnaden sjunker. Eller att de framgångsrika säljarna har arbetat med en viss säljteknik som kan införas av de andra säljteamen, och mycket riktigt: snart ser du ett uppsving i försäljningen.
Bland de diagnostiska analysteknikerna hittar du två kraftfulla metoder för verksamhetsförbättring: drill-downs och data mining. En drill-down tar användaren från generell till mer specifik data med mer detaljer, man gräver sig så att säga ned till djupare datalager till exempel för att förstå orsaken bakom ett visst resultat. Vid data mining analyseras data från olika källor för att hitta mönster och samband mellan olika databaser och system. Det används ofta för att göra upptäckter, men också för att kunna göra förutsägelser. Vilket tar oss till nästa nivå.
Prediktivt beslutsstöd – vad kommer att hända?
När du har kommit så här långt har du bättre koll på vad som har hänt och varför, och kan dra slutsatser utifrån historiska fakta istället för att gå på magkänsla. Härlig! Men alla beslut handlar ju ytterst om att försöka påverka framtiden till företagets fördel. Vi kan aldrig veta vad som kommer att hända, men vi kan göra kvalificerade gissningar utifrån sannolikhetsberäkningar.
Genom att analysera stora mängder historisk data kan vi få fram mönster och samband. Vi kan identifiera indikatorer för olika potentiella händelser. Den som gissar bäst ligger steget före sina konkurrenter och är bäst förberedd på oundvikliga förändringar. Vi människor har våra begränsningar, men tack och lov finns det programvara som kan hjälpa oss.
Prediktivt beslutsstöd använder insamlad historisk data till att göra faktabaserade prognoser. Med hjälp av datan bygger programvara på egen hand matematiska modeller och algoritmer som upptäcker relevanta trender som man kan väga in i sina beslut som man inte hade kunnat upptäcka själv. Kanske visar det sig att marknadspriset för ett material vi använder i våra produkter är på väg upp. Kanske kommer en av våra produkter snart bli olönsam.
Inom detaljhandeln är många företag beroende av prediktiv analys för att hela tiden kunna förbättra sina erbjudanden och sin marknadsföring i hård konkurrens om kunderna. Några andra branscher som i hög grad förlitar sig på analysmetoden är försäkring, bank och finans och energi.
Preskriptivt beslutsstöd – vad ska göras?
När mängden data som samlas in och bearbetas av dina system ökar, behöver du inte nöja dig med förutsägelser och prognoser. Ett datadrivet beslutsstöd ska kunna ge dig rekommendationer baserat på fakta och inte känsla. Utifrån data som vi människor inte har en chans att få rätsida på, ”vet” algoritmerna efter ett tag vilka lösningar som rent statistiskt har bäst chans att uppnå resultaten vi satt upp.
Preskriptiv analys bygger på deskriptiv och prediktiv analys och drar slutsatser om vad du bör göra. En del beslut kan till och med fattas och utföras av maskinvaran – tänk dig vilken fördel att kunna fokusera på det strategiska och inte dras ned av alla dagliga beslut. Många av småbesluten i en verksamhet kan lika gärna fattas ”automatiskt” baserat på befintlig data plus en uppsättning regler. Och för besluten du behöver engagera dig i behöver du inte gräva efter data. Istället får du rekommenderade handlingsalternativ och deras sannolika resultat.
”Ett datadrivet beslutsstöd ska kunna ge dig rekommendationer baserat på fakta och inte känsla.”
Kognitivt beslutsstöd – självlärande algoritmer
Kognition är mentala processer och tänkande, så namnet på den femte nivån av beslutsstöd förpliktigar.
Kognitiv analys försöker härma människohjärnan genom att hela tiden dra slutsatser av existerande data och mönster och bygga på sin kunskapsbas med nya slutsatser i en självlärande loop. Det är svårt att inte tänka på när Google DeepMinds AI-program Alphago överraskande besegrade go-världsmästaren Lee Sedol 2016. Go är ett betydligt mer komplext och utmanande brädspel än schack som kräver intuition, kreativitet och strategiskt tänkande. AlphaGo använder så kallade neurala nätverk och lärde sig spelet själv genom att analysera data från miljontals spelade gomatcher och matcher mot sig själv. Inte ens de som utvecklade AlphaGo vet hur algortimen utvärderar spelpositioner och väljer sitt nästa drag. Det är nog klokt att göra maskinerna till våra vänner.
Nu har du förhoppningsvis en uppfattning om var ditt företag befinner sig.
Vad skulle hända om ni flyttade upp ert beslutsstöd en nivå?
