Bli en datadriven ­digital vinnare

Annons

Digitaliseringen genererar en exponentiellt växande guldgruva av data, som bara väntar på att utvinnas i prediktiva och automatiserade affärsbeslut. Befintliga företag som vill bli framgångsrika i sin digitala transformation behöver anamma samma tankesätt och en ökad mognad i att arbeta datadrivet för att inte se sig omsprungna av algoritmerna, en resa som ofta bäst startas med experimenterande och testande snarare än implementering av storskaliga system.

I förra numret skrev jag om hur digitaliseringen kräver en förändrad syn på risk och misslyckande för att befintliga organisationer inte skall bli ifrånsprungna av sina nya och disruptiva konkurrenter. Misslyckandet måste således omvärderas från att ses som just ett misslyckande till att istället ses som direkt nödvändiga lärdomar som i sig rättfärdigar investeringar. Det i sig möjliggör en förändrad styrning och kultur, kortad tid från idé till marknaden och ökad innovationsgrad.

Successivt öka träffsäkerheten
Ordet lärdomar är dock extra viktigt här. Risken är annars att organisationen uppmuntrar till innovation och kortar både de interna ledtiderna och tiden till misslyckande på marknaden. Men – om man inte samtidigt skaffar sig förmågan att förstå varför merparten av dessa produkter och tjänster misslyckas (och varför vissa lyckas) blir det omöjligt att successivt öka träffsäkerheten och därmed lära sig som organisation. Kontentan blir att investeringen därmed blir tämligen värdelös och förändringen inte uthållig över tid. Det är här förmågan att dra lärdom av och fatta framtidsinriktade beslut baserat på data kommer in. Och att i förlängningen operationalisera och automatisera dessa i takt med att mognaden ökar, så att organisationen hela tiden kan ha fokus på att generera nya lärdomar, bli effektivare och förädla sig själv.

Bli en datadriven ­digital vinnare

Modeordet på allas läppar – vad innebär det för dig?
Tittar man bakåt har data varit ordet på allas läppar under ett antal år. I olika form och skepnader har det utsetts till en av de huvudsakliga megatrenderna för företag att förhålla sig till och lära sig agera på. Det har pratats om big data och om hur data är den nya oljan. Fakta är dock att varje minut skapar Facebook-användare 2,5 miljoner nya delningar av information, 4 miljoner sökningar på Google genomförs och 200 miljoner e-mail skickas. År 2007 lagrade vi gemensamt 300 exabyte av data och år 2013 var den siffran uppe i 1200 exabyte. Digitaliseringen genererar således en flodvåg av extern data.Kombinerat med detta har du antagligen själv en mängd olika datakällor, vissa som mäts idag och andra som ännu inte identifierats som viktiga att mäta. Gemensamt utgör dessa potentiell guldgruva som i teorin bara väntar på att analyseras och användas till en mängd olika affärsbeslut, men som få ännu lärt sig bemästra.

Runt hörnet väntar artificiell intelligens, som i grunden innebär att låta denna data bli autonom, agera på sig själv och förädla sig själv genom slutsatser av utkomsten. Länge har detta befunnit sig tidigt på hypekurvan med mycket vision och begränsad affärs­mässig eller kommersiell tillämpning. Nu börjar teknologin på allvar mogna med flera intressanta tjänster och produkter på marknaden.

Inom ett par år är det inte osannolikt att varje konsument har en egen AI-baserad assistent som hjälper oss att fatta rätt beslut baserat på realtidsdata, antingen helt autonomt eller i samråd med sin ägare. Det i sin tur skapar helt förändrade förutsättningar för bland annat produktutveckling och marknadsföring där många vardagsbeslut kommer bli delegerade till våra assistenter, vilka i sin tur kommer fatta i det närmaste helt rationella beslut baserat på stora mängder data. I ljuset av detta verkar det också högst sannolikt att assistenterna även ­kommer kunna göra många av de jobb som idag utförs av människor. Helt nyligen släpptes till exempel den första poplåten skapad av artificiell intelligens och den självkörande bilen känns redan som en självklarhet som snart är redo att ersättas av den självflygande drönaren med kapacitet att transportera människor. Automatiseringen flyttar således på allvar bortom robotisering och in på det intellektuella området. Klarar din befintliga organisation av att konkurrera med en algoritm?

Från reaktiv till preskriptiv – en fråga om affärsvärde
Många företag har idag en reaktiv analysfunktion där rapportering sker nedifrån och upp. Analysen är ofta beskrivande, det vill säga tittar bakåt i tiden i syfte att försöka förstå vad som hänt och jämför inte sällan med en motsvarande period till exempelvis föregående år. Arbetet är i hög grad manuellt och syftet är att förstå vad som hände, samt i vissa fall varför det hände.

Att ta nästa steg i mognadstrappan handlar om att bli prediktiv, det vill säga att kunna förstå och förutsäga framtida händelser. Ett enkelt exempel skulle till exempel kunna vara en handlare som drar slutsatsen att vinterjackor är den mest lönsamma varukategori de säljer och därmed vill öka försäljningen av dessa. Finns det då något annat som kunder köper som verkar påverka huruvida man också köper en vinterjacka? Det kanske visar sig att kunder som köper en skjorta är betydligt mer benägna att också köpa en vinterjacka – men bara om prognosen samtidigt visar regn. Genom dessa insikter kan företaget bättre anpassa sitt sortiment, sin lagerhållning och sin marknadsföring för att driva försäljning av vinterjackorna.

Enligt en rapport from Forbes (2015) uppger 86 procent av de som arbetat med prediktiv analys att de sett en ökad ROI på investeringarna.

Flytta beslutsmandatet
När vi blivit prediktiva handlar nästa steg om att bli preskriptiva genom att operationalisera och automatisera – att flytta beslutsmandatet från personer till algoritmer. I ovanstående exempel skulle detta innebära att automatiskt fylla på lagret av skjortor och vinterjackor när prognosen visar regn, exponera dessa produkter i butiken samt att automatiskt marknadsföra dessa, självklart endast till de kunder man kan prediktera att är mest sannolika att köpa och i de för kunderna mest relevanta kanalerna.

Amazon.com är ett ständigt relevant exempel när det handlar om att arbeta moget med data och vilka möjligheter det ger. Rekommenderade produkter eller kombinationer av produkter, vilket ofta är en väldigt manuell process i traditionell detaljhandel, sker här helt preskriptivt med hjälp av algoritmer och står för 35 procent av e-handlarens totala omsättning.

Men preskriptionerna hos Amazon handlar inte bara om marknadsföring och försäljning, utan lika mycket om effektivitet som bidrar till både sänkta kostnader och ökad kundnöjdhet. I företagets gigantiska lager har man till exempel designat lager­hyllor med intelligens, som flyttar sig närmare utgången baserat på algoritmer om vilka produkter som kommer sälja mest. Genom detta kan tiden som spenderas med att packa varje order, liksom tiden fram tills ordern lämnar varuhuset och når kunden minimeras.
Användningsområdena är breda. Några andra exempel:

  • Vid Stanford har man gjort försök som visar att prediktioner bättre kunde upptäcka bröstcancer än specialistläkare.
  • En telekomoperatör minimerar churn genom att prediktera kunder som är tre gånger så sannolika att lämna när bindningstiden löper ut som snittet.
  • Ett försäkringsbolag sparar 40 miljoner dollar per år genom att bättre prediktera försäkringspremier endast baserat på information om den försäkrade bilen.

Var börjar man?
Att ta steg mot att bli mer datadriven behöver inte börja med innebära total omställning, stora inköp eller tunga implementationsprojekt – men kommer kräva förmågor att analysera data och bygga prediktiva modeller.

Börja med att fundera på vilka frågor du skulle vilja ha möjlighet att prediktera och vilket potentiellt värde det skulle ge din organisation. Inventera den data du har tillgänglig och komplettera med externa tillgängliga källor för att kunna besvara frågan.

Därefter – skapa algoritmer och modeller samt testa hypoteserna på historisk data. Det ger en bra indikator på hur bra algoritmen kommer kunna förutse det som ännu inte hänt. Att sätta upp den här typen av hypoteser är med fördel någonting organisationer kan experimentera småskaligt med för att därigenom hitta nya insikter och ­successivt öka sin mognadsgrad i takt med att ”vinsterna” och förståelsen i organisationen kommer.

Operationalisera och automatisera, förändra tidigare manuellt arbete samt skapa processer som säkerställer att framtida beslut i frågan baseras på data.

Resan från reaktiv till preskriptiv går inte över en natt och handlar precis som så mycket annat lika mycket om kultur som teknik. Som CFO har du förutsättningar att spela en nyckelroll i att utveckla båda dessa perspektiv och skapa en mer effektiv, kontinuerligt lärande och kanske till och om självförädlande organisation och en framtida digital vinnare.

Christoffer Vollmer
About Christoffer Vollmer 4 Articles
Christoffer Vollmer är Senior Strategikonsult på Forefront Consulting Group.