Många beslutsfattare jag pratat med upplever samma sak som jag själv: behovet av att få kontroll. Magkänsla duger inte längre – jag vill ha fakta. Nu.
Men de tuffa tiderna kan bli en väckarklocka som får företaget att prioritera ett datadrivet beslutsstöd. I ett skarpt läge går dataanalys från ”nice-to-have” till ”must-have”. För det är i din egen data du finner svaren du behöver.
Även om du inte uppnår krisimmunitet kan du använda data för att bygga upp företagets motståndskraft. Och det finns en hel del du kan göra.
”Analytics går från nice-to-have till must-have.”
Grunda besluten på fakta
Egentligen är det rätt enkelt. Skillnaden mellan att tro och att veta gör hela skillnaden. Rationella beslut baserade på fakta är bättre än att gå på magkänsla. Att följa sin magkänsla innebär ju att man följer impulsen att välja det som ”känns” rätt, vilket brukar vara det som är välbekant och invant – inte minst i en orolig omvärld. Utan fakta dras du kanske med av känslor som oro eller optimism och förbiser information som talar för något annat. Du kanske förlitar dig på vad andra säger, men det som sagts i mötesrummet (eller mötesappen) kan visa sig vara en modern sägen. Kanske sa en person något som sen upprepades av många andra tills det blev en ”sanning”. Om du granskar ”beslutsunderlaget” finns det risk för att det låg missförstånd och tyckande bakom. Det är mänskligt – men fakta slår magkänsla.
Testa, mät och förbättra
Med ett datadrivet beslutsstöd kan du kontinuerligt testa dina antaganden på verkligheten och snabbt få återkoppling. Över tiden blir det tydligt vad som fungerat bäst och vad som inte fungerat alls. Du kan till exempel följa försäljningsutvecklingen under en kampanj och justera den under gång. Resultatet påverkas av långt fler variabler än vad mänskliga hjärnor kan hantera. Det som visat sig mest effektivt inom dagens marknadsföring på nätet är ett iterativt, experimenterande arbetssätt där man hela tiden lär sig och förbättrar. Samma princip kan tillämpas på försäljning, produktutveckling, produktion och ekonomi. Genom att samla in och analysera data har du betydligt bättre förutsättningar att trimma organisationen.
Du kan också avslöja viktiga samband mellan olika dataparametrar. Identifiera framgångsfaktorer, till exempel: vad kännetecknar egentligen era mest framgångsrika säljare? Vad utmärker era bästa kunder? Vilket innehåll på hemsidan och vilka kanaler genererar flest framgångsrika leads?
Trimma processerna
Upptäck och åtgärda avvikelser
Utan att mäta och analysera relevanta KPIer löpande är det svårt att veta vad som behöver åtgärdas, än mindre vilken effekt ens åtgärder har, eller om målen är rimliga.
Om du istället jämför mål och utfall med statistik bakåt i tiden, branschens genomsnitt och best practice, får du en värdefull reality check. Var skiljer de sig? Finns det avvikelser mot andras produktionskostnad, felfrekvens eller sjukfrånvaro? Svaret indikerar hur ditt företag ligger till jämfört med konkurrenterna. Du har koll på vad som är på spåret och vad som behöver förbättras.
Utnyttja resurserna bättre
När du analyserar avvikelser i data över tiden kan du upptäcka flaskhalsar och processer med underkapacitet – och överkapacitet. Det ger dig möjlighet att styra om resurserna till där de behövs mest.
En annan inte oviktig aspekt är att medarbetare brukar prioritera det som regelbundet mäts och följs upp – på så sätt är det ett utmärkt styrmedel.
Avslöja de ruttna äggen
Just nu har du kanske en olönsam process, produkt, produktionslinje eller kund utan att känna till det. Data kan ge dig svart på vitt: så här ser det ut just nu. Här är kostnadsdrivarna, här är de dåliga äggen. Det är goda nyheter, för nu kan du göra något åt dem!
Undvik produktionsstopp och nertid
En produktionslinje som står stilla är en mardröm för ett tillverkningsföretag. Med så kallad prediktivt underhåll analyserar dataprogram löpande maskinernas resultat och förutsäger när någon av dem sannolikt kommer att gå sönder. Enligt McKinsey kan det minska maskinernas nertid (down time) med 30 till 50 procent och förlänga deras liv med 20 till 40 procent.
Optimera lönsamheten i arbetsprocesser
Genom att stora mängder data från en process samlas in och analyseras av ett program, kan den trimmas och förbättras. En produktionslinje kan till exempel leverera högre avkastning om man snabbt fångar in avvikelser från den tillverkningstakt, kvalitet eller beläggningsgrad man vill ha, eller borde ha, och sätta in rätt åtgärder. Det handla om att justera komponenterna i ett material, omfördela resurser eller att använda outnyttjad kapacitet.
Identifiera affärsmöjligheter
Vilka av dina kunder eller branscher är mest lönsamma? Vilka är minst lönsamma? Vilka kundbehov ökar? Aktuella svar på sådana frågor kan avgöra hur framgångsrik din affärsstrategi blir.
Så kallat prediktivt beslutsstöd (länk till artikeln Så tar du bättre beslut genom data analytics) gör att du kan upptäcka signaler från marknaden tidigt och reagera snabbt på dem. Affärsmöjligheter kan gömma sig där du minst anar det. Kanske upptäcker du en ledig kapacitet och en ökad efterfrågan på en viss tjänst som matchar varandra.
Till sist – några råd
Utgå från best practice
När du bygger ditt beslutsstöd, utgå inte bara från ditt gamla system och det beslutsstöd som redan finns. Det har hänt mycket sen det byggdes. Om du byter affärssystem är det oftast effektivast att utgå från det nya systemets datamodell. Sen testar du den och anpassar den till din verksamhet. Ett standardpaket innehåller nyckeltalen de flesta behöver.
Konsolidera beslutsstödet
Ta ett stort grepp när ni tar fram beslutsstödet. Varje beslutsfattare utgår först och främst från sitt ansvarsområde, sina unika behov och sin egen data. Resultatet blir lätt osynkade beslut, silotänkande och suboptimering, men det behöver inte vara så komplicerat. På ledningsnivå är det effektivare om alla tittar på en och samma bild istället för att var och en kommer till mötet med sitt eget excelark. Beslutsstödet ska stödja en gemensam, samlad bild av verksamheten, som uppmuntrar till att vara öppen med problemen – i längden tjänar ingen på att maskera dem.
Våga ifrågasätta invanda processer och gamla antaganden
En kris är en bra test för både verksamheten och beslutstödssystemet. Fall inte i fällan att utgå från att det som ”fungerat” hittills är det bästa – eller ens duger. Med dataanalys kan det alltid bli bättre.
