Digitalisering är inget nytt. Det är vår verklighet och vardag. Det digitala klimatet kräver dock att verksamheter effektiviseras, att nya tjänster och sömlösa kundupplevelser utvecklas för att kunna vara med på en stenhård marknad. Det kräver i sin tur mängder med data av hög kvalité och för att uppnå det måste du ha styrning, kontroll och uppföljning i din organisation.

Digitalisering genererar mängder med datapunkter som i sin tur kan analyseras med hjälp av AI och maskininlärning för att exempelvis vidareutveckla era tjänster och produkter.

Digitaliseringen öppnar upp mängder med möjligheter för organisationer som vill ligga i absoluta framkant. Det finns dock en del utmaningar också. Du måste säkerställa att din organisation är mogen och redo för att nyttja alla aspekter av digitaliseringen innan ni gasar på. Ska ni exempelvis satsa på maskininlärning så kräver det en mogen organisation med medarbetare som har en gedigen affärskunskap såväl som djup förståelse för vilken data ni behöver och hur denna ska nyttjas för att skapa affärsvärde för er organisation. Det är inte alltid helt enkelt att få ut värdet från er data.

Denna artikel ger en bra förklaring till varför många organisationer misslyckats med att nyttja sin data som ett sätt driva affärer: ”Why You’re Not Getting Value from Your Data Science”

Det vanligaste vi stöter på är att det saknas personer med förståelse och kunskap kring både data och affären. Det innebär inte att samma person behöver vara expert på båda. Utan det innebär att man har sin expertis och sitt djup inom det ena benet, men en såpass bra förståelse för det andra att du kan koppla data och affär. Det är först då du kan få ut värdet.

Här listar jag 3 faktorer som enligt min erfarenhet ofta orsakar att man inte nyttjar den data man har tillgång till:

Missar tider det tar att preppa data – många inom verksamheten anser säkert att vi har obegränsade mängder data och vill att analytiker snabbt och enkelt ska ta fram rapporter och insikter som de kan jobba vidare med. Det är dock inte alltid så enkelt om just denna data inte använts tidigare. För rådata som inte använts i analyser tidigare krävs en del förarbete för att göra informationen användbar. En affärsanalytiker behöver exempelvis först förstå varför denna data ser ut som den gör, vad för information den innehåller, vilken affärslogik som leder till att data genereras på ett visst sätt och så vidare. När vi har en förståelse för innehållet måste informationen tvättas, transformeras, kvalitetssäkras och lagras på ett sätt som gör det lättare för en analytiker att modellera datan och skapa rapporter och insikter. Detta förberedande arbete tar alltid längre tid än att koda själva algoritmerna bakom rapporter och dashboards.
Saknar viktiga integrationer – Många team arbetar idag i silon vilket gör att även datan hanteras och lagras på olika ställen. När informationen inte är ihopkopplat är det ofta svårt att få en helhetsbild. För att kunna generera värdefulla insikter måste data från olika affärssystem integreras med varandra. Några exempel är integration av data från ditt CRM med Web Analytics-data som ger dig viktiga insikter kring vilka kunder som skulle kunna vara intresserad av olika produkter och tjänster. Dessa insikter är väldigt värdefulla för re-targeting eller riktad kundkommunikation.
Saknar förståelse för varandra – En digital affärsmodell är snabbrörlig och du måste hela tiden anpassa dig till kundens behov, som ofta ändras fort. Det är givetvis väldigt viktigt att ditt analys-team (data science teamet) hänger med i den digitala utvecklingen för att skapa rätt förutsättningar för verksamheten. För att kunna göra snabba analyser och driftsätta modeller snabbt i produktionsmiljö behöver dataflöden vara automatiserade och informationen vara kvalitetssäkrad. Här kan det finnas begränsningar i er befintliga infrastruktur och IT-miljö. Dessa eventuella begränsningar behöver verksamheten känna till för att kunna hantera förväntningarna därefter. Samtidigt behöver data science teamet också förstå affärsvärdet i det uppdraget som de ska lösa. Båda måste därmed ha en förståelse för varandra för att lyckas tillsammans.

Mina 4 tips för att nå era affärsmål med data som grund:

Sätt en transparant data-strategi och governance för hantering av data i organisationen.
Säkerställ en infrastruktur och data-arkitektur som möjliggör uppfyllandet av era affärsmål.
Inför tvärfunktionella team för öka kommunikationen mellan verksamheten och data-teamet. Ni skapar mer värde tillsammans!
Var agil i allt ni gör. Se till att leverera i kortare iteration. Tänk att det är bättre att ”fail fast” och ändra än att fortsätta på fel spår länge.

Vägen till automatiserade dataflöden och maskininlärning i produktionsmiljö är svår och kan ta tid. Det finns inga genvägar, du måste göra grundarbetet väl för att kunna hämta hem nyttan längre fram. Vill du ha tips på hur andra kommit igång och lyckats väl? Kontakta oss så ger vi dig våra bästa tips!