Data analytics fyra hörnstenar för bättre beslut

Dela med dig:
Dela på facebook
Dela på twitter
Dela på linkedin
Dela på email
data analytics beslutsstöd

Det är tuffa tider för många företag. I en värld i snabb förändring känner många att de vill ha fakta om verksamheten: hur mycket sålde vi för förra veckan? Hur länge räcker lagret? Vilken beläggningsgrad kommer vi att ha nästa månad? Magkänsla och antaganden duger inte när nästa beslut kan vara affärskritiskt. Informationen finns någonstans i företaget, men vad krävs för att omvandla all data till beslutsstödet du behöver?

Bra data analytics är som ett hus: det räcker med att en av hörnstenarna saknas för att det ska rasa.                            

Att arbeta datadrivet innebär att arbeta faktabaserat. Det kräver rätt förutsättningar för ditt beslutsstöd. Så här sammanfattar Carl-Johan Nordqvist de fyra hörnstenarna som krävs för att bygga ett bra beslutsstöd.
Ladda ner e-boken: Så använder du data för att ta bättre beslut

1. Ordning och reda

Den första hörnstenen är att ha ordning och reda på datan. Hur ospännande det än låter är det förutsättningen med stort F för alla datadrivna beslut. Det vi pratar om är alltså den gemensamma så kallade masterdatan som delas av flera intressenter, affärsprocesser och system. Det kan vara kunddata, produktdata, försäljningsdata, lönedata – all information som behövs för att bedriva en verksamhet. Trots att affärstransaktionerna står och faller med masterdatan har många dålig koll på den. Det betyder dålig datakvalitet, vilket i sin tur innebär att beslut fattas baserat på gammal data, felaktig data, svårtolkad data – eller ingen data alls.

För att du och dina kollegor ska kunna få fram den information ni behöver, måste ni först ta reda på vad ni behöver. Det vill säga definiera de begrepp och de mätetal verksamheten bygger på. Var och en kan ställa sig frågan: vad vill jag kunna få svar på när som helst i mitt arbete?

Om företaget till exempel har affärsregeln att alla kunder ska ha ett giltigt kundnummer, eller att alla avtal med en viss rabatt ska godkännas av viss person, så behöver företagets datamodell stödja detta. Datamodellen talar om vilka händelser och vilken data som ska lagras och hur de hör ihop. Att definiera de databegrepp som behövs är alltså en viktig del av att bygga och underhålla sin datamodell. Otydliga och icke-existerande definitioner är ofta källan till onödiga fel, missförstånd, bortslösad tid, kostnader och förseningar. I ett beslutsstödssystem ska en siffra betyda en och samma sak för alla berörda. Det får bara finnas en sanning.

”Det får bara finnas en sanning.”

En annan vanlig utmaning är att masterdatan är utspridd på flera olika system i företaget. Kunddata kan till exempel finnas i CRM-systemet, systemet för marketing automation, ekonomisystemet och kundsupportsystemet på en och samma gång. Om samma data är organiserad på olika sätt i olika format i de olika systemen behöver den harmoniseras och synkroniseras. Det allra bästa är att samla all masterdata på ett ställe, gärna ett så kallat datalager eller data warehouse (länk till artiklarna om datalager respektive data warehouse).

2. Kraftfulla användargränssnitt 

Lättanvända, visuella och insiktsskapande användargränssnitt är avgörande. Det måste vara enkelt att konsumera data, annars är risken uppenbar att den inte används fullt ut. Bland dagens verktyg finns möjlighet att kolla inte bara kundreskontra och konsoliderade finansiella nyckeltal, utan också att komma till nya insikter och hitta nya lösningar genom att laborera med information från olika källor på skärmen. Med ett bra verktyg behöver du inte lägga tid på att sammanställa information. Det ska vara lätt att bygga de rapporter du vill ha, anpassade efter dina behov. När du sen behöver dem skapas de automatiskt. På så sätt frigörs tid en hel del tid som du kan använda till analys. Power BI och Analytics Cloud är exempel på sådana verktyg.

Förutom automatiserade rapporter kan du följa verksamheten via så kallade dashboards – instrumentbrädor – där den information du behöver hålla koll på finns samlad. Ofta presenterad i en form som gör informationen relevant, lättöverskådlig och lätt att se avvikelser i. En säljchef kan lätt följa vissa nyckeltal, som bokade order eller försäljning för varje säljare, utan att behöva hoppa runt på olika sidor eller öppna olika spreadsheets för att hitta informationen. Om något väcker frågor är det enkelt att göra drill-downs, gräva djupare, genom att klicka sig vidare och få mer detaljer.

3. Tydligt ägarskap och utveckling

En verksamhet är i ständig förändring, därför måste man ha en effektiv och agil förvaltning som säkerställer att analysförmågan alltid är i linje med verksamhetens krav. Ett beslutsstöd blir aldrig färdigt utan behöver stödja verksamhetens förändringar med nya lösningar. Ett företag som till exempel börjar sälja till en helt ny kundgrupp behöver definiera den i sin datamodell för att kunna följa upp hur försäljningen går.

En datamodell behöver alltså uppdateras kontinuerligt för att den ska hänga med i verksamhetens utveckling. Master Data Management, MDM, innebär att man på ett strukturerat sätt hanterar, organiserar, kategoriserar, synkroniserar och berikar sin master data så att den stöder företagets affärsregler och strategier.

Förvaltningen av företagets data och beslutsstöd är inte gjord på en kafferast – inte minst i tider av förändring. Den kräver ett tydligt ägarskap, tid och engagemang.

3. Hög automatiseringsgrad

Beslutsstödssystemet är de tekniska plattformarna, applikationerna och verktygen som lagrar, bearbetar och samlar ihop datan som behövs, vid den tidpunkt och på det ställe där besluten fattas. Där hittar vi inte minst affärssystemet. Det är avgörande att detta sker med så stor automatik som möjligt så att dina medarbetare kan lägga sin tid på värdeskapande analys, inte datainsamling. Användarna måste tillåtas att fokusera på analys av data, inte administration av data.

”Användarna måste tillåtas att fokusera på analys av data, inte administration av data.”

Beslutsunderlag använder ofta data som lagras i olika system och databaser i företaget, exempelvis antal beställda produkter och lagersaldo. Om all relevant data i företaget samlas och struktureras i ett gemensamt datalager får du överblick och kontroll över den. Datakvaliteten kan säkerställas med en process som heter ETL, Extract, Transform, Load, där datan samlas in, valideras och tvättas innan den laddas upp i datalagret. Resultatet är analysvänlig data i rätt format som följer datamodellen. Och som sagt, målet är att automatisera så mycket som möjligt av datainsamlingen.

Nu har du en stabil grund för ditt datadrivna beslutsstöd som håller, även om marken skakar ibland.

Så använder du data för att ta bättre beslut

Dela med dina vänner

Dela på facebook
Dela på twitter
Dela på linkedin
Dela på pinterest