Lär dig hur du anpassar Big Data-initiativ till organisationens strategi och hur du bekräftar dina ansträngningar med hjälp av nyckeltal.

Artikelns huvudteman:

• Vad är Big Data?
• Utmaningar med Big Data
• KPI:er och Big Data
• Fokusera Big Data
• Måla Big Data
• Automatisering med BSC Designer

Signera-Registrera dig med en kostnadsfri plan för att få tillgång till Big Data Scorecard samt 28 andra mallar för styrkort.
Slutet av året är ett bra tillfälle att tala om nya trender: självkörande bilar, artificiell intelligens, virtuell verklighet och sakernas internet. Vilken effekt kommer dessa trender att ha på ditt företag? Hur kan du ta hänsyn till en eventuell inverkan av dessa spelförändrande idéer? Alla de nämnda trenderna förtjänar en detaljerad analys, men det finns en som verkar vara kopplad till alla de andra. Jag talar om Big Data. AI kommer att behöva den, självkörande bilar bygger på den, och naturligtvis används den redan av många företag.

På BSC Designer pratade vi mycket om KPI:er och strategi. I den här artikeln föreslår jag att vi diskuterar hur en väl beskriven strategi och skräddarsydda KPI:er kan hjälpa till att fokusera på Big Data-insatser. Här är vår plan för den här artikeln:

• Big data. Vad är det? Vilka är de största utmaningarna?
• KPI:er för stora data. 4 nivåer av KPI:er och uppnå strategisk anpassning.
• Handlingsplan. Mätbart genomförande av big data.

Vad är big data?

Big data handlar om analys av stora, ostrukturerade datamängder.

Big data kan karaktäriseras av 3 V:

• Volym. Datamängderna ska vara stora. Det finns en del uppskattningar om att de ska vara minst 10 GB eller 1 TB, men ett bättre kriterium skulle förmodligen vara att säga att stora data är något som behöver distribueras (när det gäller lagring eller beräkningar). Om man var tvungen att byta till Hadoop eller ett liknande ramverk, då blir det stort.
• Variety. Tänk på olika källor till strukturerade och ostrukturerade data. Det kan vara text, video, försäljningsdata, sociala medier, väderprognoser eller vad som helst som är meningsfullt i ditt sammanhang.
• Snabbhet. Den stora datavolymen är ett resultat av snabb datagenerering. Tänk på tusentals flygplanselement som ständigt övervakas, eller på ett konstant flöde av kommentarer i sociala medier, eller på realtidsdata som bärbara enheter ger.

Ofta (ta IBM eller EY som exempel) finns det också ett fjärde “V” som står för “Veracity:”

• Veracity. När vi talar om data har vi alltid att göra med en viss grad av osäkerhet. Hur har uppgifterna erhållits? Har vi analyserat alla faktorer? Var de manipulerade? Kan vi lita på siffrorna?

Hur används data?

Big data används för ett brett spektrum av prediktiva analyser och beteendeanalyser. Organisationer använder stora data för att minska kostnaderna, förstå kundernas behov bättre och minska riskerna. Tänk på ett företag som använder stora data för att leverera en skräddarsydd upplevelse för kunderna; tänk på bedrägerikontroller hos en e-handelsleverantör.

I början av artikeln nämnde jag några framväxande trender – stora data är inblandade i dem alla. Om du vill veta mer om praktisk användning av stora data rekommenderar jag att du fortsätter med “7 Amazing Companies That Really Get Big Data” av den internationellt erkända experten Bernard Marr.

Main Challenges of Big Data

Den beskrivna visionen om stora data låter mycket ambitiös. Varför är företagen då så långsamma med att ta till sig denna nya trend? Vilka är de största utmaningarna med stora data?

Data mining är inte längre en stor utmaning

Senare i oktober talade jag på en konferens som anordnades av SCIP (Strategic and Competitive Intelligence Professionals). Medlemmarna i denna organisation arbetar med stora datamängder inom marknadsinformation. Huvudtemat för konferensen handlade inte om att utvinna vissa CI/BI-data som man kanske skulle kunna förvänta sig. Det handlade om att anpassa insatserna för business intelligence till en organisations strategi. Med andra ord, när ett företag väl vet vilka frågor det vill ställa är resten relativt enkelt (se undersökningarna nedan för några uppgifter).

Om datautvinning inte längre är ett problem, vilka är då de största utmaningarna?

Utmaning 1. Att fokusera stora data

Den största utmaningen är att fokusera stora data på det som är viktigt och sedan leverera dem i rätt händer. Med andra ord bör det finnas någon i organisationen som bör börja ställa de rätta frågorna.

För att illustrera den här idén kan vi ta en Target-historia som var på rubrikerna 2012. Denna återförsäljare använde framgångsrikt data från shoppinganalyser för att förutsäga att några av deras kunder var gravida. Låt oss titta på historien (utan att ta hänsyn till den integritetsrelaterade delen) och se vad som faktiskt hände. Andrew Pole, en statistiker som arbetade för Target, levererade inte bara all möjlig data, han fick en mycket specifik uppgift av sina kollegor från marknadsföringen – identifiera gravida kunder i andra trimestern.

Det fanns ett fokus och det fanns ett enormt affärsvärde förknippat med detta fokus, eftersom nyblivna föräldrar tenderar att ändra sina inköpsvanor och köpa allt i en och samma butik. Det handlade inte om att bara leka med data, det handlade om att hitta data som skulle hjälpa till att besvara en mycket specifik fråga.

Utmaning 2. Anpassning till affärsstrategin

Big data kommer att förändra spelet när de ger ett påtagligt affärsvärde. Med andra ord bör det vara tydligt hur initiativen för stora data stöder ett företags strategi. NewVantage Partners frågade i sin Big Data Executive Survey respondenterna om kulturella hinder för att införa Big Data. 42,6 % av respondenterna valde svaret “otillräcklig organisatorisk anpassning”. Andra alternativ var bland annat brist på antagande, brist på en sammanhängande datastrategi och brist på en gemensam vision.

För att återgå till Target-fallet lyckades de med att ta itu med två viktiga komponenter:

1. Big data fokuserade på en specifik fråga: En datavetare ombads att identifiera gravida kunder i andra trimestern.
3. Anpassning till en affärsstrategi: Det fanns ett tydligt affärsvärde för data – familjer där ett barn föddes blir kunder i en butik under lång tid.

Utmaning 3. Datasäkerhet och integritet

Denna utmaning är ännu inte i allmänt bruk, men jag tror att det är uppenbart för alla att insamling och analys av data måste vara etisk och laglig. General Data Protection Regulation (GDPR) blev verkställbar från och med den 25 maj 2018 i Europa och det finns liknande bestämmelser i andra länder. Företag måste vara mycket mer seriösa när det gäller att följa datapolicyerna när de behandlar personuppgifter.

Låt oss diskutera KPI:er i samband med big data.

KPI:er och big data

Är big data på väg att ersätta KPI:er? Inte precis. Stora data kommer att ge KPI:er mer exakta och aktuella insikter.

Låt oss ta NPS (Net Promoter Score) som ett exempel:

• NPS nu. Hur beräknas NPS (Net Promoter Score) i din organisation idag? Förmodligen gör ni någon form av kundundersökning kvartalsvis. Den här indikatorn är alltså eftersatt i tid. Om något händer med din verksamhet kommer NPS att visa det några månader senare.
• NPS drivs av stora data. Föreställ dig nu att du använder något big data-verktyg som analyserar kundernas känslor i realtid (se Heedbook-referensen nedan). I det här fallet blir din NPS en KPI i realtid. I princip kommer du att kunna se hur en specifik kund reagerar på ett specifikt erbjudande och på en specifik försäljningsstrategi.

I vissa fall kommer du att vara intresserad av att gräva djupare i data och komma till de specifika situationerna, och i vissa fall kommer du att behöva se de aggregerade uppgifterna för veckan, månaden eller året.

KPIs för Big Data

I fallet med Big Data talar vi om betydande investeringar i de nya verktygen och arkitekturen, så det är vettigt att övervaka dessa initiativ med några hårda data. Initiativen för stora data bör också kvantifieras och mätas. Vi kan göra detta på flera olika nivåer.

Nivå 1. 3-V-metriker

De 3V:erna (volym, variation, hastighet) av stora data kan enkelt kvantifieras:

• Volym av data är ett mått i sig självt (GB, TB osv.).)
• Variation kan kvantifieras som antalet olika typer av datakällor
• Hastighet definieras av volymen data som genereras/analyseras per tidsperiod

Den fjärde V:n – Veracity kan vara svårare att kvantifiera. Du måste definiera vad ditt team anser vara korrekta data och det beror på sammanhanget. För bilar med förbränningsmotor kan t.ex. mätning av den aktuella hastigheten med en felnivå på +-5 km/h anses vara korrekta data, medan det för elbilar inte är acceptabelt. Definiera 1-2 mätvärden som ger en uppfattning om datanoggrannheten i ditt fall.

Är 3-V-mätvärdena användbara? Det beror på ditt sammanhang. Låt oss ta Googles självkörande bil som ett exempel. Bilen producerar 1 GB sensordata per sekund. Den siffran ser imponerande ut! Vi kan uppskatta hur stor big data är, men de siffrorna hjälper oss inte med de 3 utmaningar som nämndes tidigare.

Anslut dig till en kostnadsfri plan för att få tillgång till Big Data Scorecard liksom till 28 andra styrkortsmallar.

Nivå 2. Mätvärden för Big Data-processen

Låt oss gå över till nästa abstraktionsnivå och ta en titt på Big Data-processen. Den förenklade modellen är följande:

• Query
• Collection
• Analysis
• Reporting

De mest användbara mätvärdena i detta fall är relaterade till tid:

• Frekvens av datainsamling
• Tid som behövs för att data ska vara tillgängliga för analys
• Tid som behövs för att data ska rapporteras i form av KPI:er

Riktmärkena för tid beror på ditt företagssammanhang. Till exempel:

• Den självkörande bilen måste samla in och analysera data i realtid, och millisekunderna av skillnaden spelar roll, men
• I fallet med NPS kan chefer vara intresserade av att granska aggregerade veckodata

I fråga om processeffektivitet kan vi spåra:

• Förfrågan för att rapportera konverteringsgrad, %. I det här fallet måste vi först definiera begreppet kvalificerad förfrågan och sedan spåra andelen kvalificerade förfrågningar som våra datavetare kunde besvara
• Datainsamlingsförmåga. Noggrannhetsnivån för de data som vi samlar in (de idéer som diskuteras ovan i Veracity). För vissa företag definierar dessa förmågor deras hållbara konkurrensfördelar.

Mätvärdena från den här nivån ger oss en bättre uppfattning om hur effektiva stora data är, men fortfarande har vi ingen aning om hur stora data påverkar verkliga affärsmål.

Nivå 3. Eftersatta KPI:er. KPI:er för att validera framgången med big data.

En annan fråga är hur man ska validera framgången med big data-initiativ i företaget. Å ena sidan finns det en del betydande investeringar i infrastruktur, å andra sidan bör big data betala tillbaka i form av affärsinsikter. Hur kan vi mäta ett dollarvärde av dessa insikter?

I det här fallet måste vi spåra de förbättringar som kan tillskrivas användningen av stora data:

• Vilka lärdomar har vi dragit av stora data? Vilka kostnadsbesparingar uppnåddes efter genomförandet av dessa idéer?
• Hur förändrades kundbevaringsgraden på grund av att vi levererade en skräddarsydd upplevelse? Hur förändras kundernas livstidsvärde?
• Hjälper stora data kundtjänsten att bli effektivare? Hur förändrades andelen lösningar vid första samtalet?
• Hur förändrades rekryteringsprocesserna efter att man börjat använda stora datamängder? Hur förändrades HR-indikatorn för tid till prestation?

Som du kan se på den här nivån använder vi klassiska KPI:er som vi använde tidigare. Vad vi försöker göra är att tillskriva vissa förbättringar till genomförandet av stora data.

Detta tillvägagångssätt kan vara partiskt:

• Vi tenderar att räkna positiva förändringar som våra prestationer och
• Vi ser negativa förändringar som normala fluktuationer som alltid inträffar.

Lösningen är att sikta på större och mer konkreta mål.

Många organisationer sköter den här mätningsdelen och köper helt enkelt “några stora data”. Enligt rapporten från Capgemini Consulting har 67 % av de intervjuade företagen inga väldefinierade kriterier för att mäta framgången med sina big data-initiativ. Med tanke på investeringssumman bör företagen vara mer systematiska när det gäller att definiera målen och framgångskriterierna för big data-implementeringen.

Anslut dig med en kostnadsfri plan för att få tillgång till Big Data Scorecard samt 28 andra mallar för scorecard.

Nivå 4. Ledande KPI:er. Säkerställa framgång med stora data.

Nu vet vi hur vi ska mäta resultatdelen av initiativen för stora data, men hur är det med den ledande delen? Vad ska vi göra för att säkerställa ett framgångsrikt genomförande av stora data?

Den hårda delen av big data är ganska påtaglig, vi kan mäta den genom sådana generiska mått som:

• Fonder som investeras i big data-initiativ
• Tidsspillan för big data-initiativ

Affärsmålen fokuserar på big data

Här är ett verkligt scenario: Ett företag investerade miljontals dollar i infrastruktur, verktyg och insamling av stora data med Hadoop-klustret, men inget mätbart hände. Det är vad vi talade om i utmaning 1: Stora data är inte AI, de kan inte tala, och ditt team måste lära sig att ställa frågorna. Hur kan vi då mäta teamets roll?

Här är några idéer för att komma igång:

• Utbildningens effektivitet i fråga om stora data. Se till att nyckelpersoner i teamet har fått utbildning om stora data. De behöver inte nödvändigtvis bli datavetare, men de måste veta vilka frågor de kan ställa och hur de ska formulera dessa frågor. I det här fallet kommer mätvärdena att vara relaterade till utbildningens effektivitet.
• % av strategiska mål med big data-initiativ. Vi skulle kunna spåra antalet big data-förfrågningar som formulerats av varje grupp, men detta tillvägagångssätt skulle vara mycket formellt och mindre användbart. Ett bättre alternativ är att spåra anpassningen mellan mål och frågor om stora data. Be ditt team att titta på sina strategiska mål och sedan diskutera vilka data de kan behöva för att fatta bättre beslut i samband med dessa mål.

Big Data hjälper till att formulera nya affärsmål

Processen med att matcha affärskontext och big data är dubbelriktad. Ibland har vi en specifik utmaning i åtanke och letar då efter specifika big data-verktyg (som i fallet med Target), ibland hittar vi ett intressant verktyg och försöker sedan matcha det med våra mål. Här är några exempel:

• Någon i ditt team hittade Heedbook, en tjänst som analyserar kundernas känslor i realtid. Tjänsten är byggd på Microsofts Azure och är tillgänglig i molnet. Ditt kundserviceteam kan komma på en idé om att använda den här tjänsten för att beräkna sin NPS bättre.
• Din IT-personal hade problem med att hitta en DLP-programvara (Data Loss Prevention). De stötte på SearchInform som inte bara kan analysera kommunikation och överförda filer, utan som också kan tillämpa specifika säkerhetsprinciper. Din organisations IT-strategi kan uppdateras genom att ta hänsyn till DLP-verktygets möjligheter.

I vilket fall som helst är det en bra idé att matcha specifika affärsmål med kraven på big data.

Aktionsplan. Gör Big Data mätbara.

Låt oss formulera några slutsatser från den här artikeln. Jag föredrar att göra det i form av en handlingsplan.

1. Revidera big data. Hur data samlas in nu, vilka möjligheter till datainsamling du har (använd processmetrikerna för stora data som en ram).
2. Gör din hemläxa. Låt er strategi formuleras på strategikartan och spridas till affärsenheterna. Se över era nuvarande KPI:er.
3. Förbättra kapaciteten. Planera initiativen för att ta itu med teamets kapacitet när det gäller stora data. Nyckelmedlemmar bör förstå vilka frågor de kan ställa och hur de ska formulera dessa frågor.
4. Fokusera insatserna för stora data. Se över din strategikarta, upptäck de möjligheter där stora data kan stödja affärsmålen. Formulera frågor om stora data.
5. Genomförande. Analysera de insikter som levereras av big data, återspegla dem i form av KPI:er där det behövs.

En kort guide för användare av programvaran BSC Designer

Som användare av BSC Designer har du en kraftfull programvara som automatiserar många av de aspekter av strategianpassning och KPI:er som diskuteras i den här artikeln:

• Strategianpassning och fokusering av big data. Skapa en strategikarta för att presentera dina affärsmål; anpassa KPI:er till målen på kartan. Om du inte har någon strategikarta ännu kan du använda en strategikartguide för att komma igång.

• Se till att ett team har kapacitet för stora data. Använd ett utbildningsspoängkort (du kan börja med det här exemplet) för att se till att ditt team har den kapacitet som krävs för att arbeta med stora data.
• Styrning av KPI:er med stora data. Spåra resultatmått för big data-initiativen; använd RESTFul API för att lägga in big data-rapporter i realtid i indikatorerna.

Om du inte är användare ännu kan du börja med en gratis plan för BSC Designer, som finns tillgänglig online.

Flera exempel på det balanserade styrkortet