Lær hvordan du kan tilpasse Big Data-initiativer til din virksomheds strategi og validere din indsats med Key Performance Indicators.

Nøglepunkter i artiklen:

• Hvad er Big Data?
• Udfordringer ved Big Data
• KPI’er og Big Data
• Fokuser Big Data
• Mag Big Data målbart
• Automatisering med BSC Designer

Sign-op med et gratis abonnement for at få adgang til Big Data Scorecard samt 28 andre scorecard-skabeloner.
Slutningen af året er et godt tidspunkt til at tale om nye tendenser: selvkørende biler, kunstig intelligens, virtual reality og Internet of Things. Hvilken effekt vil disse tendenser have på din virksomhed? Hvordan kan du tage højde for en mulig indvirkning af disse spilforandrende idéer? Alle de nævnte tendenser fortjener en detaljeret analyse, men der er én, som synes at være forbundet med alle de andre. Jeg taler om Big Data. AI vil have brug for det, selvkørende biler er baseret på det, og selvfølgelig bruges det allerede af mange virksomheder.

I BSC Designer talte vi meget om KPI’er og strategi. I denne artikel foreslår jeg at diskutere, hvordan en velbeskrevet strategi og skræddersyede KPI’er kan hjælpe til at fokusere på Big Data-indsatsen. Her er vores plan for denne artikel:

• Big data. Hvad er det? Hvad er de største udfordringer?
• KPI’er for big data. 4 niveauer af KPI’er og opnåelse af strategisk tilpasning.
• Handlingsplan. Målbar implementering af big data.

Hvad er Big Data?

Big data handler om analyse af store, ustrukturerede datasæt.

Big data kan karakteriseres ved 3 V’er:

• Volumen. Det er meningen, at datasættene skal være store. Der er nogle vurderinger om, at det skal være mindst 10 GB eller 1 TB, men et bedre kriterium ville nok være at sige, at big data er noget, der skal distribueres (med hensyn til lagring eller beregninger). Hvis man skulle skifte til Hadoop eller en lignende ramme, så er det ved at blive stort.
• Variety. Tænk på forskellige kilder til strukturerede og ustrukturerede data. Det kan være udvundet fra tekst, video, salgsdata, sociale medier, vejrudsigter, eller hvad der nu giver mening i din kontekst.
• Hastighed. Den store datamængde er et resultat af hurtig datagenerering. Tænk på tusindvis af flyelementer, der konstant overvåges, eller på en konstant strøm af kommentarer i sociale medier, eller på realtidsdata, som wearable devices leverer.

Ofte (tag IBM eller EY som eksempel) er der også et fjerde “V”, der står for “Veracity:”

• Veracity. Når vi taler om data, har vi altid at gøre med en vis grad af usikkerhed. Hvordan er dataene blevet indhentet? Har vi analyseret alle faktorer? Blev de manipuleret? Kan vi stole på disse tal?

Hvordan bruges dataene?

Big data bruges til en lang række forudsigelses- og adfærdsanalyser. Organisationer anvender big data til at reducere omkostningerne, forstå kundernes behov bedre og mindske risici. Tænk på en virksomhed, der bruger big data til at levere en skræddersyet oplevelse til kunderne; tænk på bedragerikontrol hos en e-handelsudbyder.

I begyndelsen af artiklen nævnte jeg nogle nye tendenser – big data er involveret i dem alle. Hvis du vil vide mere om praktisk brug af big data, anbefaler jeg, at du fortsætter med “7 Amazing Companies That Really Get Big Data” af den internationalt anerkendte ekspert Bernard Marr.

Hovedudfordringer ved big data

Den beskrevne vision om big data lyder meget ambitiøs. Hvorfor er virksomhederne så langsomme til at tage denne nye trend til sig? Hvad er de største udfordringer ved big data?

Data mining er ikke længere en stor udfordring

Sidst i oktober talte jeg på en konference arrangeret af SCIP (Strategic and Competitive Intelligence Professionals). Medlemmerne af denne organisation beskæftiger sig med big data inden for områderne market intelligence. Hovedtemaet for konferencen handlede ikke om mining af nogle CI/BI-data, som man måske kunne forvente, men om at afstemme business intelligence-indsatsen med en organisations strategi. Med andre ord, når en virksomhed først kender de spørgsmål, den ønsker at stille, er resten relativt let (se undersøgelserne nedenfor for nogle data).

Hvis data mining ikke længere er et problem, hvad er så de største udfordringer?

Udfordring 1. Fokusering af big data

Den største udfordring er at fokusere big data på det, der er vigtigt, og derefter levere dem i de rigtige hænder. Med andre ord skal der være nogen i organisationen, der skal begynde at stille de rigtige spørgsmål.

For at illustrere denne idé lad os tage en Target-historie, der var på overskrifterne tilbage i 2012. Denne detailhandler brugte med succes shopperanalysedata til at forudsige, at nogle af deres kunder var gravide. Lad os se på historien (uden at tage hensyn til den privatlivsrelaterede del) og se, hvad der faktisk skete. Andrew Pole, en statistiker, der arbejdede for Target, leverede ikke bare alle mulige data, han fik en meget specifik opgave af sine kolleger fra marketing – at identificere gravide shoppere i deres andet trimester.

Der var et fokus, og der var en enorm forretningsmæssig værdi forbundet med dette fokus, da nye forældre har en tendens til at ændre deres indkøbsvaner og købe alt i en enkelt butik. Det handlede ikke bare om at lege med data, det handlede om at finde data, der kunne hjælpe med at besvare et meget specifikt spørgsmål.

Udfordring 2. Tilpasning til forretningsstrategien

Big data vil være spilforandrende, når de giver en håndgribelig forretningsværdi. Med andre ord skal det være klart, hvordan big data-initiativerne understøtter en virksomheds strategi. NewVantage Partners spurgte i sin Big Data Executive Survey respondenterne om kulturelle hindringer for indførelse af Big Data i erhvervslivet. 42,6 % af respondenterne valgte svaret “Utilstrækkelig organisatorisk tilpasning”. Andre svarmuligheder omfattede manglende vedtagelse, mangel på en sammenhængende datastrategi og mangel på en fælles vision.

For at vende tilbage til Target-casen lykkedes det dem at løse to vigtige komponenter:

1. Big data fokuserede på en specifik forespørgsel: En datavidenskabsmand blev bedt om at identificere gravide kunder i deres andet trimester.
3. Tilpasning til en forretningsstrategi: Der var en klar forretningsmæssig værdi af dataene – familier, hvor der blev født et barn, blev kunder i én detailbutik i lang tid.

Udfordring 3. Datasikkerhed og privatlivets fred

Denne udfordring er ikke i almindelig brug endnu, men jeg tror, det er indlysende for enhver, at dataindsamling og -analyse skal være etisk og lovlig. General Data Protection Regulation (GDPR) blev håndhævet fra den 25. maj 2018 i Europa, og der findes lignende bestemmelser i andre lande. Virksomhederne skal være meget mere seriøse med hensyn til at følge datapolitikker, når de behandler personoplysninger.

Lad os diskutere KPI’er i forbindelse med big data.

KPI’er og big data

Er big data på vej til at erstatte KPI’er? Ikke helt. Big data kommer til at styrke KPI’er med mere nøjagtige og opdaterede indsigter.

Lad os tage NPS (Net Promoter Score) som et eksempel:

• NPS nu. Hvordan beregnes NPS (Net Promoter Score) i din organisation i dag? Sandsynligvis laver I en eller anden form for kundeundersøgelse hvert kvartal. Derfor er denne indikator forsinket i tid. Hvis der sker noget med din virksomhed, vil NPS vise det få måneder senere.
• NPS powered by big data. Forestil dig nu, at du bruger et eller andet big data-værktøj, der analyserer kundernes følelser i realtid (se Heedbook-referencen nedenfor). I dette tilfælde vil din NPS blive en realtids-KPI. I bund og grund vil du kunne se en specifik kundes reaktion på et specifikt tilbud og en specifik salgstilgang.

I nogle tilfælde vil du være interesseret i at grave dybere ned i dataene og komme til de specifikke situationer, og i andre tilfælde vil du have brug for at se de aggregerede data for ugen, måneden eller året.

KPI’er for Big Data

I forbindelse med Big Data er der tale om betydelige investeringer i de nye værktøjer og arkitektur, så det giver mening at overvåge disse initiativer med nogle hårde data. Big data-initiativerne bør også kvantificeres og måles. Det kan vi gøre på flere forskellige niveauer.

Niveau 1. 3-V-metrikker

De 3V’er (Volume, Variety, Velocity) af big data kan nemt kvantificeres:

• Datamængde er et mål i sig selv (GB, TB osv.)
• Variety kan kvantificeres som antallet af forskellige typer datakilder
• Velocity er defineret ved mængden af data, der genereres/analyseres pr. tidsperiode

Det fjerde V – Veracity er måske sværere at kvantificere. Du bliver nødt til at definere, hvad dit team betragter som nøjagtige data, og det afhænger af konteksten. For biler med forbrændingsmotor kan f.eks. måling af den aktuelle hastighed med et fejlniveau på +-5 km/t betragtes som nøjagtige data, mens det for elbiler ikke er acceptabelt. Definer 1-2 målinger, der giver en idé om datagenøjagtighed i dit tilfælde.

Er 3-V-målingerne nyttige? Det afhænger af din kontekst. Lad os tage Googles selvkørende bil som et eksempel. Bilen producerer 1 GB sensordata pr. sekund. Det tal ser imponerende ud! Vi kan estimere, hvor store de store data er, men disse tal vil ikke hjælpe os med de 3 førnævnte udfordringer.

Sign-up med et gratis abonnement for at få adgang til Big Data Scorecard samt 28 andre scorecard-skabeloner.

Niveau 2. Big data procesmetrikker

Lad os bevæge os til det næste abstraktionsniveau og se på big data-processen. Den forenklede model er som følger:

• Query
• Samling
• Analyse
• Rapportering

Den mest nyttige metrik i dette tilfælde er relateret til tid:

• Frekvens af dataindsamling
• Den tid, der er nødvendig for, at dataene er tilgængelige til analyse
• Den tid, der er nødvendig for, at dataene kan rapporteres i form af KPI’er

Benchmarks for tid afhænger af din forretningskontekst. For eksempel:

• Den selvkørende bil skal indsamle og analysere data i realtid, og millisekunderne af forskellen betyder noget, men
• I forbindelse med NPS er ledere måske interesseret i at gennemgå aggregerede ugentlige data

Med hensyn til proceseffektivitet kan vi spore:

• Forespørgsel for at rapportere konverteringsrate, %. I dette tilfælde skal vi først definere begrebet kvalificeret forespørgsel og derefter spore procentdelen af kvalificerede forespørgsler, som vores dataloger var i stand til at besvare
• Dataindsamlingskapaciteter. Nøjagtighedsniveauet for de data, som vi opsamler (de idéer, der er drøftet ovenfor i Veracity). For nogle virksomheder definerer disse kapaciteter deres bæredygtige konkurrencefordel.

Metrikkerne fra dette niveau giver os en bedre idé om, hvor effektive big data er, men vi har stadig ikke en anelse om big datas indvirkning på de reelle forretningsmål.

Niveau 3. Efterslæbende KPI’er. KPI’er til validering af big data-succes.

Et andet spørgsmål er, hvordan man kan validere succesen af big data-initiativer i virksomheden. På den ene side er der nogle betydelige investeringer i infrastruktur, på den anden side skal big data betale sig tilbage i form af forretningsindsigt. Hvordan kan vi måle en dollarværdi af disse indsigter?

I dette tilfælde er vi nødt til at spore de forbedringer, der kan tilskrives brugen af big data:

• Hvilken lære har vi draget af big data? Hvilke omkostningsbesparelser blev der opnået efter gennemførelsen af disse idéer?
• Hvordan ændrede kundefastholdelsesprocenten sig som følge af levering af en skræddersyet oplevelse? Hvordan ændrer kundernes livstidsværdi sig?
• Hjælper big data kundeservice til at blive mere effektiv? Hvordan ændrede sig løsningsgraden ved første opkald?
• Hvordan ændrede ansættelsesprocesserne sig, efter at man begyndte at bruge big data? Hvordan ændrede HR-metrikken for tid til præstation sig?

Som du kan se på dette niveau bruger vi klassiske KPI’er, som vi brugte før. Det, vi forsøger at gøre, er at tilskrive visse forbedringer til implementeringen af big data.

Denne tilgang kan være forudindtaget:

• Vi har en tendens til at tælle positive ændringer som vores resultater, og
• Vi ser negative ændringer som normale udsving, der altid sker.

Løsningen er at sigte mod større og mere håndgribelige mål.

Mange organisationer dygtiggør sig i denne målingsdel og køber blot “nogle store data”. Ifølge rapporten fra Capgemini Consulting har 67 % af de interviewede virksomheder ikke et veldefineret kriterium til at måle succesen af deres big data-initiativer. I betragtning af investeringens størrelse bør virksomhederne være mere systematiske med hensyn til at definere målene og succeskriterierne for implementering af big data.

Abonner med et gratis abonnement for at få adgang til Big Data Scorecard samt 28 andre scorecard-skabeloner.

Niveau 4. Førende KPI’er. Sikring af big data-succes.

Nu ved vi, hvordan vi skal måle resultatdelen af big data-initiativer, men hvad med den ledende del? Hvad skal vi gøre for at sikre en vellykket implementering af big data?

Den hårde del af big data er ganske håndgribelig, vi kan måle den ved hjælp af generiske målinger som:

• Fonde investeret i big data-initiativer
• Tidsforbrug på big data-initiativer

Business Goals Focus Big Data

Her er et virkeligt scenarie: en virksomhed investerede millioner af dollars i infrastruktur, værktøjer og indsamling af store data med Hadoop-klyngen, og der skete intet målbart. Det er det, vi talte om i udfordring 1: Big data er ikke AI, de kan ikke tale, og dit team skal lære at stille spørgsmålene. Hvordan kan vi så måle teamets rolle?

Her er nogle ideer til at komme i gang:

• Big data-træningseffektivitet. Sørg for, at nøglemedlemmer i dit team har fået noget uddannelse om big data. Det er ikke nødvendigt, at de bliver dataloger, men de skal vide, hvilke spørgsmål de kan stille, og hvordan de skal formulere disse spørgsmål. I dette tilfælde vil målingerne være relateret til træningseffektivitet.
• % af strategiske mål med big data-initiativer. Vi kunne spore antallet af big data-forespørgsler, der er formuleret af hvert team, men denne tilgang ville være meget formel og mindre nyttig. En bedre mulighed er at spore tilpasningen mellem mål og big data-forespørgsler. Bed dit team om at se på deres strategiske mål og derefter diskutere, hvilke data de kan have brug for for at træffe bedre beslutninger i forbindelse med disse mål.

Big Data hjælper med at formulere nye forretningsmål

Processen med at matche forretningskontekst og big data er bidirektionel. Nogle gange har vi en specifik udfordring i tankerne og leder derefter efter specifikke big data-værktøjer (som i tilfældet med Target), andre gange finder vi et interessant værktøj og forsøger derefter at matche det med vores mål. Her er nogle eksempler:

• Nogen i dit team fandt Heedbook, en tjeneste, der analyserer kundernes følelser i realtid. Tjenesten er bygget på Microsofts Azure og er tilgængelig i skyen. Dit kundeserviceteam får måske en idé til at bruge denne tjeneste til at beregne deres NPS bedre.
• Dit it-personale var udfordret med at finde en DLP-software (Data loss prevention). De faldt over SearchInform, som ikke kun kan analysere kommunikation og overførte filer, men som også kan håndhæve specifikke sikkerhedspolitikker. It-strategien i din organisation kan opdateres ved at tage hensyn til DLP-værktøjets muligheder.

Det er under alle omstændigheder en god idé at matche specifikke forretningsmål med kravene til big data.

Aktionsplan. Gør Big Data målbare.

Lad os formulere nogle takeaways fra denne artikel. Jeg foretrækker at gøre det i form af en handlingsplan.

1. Revider big data. Hvordan dataene indsamles nu, hvilke dataindsamlingsmuligheder du har (brug big data-procesmetrikken som ramme).
3. Gør dit hjemmearbejde. Få din strategi formuleret på strategikortet og kaskaderet til forretningsenhederne. Gennemgå dine nuværende KPI’er.
5. Forbedre kapaciteterne. Planlæg initiativerne for at tage fat på teamets kapaciteter i forhold til big data. Nøglemedlemmer bør forstå, hvilke spørgsmål de kan stille, og hvordan de skal formulere disse spørgsmål.
7. Fokuser big data-indsatsen. Gennemgå dit strategikort, få øje på de muligheder, hvor big data kan understøtte forretningsmålene. Formuler big data-forespørgsler.
9. Gennemførelse. Analyser den indsigt, som big data leverer, og afspejl den om nødvendigt i form af KPI’er.

En kort vejledning for brugere af BSC Designer Software

Som bruger af BSC Designer har du en kraftfuld software, der vil automatisere mange af de aspekter af strategitilpasning og KPI’er, der er behandlet i denne artikel:

• Strategitilpasning og fokusering af big data. Opret et strategikort for at præsentere dine forretningsmål; afstem KPI’er med målene på kortet. Hvis du endnu ikke har et strategikort, kan du bruge en assistent til strategikort for at komme i gang.

• Sørg for, at et team har big data-funktioner. Brug et træningsscorecard (du kan starte med dette eksempel) til at sikre, at dit team har de nødvendige evner til at arbejde med big data.
• Powering KPI’er med big data. Spor præstationsmålinger for big data-initiativerne; brug RESTFul API til at indtaste big data-rapporter i realtid i indikatorerne.

Hvis du ikke er bruger endnu, kan du starte med et gratis abonnement på BSC Designer, som er tilgængeligt online.

Mere eksempler på Balanced Scorecard